基于MQNM的双基地雷达目标定位改进算法

针对求解双基地雷达目标定位问题常用的Gauss-Newton法自身固有的缺点,如收敛精度和收敛速度依赖于迭代初值与真实值的接近程度和函数的非线性程度,进一步考虑了目标函数Hessian阵的二阶信息,结合MQNM法(修正拟牛顿法)提出了一种双基地雷达目标定位问题的优化改进算法。计算机仿真结果表明了该算法的可行性和有效性。     

用于双基地雷达目标定位的全局收敛高斯-牛顿法

考虑了双基地雷达目标定位问题中的非线性最小二乘方程组的迭代解法。用高斯 牛顿迭代法解非线性最小二乘方程组计算量小、收敛快,但所得解的正确性及精度依赖于选取的迭代初值与真值的靠近程度,及方程组的非线性强度。给出了两种变步长全局收敛策略,与高斯-牛顿法相结合可得到对初值不敏感的迭代算法。仿真结果表明,用全局收敛的高斯 牛顿法解最小二乘方程组能得到更准确的解,且迭代次数较少。     

基于高斯—牛顿法改进的复合双基地雷达目标空间定位算法

针对复合双基地雷达系统的目标空间定位问题,提出了一种基于高斯-牛顿迭代的改进算法。该算法利用所有的观测数据构成非线性最小二乘定位方程,将精度最高的一组测量子集的解析解作为迭代初始值,从而比经验值更逼近真值,引入了变步长法使迭代迅速收敛,给出了应用该算法的具体步骤。仿真实验证明该算法提高了目标位置解的准确性,保证了迭代的收敛性。     

拟牛顿分数低阶恒模算法的研究

为了提高分数低阶恒模均衡算法的收敛速度,提出了一种基于分数低阶恒模代价函数的拟牛顿自适应盲均衡算法.由于在权矢量更新方程中引进了代价函数的二阶Hessian矩阵,从而使算法的收敛速度较利用最速下降法的分数低阶恒模算法大大提高且具有较好的韧性.利用Matlab 对两种算法进行仿真,仿真结果对新算法性能的提高进行了验证.     

基于改进粒子群优化的非线性最小二乘估计

针对测量数据处理中非线性模型参数估计理论广泛使用的传统牛顿类算法对初值的敏感性问题,提出了一种求解非线性最小二乘估计的改进粒子群优化算法。该算法利用均匀设计方法在可行域内产生初始群体,无需未知参数θ的较好的近似作为迭代初值,而具有大范围收敛的性质;通过偏转、拉伸目标函数有效地抑制了粒子群优化算法易收敛到局部最优的缺陷。给出应用该方法到NLSE的具体步骤,通过仿真实验证明该算法的有效性。     

卫星信道中基于部分解耦的volterra均衡算法

对信道中大功率放大器产生的非线性特性实现快速有效地均衡是提高卫星通信系统性能关键技术之一。文中首先建立了基于volterra级数的卫星信道模型,并分析了信道对二维调制信号所产生的非线性影响;针对基于最小均方误差实现的volterra均衡器收敛速度慢这一问题,提出了基于复基带volterra模型的部分解耦均衡算法,该算法使均衡器线性权系数收敛于线性滤波器最优解,并用拉格朗日乘数法构造了新的代价函数,使均衡器的各阶权系数满足约束,以达到均衡器各阶权系数之间的解耦。仿真结果表明,新算法在保证稳态误差的条件下,其收敛所需迭代次数相对于全耦合的最小均方误差算法从16 000次减小到1 000次。     

