.png){kind=icon}
返回
Online Kernel Learning Target Localization for Distributed MIMO Radar
.png){kind=icon}
PRE
AI
DOI：10.1109/taes.2026.3709260.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统基于最大似然估计和利用测量先验信息的模型化目标定位方法，在低信噪比的恶劣环境下，对于分布式多输入多输出雷达无法提供期望的性能。本文首先提出了一种基于雷达测量的在线数据驱动核学习目标定位方法。将测量向量转换到再生核希尔伯特空间，并将目标定位转化为该特征空间中的函数逼近问题。然后，提出了核递归最小二乘目标定位（KRLSTL）算法以解决生成的问题，并引入固定维度字典更新策略，生成固定预算KRLSTL算法以固定径向基函数网络的大小。通过一些仿真实验验证了所提方法在不准确雷达测量和非平稳环境下的有效性和优越性，相较于其他对比方法具有优势。
Keyword:
Distributed multiple-input multiple-output (MIMO) radar
fixed-budget strategy
kernel recursive least squares (RLS)
online learning
target localization
期刊
IF:
5.7
论文数:
819
被引数:
2.4W
机构
引用论文
分享收藏分享收藏
Weighted least squares algorithm for target localization in distributed MIMO radar.png)
SIGNAL PROCESSING
SIGNAL PROCESSINGIF3.6
PREAI
分享收藏
查看更多内容