两种外辐射源雷达跟踪算法性能分析

合集下载

外辐射源雷达概述

1 研究背景与意义雷达面临的四大挑战：（1）隐身目标的威胁隐身飞机、隐身导弹和隐身舰艇和无人机的出现使得雷达散射截面积成百上千倍的减小，增加了雷达发现目标的难度。

（2）低空与超低空目标的威胁战术导弹和战略巡航导弹等低空、超低空目标的入侵也给雷达探测带来了重大挑战。

（3）反辐射摧毁的威胁反辐射导弹利用敌方雷达的电磁辐射进行制导并将其摧毁，是电子对抗中对雷达硬杀伤最有效的武器。

为应对日益恶化的外部电磁环境，雷达往往需要发射更大的功率以达到同样的探测性能，从而增加了被发现甚至被摧毁的风险。

（4）强电子干扰传统雷达一般采用收发共置的布站方式，其发射电磁波一旦被敌方发现和定位，就极容易被干扰，进而丧失整个武器战争系统的重要信息来源。

外辐射源（无源）雷达因能克服上述问题而引起人们的广泛关注。

外辐射源雷达分为两大类：第一类是基于目标的红外辐射或自身发射的电磁波来对其探测，目标发射的电磁波主要来源于雷达、应答机、通信电台、导航仪、有源干扰机等通讯电子设备；第二类是利用广播信号、电视信号、手机信号、卫星导航信号等非合作照射源来探测目标。

当目标静默（不发射电磁波）时，利用第一类外辐射源雷达通过电磁波来探测目标就无法实现。

对于第二类外辐射源雷达，即使目标静默，也能探测到目标，因此对此类外辐射源雷达的研究成为热点。

外辐射源雷达的优势：（1）反隐身特性隐身目标一般只大幅度减少鼻锥±30°范围之内后向散射的RCS，前向与侧向的散射还是很强。

外辐射源雷达是一种双基地雷达，它可以通过接收目标前向与侧向的散射回波信号来探测隐身目标。

其次，外辐射源信号多数工作在甚高频、超高频等波段，波长较长，隐身飞机表面的吸波材料对该波段电磁波的作用极差；再者，外辐射源雷达在形式上属双（多）基地雷达，可探测到隐身飞机前向和侧向的散射信号，具有空域上反隐身的特点。

因此，外辐射源雷达具有探测隐身目标的能力。

（2）探测低空与超低空目标外辐射源雷达利用各种民用或商用信号作为照射源，频率一般较低，波长较长，因此照射源能够通过衍射穿过低空障碍物探测到目标。

一种改进的外辐射源雷达直达波对消算法

一种改进的外辐射源雷达直达波对消算法李坤合; 芮义斌【期刊名称】《《电讯技术》》【年(卷),期】2019(059)011【总页数】6页(P1275-1280)【关键词】外辐射源雷达; 直达波对消; 步长调整; Sigmoid函数【作者】李坤合; 芮义斌【作者单位】南京理工大学电子工程与光电技术学院南京210094【正文语种】中文【中图分类】TN9551 引言直达波对消[1]是非合作双基地雷达系统中所面临的一个关键技术问题，直接影响到目标检测效果的好坏。

常用直达波抑制方式是自适应滤波法，如最小均方误差(Least Mean Square,LMS)算法[2]、递归最小二乘(Recursive Least Squares,RLS)算法[3]等，其中LMS算法以其计算复杂度低、结构简单易于实现的优势，得到广泛的应用。

为解决其定值步长导致的收敛速率慢的问题，诸多学者提出了一些LMS改进算法，如归一化的最小均方误差(Normalized Least Mean Square,NLMS)算法及其步长优化算法[4-6]、基于FFT的快速块最小均方(Frequency-domain Block LMS,FBLMS)算法[7]、基于Sigmoid函数变步长最小均方(Variable Step Size LMS based on Sigmoid function,SVSLMS)算法[8-9]，以及基于抗干扰性能提出的改进算法[10-11]。

NLMS算法根据从参考信号的欧式平方进行步长调整，随着滤波器趋于稳定，步长也趋于稳定，与理想步长存在一定的差距。

在实际情况中，监测通道接收到的数据中除了直达波之外，还包括少量的多径干扰与目标回波，SVSLMS算法以及FBLMS算法只根据对消后的误差最小化原则进行自适应步长的调整，而误差中包含的多径与目标回波信号并不能直观地体现直达波对消情况，并非最优的步长因子的选择。

本文在研究SVSLMS算法的基础上利用对消信号与直达波的相关性代替误差来实现步长的自适应调整。

雷达信号处理中的目标跟踪方法

雷达信号处理中的目标跟踪方法目标跟踪是雷达信号处理的重要任务之一，它是通过分析雷达接收到的信号，实时追踪并确定目标的位置、速度和轨迹等信息。

目标跟踪在军事、航空航天、交通监控、环境监测等领域都具有广泛的应用。

本文将介绍雷达信号处理中常用的目标跟踪方法。

1. 卡尔曼滤波方法卡尔曼滤波方法是一种基于状态空间模型的目标跟踪方法。

该方法根据目标的运动模型和观测模型，通过预测目标的状态和测量目标的状态残差来估计目标的运动状态。

在雷达信号处理中，卡尔曼滤波方法通常用于目标的线性运动模型，对于目标速度较稳定的情况更为适用。

2. 粒子滤波方法粒子滤波方法是一种基于蒙特卡洛采样的目标跟踪方法。

该方法通过在状态空间中随机采样一组粒子，并基于测量信息对粒子进行重采样和权重更新，从而逼近目标的后验概率密度函数。

粒子滤波方法适用于非线性运动模型，并且在多目标跟踪问题中具有较好的性能。

3. 光流方法光流方法是一种基于图像序列的目标跟踪方法。

该方法通过分析连续图像帧中目标的移动来估计目标的运动状态。

在雷达信号处理中，光流方法可以通过分析雷达接收到的连续信号帧中目标的频率变化来实现目标跟踪。

光流方法适用于目标速度较慢、目标轨迹较短的情况。

4. 关联滤波方法关联滤波方法是一种基于关联度量的目标跟踪方法。

该方法通过计算目标与候选目标之间的相似度来实现目标的跟踪。

在雷达信号处理中，关联滤波方法可以通过计算目标与周围雷达回波之间的相似度来确定目标的位置和速度。

关联滤波方法适用于目标数量较少、目标与背景之间的差异明显的情况。

5. 神经网络方法神经网络方法是一种基于人工神经网络的目标跟踪方法。

该方法通过训练神经网络来学习目标的运动模式和特征，从而实现目标的跟踪和分类。

在雷达信号处理中，神经网络方法可以通过分析雷达接收到的信号特征来实现目标的跟踪和分类。

神经网络方法具有良好的自适应性和鲁棒性。

综上所述，雷达信号处理中的目标跟踪方法包括卡尔曼滤波方法、粒子滤波方法、光流方法、关联滤波方法和神经网络方法等。

基于外辐射源雷达系统的目标定位算法

ｓｒｏａｉｎａｄｔｃｉｇｏｅｔｒｅｓｇｔｅｓｇａｆｈｘｅａｍｉｅｓｉａｇｏａｈｔｒｂｅｉｅｌｃｔｎａｋｎｆｈｇｔｉｈｉｎｏｅｅｔｒｌｅｔｒｓｌｂｏｏｌｍ．Ａｎｗｇｒｈｆｒｐｓｅｏｒｔａｕｎｌｔｎｔｌｐｅａｏｔｍａｉｌｉｏｓｖ
王超锋，尹锦荣
（南京电子技术研究所，南京２０１）１０３
【摘要】基于外辐射源的单站无源定位系统实际相当于收发分置的双基雷达，具有反侦察、干扰、抗反隐身和防反辐
射导弹等潜在优势，因此利用外辐射源信号对目标进行无源定位和跟踪是目前国际上比较热门的一个研究课题。提出了
中图分类号：Ｎ５Ｔ９８文献标识码：Ａ
ＡｒｔｅｉｏｒｅｃｔｏｆＭｏｏｔｔｃＰａｓｖｉｈｍｔｃｆｒＴａｇｔＬｏａｉｎｏｎｓａｉｓｉｅＳｙｔｍｓｄｏｔｒｌＥｍｉｔｒｓｅＢａｅｎＥｘｅｎａｔｅｓ
ｓｃｓａｔｅｉｔｅｅｔｎｃｃｕｔｒｃｕｔｒａｕｅ。ｅｅｔｎｏｔａｔａｇｔａｄｃｕｔｒａｔ・ｄａｉｎｍｉｓｅｐｅｎｙｐｓｕｈａｎｉｌ。ｌｃｒｉｏｎｅ — ｏｎｅｍｅｒｄｔｃｉｆｓｅｈｔｒｅｓｎｏｎｅｎｉａｉｔｓｉ。ｒｓｔ。ａ・ — ｎｏｓｏｌｒｏｌｅｌ