基于Barzilai-Borwein迭代的低复杂度大规模MIMO信号检测算法

在大规模多输入多输出系统中,最小均方误差(minimum mean square error, MMSE)算法能达到接近最优的线性信号检测性能,但是MMSE算法需要复杂的矩阵求逆运算,这限制了该算法的应用。为了降低运算复杂度,改进MMSE算法,利用Barzilai Borwein(BB)迭代算法来避免矩阵求逆运算,提出了结构简单的BB迭代信号检测算法,且基于信道硬化特性进一步优化了迭代初始解以加快算法的收敛速度。理论和仿真结果表明,所提出的BB迭代算法的性能优于最近提出的Neumann级数展开算法,而其复杂度相比截短阶数i=3的Neumann级数展开算法减少了一个数量级;且该算法收敛速度较快,在给定初始值的条件下,通过简单的几次迭代,能够快速接近MMSE算法的检测性能。     

推广的正则化FOCUSS算法及收敛性分析

针对一类可分的稀疏性度量函数,利用梯度分解技术给出了稀疏信号重构的拟牛顿算法。进一步研究表明,基于再加权最小2 范数的FOCUSS算法以及基于p 范数的正则化FOCUSS算法都是拟牛顿算法的特例。由此导出了可用于稀疏成份分析的广义正则化FOCUSS算法,并证明了该算法的收敛性。数值结果表明广义FO CUSS算法收敛到局部极小点,并且在迭代初值较为准确时能找到最合理的稀疏解。     

基于曲率信息的改进BP算法及其在FNN中的应用

针对步长选取影响误差反向传播(BP,Back Propagation)算法优化效率问题,提出一种基于曲率信息的步长优化BP算法,并将其应用到了模糊神经网络(FNN)的训练过程中。参考牛顿法的思想,根据代价函数的梯度及梯度方向上的曲率信息来确定模型参数调整的方向和幅度。仅需考虑梯度方向上的二阶信息,因此不需要存储和处理Hessian矩阵。通过一个数值仿真和高炉炼铁过程数据建模实验,验证了方法的有效性及训练效率。     

基于多普勒频差的矢量脱靶量参数估计方法

提出了一种基于长基线条件下利用多普勒频差进行矢量脱靶量参数估计的方法。目标多普勒频率是矢量脱靶量参数的非线性函数,对此函数的求解是一个非线性优化过程,对应优化代价函数的估计参数为6维,寻优迭代过程较复杂,且结果受限于优化初值的选取。算法充分利用了目标的连续特性,将此非线性优化过程进行分步伪线性化处理,利用积分多普勒以及距离差定位方法得到参数估计值,并将此估计值作为非线性优化过程的优化初值,快速、准确地得到参数优化估计值。仿真结果表明该方法可以得到高精度的矢量脱靶量估计结果。     

NONMONOTONIC TRUST REGION PROJECTED REDUCED HESSIAN ALGORITHM WITH TWO-PIECE UPDATE FOR CONSTRAINED OPTIMIZATION

This paper proposes a two-piece update of projected reduced Hessian algorithm with nonmonotonic trust region strategy for solving nonlinear equality constrained optimization problems. In order to deal with large problems, a two-piece update of twoside projected reduced Hessian is used to replace full Hessian matrix. By adopting the Fletcher's penalty function as the merit function, a nonmonotonic trust region strategy is suggested which does not require the merit function to reduce its value in every iteration. The two-piece update of projected reduced Hessian algorithm which switches to nonmonotonic trust region technique possesses global convergence while maintaining a two-step Q-superlinear local convergence rate under some reasonable conditions. Furthermore, one step Q-superlinear local convergence rate can be obtained if at least one of the update formulas is updated at each iteration by an alternative update rule. The numerical experiment results are reported to show the effectiveness of the propo     

阵元位置误差自校正的累量域辅助阵元法

阵元位置误差会严重影响多重信号分类(multiple signal classification, MUSIC)算法的测向性能,为此给出了一种阵元位置误差自校正的累量域辅助阵元法。首先构造了一种最大非冗余四阶累积量矩阵,并基于该矩阵实现了信源方位和阵元位置误差的联合估计,其中信源方位的估计需要一维搜索,而阵元位置误差的估计需要求解一个线性最小二乘问题。在一定假设条件下,对新算法的参数估计一致性做了理论分析。仿真实验表明：新算法可以减少对辅助阵元个数的要求,并且减弱了高斯色噪声对算法参数估计性能的影响。     

