论文部分内容阅读
多目标方位估计及跟踪技术在声纳、雷达、通信和国防建设等众多应用领域中占有十分重要的地位。论文从实际应用的角度出发,全面论述了子空间类多目标方位估计和跟踪算法的理论和方法。结合水下目标探测与跟踪系统的工作特点,从理论分析和计算机仿真两方面对子空间类多目标方位估计及跟踪方法进行了研究,主要研究工作概括如下: 1.论述了子空间类高分辨方位估计算法的原理,给出了MUSIC、Mini-Norm、Root-Music和ESPRIT四种典型的噪声子空间高分辨方法的公式及算法实现,并给出了较完整的方位估计性能评估指标。比较分析了上述四种方法的估计性能,对它们的分辨概率和估计精度进行了大量的计算机仿真,根据统计结果对它们的性能做出了评价。 2.对现有的自适应子空间估计算法加以分类论述,广义上大致可以分为两类:一类为修正特征值问题(MEP,modified eigenvalue problem)方法,这类算法通常采用秩-1(rank-1)或秩-2(rank-2)方法修正协方差矩阵,使传统特征值分解的应用直接从平稳过程扩展到非平稳过程;另一类为非修正特征值问题(non-MEP)方法或自适应方法,此类算法在每次更新计算中不能获得准确的特征信息,而是估计的结果趋向于EVD或SVD。在此基础上介绍并研究了两种分别属于这两类的自适应子空间估计算法,一种是Thierry Chonavl等人提出的属于非修正特征值问题的MALASE算法,该算法保证了每次迭代所估计的特征向量严格正交,计算复杂度为O(M~2)或O(Mr);另一算法是Babu等人提出的属于修正特征值问题的ACN算法,该算法使用流水线结构进行并行运算,每次迭代所要求的计算复杂度为O(M~2)。 3.提出三种自适应子空间类高分辨算法,它们分别是基于MALASE的自适应Root-MUSIC算法,基于MALASE的自适应Mini-Norm算法和基于ACN的自适应Root-MUSIC算法,三种算法都可以在一次采样的基础上对多目标的DOA进行实时跟踪估计。多组计算机仿真实验结果表明,三种算法都具有很好的收敛性能,并且在信噪比不是很低的情况下,三种算法对非平稳过程的多目标方位都具有比较好的跟踪效果。