基于外辐射源信号的时差定位系统定位精度分析

ｔｆｅｔｖｏａｉｎｍｅｈｄＴｈｏａｉｎｐｉｃｐｅｕｉｉｉｇｔｅｔｍｅｄｆｅｅｃ — ｆａｒｖｌ（Ｆｈｅｅｆｃｉｅｌｃｔｔｏ．ｏｅｌｃｔｏｒｎｉｌｔｌｎｈｉ — ｉｆｒｎｅｏ — ｒｉａＤＯＡ）ａｄａｇｅｚｎｎｌ— ｏ — ｒｉａＡ（Ａ）ｉｉｃｓｅｎｈｅｌｃｔｎｐｅｉｉｎｓｆｒａｒｏｎａｇｔｒｎｌｚｄＰａｔｃｌｒｙｔｅｆａｒｖｌ（）ｓｄｓｕｓｄａｄｔｏａｉｒｃｓｏｏｉｂｒｅｔｒｅｓａｅａａｙｅ．ｏｒｉｕａｌ，ｈｌｃｔｎｐｅｉｉｎｏＷＯｋｎｓｏａｓｖｕｖｉａｃｙｔｍｓｕｉｉｉｇＦＭｒａｃｓｎｏａｉｒｃｓｏｓｆｒｔｉｄｆｐｓｉｅｓｒｅｌｎｅｓｓｔｌｎｏｌｅｚｂｏｄａｔａｄＴＶｉｎｌｅｐｅｓｇａｓｒｓｅ — ｔｅｙａｅｅａｕｔｄＴｈｂａｎｄｒｓｈｓａｅｏｒａｍｐｒａｃｏｂｅｉｎａｄｒａｉａｉｎｏｈｅｌｃｔｎｉｌｒｖｌａｅ．ｖｅｏｔｉｅｅｕ：ｒｆｇｅｔｉｏｔｎｅｆｒｔｅｄｓｇｎｅｌｔｏｆｔｏａｉｇｚ
关键词：辐射源信号；无源定位；精度分析外中图分类号：７ＴＮ９１文献标志码：ＡＤＩ１．９９ｉｓ．【１５６２１．．１Ｏ：０３６／．ｓｎ１）－０Ｘ．００ ¨ ００

基于IEKF的目标、外辐射源联合跟踪滤波

ｕｎｋｎｏｗｎｅｘｔｅｎａｒｌｅｍｉｔｔｅｒ，ｏｂｊｅｃｔｓｃａｎｂｅｄｅｔｅｃｔｅｄ．Ｍｅａｎｗｈｉｌｅ，ｔｈｅｕｎｋｎｏｗｎｅｘｔｅｎａｒｌｅｍｉｔｔｅｒｃａｎｂｅｌｏｃａｔｅｄａｎｄｔｒａｃｋｅｄ．Ｉｔｉｓｓｈｏｗｎｔｈａｔｔｈｉｓａｌｇｏｒｉｔｈｍｉｓｂｅｔｔｅｒｔｏｔｒａｃｋｏｂｊｅｃｔｓａｎｄｅｘｔｅｎａｒｌｅｍｉｔｔｅｒ．Ｍｏｒｅｏｖｅｒ，ｔｈｉｓｌｇａｏｒｉｔｈｍｃｏｎｖｅｒｇｅｓｆａｓｔｅｒｔｈａｎＥＫＦ．
第３５卷
第２期
现代雷达
ＭｏｄｅｒｎＲａｄａｒ
Ｖｏ１．３５Ｎｏ．２Ｆｅｂ．２０１３
２０１３年２月
・
信号／数据处理・
中图分类号：ＴＮ９５７
文献标志码：Ａ
文章编号：１００４ — ７８５９（２０１３｝０２ — ００３１ — ０４
隐身飞机等）进行定位、跟踪，完成对空警戒。外辐射
源雷达采用测量目标的距离和、方位角及多普勒进行
目标定位。雷达在对目标的定位过程中，用已知辐射源的位置信息作为先验消息，对目标进行定位解算、跟踪等。已知外辐射源信息通过常规手段可以获取。外辐射源雷达也可以探测雷达周围的外辐射源频率，以及外辐射源的方位信息。在探测到的外辐射源中，有未知的外辐射源。未知外辐射源包括一些敌方

