分别利用高斯拟合估计算法(Gaussian fitting estimation algorithm, 以下简称Gauss估计算法)和最大似然(Maximum Likelihood, ML) 离散谱峰值(Discrete Spectral Peak, DSP)估计算法(ML DSP)处理实测回波信号, 计算得到风速扰动的功率谱密度(Power Spectral Density, PSD)。根据Kolmogorov湍流理论中PSD与频率的-5/3关系, 比较不同距离门下的PSD, 采用高频区域的风速误差作为风速估计性能参数, 分析比较不同距离情况下风速误差, 并利用自相关系数分析风速时间变化的相关性。结果表明: 在距离较低的探测区域Gauss估计算法的风速误差微弱小于对应的ML DSP估计算法, 二者之间的风速误差差值最多不超过0.05 m/s。而在距离较高的区域, 两种算法的风速误差差值从820 m处的0.06 m/s增加至1 200 m的0.16 m/s。在风速的时间相关性分析上, Gauss估计算法的风速时间自相关系数明显大于对应的ML DSP估计算法, 说明Gauss估计算法处理的风速数据更具有稳定性。

相干测风激光雷达中一个核心的问题是从微弱的气溶胶后向散射信号中估计出风速.基于零均值复高斯随机过程协方差矩阵统计模型的后向散射信号,首先讨论了最大似然(ML)离散谱峰值(DSP)风速估计算法的克拉美-罗下界(CRLB)与由Fisher信息矩阵论得到的精确CRLB之间的关系.其次,对于ML DSP估计应用于相干测风激光雷达中协方差矩阵统计模型的后向散射信号时,使用计算机Monte Carlo仿真的方法研究了风速估计的概率密度函数.分别讨论了信噪比、激光脉冲累积发数和发射激光脉冲宽度对ML DSP风速估计性能的影响.计算仿真结果表明:ML DSP风速估计的CRLB低于精确的CRLB;在信噪比为-20 dB,100发激光脉冲累积和信噪比为-30 dB,10 000发激光脉冲累积条件下,ML DSP风速估计中“坏”的估计值所占的比例都为0,“好”的估计值的标准差分别为0.62 m/s和0.50 m/s.