标签多伯努利机动目标跟踪与分类算法

针对密集杂波下现有的多机动目标跟踪算法性能衰减严重的问题,提出了一种标签多伯努利目标跟踪与分类算法。首先,引入类别信息对目标状态进行扩维;然后利用类别属性对目标机动模型转移密度进行修正,并推导新的状态转移密度函数,抑制了错误机动模型对目标状态预测的影响;同时,建立目标位置与属性的联合量测似然函数,增大了目标与杂波的区分度,从而增强杂波抑制能力;最后,基于多模型标签多伯努利滤波器框架推导了新的预测、更新方程。仿真实验结果表明:所提算法在高杂波环境下仍能对多机动目标进行有效跟踪,其目标数估计误差及最优子模式分配距离分别约为多模型概率假设密度联合检测、跟踪、分类滤波器的1/2和1/4,为多模型势平衡多伯努利联合检测、跟踪、分类滤波器的3/4和1/2。     

基于联合协作表示的特定辐射源识别

针对存在脉冲无意调制特征时的特定辐射源识别问题,在时域对个体辐射源建模,并分析了无意特征在特征空间形成的分量对个体识别的作用。首先在时频域提取了奇异值作为特征描述,接着建立了联合协作表示模型并引入Tikhonov矩阵约束增加类间区分度,提取了特有分量表示系数,最后依据最小分类残差实现有监督的特定辨识。仿真中利用具有脉内无意调制的3种辐射源进行分析,实验结果表明提出的方法能有效识别无意幅度和相位调制特征,且在信噪比为10 dB时能达到80%以上的正确识别率,具有泛化建模意义。