重拖尾海杂波下基于MCSEAPHD目标跟踪算法

针对重拖尾海杂波下的对海探测问题,提出了一种基于多帧杂波稀疏度估计和幅值辅助概率假设密度的海面目标跟踪算法。首先,提出重拖尾海杂波下的多帧杂波稀疏度估计技术,利用高斯混合后验强度和多帧杂波累积剔除源自幸存目标和新生目标的测量,实时估计空间分布未知且时变的重拖尾海杂波密度;然后,将杂波密度估计参数传递到跟踪器中,并建立带幅值的量测似然函数,在概率假设密度算法框架下进行状态更新,并将更新后的高斯混合后验强度用于下一帧的杂波密度与目标状态估计;最后,进行了仿真试验,仿真结果验证了所提算法的有效性。

海杂波概率密度分布函数分析方法的研究

就海杂波概率密度估计方法进行了讨论，提出首先以核估计方法进行估计，然后采用多元线性回归得到海杂波的概率密度函数．该方法不需事先假定服从特定的分布，因而使用灵活，适应面广．实验结果表明，所估计的概率密度函数较为真实地反映了实际情况．

基于小波变换的海杂波分布特性分析

提出了用小波变换对海杂波分布进行统计分析,利用小波多分辨分析估计海杂波的概率密度函数,通过拟合识别分布并求取参数,改变以往先假定海杂波分布识别的方法,克服了因为噪声的存在直接由海杂波数据估计分布参数不准确的缺点.通过适当地调整小波多分辨分析的阈值,可以获得更逼真的海杂波概率密度函数,适应各种海况下的海杂波分析.

基于核函数和带宽的海杂波概率密度函数估计

针对参数化估计方法在分析海杂波非平稳特性方面的局限性,提出了基于核密度的海杂波概率密度函数非参数化估计方法,该方法利用核函数和带宽来估计海杂波的概率密度函数。与实测的X波段海杂波概率密度函数对比表明:非参数化的核密度优于参数化的Gamma分布和Weibull分布,其估计值与实测值最相吻合,且具有最小的均方根误差。对于一维的海杂波来讲,该方法是一种计算效率适中的算法。

基于多帧杂波稀疏度估计的无源协同定位

针对杂波密度未知时的多目标无源协同定位问题,提出一种基于多帧杂波稀疏度估计(multi-scan clutter sparsity estimation,MCSE)和高斯混合概率假设密度(Gaussian mixture probability hypothesis density,GMPHD)的多目标无源协同定位算法.首先,构建高斯混合后验强度和杂波密度估计之间的反馈模型,利用门限技术在线剔除潜在的目标测量,以减少目标测量对杂波密度估计的干扰.其次,基于多帧杂波稀疏度估计,实现非均匀分布的杂波密度的在线估计,进一步提高杂波密度未知时的多目标跟踪性能.仿真验证了所提算法的有效性.

相关杂波的产生及功率谱估计技术研究

杂波能显著降低雷达探测目标的能力。利用零均值非线性变换(ZMNL)方法可由零均值高斯白噪声得到满足所需概率密度函数的杂波序列。而要使杂波序列满足特定功率谱分布,可利用零均值非线性变换前后的自相关系数设计线性滤波器。数值仿真结果验证了线性滤波器与ZMNL结合产生满足特定概率密度函数和功率谱相关杂波序列的有效性。

基于统计模型的二维空间相关海杂波的快速仿真

基于概率密度函数和相关函数等统计特性,提出了一种模拟二维空间相关海杂波的统计模型。数值比较表明,统计模型和电磁散射模型模拟的海杂波的纹理特征、自相关函数和PDF吻合较好,此外,该统计模型效率高,可用于模拟大场景二维空间相关的海杂波。

一种舰载雷达海杂波抑制方法

舰载雷达在探测海面目标时由于强海杂波环境的影响，降低了雷达对海面目标的检测和定位跟踪性能。为了有效抑制海杂波、凸显有用目标，文中对海杂波的概率密度分布、时间相关性和频率相关性等特性进行了分析，并提出了雷达系统设计、自适应CFAR、扫描圈问积累和频率捷变等几种抑制海杂波的方法。实录雷达数据处理结果表明，文中的方法能显著提高舰载雷达的海面目标检测能力。

基于累积量随机学习算法的高分辨率SAR图像舰船检测方法研究

基于SAR图像的舰船目标检测是海洋遥感应用的重要内容,恒虚警率(CFAR)是应用最为广泛的SAR图像舰船检测算法之一。由于CFAR算法的性能主要依赖于对海杂波概率密度的准确估计,本文提出一种基于累积量随机学习的海杂波概率密度估计方法,并采用两级CFAR级联的方法提高检测效率,通过对像素点聚类解决了高分辨率SAR图像舰船区域不连通的问题。实验结果表明,累积量随机学习算法能够更精确地估计海杂波概率密度,相比经典方法,本文提出的检测方法性能较好且检测效率较高。

一种基于杂波稀疏度改进的杂波密度估计方法

在实际跟踪环境中,杂波测量空间分布特性往往是未知时变的,杂波密度通常被用来描述杂波测量的空间分布特性,是决定多目标自动跟踪性能的核心环境要素。现有的空间稀疏度的杂波密度估计方法(Spatial Clutter Measurement Density Estimator,SCMDE)在多目标自动跟踪场景下的杂波密度估计偏差急剧增大。针对以上问题,提出了一种基于SCMDE改进的杂波自适应估计方法,通过计算以待估点为中心的超球体内测量来源于杂波的概率估计超球体内真实的杂波个数,消除超球体内目标测量带来杂波密度估计偏差,从而提升复杂环境下多目标自动跟踪的航迹管理性能。

