基于广义标签多伯努利滤波的极化敏感阵列参数动态跟踪方法

为解决动态场景中信号源快速移动导致的DOA（方向到达角）和极化参数联合估计误差问题，研究人员提出了一种基于广义标签多伯努利滤波（GLMB）的跟踪算法。该方法通过极化敏感阵列捕获信号，结合改进MUSIC伪似然函数和新型测量分离策略（NMSS），实现了高精度参数动态跟踪。仿真结果表明，该算法在低信噪比（SNR）和有限快照条件下性能优于现有方法，为移动信号源实时参数估计提供了有效解决方案。

　　

在移动通信、军事预警等领域，方向到达角（DOA）和极化参数的联合估计是阵列信号处理的核心问题。传统方法如MUSIC算法虽具有高分辨率，但依赖静态信号假设，难以应对动态场景中信号源的快速移动。此外，现有多目标跟踪算法如粒子滤波在参数维度增加时性能显著下降，而基于随机有限集（RFS）的MeMBer滤波器又面临轨迹区分困难的问题。这些局限性促使杭州电子科技大学的研究团队探索更高效的动态参数跟踪方法。

研究团队提出了一种基于广义标签多伯努利滤波（GLMB）的创新框架。关键技术包括：1）利用改进的MUSIC算法构建伪似然函数，增强高概率区域的粒子分布；2）设计新型测量分离策略（NMSS），解决测量与目标轨迹的关联失配；3）通过序列蒙特卡洛（SMC）实现后验密度近似。实验采用极化敏感均匀平面阵列，以RMSE、OSPA-L和收敛概率（PROC）为指标评估性能。

背景
研究首先建立了极化敏感阵列的数学模型，推导空间-极化域联合MUSIC函数，并引入GLMB框架的多目标贝叶斯滤波理论，为动态参数跟踪提供理论基础。

方法创新
改进的MUSIC函数替代传统似然计算，结合最小描述长度（MDL）准则估计信号源数量。NMSS策略通过建立测量-目标一对一映射，显著提升跟踪精度。

实验结果
在Intel i7平台和MATLAB 2023环境下，仿真显示该算法在SNR=0dB时DOA估计RMSE较传统方法降低42%，OSPA-L误差减少35%，且收敛速度提升约20%。

结论
该研究突破了静态场景限制，首次将GLMB滤波应用于DOA-极化参数动态跟踪。其意义在于：1）通过标签机制实现轨迹区分与参数关联；2）NMSS策略解决了多目标测量交叉干扰；3）SMC实现的高效计算为实时处理奠定基础。论文发表于《Digital Signal Processing》，为复杂电磁环境下的目标识别与干扰抑制提供了新范式。