外辐射源雷达信号处理与目标跟踪方法研究

外辐射源雷达信号处理与目标跟踪方法研究外辐射源雷达信号处理与目标跟踪方法研究随着科技的不断发展，雷达技术在军事、民用等领域中扮演着重要的角色。

在一些特殊场景下，如对外辐射源进行监测和跟踪时，常规的雷达信号处理和目标跟踪方法难以满足需求，因此对其进行研究和改进具有重要意义。

外辐射源泛指那些以辐射能量形式直接向外界辐射的设备或物体。

这类辐射源的特点是其信号与背景噪声相似，且具有较高的复杂度。

因此，需通过对雷达信号的处理和分析，提取目标的特征信息，实现对外辐射源的跟踪和监测。

目前常用的外辐射源雷达信号处理方法主要包括滤波、特征提取和目标跟踪三个方面。

滤波是信号处理的基础，可以通过消除噪声和杂散信号，提高信号质量。

特征提取则是对信号进行分析，提取其中的关键特征，例如频率、幅度等信息。

目标跟踪是利用特征信息对目标进行跟踪，使用了多种算法如Kalman滤波器、粒子滤波等。

在滤波方面，为了消除噪声和杂散信号，可以采用数字滤波器对信号进行处理。

常用的数字滤波器包括低通滤波器、高通滤波器和带通滤波器等。

通过对信号进行滤波可以减少背景噪声的干扰，提高目标信号的信噪比。

特征提取是外辐射源雷达信号处理中的重要环节。

在特征提取过程中，首先需要对信号进行预处理，如信号的归一化、降噪等。

然后可以通过信号处理算法对信号进行分析，提取其中的关键特征。

这些特征可以包括频率、振幅、相位等信息。

特征提取的目的是为了辅助目标跟踪算法对目标进行准确的跟踪。

目标跟踪是外辐射源雷达信号处理的核心任务之一。

传统的目标跟踪算法如卡尔曼滤波器、最小二乘法等方法可以实现对目标的估计和预测。

然而，这些方法在复杂的信号背景下可能会出现跟踪不准确的情况。

因此，近年来研究人员提出了一些新的目标跟踪算法，如粒子滤波、神经网络等。

这些算法通过引入非线性因素，提高了目标跟踪的准确性和鲁棒性。

总结起来，外辐射源雷达信号处理与目标跟踪方法的研究是一项具有重要实际意义的工作。

外辐射源雷达

外辐射源雷达
外辐射源雷达是一种用于探测和监测来自外部辐射源的雷达系统。

外部辐射源包括无线电信号，如广播电台、手机信号、卫星通信等。

外辐射源雷达可以探测并定位这些信号的源头，用于情报收集、无线电监测、频谱管理等领域。

外辐射源雷达的工作原理类似于常规雷达，通过发射无线电波并接收反射回来的信号来探测目标。

不同之处在于，外辐射源雷达是专门设计用于分析和识别无线电信号的特性和参数。

它能够根据信号的频率、功率、调制方式等特征来识别不同的信号源，并通过测量信号到达时间和方向等参数来定位信号源的位置。

外辐射源雷达通常由多个接收天线组成，可以实现对多个方向的信号进行同步测量。

通过分析多个接收天线接收到的信号，可以确定信号源的角度和距离。

另外，外辐射源雷达还可以通过多普勒频移来判断信号源的运动状态和速度。

外辐射源雷达在军事和民用领域中有广泛的应用。

它可以用于监测无线电干扰、窃听和侦查行为，用于频谱监测和频率规划，也可以用于对敌方无线电通信和雷达系统进行情报收集和干扰。

雷达导航系统中的目标跟踪算法研究

雷达导航系统中的目标跟踪算法研究随着雷达技术的快速发展，雷达导航系统在军事、民用以及交通领域等方面的应用越来越广泛。

目标跟踪算法作为雷达导航系统中的核心环节，对系统的性能和可靠性起着至关重要的作用。

本文将对雷达导航系统中的目标跟踪算法进行研究，旨在提出一种高效准确的目标跟踪算法，以满足系统在复杂环境中的要求。

目标跟踪在雷达导航系统中的作用非常重要，主要用于实时检测目标物体的位置、速度和运动轨迹，从而及时进行安全预警和避障控制。

在常见的雷达导航系统中，目标跟踪算法主要包括单目标和多目标两种情况。

针对单目标情况，常用的目标跟踪算法包括卡尔曼滤波算法、扩展卡尔曼滤波算法以及粒子滤波算法。

针对多目标情况，常用的目标跟踪算法包括多普勒跟踪算法、多假设跟踪算法和级联跟踪算法。

在单目标目标跟踪算法中，卡尔曼滤波算法是最为经典的方法之一。

它基于随机变量的贝叶斯滤波理论，通过对目标物体的状态进行预测和修正，并利用系统的观测信息进行更新，实现对目标位置和速度的准确估计。

扩展卡尔曼滤波算法在卡尔曼滤波算法的基础上考虑了非线性问题，其鲁棒性和准确性更高，但计算复杂度也更高。

粒子滤波算法则借助一系列离散的粒子来表示目标的状态空间，通过重采样和权重更新等操作，实现对目标轨迹的估计。

这些算法在目标跟踪中都有着很好的效果，但也存在着一定的局限性，如对目标速度突变和噪声扰动的敏感性较高。

在多目标跟踪算法中，多普勒跟踪算法是非常常用的方法之一。

它通过测量目标物体的多普勒频移来实现对目标速度的估计，进而实现目标位置和轨迹的估计。

多假设跟踪算法则通过对多个可能的目标位置进行假设，并根据观测信息的置信度对假设进行验证和更新，从而实现对多目标的跟踪。

级联跟踪算法将多目标跟踪问题分解为多个单目标跟踪问题，通过级联关系的建立和更新，实现对多目标的跟踪和估计。

这些算法对于复杂背景下的多目标跟踪具有很好的效果，但也存在着对目标数目和目标运动模型的限制。

一种基于外辐射源唯多普勒量测的目标跟踪算法

噪声； ∈Ｒ为系统状态向量，目标跟踪问题在
概率密度函数只依赖于和～，ｌ即只需保存粒
子当前的状态。而粒子状态的历史路径Ｘ：和Ｏｋ观测的历史值ｇ：都不需保存。由此，法可大ｌｋ算
中它由目标位置和速度等信息组成； ∈Ｒ为系ｎ统观测向量。（）・为状态转移函数，・为系ｈ（）
强度以及展开点的选择。在满足系统为线性，噪
Ａ（ｋ，＋ｘ－）
一・
＋
声、后验概率为高斯的件下，算法是最优算该法ｊ。利用测多普勒频率信息的运动目标无源定
位跟踪是一个典型的强非线性问题，述条件通上常很难满足。而粒子滤波方法（ａｉｅｆｔ，ｐｎｃｌｒｌｉｅ
（ＫＦ，ｔｒｏｅｇｒｈｏｓｅｅｅｔａｏｅｆａｃｎｘｉｉｏｂｙｌｓｏＥＰ）ｈｐｏｓｄａｏｉｍｓｗｔｒｓｍｔｎｐｒｒｎｅａｄｅｈｂｔｎｔｌｅｎ— ｅｐｌｔｈｂｔｉｉｏｍｓａｓｃ
ｐｔｔｎｌｃｓｔａＫＰｇｒｈ．ｕａｉａｏｔｈｎＥＦａｏｔｍｏｌｉ
Ｋｅｗｏｄ：ｐｒｉｌｌｅ；ｘｅｄｄＫａｍａｌｒＤｏｐｅｒｑｅｙｉｕｎｔｒｏｐｏｕｉｙｙｒｓａｔｃｅｆｔｒｅｔｎｅｌｎｆｔ；ｐｌｒｆｅｕｎｃ；ｌｍｉａｏｆｏｐｒｎｔｉｉｅｌｔ