LDPC码混合加权比特翻转译码算法

为了减少比特翻转算法中环路振荡引起的误码,提出了一种低密度奇偶校验（low-density parity-check, LDPC)码并行混合加权比特翻转译码算法。该算法采用多比特翻转方式,当出现环路振荡时,加入一随机扰动改变目标函数来减少由于环路振荡引起的误码,同时从数学角度分析了其误码产生的原因。仿真表明,与原有的比特翻转算法相比,该算法以较低的复杂度获取了误码率性能的改善和收敛特性的提高。     

传感器误差情况下的线性校正TOA定位算法

传统定位方法一般是在假设传感器位置信息准确已知的前提下进行的。然而在实际情形中,传感器位置信息往往含有随机误差,这些误差会严重影响目标的定位精度。针对这一问题,提出了一种存在传感器误差情况下的线性校正TOA定位算法。首先将非线性TOA定位方程组转化为一组关于目标位置的伪线性方程,利用加权最小二乘估计进行初始求解;然后在此基础上把伪线性方程组转化为关于估计偏差的求解问题,进而对初始解进行线性校正。在测量误差充分小的情况下分析了该算法的有效性。仿真结果表明该算法具有较好的定位性能。     

A nonmonotone line search filter method with reduced Hessian updating for nonlinear optimization

This paper proposes a nonmonotone line search filter method with reduced Hessian updating for solving nonlinear equality constrained optimization. In order to deal with large scale problems, a reduced Hessian matrix is approximated by BFGS updates. The new method assures global convergence without using a merit function. By Lagrangian function in the filter and nonmonotone scheme, the authors prove that the method can overcome Maratos effect without using second order correction step so that the locally superlinear convergence is achieved. The primary numerical experiments are reported to show effectiveness of the proposed algorithm.     

TOA模式下TLS辅助泰勒级数展开的蜂窝定位新算法

提出了一种到达时间(time of arrival, TOA)模式下总体最小二乘(total least square, TLS)辅助泰勒级数展开的蜂窝定位新算法。该算法针对泰勒级数展开对初始迭代参考点依赖性强的问题,综合考虑观测量误差和观测站位置误差,利用TLS估计初始参考点,然后在估计值处对观测方程组实施泰勒级数展开,并使用加权最小二乘进行多次迭代运算,实现对移动终端的高精度定位。仿真结果表明,该算法在平均迭代次数和定位精度方面具有接近基于真实位置的泰勒级数展开算法的性能,并且在不同的几何精度因子(geometrical dilution of precision, GDOP)下,均具备良好的抗观测量误差和观测站位置误差的特性。     

基于角度和频率信息的卫星被动定轨方法

针对单星对卫星被动定轨时采用仅测角方法滤波收敛时间较长且精度不高等问题,提出了在测角的同时增加频率测量信息的单星对卫星扩展Kalman滤波被动定轨方法。在二体问题下详细推导了状态预测方程、状态转移矩阵和测量雅可比矩阵,最后通过STK6.0仿真产生的数据对算法有效性进行了验证。仿真结果表明,该算法比仅测角方法具有更高的定轨精度和更快的收敛速度,且当测角精度较高时,能够在相对较大的初始位置误差情况下较快收敛并达到较高的收敛精度。     

均匀圆阵互耦自校正的级联估计方法

为了校正阵元间的互耦误差,提高波达方向（direction of arrival, DOA）估计算法的性能,针对均匀圆阵,提出一种互耦自校正的级联估计方法。首先利用互耦矩阵的结构特点,从构成互耦矩阵的每个互耦系数入手,重新表示阵列流形;然后利用变换矩阵,构造目标函数,求解线性约束下目标函数最小时所对应的互耦矩阵;最后由互耦矩阵校正阵列流形,进行谱峰搜索,得到入射信号DOA,实现互耦自校正。该算法不需要多维循环迭代,对DOA和互耦矩阵的估计精度较高,计算机仿真和实际测向系统测试验证了该方法的有效性。