Многосегментный метод обработки квазинепрерывных сигналов когерентных РЛС

• Автор: Мазуров, Кирилл Андреевич
• Шифр специальности: 05.12.14
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Санкт-Петербург
• Количество страниц: 155 с. : ил.

СОДЕРЖАНИЕ
ПЕРЕЧЕНЬ СОКРАЩЕНИЙ
ВВЕДЕНИЕ
1. ОБРАБОТКА СИГНАЛОВ, ОТРАЖЕННЫХ ОТ СКОРОСТНЫХ ЦЕЛЕЙ
1.1. ОСНОВНЫЕ ТРЕБОВАНИЯ К ЗОНДИРУЮЩИМ СИГНАЛАМ РЛС
1.2. ПОДХОДЫ К ОПРЕДЕЛЕНИЮ СКОРОСТНЫХ ЦЕЛЕЙ В РАДИОЛОКАЦИИ
1.3. ПРОБЛЕМЫ ОБРАБОТКИ СИГНАЛОВ, ОТРАЖЕННЫХ ОТ СКОРОСТНЫХ ЦЕЛЕЙ
ВЫВОДЫ
2. ВЫБОР И ОПИСАНИЕ МАТЕМАТИЧЕСКОЙ МОДЕЛИ ИССЛЕДУЕМОГО АЛГОРИТМА ОБРАБОТКИ СИГНАЛОВ
2.1. ОБЗОР МОДЕЛЬНО-ПАРАМЕТРИЧЕСКИХ МЕТОДОВ ОБРАБОТКИ СИГНАЛОВ
2.2. ОБОСНОВАНИЕ И ВЫБОР ИССЛЕДУЕМОГО АЛГОРИТМА ОБРАБОТКИ СИГНАЛОВ
2.3. РАБОЧИЕ СТАТИСТИКИ ОБНАРУЖЕНИЯ И ОЦЕНИВАНИЯ
2.4. МОДЕЛЬ КОГЕРЕНТНОЙ РЛС
2.5. МОДЕЛЬ ЗОНДИРУЮЩЕГО СИГНАЛА
2.6. МОДЕЛЬ ОТРАЖЕННОГО СИГНАЛА

2.7. МОДЕЛЬ КОРРЕЛЯЦИОННОГО ПРИЕМНИКА АЛГОРИТМА СОГЛАСОВАННОЙ ОБРАБОТКИ СИГНАЛОВ
2.8. МОДЕЛЬ АВТОРЕГРЕССИОННОГО АЛГОРИТМА ОБРАБОТКИ СИГНАЛОВ
2.9. МОДЕЛЬ МНОГОСЕГМЕНТНОГО АВТОРЕГРЕССИОННОГО АЛГОРИТМА ОБРАБОТКИ СИГНАЛОВ
ВЫВОДЫ
3. ИССЛЕДОВАНИЕ СТАТИСТИЧЕСКИХ ХАРАКТЕРИСТИК АВТОРЕГРЕССИОННЫХ АЛГОРИТМОВ ОБРАБОТКИ СИГНАЛОВ
3.1. ХАРАКТЕРИСТИКИ ОБНАРУЖЕНИЯ
3.2. ХАРАКТЕРИСТИКИ ПОМЕХОУСТОЙЧИВОСТИ
3.3. ХАРАКТЕРИСТИКИ РАЗРЕШЕНИЯ-ОБНАРУЖЕНИЯ
3.4. ХАРАКТЕРИСТИКИ ТОЧНОСТИ
3.5. ХАРАКТЕРИСТИКИ РАЗРЕШЕНИЯ-ИЗМЕРЕНИЯ
ВЫВОДЫ
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ 1. ОЦЕНКА ВЫЧИСЛИТЕЛЬНОЙ СЛОЖНОСТИ
АВТОРЕГРЕССИОННЫХ АЛГОРИТМОВ ОБРАБОТКИ СИГНАЛОВ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ
АКФ - автокорреляционная функция АР - авторегрессия, авторегрессионный
АРСС модель - модель авторегрессии - скользящего среднего
АФМ сигнал - амплитудно-фазоманипулированный сигнал
БЛ - боковой лепесток
БФМ - бинарная фазовая манипуляция
ВЛТ - вероятность ложной тревоги
ВПО - вероятность правильного обнаружения
ВФН - взаимная функция неопределенности
ЗС - зондирующий сигнал
Л1 [ - линейное предсказание
М-ПСП - псевдослучайная последовательность максимальной длины
МД - минимум дисперсии
МП - максимальное правдоподобие
НИП - нерегулярная импульсная последовательность
ОСШ - отношение сигнал-шум
ПВО - пространственно-временная обработка
ПОЛП - прямое и обратное линейное предсказание
Предел КР - предел Крамера-Рао
ПСП - псевдослучайная последовательность

В соответствии с основной теоремой алгебры полиномы А(г) и В(г) могут быть разложены на простые сомножители. Для этого необходимо найти корни уравнений А(£)=0 и В{г)=0, которые называют в первом случае полюсами для полинома - знаменателя и нулями во втором для полинома -числителя. Соответственно через нули и полюса могут быть выражены и оценки СПМ (2.1.11) - (2.1.13).
АРСС модели обладают более широкими возможностями адекватного отображения спектров сигналов, нежели АР или СС модели, являющиеся частными случаями первых, однако нахождение параметров модели ак и /у сопряжено с рядом вычислительных трудностей. В силу нелинейного характера уравнения для нахождения параметров решение обычно ищут с помощью приближенных итеративных методов, но эти методы требуют больших вычислительных затрат, не всегда гарантируют сходимости и нахождение истинного решения, поэтому не могут быть рекомендованы для обработки сигналов в реальном времени [12]. В настоящее время разработаны квазиоптимальные алгоритмы раздельного (поочередного) нахождения АР- и СС- параметров, однако их показатели качества сильно зависят от характера анализируемого процесса.
С использованием АР моделей тесно связан метод минимума дисперсии (МД) (иногда необоснованно именуемый в литературе методом максимального правдоподобия (МП)), который в равной степени может быть отнесен к адаптивным методам. Суть метода заключается в минимизации