外辐射源雷达系统中时延估计算法及仿真

外辐射源雷达系统中时延估计算法及仿真时延估计是雷达系统中的一个重要问题，尤其是在外辐射源雷达系
统中更是如此。

本文将介绍外辐射源雷达系统中时延估计算法及仿真。

一、时延估计算法
时延估计算法是指通过雷达系统中的信号处理，估计出目标信号的时延。

在外辐射源雷达系统中，时延估计算法的主要目的是估计出目标
信号与干扰信号之间的时延差。

常用的时延估计算法有交叉相关法、
最小二乘法、最大似然法等。

交叉相关法是一种常用的时延估计算法，其基本思想是通过计算目标
信号与干扰信号的互相关函数，得到它们之间的时延差。

最小二乘法
是一种通过最小化误差平方和来估计时延的方法，其优点是计算简单，但对噪声敏感。

最大似然法是一种通过最大化似然函数来估计时延的
方法，其优点是对噪声不敏感，但计算复杂。

二、仿真实验
为了验证时延估计算法的有效性，我们进行了仿真实验。

实验中，我
们使用MATLAB软件模拟了外辐射源雷达系统，并采用了交叉相关法、最小二乘法、最大似然法三种时延估计算法进行了比较。

实验结果表明，三种算法均能够有效地估计出目标信号与干扰信号之
间的时延差。

其中，最大似然法的估计精度最高，但计算复杂度也最高；最小二乘法的计算简单，但对噪声敏感；交叉相关法的计算简单，对噪声不敏感，但估计精度相对较低。

三、总结
本文介绍了外辐射源雷达系统中时延估计算法及仿真实验。

时延估计
算法是雷达系统中的一个重要问题，其精度和计算复杂度直接影响到
雷达系统的性能。

在实际应用中，应根据具体情况选择合适的时延估
计算法，以达到最佳的性能表现。

雷达目标识别与跟踪算法研究

雷达目标识别与跟踪算法研究引言雷达技术在军事、航空航天、交通、环境监测等领域具有重要的应用价值。

雷达目标识别与跟踪算法是雷达系统中的核心技术之一，它能够实时识别并跟踪雷达系统所探测到的目标，从而为决策与应用提供重要的信息支持。

本文将对雷达目标识别与跟踪算法进行研究，并探讨其在不同领域的应用。

一、雷达目标识别算法研究雷达目标识别是指通过分析雷达探测到的目标特征，判断目标种类或属性的过程。

常见的雷达目标识别算法有检测算法、特征提取算法和分类算法。

1.1 检测算法雷达探测到的目标通常被表示为点云或距离-速度图像。

检测算法就是基于这些数据，识别目标是否存在的过程。

传统的检测算法有CFAR（常规恒虚警率）法和霍夫变换法，还有基于模型的检测算法，如基于高斯分布模型和基于机器学习的检测算法。

1.2 特征提取算法特征提取算法是在检测到目标之后，提取目标的关键特征，以实现目标分类与识别。

常用的特征包括目标的形状、纹理、颜色、运动等。

特征提取算法主要包括边缘检测、纹理分析、运动估计等。

1.3 分类算法目标的分类与识别是指将识别到的目标分为不同的类别或属性。

分类算法主要基于目标的特征进行分类，如支持向量机（SVM）、决策树、人工神经网络等。

近年来，深度学习算法在目标分类与识别领域取得了巨大的成功，如卷积神经网络（CNN）等。

二、雷达目标跟踪算法研究雷达目标跟踪是指在目标识别的基础上，持续追踪目标并估计目标的运动状态。

雷达目标跟踪算法可以分为传统方法和基于深度学习的方法。

2.1 传统方法传统的雷达目标跟踪方法包括卡尔曼滤波器、粒子滤波器、扩展卡尔曼滤波器等。

这些方法既适用于单目标跟踪，也适用于多目标跟踪。

但是，由于目标的非线性运动、目标数量变化和目标间相互遮挡等问题，传统方法在复杂场景中表现较差。

2.2 基于深度学习的方法近年来，深度学习算法在目标跟踪领域取得了重要突破。

基于深度学习的目标跟踪算法利用卷积神经网络（CNN）或循环神经网络（RNN）等架构，结合大规模标注的数据集进行训练。

现代雷达辐射源信号特点分析与研究

现代雷达辐射源信号特点分析与研究引言雷达辐射源信号是指雷达系统通过天线向目标传播的电磁波信号，其特点对于雷达系统的性能和运行至关重要。

现代雷达系统的迅猛发展使得雷达辐射源信号特点的研究变得尤为重要。

本文将针对现代雷达辐射源信号的特点进行分析与研究，并探讨其在雷达系统中的应用。

一、辐射源信号的基本特点1.频率特性雷达辐射源信号的频率特性是指信号的频率范围以及频率变化规律。

现代雷达系统的频率范围非常广，从几千赫兹到几十吉赫兹不等，而且随着雷达系统的发展，频率范围还在不断扩大。

雷达辐射源信号的频率变化规律也很多样化，比如脉冲雷达的脉冲重复频率（PRF）和脉宽等参数都可以对信号的频率特性产生影响。

2.调制特性调制是指在信号中加入一个辅助信号以改变信号的某些特性。

雷达辐射源信号常常会利用调制技术来改变信号的特性，比如调幅、调频、调相等。

这些调制技术可以有效地提高雷达系统的性能，如抗干扰能力、抗多径效应等。

3.时域特性时域特性是指信号在时间轴上的变化规律。

雷达辐射源信号的时域特性主要包括脉冲宽度、脉宽调制、脉冲重复频率等。

这些时域特性对于雷达系统的目标探测、距离测量、速度测量等都有重要影响。

4.空间特性空间特性是指信号在空间传播和接收过程中的变化规律。

雷达辐射源信号在空间中往往会受到天线方向图、极化特性等因素的影响，这些空间特性会对雷达系统的目标辨识和角度测量等产生影响。

二、辐射源信号特点的应用1.目标识别与特征提取雷达辐射源信号的特点可以被用来识别和提取目标的信息。

目标的尺寸、速度、旋转等特征都可以通过对雷达辐射源信号的分析而得到，从而实现对目标的识别和特征提取。

2.干扰抑制对于雷达系统而言，面对各种各样的干扰信号是不可避免的。

通过对辐射源信号特点的分析，可以设计出更加有效的干扰抑制技术，从而提高雷达系统的抗干扰能力。

3.多波束技术现代雷达系统往往会采用多波束技术来实现对多个目标的跟踪和探测。

通过对辐射源信号特点的分析，可以设计出更加精密的多波束系统，提高雷达系统的目标探测和跟踪能力。

雷达辐射源识别算法综述

雷达辐射源识别算法综述雷达辐射源识别是一项重要的雷达领域技术，其目的是识别雷达场景中的各种辐射源。

这些辐射源可能包括地形、舰船和特定类型的飞行器等目标。

因此，对于这些目标的快速、准确的识别是极为重要的。

近年来，随着雷达技术的不断发展和机器学习算法的进步，雷达辐射源识别的算法也得到了很大的发展。

在雷达辐射源识别算法中，主要采用的方法有统计特征分析法、机器学习算法、神经网络算法等。

统计特征分析法是最早被开发的识别方法之一。

该方法主要是采用雷达回波的统计特征来检测并识别目标。

其运用了统计学中的概率分布、均值、方差等特征，通过观察目标回波和背景回波之间的差异来进行辐射源的识别。

该方法有着简单、快速、易于实现的优点，但是对于复杂场景识别的准确率较低。

机器学习算法则采用数据驱动的方式来进行辐射源的识别。

该方法适用于训练数据量巨大的场景下，对于目标的分类和识别准确度较高。

目前应用最广泛的机器学习算法是支持向量机(SVM)，它能够在各种数据类型中求得最优边界，同时具有良好的泛化能力。

除了SVM以外，诸如决策树、随机森林、朴素贝叶斯等也被广泛应用于雷达辐射源识别算法中。

机器学习算法能够更好地识别复杂场景下的目标，但是需要大量的数据训练和处理，因此需要足够的计算资源和时间。

神经网络算法则是近年来比较火热的识别算法。

这种算法模仿了人类神经系统的运行机制，具有自我学习能力。

它的优点在于对于复杂场景的识别能力强，同时也能在数据量小的情况下进行辐射源的识别。

但是，神经网络算法需要大量的计算资源和算法优化，计算量较大，因此需要高性能计算平台进行处理。

综上所述，不同的辐射源识别算法的适用场景不同。

统计特征分析法适合简单场景下的快速识别，机器学习算法适用于训练数据量巨大的场景下的目标识别，神经网络算法则适用于复杂场景下的高精度识别。

未来，随着人工智能和雷达技术的进一步发展，雷达辐射源识别算法将得到更好的发展。

粒子滤波和多站TOA的外辐射源雷达跟踪方法

（ＥＫＦ）ｉｆｅｔｄｓｒｏｓｙｂｈｌｔｎｉｅＴＯｓｌｅｔｉｒｂｅ，ａｎｗａｓｖａａｒｃｉｇｍｅｈｄｉｓａｆｃｅｅｉｕｌｙｔｅｇｉｏｓ．ｎｏｖｈｓｐｏｌｍｅｐｓｉｅｒｄｒｔａｋｎｔｏｓｐｏｏｅａｅｎｐｒｉｌｉｔｒ（ｒｐｓｄｂｓｄｏａｔｅｆｌｅＰＦ）ａｄｔｍｅｏｒｉａＴＯＡ）ｍｅｓｒｍｅｔ．ＴｈｅｈｄｇｉｓＴＯＡａ — ｃｎｉｆａｒｖｌ（ａｕｅｎｓｅｍｔｏａｎｍｅｓｕｅｅｔｙｍｕｔ— ｔｔｏｓｒｍｎｓｂｌｉｓａｉｎ，ｕｉｚｓｔｅｄｆｅｅｔｂｓａｉｎｌｓｔｅｉｖｈａａｒｓ — ｅｔｏ（ｔｌｅｈｉｒｎｉｔｔｃａｇｅｏｒｌｅｔｅｒｄｒｃｏｓｓｃｉｎＲＣＳ）ｇｉｔｉｆｅｌｎａ（ｔｅｓｓｎｎｌｅｒａｄｎｎＧａｓｉｎＰｔｒｃａｇｔｎ１ｈｎｕｅｏｉａｎｏ — ｕｓａＦＯｔａｋｔｒｅ。ｗｈｃｅｕｅｈｅｓｒｍｅｔｒｏｅｕｔｄｎｉｈｒｄｃｓｔｅｍａｕｅｎｓｅｒｒｒｓｌｅ
摘要：针对外辐射源雷达跟踪常采用扩展卡尔曼滤波（ｘｅｄｄＫａｍａｌｒＫ）法导致其跟踪精度ｅｔｎｅｌｎｆｔ，ＥＦ算ｉｅ

