认知雷达前沿技术 实例：在线性高斯情况下估计对手的增益、逆向卡尔曼滤波器

目录

在线性高斯情况下估计对手的增益

图 2.3 及其分析

最大似然估计的敏感性

克拉美-罗 (CR) 界与估计一致性

详细推导过程

核心推导逻辑：预测误差分解（Prediction Error Decomposition）

第一步：系统动态与敌方视角（公式 2.4 & 2.5）

第二步：视角的反转——构建逆向状态空间模型（公式 2.9 & 2.10）

第三步：推导极大似然估计与新息 (公式 2.15)

MATLAB实现

在线性高斯情况下估计对手的增益

本节旨在通过数值示例，深入探讨如何估计敌方传感器增益的本质。考虑第2.2.2节中的设置，其中我们的动态是线性高斯的，而敌方以高斯噪声线性观测我们的状态（即公式2.4 线性高斯状态空间模型）。敌方利用卡尔曼滤波器（对应2.5 敌方卡尔曼滤波方程）估计我们的状态，我们则利用逆卡尔曼滤波器估计敌方的估计值（对应2.9 线性高斯系统（我方滤波基础））。利用（2.9）和（2.10），基于我们的测量结果，敌方观测增益矩阵 $\thet