多站测向定位中递归加权最小二乘法的技术分析

最小二乘法常用于多站测向定位,文章在现有最小二乘法模型基础上,推导了一种递归加权的最小二乘法模型,并与非递归的最小二乘法模型在运算量上进行了比较,发现在测向站较多的情况下（多于6站）,递归的最小二乘法模型比非递归的最小二乘法模型在运算量上要小,最后绘出了不同数量测向站的GDOP图,发现在一定误差条件下,随着测向站的增加,定位精度的提高并不是很明显。     

一种基于脉冲样本图和模糊理论的雷达辐射源识别

在现代信号密集环境中,传统的雷达信号特征描述方式很难对复杂体制雷达辐射源进行描述和识别.因此提出了一种基于脉冲样本图和模糊理论的雷达辐射源识别算法,运用格贴近度的模糊识别算法进行雷达辐射源识别.该方法省略了特征提取过程,简化了处理环节,仿真结果表明,这种方法具有很高的识别准确率.     

基于信息融合的多目标单站无源跟踪新技术研究

跟踪起始与数据关联是多目标无源单站跟踪的关键技术.本文提出了一种基于目标多特征信息融合的自适应跟踪起始算法,通过构造多维动态可变的跟踪门,进行自适应跟踪起始检测,然后根据序列概率比检验准则进行轨迹确认.同时提出了一种基于多目标多特征信息融合的数据关联算法,首先通过定义多个特征数据关联度,将单个有效观测的多特征信息进行融合,再对多目标进行综合数据关联.计算机仿真表明,该跟踪起始算法能够快速有效地启动航迹,数据关联算法的性能要优于传统的NN方法和扩展的NN方法.     

对机动辐射源单站无源定位IMM算法

探讨了一种利用单个观测站对机动辐射源目标进行无源定位与跟踪的交互式多模型（IMM）算法。在该方法中，基于辐射源的信号到达时间（TOA）和信号到达方向（DOA）信息，可以实现单站无源定位，运用交互式多模型算法，可以适应目标的机动性。通过计算机仿真，验证了该方法的正确性和有效性。     

现代雷达信号分选技术综述

概述了雷达信号预分选、信号分选和综合分析处理技术．阐述了扩展关联法．差直方图法（SDIF和CDIF）、PRI变换法的工作原理及其性能．提出了一种辅助分选方法——TOA折叠分选法：实验表明．在密集的雷达信号环境下．差直方图法是一种可行的实时分选方法．其性能优于扩展关联法．且比PRI变换法速度快;TOA折叠分选法能够适应复杂的现代新体制雷达信号环境．例如大量丢失脉;中和干扰脉冲的情况以及PRI特殊变化的信号的情况．对实时分选方法是一种很好的补充：     

IDSSRJ基于决策案例的知识自学习模型

知识自学习技术是建造智能决策支持系统（IDSS）的关键技术之一,智能雷达干扰决策支持系统（IDSSRJ）中基于决策案例的知识学习是在决策过程中,对现有知识不能解决的问题,将其分解为多个决策之问题,然后同过去的决策案例进行案例匹配,从中吸取所需的决策知识,进行知识自我更新,实现知识自学习。     

无源跟踪中基于灰关联信息融合的概率数据关联算法

在无源跟踪中,传统的概率数据关联算法(PDA)单纯依据状态量测信息.该文提出了一种基于多特征信息融合的概率数据关联算法,该算法利用目标多个特征信息(状态量测、载频、PRI等),通过灰关联分析的方法,计算有效观测与目标的关联概率,进而在信息融合的基础上,进行目标状态更新估计.该算法与传统的PDA相比有两个优点,第一,关联概率的计算量小、计算更准确;第二,该算法利用了目标多特征信息,因此,关联性能更好.实验表明,基于该算法的无源跟踪性能明显优于NN方法和传统的PDA方法.     

基于多目标多特征信息融合数据关联的无源跟踪方法

在多目标无源跟踪中,传统的数据关联方法只利用那些与目标状态向量计算直接相关的信息(如DOA、TOA信息等).本文提出了一种新的数据关联算法——基于多目标多特征信息融合的数据关联算法,该算法同时利用了更多的目标特征信息(如频率、PRI等),应用D-S证据理论进行单目标多特征信息融合,在此基础上,再进行多目标综合数据关联.它是一种基于多特征信息的全局最优的算法.计算机仿真表明,基于该算法的无源跟踪性能要优于传统的NN方法和扩展的NN方法.     

基于凸优化的频率方向二维恒定束宽波束形成技术

针对传统波束的主瓣宽度会随波束指向和信号频率不同而变化,提出了一种基于凸优化的频率方向二维恒定束宽波束形成算法.该算法先采用非线性约束优化实现参考频点的方向不变恒定束宽,然后针对频带内各子带中心频率在每个指向上采用二阶锥约束,实现频率方向的二维恒定束宽.仿真结果表明,该算法能够在主波束指向±40°范围内有效地形成方向不变恒定束宽,同时在每个主波束指向上得到良好的频率不变恒定束宽波束图.