基于双基地距离的多站多外辐射源无源定位算法

基于双基地距离的多站多外辐射源无源定位算法赵勇胜;赵拥军;赵闯【摘要】针对利用多个外辐射源和多个接收站的无源雷达目标定位场景,提出了一种利用三步加权最小二乘的双基地距离(Bistatic Range,BR)定位问题代数解.首先,在第一步加权最小二乘估计中,通过引入多个辅助参数,将BR观测方程线性化,并得到目标位置粗估计;在后两步加权最小二乘估计中利用辅助参数与目标位置参数的约束关系来提高目标位置的估计精度.对算法理论误差分析表明,其定位精度可以达到克拉美罗界.蒙特卡罗仿真结果表明,算法的定位精度优于现有算法.【期刊名称】《电子学报》【年(卷),期】2018(046)012【总页数】8页(P2840-2847)【关键词】无源定位;多站多外辐射源;双基地距离;加权最小二乘【作者】赵勇胜;赵拥军;赵闯【作者单位】解放军信息工程大学导航与空天目标工程学院,河南郑州450001;解放军信息工程大学导航与空天目标工程学院,河南郑州450001;解放军信息工程大学导航与空天目标工程学院,河南郑州450001【正文语种】中文【中图分类】TN9711 引言无源雷达作为一种特殊的双基地雷达，其利用环境中的民用或商用辐射源作为机会照射源来探测和定位目标[1,2].由于其具有的隐蔽性高、覆盖性好、操作和维护成本低、不占用频谱资源等优点，近年来在军用和民用领域均引起了学者的广泛兴趣[3,4].无源雷达的显著特点是其配置了两条接收通道，其中一条为参考通道，用于接收来自外辐射源的直达波信号，另一条为目标监视通道，用于接收经目标反射后的回波信号.参考通道和目标监视通道中信号的到达时差(Time Difference Of Arrival,TDOA)，可以用于估计目标位置[5].在无源定位中，TDOA通常转化为双基地距离(Bistatic Range,BR)，其定义为外辐射源至目标的距离与目标至接收站的距离之和[6].对于辐射源定位问题，TDOA转化为了距离差(Range Difference,RD)测量，在几何上RD测量确定一双曲线(面)[7]，而在无源定位中，BR测量确定了一个椭圆(球)，其焦点为分别为外辐射源和接收站.各个BR测量值对应的椭圆(球)的交点，即为目标位置[6].目前，基于RD的辐射源定位问题得到了广泛研究，并已经发展出了多种算法[8～15].而对于基于BR的目标定位问题，还缺少系统的研究，目前对其研究主要集中在一些特殊的简化场景，如多站单外辐射源场景[16,17]、单站多外辐射源场景[6,18～20]等.对于多站多外辐射源定位场景，其挑战性和难度更大.但近年来，随着BR定位问题受到日益重视，已经有一些文献针对多站多外辐射源场景下的BR 定位问题进行了研究.文献[21]选取部分BR观测，并将其转化为RD测量，而后利用最小二乘(Least Squares,LS)方法求解.但文献[16]分析表明，RD定位的定位精度低于BR定位.文献[22]提出了一种基于加权最小二乘(Weighted Least Squares,WLS)的BR定位算法，其通过引入辅助参数，将对应某一外辐射源的BR 观测线性化，而后扩展至多个外辐射源，实现了对系统整体观测方程的线性化，然后利用WLS算法得到目标位置估计.但文献[22]忽略了目标位置与辅助参数之间的约束关系，因此其算法并非最优.文献[23]提出了一种基于分组的两步加权最小二乘(Group-2WLS)算法，其在将BR观测方程线性化并得到目标粗估计的基础上，利用目标位置参数与辅助参数之间的约束关系进一步提高目标位置的估计精度.然而，文献[23]为了减小求解难度，采取了分组优化的方式得到的目标位置的最终估计，但这种分组进行估计的处理方式理论上并非最优.文献[24]提出了一种无需分组的三步加权最小二乘(Three-Step WLS,3WLS)算法，其在第一步完成BR方程线性化及粗估计的基础上，在后续两步WLS处理中，利用第一步WLS估计中辅助参数的估计值来提高目标位置的估计精度.但文献[24]中算法仅利用了辅助参数的估计值，而忽略了对目标位置粗估计值的利用，因此，文献[24]中算法亦非最优. 本文针对利用多个外辐射源和多个接收站的无源雷达目标定位场景，借鉴RD定位问题中经典的两步加权最小二乘算法，在文献[24]中3WLS算法的基础上进行改进，得到了一种新的BR定位问题代数解.与文献[24]相比，本文算法在第二步WLS处理中，同时利用了第一步WLS中目标位置和辅助参数的估计值，因此定位精度更高.最后通过仿真实验验证算法的优越性.2 定位场景本文考虑如下的二维定位场景(可直接扩展至三维)：假设场景中有M个外辐射源和N个接收站，其位置分别已知为和目标位置x=[x,y]T为待估参量.那么，目标到外辐射源m的距离为(1)目标到接收站n的距离为(2)外辐射源m到接收站n的距离为(3)假设信号传播速度为c，那么外辐射源m的直达波信号与其经过目标反射后的回波信号到达接收站n的时差为(4)在无源定位中，为便于算法描述，通常将时差转化为双基地距离.那么根据双基地距离的定义，对应于外辐射源m和接收站n的双基地距离为考虑到实际中存在的测量误差，得到双基地距离的观测方程为(5)式中，em,n(m=1,2,…,M,n=1,2,…,N)为双基地距离的观测误差，这里假设其服从零均值的高斯分布，其协方差矩阵为Q.显然，对于本文M个外辐射源和N个接收站，共可获得MN个双基地距离的观测方程.本文的主要目的就是要通过测量对应不同外辐射源-接收站的MN个双基地距离，来估计出目标位置.3 定位算法3.1 第1步WLS估计求解式(5)的主要困难在于其非线性.为实现BR观测方程的线性化，首先将式(5)中移项至等式左侧，得(6)将式(6)两边平方，并忽略其中的二阶误差项，得将式(7)按照外辐射源分组，那么其中对应外辐射源m和接收站1,2,…,N的表达式可表示为如下矩阵形式Amφm=bm+εm(8)式中，(9)εm为由于BR测量误差而导致的等式(8)的误差.在忽略了二阶误差项后，其可以表示为(10)其中，em=[em,1,em,2,…,em,N]T.那么，将式(8)扩展至M个外辐射源，得G1θ1=h1+Δh1(11)式中，(12)(13)为式(11)的误差向量，其同样可以表示为关于目标位置的函数：Δh1=B1e(14)式中，(15)通过引入辅助参数观测方程被转化为了关于θ1的线性方程.假设向量θ1中辅助参数与目标位置参数无关，则可以得到θ1的加权最小二乘解为(16)式中，W1为加权矩阵.根据加权最小二乘理论，其最优选取为(17)从式(17)可以看出，W1的计算需要未知的目标位置真实值.因此，在计算过程中，首先令W1=Q-1，计算θ1，而后利用θ1中目标位置估计构建更加准确的W1，然后用W1得到更加准确的θ1.根据加权最小二乘理论，θ1的估计误差协方差矩阵(18)3.2 第2步WLS估计然而，式(16)中θ1的加权最小二乘解是在忽略了式(11)中辅助参数与目标位置参数的约束关系的前提下得到的，所以其并非目标位置的最优解.为此，在第2步WLS估计中，利用辅助参数与目标位置参数的约束关系来构建方程，从而提高目标位置的估计精度.将约束关系两边平方，并移项整理，得(19)考虑到的估计误差，将代入式(19)中，并忽略其中的二阶误差项，得(20)根据Chan和Ho的两步加权最小二乘思想[9]，目标位置估计除应满足式(20)中的约束关系外，还应满足因此，令θ2=[x,y,ρ]T，其中ρ=x2+y2，则可以构建如下线性方程G2θ2=h2+Δh2(21)式中，(22)Δh2为方程式(21)两边的误差：(23)注意到，与文献[24]中的3WLS算法相比，本文式(21)中增加了对θ1中x、y估计值的利用，因此，本文算法的定位精度更高.式(21)的加权最小二乘解为(24)式中，W2为加权矩阵，其最优选取为(25)根据加权最小二乘理论，θ2的估计误差协方差矩阵为(26)3.3 第3步WLS估计式(24)虽然消除了辅助参数但θ2中却同时引入了另外的辅助参数ρ.显然，θ2中ρ和x,y是相关的，因此式(24)的结果同样并非最优.为此，在第3步中，利用θ2中辅助参数ρ与目标位置x,y的约束关系来构建方程，从而进一步提高目标位置的估计精度.考虑的估计误差，则由ρ=x2+y2可得：G3θ3=h3+Δh3(27)式中，(28)式(27)的加权最小二乘解为(29)式中，W3为加权矩阵，其最优选取为(30)根据加权最小二乘理论，θ3的估计误差协方差矩阵(31)对式(29)中中的元素进行开方运算，即可得到目标位置估计.(32)式中，其目的是为了消除开方运算过程中出现了正负符号模糊的情况.4 误差分析本节推导算法的理论误差，并将其与CRLB对比，以分析算法的理论性能.假设目标位置的估计误差为Δx，那么根据式(28)中θ3的定义可得：(33)式中，B4=2diag(x,y).