侯云山 黃建國(guó) 金 勇

摘要：針對(duì)被動(dòng)合成陣列的極大似然目標(biāo)參數(shù)估計(jì)方法(pasaML)計(jì)算量大的問(wèn)題，探索利用Markov Monte Carlo(MCMC)類方法降低計(jì)算量。將完備抽樣方法(PS)與pasaML方法相結(jié)合，提出一種基于完備抽樣的頻率一方位聯(lián)合估計(jì)新方法(PS-pasaML)來(lái)聯(lián)合估計(jì)多個(gè)目標(biāo)的頻率和方位。首先將pasaML方法的譜函數(shù)視為頻率和方位的聯(lián)合概率密度函數(shù)，構(gòu)造并證明了具有單調(diào)保偏序性質(zhì)的更新函數(shù)，然后產(chǎn)生2條Markov鏈的初始方位角向量，使用更新函數(shù)確定Markov鏈在狀態(tài)空間中的轉(zhuǎn)移方向，并通過(guò)在全局狀態(tài)空間和局部狀態(tài)空間之間的跳轉(zhuǎn)抽樣來(lái)提高運(yùn)算速度，最后由融合時(shí)間判決Markov鏈的平穩(wěn)性，對(duì)其求期望從而獲得目標(biāo)方位的最終估計(jì)。仿真實(shí)驗(yàn)表明，在目標(biāo)個(gè)數(shù)較少時(shí)，PS-pasaML方法不僅保持了pasaML方法的高分辨能力，而且計(jì)算復(fù)雜度降低為pasaML方法的1／7左右。