被動合成陣列極大似然參數估計的快速方法

侯云山 黃建國 金 勇

摘要：針對被動合成陣列的極大似然目標參數估計方法(pasaML)計算量大的問題，探索利用Markov Monte Carlo(MCMC)類方法降低計算量。將完備抽樣方法(PS)與pasaML方法相結合，提出一種基于完備抽樣的頻率一方位聯合估計新方法(PS-pasaML)來聯合估計多個目標的頻率和方位。首先將pasaML方法的譜函數視為頻率和方位的聯合概率密度函數，構造并證明了具有單調保偏序性質的更新函數，然后產生2條Markov鏈的初始方位角向量，使用更新函數確定Markov鏈在狀態空間中的轉移方向，并通過在全局狀態空間和局部狀態空間之間的跳轉抽樣來提高運算速度，最后由融合時間判決Markov鏈的平穩性，對其求期望從而獲得目標方位的最終估計。仿真實驗表明，在目標個數較少時，PS-pasaML方法不僅保持了pasaML方法的高分辨能力，而且計算復雜度降低為pasaML方法的1／7左右。