《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》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于动态规划的检测前跟踪算法的性能分析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。