未知杂波条件下样本集校正的势估计概率假设密度滤波算法

在贝叶斯框架下的多目标跟踪算法中,总是假设杂波的先验信息是已知的。然而,实际应用中,杂波分布一般是未知的,假设的杂波分布往往与实际情况匹配度差,难以保证滤波精度。针对该问题,该文研究了未知杂波势估计概率假设密度(CPHD)滤波算法。首先,提出一种基于狄利克雷过程混合模型(DPMM)类的未知杂波CPHD算法,该算法能够自动选取合适的类数对杂波进行描述,有效降低了杂波空间分布估计的误差。此外,提出样本集校正的思想,并将其引入所提算法,通过去除样本集中由真实目标产生的量测,较好地解决了杂波数过估和目标数低估的问题。与传统算法相比,所提算法的滤波精度更接近于杂波信息匹配情况下的性能,仿真结果验证了其优越性与鲁棒性。

基于熵惩罚的EM未知杂波估计的PHD多目标跟踪算法

针对概率假设密度多目标跟踪算法中存在的杂波强度未知的问题,提出一种基于熵惩罚的EM未知杂波估计的PHD多目标跟踪(EPEM-PHD)算法。首先采用有限混合模型对未知杂波密度建模,其次分别对混合权重及缺失参数施加熵惩罚因子,然后通过自适应动态系数调节,使得混合模型低权值分量加速消亡,减少了算法迭代次数,且算法对初始参数不敏感。仿真结果表明,该算法在杂波强度未知的环境下,具有精度高、跟踪稳定的优势,提高了PHD滤波器在多目标跟踪中的性能。

某低空警戒雷达海杂波数据的统计特性分析

为获得某低空警戒雷达的海杂波特性,从统计模型和回归分析,以及矩分析情况等方面对实际采集的海杂波数据的幅度分布特性进行了分析,得出了一些有用的结论,为研究实际海杂波对消处理的新方法提供了一定的理论依据.

地海杂波统计特性研究概述

分析了地海杂波统计建模方面的主要应用和局限性,指出了当前地海杂波统计建模面临的问题。总结了描述地海杂波常用的3类经典统计模型,即描述杂波散射单元归一化雷达散射截面的模型、描述后向散射系数起伏的概率密度函数模型和描述后向散射系数相关性的功率谱模型,并在此基础上给出了常见地形、不同频率、不同入射角的平均后向散射系数,同时给出了满足特定概率密度函数和功率谱的杂波仿真方法和结果。最后给出了对地海杂波统计建模发展思路的一些思考。

海杂波数据的采集与分析

介绍了海杂波数据的采集环境和采集方法,以及对海杂波数据幅度统计特性和谱特性的分析方法和分析结果。

基于直方图滤波的浅海声源测距算法研究

针对浅海移动声源的测距,提出了基于直方图滤波的水下测距算法。该算法以声传播过程中传播损失和目标运动参数以及接收信号作为先验知识,对声源位置函数形成的状态向量进行更新,从而实现浅海声源的测距,并用SwellEx-96实测海试数据库进行了算法的实验验证。结果表明:对移动声源的测距深度误差较小,而探测的水平距离在10 km范围时,水平距离最大测距误差在±10 m,并且可以通过改善目标运动参数等先验知识提高对声源测距的精度,验证了直方图滤波算法可较好地实现对水下移动目标的测距。

基于对数正态分布的海杂波修正概率密度分布函数

基于实测海杂波数据和参数拟合方法,提出了适用于X波段雷达的海杂波修正概率密度分布模型。统计了两型X波段雷达在不同距离段上、多周期的海杂波数据。结果表明,修正概率密度分布模型的误差降低了22%以上,且能够适用于不同距离段和扫描周期。海杂波概率密度分布模型能够用于恒虚警检测器门限计算,能够指导海杂波区域的目标检测方法设计。

基于杂波强度在线估计的多目标跟踪算法

针对多目标跟踪中的未知杂波强度,提出了基于熵分布的杂波强度在线估计算法.利用有限混合模型对未知杂波强度建模,将仅依赖于混合权重的熵分布作为混合参数的先验;利用拉格朗日乘子法推导了混合权重在极大后验意义下的在线估计公式;以随机近似过程为在线估计策略,推导了基于缺失数据的分量均值和方差的在线估计公式.仿真结果表明,基于熵分布的杂波强度在线估计算法改进了概率假设密度滤波器在多目标跟踪中的性能.

基于稀疏度阶数优化的杂波密度估计算法

针对杂波分布不均匀且密度未知的多目标跟踪问题,提出一种基于稀疏度阶数优化的杂波密度估计算法.首先,剔除在跟踪门内的潜在目标测量,获取杂波测量集;其次,从杂波测量集中构造"稀疏度阶数-超立方体容积"的样本,并利用支持向量回归机对样本拟合;再次,通过梯度法求得拟合曲线的极值点,实现稀疏度阶数在线优化;最后,将优化后的杂波稀疏度估计器嵌入高斯混合概率假设密度滤波器中,实现复杂杂波环境下目标状态与杂波密度联合估计.仿真结果验证了所提出算法的有效性.

区域杂波估计的多目标跟踪方法

高斯粒子概率假设密度(PHD)滤波往往假定杂波密度参数已知,这种做法对于实际应用是不现实的。此外,杂波的参数值通常依赖于环境条件,可能随时间发生变化。因此,多目标跟踪算法中需要实时准确估计杂波密度的参数。基于此,提出了一种多目标跟踪的区域杂波估计方法。首先根据量测信息在线估计出场景中的杂波数目,然后估计落入目标附近感兴趣区域的杂波数,并估计每个目标感兴趣区域杂波强度。仿真结果表明,在复杂场景下算法的跟踪性能明显优于未进行杂波估计的多目标跟踪算法,提高了跟踪的实时性和跟踪精度。