将式(33)乘以其转置，并求期望，可得：(34)进一步地，将式(31)、(30)、(26)、(25)、(18)、(17)，依次代入式(34)中，可得(35)式中，将式(35)与文献[24]中目标位置估计的CRLB进行比较，可以发现二者相同.也就是说，本文算法的理论误差可以达到CRLB.5 仿真实验本节通过仿真实验评估算法的定位性能.仿真实验场景设计如下：2维场景中有4个外辐射源，5个接收站，其位置如表1所示.双基地距离的测量误差设置为服从零均值的高斯分布，其协方差矩阵为Q=σ2R，其中矩阵R的主对角线上元素为1，其余为0.5.算法的定位误差为3000次蒙特卡洛仿真的均方根误差(Root Mean Square Error,RMSE)和偏差(Bias)，其定义如下：(37)(38)式中，‖·‖2为2-范数，K为蒙特卡洛仿真次数，为在第k次蒙特卡洛仿真中目标位置的估计值.表1 外辐射源和接收站的位置(单位：km)Rx no.nxrnyrn Tx no.mxtmytm 100110025027730530104-504-7750-5仿真1 算法对近场和远场目标的定位精度首先，为了突出本文算法的定位性能，在不同测量误差条件下，利用本文算法进行仿真定位实验，统计算法的均方根误差和偏差，并将其与1WLS算法[22]、Group-2WLS算法[23]，3WLS算法[24]及CRLB对比.如图1所示，目标位置设置为近场和远场两种情况：近场目标位置为[5,5]Tkm；远场目标位置为[50,50]Tkm.仿真结果如图2和图3所示.图2(a)给出了BR测量误差为1m～104m时，算法对近场目标定位的均方根误差情况.可以看出，显然文献[22]中的1WLS算法达不到CRLB，这是由于其忽略了对辅助参数与目标位置之间约束关系的利用.文献[23]的Group-2WLS算法和文献[24]的3WLS算法的定位精度相当，且在测量误差较小时，定位误差接近CRLB，但从局部放大图可以看出，二者其实并没有达到CRLB.相比之下，仅有本文算法的定位精度达到了CRLB，且在测量误差较大时，偏离CRLB的程度相对其它几种算法较小.图2(b)给出了几种算法的偏差比较情况，可以看出，本文算法的偏差最低，Group-2WLS算法和3WLS算法的偏差相当，而1WLS算法的偏差最大.此外，由于BR定位问题的非线性原因，以上几种算法的偏差均随着测量误差的增加而增大.图3给出了算法对远场目标定位的均方根误差和偏差情况.可以看出，算法同样表现出了优于其它三种算法的定位性能.在测量误差较小时，仅本文算法可以达到CRLB.Group-2WLS算法无法达到CRLB的原因在于其分组优化的方式导致其无法达到全局最优解.文献[24]的3WLS算法无法达到CRLB的原因在于其在第二步WLS中仅利用了第一步WLS估计中辅助参数估计，而忽略了对目标位置粗估计值的利用，导致了第二步WLS中有用信息的丢失和方程数量的减少，从而降低了定位精度.与近场目标相比，相同的测量误差条件下，算法对远场目标的定位误差较大.仿真2 布站数量对算法定位精度的影响仿真1中只分析了一种布站方式下算法对远近目标的定位，接下来给出另一种布站方式下算法的定位性能，并分析布站数量对目标定位精度的影响.定位场景如图4所示：利用接收站Rx1、Rx2和外辐射源Tx1、Tx2、Tx3，对位于[5,5]Tkm处的目标进行定位.仿真结果如图5所示.图5给出了改变布站方式后，算法对目标定位的均方根误差和偏差情况.可以看出，改变布站方式后，本文算法的定位RMSE和偏差仍然是几种算法中最低的.布站方式2与布站方式1相比，主要是布站数量的减少.对比图5和图2可以明显看出，减少外辐射源和接收站的数量后，系统的定位精度显著下降.仿真3 算法对运动目标的跟踪定位性能分析下面分析算法在一段时间内对运动目标的持续跟踪定位效果.假设目标的初始位置为[50,50]Tkm，以速度[-500,-500]Tm/s运动，测量误差σ=102m，利用仿真1中的布站方式，每1秒对目标进行1次定位.不同算法对目标的跟踪定位性能如图6所示.从图6(a)可以看出，算法对运动目标位置的估计逼近其真实轨迹.图6(b)统计并比较了几种算法的估计误差，从中可以直观地看出，本文算法的估计误差要明显小于其余三种算法，并且随着目标靠近接收站，几种算法的定位精度均显著增加，这与仿真1中远近目标定位性能的比较结果一致.仿真4 GDOP分析系统几何精度因子(Geometric Dilution Of Precision,GDOP)也是衡量系统定位性能的重要指标，其定义为(39)式中tr(·)表示矩阵的迹，cov(x)如式(35)所示.为分析目标位置对系统估计精度的影响，画出了不同目标位置上的GDOP等高线图，如图7所示.图7给出了测量误差分别为σ=10m和σ=103m时算法的GDOP图.可以看出，两种测量误差条件下，算法的定位误差分布具有相似的规律，即在外辐射源和接收站所在的近场区域，定位精度最高，而随着目标远离，定位精度逐渐降低.这与仿真1中近场和远场目标的定位误差的比较情况是一致的.仿真5 计算运算量分析以上仿真实验给出了与多种现有方法在精度方面的比较，接下来，通过统计以上这些算法运行中的乘法次数，来比较算法的运算量.外辐射源和接收站位置等实验参数与仿真1相同.算法运算量比较的结果如表2所示.表2 算法运算量比较算法运算量运算量比1WLSO{Np(2M2N2(M+2)+2MN(M+2)2+(M+2)3) +MN(M+2))} 1.000Group-2WLSO{NpM(6N2+21N+27)+82M+8} 0.1973WLSO{Np(2M2N2(M+2)+2MN(M+2)2+(M+2)3 +MN(M+2))+6M2+21M+101} 1.021Proposed methodO{Np(2M2N2(M+2) +2MN(M+2)2+(M+2)3 +MN(M+2))+6(M+2)2+21(M+2)+101} 1.033表2给出了本文算法与现有多种算法的运算量比较情况，其中，Np为第一步WLS估计中加权矩阵的迭代次数，这里统一设置为2.可以看出，Group-2WLS算法的运算量最低，本文算法与1WLS、3WLS算法相比，运算量略有增加，但差异并不明显.而考虑到本文算法在定位精度方面的提升，这种程度的运算量增加是值得的.6 结束语本文研究了多站多外辐射源场景下基于双基地距离的目标定位问题，借鉴辐射源定位问题中经典的两步加权最小二乘思想，提出了一种新的三步加权最小二乘定位算法.本文算法具有如下优势：(1)算法针对的是多站多外辐射源场景，对于单站多外辐射源场景和多站单外辐射源场景同样适用，具有较高的通用性.(2)作为一种代数解算法，本文算法无需初始值和迭代，避免了迭代类算法的局部收敛问题.(3)与文献[24]中的三步加权最小二乘算法相比，本文算法增加了对目标位置粗估计值的利用，因此定位精度更高.(4)仿真实验表明，算法的定位性能优于现有算法，在测量误差较小时，定位精度可以达到CRLB.参考文献【相关文献】[1] 高志文,陶然.外辐射源雷达的相干积累增益计算及性能分析[J].电子学报,2008,36(6):1227-1230. Gao Zhi-wen,Tao putation and analysis of coherent accumulation gain forpassive radar[J].Acta Electronica Sinica,2008,36(6):1227-1230.(in Chinese).[2] Michael E,Alexander S,Fabienne M.Design and performance evaluation of a matureFM/DAB/DVB-T multi-illuminator passive radar system[J].IET Radar,Sonar and Navigation,2014,8(2):114-122.[3] Higgins T,Webster T,Mokole E L.Passive multistatic radar experiment using WiMAX signals of opportunity.Part 1:Signal processing[J].IET Radar Sonar andNavigation,2016,10(2):238-247.[4] 唐波,程水英,张浩.外辐射源雷达模糊函数副峰抑制算法研究[J].电子学报,2015,43(6):1058-1064. Tang Bo,Cheng Shui-ying,Zhang Hao.Ambiguity function side peaks suppression for passive radar[J].Acta Electronica Sinica,2015,43(6):1058-1064.