《表4 对于不同的目标模型,虚警概率为10-6,积累圈数K=6时各算法没有积累得益的临界信噪比》
图2与图3的检测概率曲线均表明对于某些值,当信噪比较低时DP-TBD算法的性能不但没有积累得益,反而降低。表4给出了这些算法没有得益时对应的临界信噪比,其中“—”表示临界信噪比小于2 d B,超出了我们蒙特卡洛仿真的范围。可以看出,对于五种Swerling模型,当值增大时,临界信噪比均变大,算法性能变差。对于同一种算法,Swerling 0类目标的临界信噪比均高于Swerling III/IV类目标,高于Swerling I/II类目标,与目标的起伏强弱成反比。临界信噪比意味着算法对给定的信噪比目标无积累优势,临界信噪比越高意味着算法性能越差。
图表编号 | XD00120480500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.20 |
作者 | 乐丹、刘兆磊、吴显燕 |
绘制单位 | 南京电子技术研究所、南京电子技术研究所、南京农业大学 |
更多格式 | 高清、无水印(增值服务) |