非高斯杂波下两种自适应距离扩展目标检测器及性能分析

研究了球不变随机向量杂波下距离扩展目标的自适应检测问题.针对NSDD-GLRT和SDD-GLRT检测器的非自适应问题,利用基于辅助数据的采样协方差矩阵代替真实归一化协方差矩阵,获得了自适应的ANSDD-GLRT和ASDD-GLRT检测器.推导了检测概率和虚警概率公式,分析了信号方向向量失配对检测性能的影响,并进行了检测器的恒虚警率特性分析.仿真实验表明,两种自适应检测器相对于相应的非自适应检测器的检测损失较小,且对方向失配信号具有更好的抑制能力.另外,ANSDD-GLRT的收敛速度要快于ASDD-GLRT,而后者对方向失配的目标信号有更好的抑制能力;两种自适应检测器在目标能量均匀分布时具有最佳检测性能,且检测性能随着目标幅度起伏的加剧而有所降低;不同距离单元间散射点的相关性在高检测概率区会引起检测损失,而在低检测概率区会带来检测增益     

独立分量分析在相控阵雷达信号检测中的应用

相控阵雷达工作的环境日益复杂,分析了干扰、杂波环境下相控阵雷达接收信号的盲可辨识性,建立了目标信号的盲分离模型,在此基础上提出了小波变换与独立分量分析方法相结合检测目标的算法。该算法首先使用小波变换对相控阵雷达接收的回波信号作消噪处理,提高目标信号的信噪比,然后使用独立分量分析方法对源信号进行分离,提取相控阵雷达接收回波中的目标信号。仿真结果验证了算法的有效性。     

基于稀疏化核方法的非线性动态系统在线辨识

为了抑制辨识模型阶数的不断增长,适应系统的时变动态特征,以滑动时间窗为基本建模策略,提出了一种具有自适应正则化因子的核超限学习机(kernel extreme learning machine, KELM)在线辨识方法。通过构建新的目标函数,使得正则化因子可以随着系统动态而改变,保证了模型在不同的非线性区域拥有不同的结构风险;通过构建统一的学习框架,在保证每一次训练迭代中学习过程稀疏化的同时,实现了核权重系数与正则化因子的同步更新。实验结果表明，提出的方法相比与其他基于KELM的在线序贯学习方法,在有无噪声的情况下,均可以有效提升辨识精度,并且具有更好的稳定性。     

基于一种自适应核学习的KECA子空间故障特征提取

核属性约简方法对于去除冗余信息,调整数据非线性结构具有独特的优势.针对航空电子设备故障诊断中有效特征提取困难,核属性约简方法中核函数与核参数选择繁琐等问题,提出了一种基于自适应核函数优化学习的核熵元分析（kernel entropy component analysis,KECA）特征提取方法.首先针对一种自适应核函数基于改进的Fisher核矩阵测量准则建立了一种面向多分类任务的核函数优化框架,然后将优化结果与KECA相结合,通过在KECA特征子空间中选择对输入数据Renyi熵估计有较大贡献的核矩阵特征向量来实现故障特征提取.实验结果表明,本文方法不仅提升了分类精度,而且对噪声具有一定的抑制作用,具有良好的泛化性能.      

灰色关联理论在辐射源识别中的应用

针对复杂战场电磁环境中辐射源目标识别难的问题,提出了一种基于灰色关联理论的辐射源识别方法.该方法首先提取辐射源信号的特征参数,同时选取灰色关联分析中的比较数列和参考数列;其次定义辐射源数据库为识别框架并计算各传感器基本概率赋值;最后进行证据组合与决策实现目标识别.最终的应用举例及对比实验验证了该方法的有效性.     

利用FFT/WFFT-DWT提高雷达处理增益的性能分析

当目标的多普勒频率与FFT滤波器组不精确匹配时,会产生FFT的高副瓣现象。利用加窗FFT可以抑制副瓣,但降低了主瓣信噪比。在WFFT输出端利用离散小波变换(discrete wavelet transform,DWT)可以改善雷达处理增益(processing gain,PG),推导了单边形式WFFT-DWT的处理增益公式,并利用FFT/WFFT-DWT进一步提高雷达处理增益。检测性能分析表明,FFT/WFFT-DWT在存在频率偏移时有比FFT/FFT-DWT和FFT更好的检测性能。