集成多普勒的高精度机动目标检测算法提升性能

本文主要探讨了集成多普勒观测在单模目标跟踪中的关键应用——目标机动检测算法。机动检测在基于决策的单模目标跟踪方法中起着至关重要的作用，它要求实时且准确地识别目标的运动状态，特别是在处理多普勒观测量时，其性能直接影响到整个跟踪系统的性能。 作者提出了一种创新的算法，该算法结合了马氏距离的预测寻优策略。马氏距离是一种用于度量随机向量之间差异的有效方法，通过这一方法，算法能够有效解决多普勒观测噪声高时传统估计方法可能面临的无解问题，从而提高了加速度估计的精度。这在实际应用中尤其重要，因为加速度是判断目标是否机动的关键参数，高精度的加速度估计可以减少误判和漏检。 此外，为了克服目标机动检测的滞后性导致的门限漂移问题，作者采用奈曼-皮尔逊准则设计了机动检测器。奈曼-皮尔逊准则是一种经典的统计检验方法，它能够在处理动态变化的数据时，提供一个稳定且鲁棒的决策阈值，从而减少了因检测滞后带来的性能下降。 通过仿真实验，作者验证了新算法在加速度估计精度、稳健性和平均检测延迟方面的显著改善。算法不仅提高了检测的准确性，还显著降低了检测延迟，这意味着更快速的反应能力，这对于实时的跟踪系统来说是极其宝贵的。集成多普勒观测和优化算法的使用，有效地提高了机动检测的性能，对于提升基于决策的单模目标跟踪系统的整体效能具有重要意义。 关键词：机动检测、多普勒观测、加速度估计、奈曼-皮尔逊准则、平均检测延迟、收敛时间和延迟常数，这些都聚焦于本文的核心贡献和研究领域。该研究结果对于军事、航空航天等领域中对目标跟踪有高精度需求的应用具有实际价值。