- 上一篇：离散信道容量算法的研究现状和参考文献
- 下一篇：列车转向架试验台国内外研究现状
在1990年至2000年期间，美国国防预研计划署设立了一些针对于目标识别的基础研究项目，这一系列项目是与高分辨距离像的，比如面向系统中自动识别高分辨距离像以及动目标利用计划。其中，后者的主要内容就包括在复杂的背景里边获得目标的一维距离像。2000年，在IEEE召开的国际性雷达会议上，美国海军实验室发表了一项实验结果，声明用200MHz宽带的信号在华盛顿机场识别直升机和民用飞机，识别率都可以大于80%[10]。此外，Nehorai A又根据匹配照射的原理建立了目标和回波的模型，使多个回波波束与扩展目标之间的互信息（MI）加权最大化，从而建立波形设计的目标函数，并且提出了快速有效的解这个函数的算法。67196
1992年到2001年期间，Guerci J R和Pillai S U在匹配照射的基础上，详细地分析研究了在依赖于发送信号的杂波和有色噪声存在时，联合优化发送波形和接受滤波器的方法[7]。优化标准是对于单个检测目标，使其信干噪比（SINR）最大化；对于多个目标，用类似的方法，使目标之间的马氏距离（MD）最大化。先假定发射波形固定，改变接受滤波器以使目标检测的信干噪比（SINR）最大化，再在此基础上，通过选择合适的发送波形以使目标检测的信干噪比（SINR）最大化，从而得到发射波形-接受滤波器的联合优化方法。在零杂波和零噪声两种情况下，分别计算分析出最优化的波形。而在最一般的情况时，应用文献中的迭代程序，求得一个最优的射波形-接收滤波器。论文网
2002年，基于匹配照射原理，Garren D A，Osborn M K,Odom A C等人研究了全极化雷达的发射机和接收机的优化设计问题，而且在VHF频段下对M1和T-72主战争坦克进行了实验，并且将实验所得结果与全极化的标准线性调频信号进行分析比较，最后证明了优化波形可以增大M1和T-72之间的马氏距离（MD）以及提高单个目标检测的信干噪比（SINR）[8]。最大化目标检测时，利用目标回波的信噪比的最大化，来实现发送波形最优。在零杂波的情况下，当特征向量对应的特征值最大时，发送波形的时域剖面与此特征向量相等，就可以得到优化的发送波形。而在非零杂波或是杂波不可忽略时，就要采用相应的迭代过程以使发送波形达到最优化。在目标识别时，目标回波之间的差别越大，正确识别的可能性越大。而目标识别时，所用的方法类似于在目标检测时用到的方法，不同的是最大化用于目标识别的不再是信干躁比，而是不同目标之间的马氏距离（MD）。研究发现，零杂波（CNR=0）时，优化波形的能量集中在一个频带里；而非零杂波（CNR 10）时，优化波形的能量所占频带加宽，甚至会分散在不同的频带里。在给定方位角时，优化频率与频率响应最大化对应的角度相同，主要是针对方位不确定情况下的目标检测和识别性能做了研究。假设目标头的方位角符合正态分布，在一定的不确定角度之内，优化波形相对于标准线性调频信号的信噪比或是马氏距离（MD）的改善被一定程度的保留。研究发现，在VHF波段，在10度的不确定范围内，优化波形相对于标准线性调频信号的信噪比或是马氏距离（MD）的改善能有一定程度的保留，而在X波段，这个不确定范围相应减小，为0.5度。在方位角不确定时，所用的研究方法与之前的方法类似，只是检测时将原来的自相关内核用一个方位平均的自相关内核替代，识别时，将原来的特征矢量用一个方位平均的特征矢量来替代。
2007年，针对认知雷达的目标识别问题，Goodman N A在自适应波形设计中应用序列假设检验的方法，最大化目标回波的信噪比（SNR）以及高斯目标集与目标回波之间的互信息（MI），从而改善认知雷达的检测目标和识别目标的性能[9]。这两种方法性能在一定程度上相同，但是前者在相同条件下检测所需要的平均照射数较少，识别的平均距离较大，性能较优。在能量分布方面，第一种方法得到的波形的能量相对较集中，第二种方法得到的波形的能量相对较分散。在迭代次数改变时，目标假设的可能性也会改变，从而导致信号能量的转移，从而让认知雷达在获得数据的情况下重新作出判断。