(in Chinese).[5] Daun M,Nickel U,Koch W.Tracking in multistatic passive radar systems usingDAB/DVB-T illumination[J].Signal Processing,2012,92(6):1365-1386.[6] Malanowski M,Kulpa K.Two methods for target localization in multistatic passiveradar[J].IEEE Transactions on Aerospace & Electronic Systems,2012,48(1):572-580.[7] 陈永光,李昌锦,李修和.三站时差定位的精度分析与推算模型[J].电子学报,2004,32(9):1452-1455. Chen Yong-guang,Li Chang-jin,Li Xiu-he.A precision analyzing & reckoning model in tri-station TDOA location[J].Acta Electronica Sinica,2004,32(9):1452-1455.(in Chinese).[8] Smith J O,Abel J S.Closed-form least-squares source location estimation from range-difference measurements[J].IEEE Transactions on Acoustics Speech & Signal Processing,1988,35(12):1661-1669.[9] Chan Y T,Ho K C.A simple and efficient estimator for hyperbolic location[J].IEEE Transactions on Signal Processing,1994,42(8):1905-1915.[10] Huang Y,Benesty J,Elko G W,et al.Real-time passive source localization:a practical linear-correction least-squares approach[J].IEEE Transactions on Speech & Audio Processing,2001,9(8):943-956.[11] Beck A,Stoica P,Li J.Exact andapproximate solutions of source localizationproblems[J].IEEE Transactions on Signal Processing,2008,56(5):1770-1778.[12] Lui K W K,Chan F K W,So H C.Semidefinite programming approach for range-difference based source localization[J].Signal Processing IEEE Transactionson,2009,57(4):1630-1633.[13] Yang K,An J,Bu X,et al.Constrained total least-squares location algorithm using time-difference-of-arrival measurements[J].IEEE Transactions on VehicularTechnology,2010,59(3):1558-1562.[14] 王鼎,张瑞杰,吴瑛.无源定位观测方程的两类伪线性化方法及渐近最优闭式解[J].电子学报,2015,43(4):722-729.Wang Ding,Zhang Rui-jie,Wu Ying.Two pseudo-linearization processing methods and the asymptotically optimal closed-form solutions for passive location[J].Acta ElectronicaSinica,2015,43(4):722-729.(in Chinese).[15] 朱国辉,冯大政,聂卫科.传感器位置误差情况下基于多维标度分析的时差定位算法[J].电子学报,2016,44(1):21-26.Zhu Guo-hui,Feng Da-zheng,Nie Wei-ke.Multidimendional scaling based TDOA localization algorithm with sensor location errors[J].Acta Electronica Sinica,2016,44(1):21-26.(in Chinese).[16] Noroozi A,Sebt M parison between range-difference-based and bistatic-range-based localization in multistatic passive radar[A].International Radar Symposium (IRS)[C].Dresden,Germany:IEEE,2015.1058-1063.[17] Rui L,Ho K C.Elliptic localization:performance study and optimum receiver placement[J].IEEE Transactions on Signal Processing,2014,62(18):4673-4687.[18] Li W,Wei P,Xiao X.A robust TDOA-based location method and its performance analysis[J].Science in China Series F:Information Sciences,2009,52(5):876-882.[19] Anastasio V,Farina A,Colone F,et al.Cramer-Rao lower bound with Pd<1 for target localisation accuracy in multistatic passive radar[J].IET Radar,Sonar andNavigation,2014,8(7):767-775.[20] Chalise B K,Zhang Y D,Amin M G,et al.Target localization in a multi-static passive radar system through convex optimization[J].Signal Processing,2014,102(9):207-215. [21] Dianat M,Taban M R,Dianat J,et al.Target localization using least squares estimation for MIMO radars with widely separated antennas[J].IEEE Transactions on Aerospace & Electronic Systems,2013,49(4):2730-2741.[22] Noroozi A,Sebt M A.Target localization from bistatic range measurements in multi-transmitter multi-receiver passive radar[J].IEEE Signal Processing Letters,2015,22(12):2445-2449.[23] Einemo M,So H C.Weighted least squares algorithm for target localization in distributed MIMO radar[J].Signal Process,2015,115(C):144-150.[24] Park C,Chang J.Closed-form localization for distributed MIMO radar systems using time delay measurements[J].IEEE Transactions on WirelessCommunications,2016,15(2):1480-1490.。

