排序方式: 共有8条查询结果,搜索用时 750 毫秒
1
1.
2.
该文针对分布式阵列相干信号单次快拍波达方向估计问题,提出一种基于状态空间平衡法的1维波达角估计算法。该算法首先直接利用单快拍数据以分布式阵列每个子阵单元进行Hankle矩阵构造,然后采用状态空间平衡法,分别获得低精度无模糊的子阵单元内DOA估计和高精度有模糊的子阵单元间DOA估计,最后结合配对和解模糊算法获得高精度无模糊DOA估计。该算法不受信号形式限制,可同时对相干信号和非相干信号进行处理,能充分利用分布式阵列扩展阵列物理孔径特性,获得较高的DOA估计精度。计算机仿真结果验证了所提算法的有效性。 相似文献
3.
InISAR系统能够在短观测时间内实现对目标的3维成像,在目标识别和分类中有广泛应用。但是ISAR成像平面不仅取决于目标相对雷达的空间位置,还和目标的运动情况有关。针对空间平稳运动目标,该文利用互相垂直的L型基线构成双通道InISAR系统,对各天线接收到的回波分别采用各自的参考距离进行聚焦处理,采用传统的距离-多普勒算法得到目标散射点2维像,通过提取各散射点的干涉相位和多普勒信息,采用最小二乘方法对目标的有效转动角速度大小和方向进行估计,进而估计出散射点的3维位置,实现目标3维成像。仿真实验验证了所提方法的有效性和鲁棒性。 相似文献
4.
5.
雷达通过发射天线发射电磁波,经过不同物体反射接收到相应的反射波,对其接收结果进行分析,能得到物体距雷达的位置,径向运动速度等信息,所以对雷达信号的分析具有重要的研究意义。近些年深度学习成为各个领域的研究热点,而在雷达领域同样可通过深度学习算法实现对信号的相应的信息处理。与传统方法相比,深度学习算法具有自动提取深层特征、获取较高准确率等优势。该文具体介绍了近期典型的深度学习算法在雷达信号处理中的应用及研究情况。此外,该文介绍了两个在雷达领域中应用深度学习亟待解决的问题,即过拟合和可解译性。 相似文献
6.
7.
多传感器多目标跟踪是信息融合领域的热点问题,其通过融合多个局部传感器数据,提高目标跟踪精度和稳定性。多传感器多目标跟踪按融合体系可分为分布式、集中式、混合式3类,其中分布式融合结构对网络通信带宽要求低、可靠性和稳定性强,广泛应用于军事、民用领域。该文聚焦分布式多传感器多目标跟踪涉及的目标跟踪、传感器配准、航迹关联、数据融合4项关键技术,主要分析了各关键技术的理论原理与适用条件,重点介绍了不完整测量条件下的空间配准与航迹关联,并给出仿真结果。最后,该文总结了现有分布式多传感器多目标跟踪关键技术存在的问题,并指出了其未来发展趋势。 相似文献
8.
该文针对2维阵列波达方向估计问题,提出一种基于单快拍数据的分布式2维DOA估计算法。该算法首先利用每个子阵单元的单快拍数据进行2维Hankle矩阵构造;然后基于2维状态空间平衡法分别获得方位角和俯仰角子阵单元内DOA估计与子阵单元间DOA估计;最后通过解模糊算法获得方位角和俯仰角高精度无模糊DOA估计。该算法较好地解决了子阵单元内DOA估计和子阵单元间DOA估计之间的配对问题以及俯仰角和方位角之间配对问题,充分利用分布式阵列扩展阵列物理孔径特性;同时该算法可直接对相干信号和非相干信号进行处理。计算机仿真结果验证了所提算法的有效性。 相似文献
1