كاربرد روشهاي مبتني بر شبيه سازي در آشكارسازي اهداف راداري

Simulation-Based Radar Detection Methods

ر اين مقاله آشكارسازي با استفاده از روشهاي عددي مبتني بر نمونه برداري مونت كارلو بررسي شده است. در اين روشها با استفاده از توليد اعداد تصادفي عمليات تخمين پارامترهاي نامعلوم و يا محاسبه آماره آشكار ساز انجام مي‌پذيرد. به‌عنوان نمونه دو آشكار ساز بر مبناي روش نمونه برداري اهميتي1 ارايه مي‌شود. در اين آشكار سازها،كه آن را آشكار ساز ذره‌اي2 مي‌ناميم، با استفاده از توليد اعداد تصادفي اقدام به محاسبه تقريبي نسبت درستنمايي با استفاده از تخمين پارامترهاي نامعلوم (شبيه GLRT) و ياانتگرال‌گيري روي پارامترهاي نامعلوم (شبيه AALR) مي‌كنيم. روشهاي ارائه شده،با توجه به طبيعت عددي آنها، قابل اعمال به طيف وسيعي از مسايل آشكار سازي و به‌خصوص مسائلي كه روشهاي تحليلي براي آنها وجود ندارد خواهد بود. نتايج شبيه سازي در چندين حالت مختلف نشان دهنده اين است كه در حالاتي كه روش GLRT قابل اعمال است، آشكارساز پيشنهادي عملكرد قابل رقابتي دارد. از طرف ديگر آشكارساز پيشنهادي به بسياري از مسائل كه در آنها تخمين ML پارامترها موجود نبوده و يا توزيع پيشين آنها مشخص است، قابل اعمال است

In this paper, radar detection based on Monte Carlo sampling is studied. Two detectors based on Importance Sampling are presented. In these detectors, called Particle Detector, the approximated likelihood ratio is calculated by Monte Carlo sampling. In the first detector, the unknown parameters are first estimated and are substituted in the likelihood ratio (like the GLRT method). In the second detector, the averaged likelihood ratio is calculated by integrating out the unknown parameters (like the AALR method). Thanks to the numerical nature of these methods, they can be applied to many detection problems which do not have analytical solutions. Simulation results show that both the proposed detectors and the GLRT have approximately the same performance in problems to which the GLRT can be applied. On the other hand, the proposed detectors can be used in many cases for which either no ML estimate of unknown parameters exists or their prior distribution is known.