外辐射源定位跟踪技术的研究的开题报告

外辐射源定位跟踪技术的研究的开题报告开题报告：一、研究的背景外辐射源定位跟踪技术是一种关键的技术，其主要应用于核能安全监控领域。

核电站外的辐射源可能会对环境和人类产生危害，因此需要对这些源的位置、辐射强度、变化趋势等进行及时、准确地监控和预测。

目前采用的定位跟踪技术主要是基于GPS、雷达、红外等技术，但这些技术存在定位精度低、易受干扰等问题。

二、研究的目的本研究旨在探索一种新型的外辐射源定位跟踪技术，提高定位精度和抗干扰能力，为核能安全监控提供更加可靠的技术支持。

三、研究的内容1. 调研与分析常用的外辐射源定位跟踪技术，总结其优缺点。

2. 探究基于多传感器融合的辐射源定位跟踪方案，研究传感器数据融合算法。

3. 设计外辐射源位置检测与识别算法，探索处理大量传感器数据的方法。

4. 构建定位跟踪系统的实验平台，测试其定位精度和抗干扰性能。

5. 对比实验分析，评估本方案的定位精度和抗干扰能力的优化效果。

四、研究的意义和应用价值如前所述，外辐射源定位跟踪技术的研究优化有益于核能安全监控，为环境保护、人类健康提供可靠的技术保障。

同时，本研究探索新型多传感器数据融合方法，对相关领域技术发展亦具有一定的推动意义。

五、预期成果本研究旨在构建一套基于多传感器融合的外辐射源定位跟踪系统，能够具有较高的定位精度和较强的抗干扰能力。

预期能够为核能安全监控领域提供一种技术更新的选择，并为类似场景的应用提供一定的借鉴借鉴和参考。

六、研究计划安排1. 第一周：调查和分析现有外辐射源定位跟踪技术。

2. 第二周：研究多传感器数据融合算法。

3. 第三周：设计外辐射源位置检测与识别算法。

4. 第四周：确定实验平台，并构建系统模型。

5. 第五周至第七周：系统实验，测试定位精度和抗干扰性能。

6. 第八周至第九周：数据整理，分析对比实验结果。

7. 第十周至第十一周：撰写论文。

七、参考文献[1] Wang X, Ning L, Wang J, et al. Research on multi-sensor data fusion technology based on deep learning[J]. Journal of Computational & Theoretical Nanoscience, 2019, 16(4):1314-1319.[2] Li X, Li G, Li W, et al. The Design of GPS/INS Based Multisensor Data Fusion System[J]. Journal of Geo-Information Science, 2019,21(8):1451-1458.[3] Yang S J, Tang X T, Zhou E H. Study on Localization and Tracking Technology Based on Mobile Sensor Networks[J]. Applied Mechanics & Materials, 2014, (197):1386-1391.[4] Liu J Y, Song Y H, Zhang X F. Analysis and research of multi-sensor data fusion technology[J]. Journal of Marine Science & Technology, 2020, 28(1):90-98.。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

近年来，源雷达由于其良好的“ 无四抗 ” 能力而成为各国争相研究的重点ｌ．＿无源雷达又称为外辐射源雷１］达，是指本身不发射电磁波信号，是利用第三方照射源发射或目标自身辐射的电磁波信号来对目标进行探而测和跟踪的雷达．者研究的外辐射源雷达【。用调频广播电台作为照射源，于前者．笔利属主要对外辐射源雷达跟踪算法的性能进行研究，据Ｔ）ＴｍｅＯｆＡｒｉａ）位原理，别结合ＥＦ（ｔｎｅｌｎ依（Ａ（ｉｒ１定ｖ分ＫＥｘｅｄｄＫａｍａＦｌｒ和Ｐ（ａｔｌＦｌｒ算法对目标进行跟踪．ＫＦ算法是一种经典的非线性滤波算法，过对非线ｉｅ）ｔＦＰｒｉｅｉｅ）ｃｔＥ通性方程线性化来进行非线性滤波；ＰＦ是基于递归蒙特卡洛方法的非线性非高斯滤波算法，由于能够解决非线性非高斯问题而成为近年研究的热点．者对两种算法在高斯噪声、笔闪烁噪声环境下以及在电台不同布站形式下的跟踪性能进行了分析，对两者的计算时间进行了比较．并
ａｇｒｔｍｓａｄｔｉａｃｌｔｏｔｅａｅｓｕｉｄ，ａａｔｓｔａａｆｃｔｒｃｎｅｉｉｎｌｄｉｇｇｌｔｌｏｉｈｎｈｅｒｃｌｕａｉｎｉｒｔｄｅｍｎｄｆｃｏｒｈｔｆｅｔｈｅｔａｋｉｇｐｒｃｓｏｎｉｃｕｎｉｎｎｉｅａｄｓｔ－ｅｌｙｎｒｓｉｃｓｄ．ＳｍｕｌｔｅｕｔｎｅｌａａｓｏｗｈｔｔｅＰＦｓｍｏｒｄａｔｖｏｏｓｎｉｅｄｐｏｉｇａｅａｌｏｄｓｕｓｅｉａｉｒｓｌｓａｄｒａｔｈｏｎｄｔａｈｉｅａｐｉｅｔｇｉｔｎｉｅｅｉｎｅ．ＮｅｅｔｅｅｓｔｅＥＫＦａａｉｆｅｌｔｍｅｐｒｃｓｉｇ．Ｍｏｅｖｒｅｓｎａｅｓｔ－ｌｎｏｓｎｖｒｍｎｔｏｖｒｈｌｓ，ｈｃｎｓｔｓｙｙａｉｏｅｓｎｒｏｅ，ａｒａｏｂｌｉｅ
可进一步提高无源跟踪精度．
关键词：外辐射源雷达；展卡尔曼滤波；子滤波；扩粒跟踪性能中图分类号：ＴＮ９８９５．７文献标识码：Ａ文章编号：ｏ１２０（０００ —０８０１ｏ — ４０２１）６１４ —５
（ｔｏａＬａ．ｏｄｒＳｇａＰｒｃｓｉｇＮａｉｎｌｂｆＲａａｉｎｌｏｅｓｎ，ＸｉｉｎＵｎｖ，Ｘｉｎ７０７，Ｃｈｎ）ｄａｉ． ’ １０１ａｉａＡｂｔａｔＳｎｅｔｅｐｓｉｅｒｄｒｂｓｄｏｈＭａｉｔｔｎｈｓａｌｗｒｃｉｇｐｅｉｉｎｔｉｐｐｒｓｒｃ：ｉｃｈａｓａａａｅｎｔｅＦｖｒｄｏｓａｉａｏｔａｋｎｒｃｏ，ｈｓａｅｏｓｐｏｏｅｈｔｔｅｔｆｒｖｌＴ（ＡＪＩｃｔｎｍｅｈｄｂｏｉｅｔｈｔｎｅｌｎＦｌｒＥｒｐｓｓｔａｈｉｏｒａ（）ｏａｉｔｏｅｃｍｂｎｄｗｉｔｅＥｘｅｄｄＫａｍａｉｅ（ＫＦｍｅａｉｏｈｔ）
２１００年１２月第３７卷第６期
西安电子科技大学学报（自然科学版）
ｔ
Ｄｅ．Ｏ０ｃ２１
ＪＯＵＲＮＡＬＯＦＸＩＡＮＵＮＩＤＩＶＥＲＳＩＴＹ
Ｖｏ｜７Ｎｏ６ｌ３．
两种外辐射源雷达跟踪算法性能分析
Ｐｅｆｒａｃｎａｙｉｆｔｓｉｅｒｄｒｔａｋｉｇａｇｒｔｒｏｍｎｅａｌｓｓｏｗｏｐａｓｖａａｒｃｎｌｏｉｈｍｓ
ＬＩＨｏｇｗｅ．ＷＡＮＧＹｎ．ＵｕｃｕｎｉｕＬＩＹ —ｈｎ
ａｄＰｒｉｅＦｌｒＦｅｐｃｉｅｙｔｍｐｏｅｐｓｉｅｔａｋｎｅｆｒｎｅｒｃｉｇｐｒｏｍａｃｆｔｅｔｎａｔｌｉｅ＆）ｒｓｅｔｌｉｒｖａｓｖｒｃｉｇｐｒｍａｃ．ＴａｋｎｅｆｒｎｅｏｈＷＯｃｔｖＯｏ
李红伟，王俊，刘玉春
（安电子科技大学雷达信号处理国家重点实验室，西西安７０７）西陕播电台为辐射源的无源雷达跟踪精度较低的问题，到达时间定位方法分别与扩将
展卡尔曼滤波和粒子滤波算法结合来提高跟踪精度．析了高斯噪声环境、烁噪声环境及雷达布站方分闪式对两种算法跟踪精度的影响，比较了两种算法的运算时间．真和实测数据表明：子滤波算法更并仿粒适合于闪烁噪声环境下的跟踪，而扩展卡尔曼滤波能满足实时处理的要求．外，理的雷达布站方式另合
ｄｐｏｉｇｓｈｍｅｗｉｕｔｅｒｖｄｅｔｒｔａｋｎｒｃｓｎｅｌｙｎｃｅｌｆｒｈｒｐｏｉｅａｂｔｅｒｃｉｇｐｅｉｏｌｉ
Ｋｅ０ｄｓ：ｐｓｉｅｒｄａ：ｅｘｅｅａｍａｉｔｒ；ｐｔｃｅｆｌｅｙＷｒａｓｖａｒｔｎｄｄＫｌｎｆｌｅａｒｉｌｉｒ；ｔａｋｎｒｏｍａｃｔｒｃｉｇｐｅｆｒｎｅ