被动合成阵列极大似然参数估计的快速方法

侯云山 黄建国 金 勇

摘要：针对被动合成阵列的极大似然目标参数估计方法(pasaML)计算量大的问题，探索利用Markov Monte Carlo(MCMC)类方法降低计算量。将完备抽样方法(PS)与pasaML方法相结合，提出一种基于完备抽样的频率一方位联合估计新方法(PS-pasaML)来联合估计多个目标的频率和方位。首先将pasaML方法的谱函数视为频率和方位的联合概率密度函数，构造并证明了具有单调保偏序性质的更新函数，然后产生2条Markov链的初始方位角向量，使用更新函数确定Markov链在状态空间中的转移方向，并通过在全局状态空间和局部状态空间之间的跳转抽样来提高运算速度，最后由融合时间判决Markov链的平稳性，对其求期望从而获得目标方位的最终估计。仿真实验表明，在目标个数较少时，PS-pasaML方法不仅保持了pasaML方法的高分辨能力，而且计算复杂度降低为pasaML方法的1／7左右。