FCAS-PARAFAC算法：双基地MIMO雷达目标参数估计新方法

"该文提出了一种新的基于分数低阶类相关熵的双基地MIMO雷达目标参数联合估计算法，旨在解决Alpha稳定分布噪声环境下的参数估计问题。通过引入分数低阶类相关熵（FCAS），对平行因子分析（PARAFAC）算法中的三线性最小二乘（TALS）迭代准则进行修正，开发了FCAS-PARAFAC算法，该算法能有效抵抗脉冲噪声，提高估计精度，并具有自动配对功能。仿真结果验证了算法的优越性能。" 本文主要讨论了在Alpha稳定分布噪声环境下的双基地MIMO雷达目标参数估计问题。通常情况下，这种噪声环境会导致参数估计的性能下降，影响雷达系统的探测和识别能力。作者受到类相关熵思想的启发，提出了一个新的统计概念——分数低阶类相关熵（Fractional Lower-Order Class Correntropy，FCAS）。类相关熵是一种衡量随机变量间相似性的度量，而分数低阶类相关熵则是其扩展形式，能够更好地适应非高斯噪声，尤其是脉冲噪声。 在传统的平行因子分析（Parallel Factor Analysis，PARAFAC）算法基础上，文章引入了FCAS准则，对三线性最小二乘（Trilinear Least Squares，TALS）迭代算法的目标函数进行修正，从而形成了FCAS-PARAFAC算法。这一修正后的算法能够在保持估计性能的同时，增强对冲激噪声的抑制能力，改善了在复杂噪声环境下的参数估计效果。 双基地MIMO雷达系统因其独特的特性，如空间分集和波形多样性，已经在雷达领域得到了广泛应用。然而，面对Alpha稳定分布噪声，传统的估计方法可能不再适用。FCAS-PARAFAC算法的提出，为解决这个问题提供了一个新的解决方案，它不仅提高了估计的准确性，还实现了目标参数的自动配对，简化了实际操作过程。 通过仿真实验，论文验证了FCAS-PARAFAC算法的有效性和优越性，进一步证明了在Alpha稳定分布噪声背景下，该算法能够显著提升双基地MIMO雷达的目标参数估计性能。这一研究成果对于优化雷达系统设计、提升雷达在恶劣环境下的工作效能具有重要的理论和实践意义。