基于SVD的通信信号背景下脉冲波形和初相估计

雷达侦察接收机往往侦察到的是通信和雷达脉冲的混合信号，如何从通信信号背景中有效提取出雷达脉冲波形，是现代雷达信号处理领域中的重要内容。针对这一问题，提出了一种基于奇异值分解的通信与雷达混合信号中脉冲波形估计算法。该算法通过对信号观测矩阵的奇异值分析和协方差矩阵的特征值分析，证明了观测矩阵的奇异值分解具有稳定性，并且奇异值分解能够最佳近似观测信号的线性特征，给出了一种利用左右奇异向量估计脉冲波形及其相对初相的方法。本文的算法适用于任意脉冲波形，并且能够在较低信噪比环境下估计脉冲信号波形和相对相位，仿真结果证明了算法的有效性。     

Neural Blind Beamformer for Cyclostationary Signals

1 .INTRODUCTIONBeamforming[1]is another name for spatial filteringwhere an array of sensors together with appropriatesignal processing can either direct or block the radia-tion or the reception of signalsin specified directions .Conventional beamforming approaches require a refer-ence signal or accurate knowledge of the array re-sponse vector corresponding to the desired signal .Ifthe array response vector is not known precisely,theperformance of conventional beamforming techniquescan be s…     

基于奇异谱分解的水声信号降噪方法研究

通过对水声信号进行相空间重构,并对重构后的轨迹矩阵进行奇异值分解,得到表征信号能量和噪声强度的奇异谱。对奇异谱进行分析,得到反映噪声强度的噪声平台。对于那些大于噪声平台的特征值,它们具有较大的方差,对应较大的信噪比。利用具有较大方差特征值对应的特征矢量重构状态空间,也就等效于得到了具有较大信噪比改善的重构。通过对3类多个样本的实际水声信号采用奇异值分解进行降噪处理,得到了较为满意的降噪效果,降噪后的信号波形基本上消除了噪声干扰,为水声信号的进一步处理奠定了基础。     

快速酉ESPRIT方法

酉ESPRIT方法虽然能以较小的计算代价改善标准ESPRIT方法的参数估计性能 ,但仍需计算实数矩阵的奇异值。提出了一种基于酉变换的信号子空间快速近似方法。该方法在数据矩阵酉变换的基础上 ,有理近似估计信号子空间 ,利用均匀线阵的中心对称性 ,使矩阵运算变为实数运算 ,无需奇异值分解 ,大大减小了运算量。仿真实验表明 ,该方法的参数估计性能接近酉ESPRIT方法 ,优于标准ESPRIT和有理近似ESPRIT方法。     

基于SVD和MPSO-SVM的光纤周界

针对光纤振动信号有噪声干扰、识别信号类型准确率不高且识别时间长的问题,提出了基于奇异值分解(singular value decomposition, SVD)和改进粒子群优化支持向量机(modified particle swarm optimization support vector machine, MPSO-SVM)的识别方法。首先,采用SVD对信号去噪,根据奇异值序列二阶差分谱单边极小值原则确定信号重构秩阶次。其次,提取振动信号特征,利用串行特征融合(serial feature fusion, SFF)方法组建特征向量组。最后,利用MPSO-SVM进行分类识别,提高识别精度和算法效率。采用实测信号进行验证,结果表明,信噪比有明显提升,信号平均识别率较粒子群优化支持向量机(particle swarm optimization support vector machine, PSO-SVM)提升5%。该方法较传统神经网络识别方法有较好的效果,具有实际应用价值。     

基于数据矩阵分解的相干源方向估计新方法

提出一种相干源存在情况下的波达方向估计新算法。利用阵列快拍数据构造数据矩阵,相关去噪后,通过奇异值分解获得低维信号子空间的估计,然后运用ESPRIT思想估计出波达方向。无论是否存在相干源,新算法均能有效估计出波达方向,并且无需角度搜索,运算量小。该算法虽基于一维线阵,但可直接推广到具有线性性质的二维平面阵,如L形阵、十字阵、双平行线阵等。计算机仿真验证了算法的有效性     

一种非理想阵列的快速宽带信号方位估计算法

针对宽带信号方向估计算法需要进行初次估计和进行多次奇异值分解的问题,提出了在传感器阵列存在误差的情况下,基于Prony-Lanczos方法的快速宽带信号方位估计算法。方法将接收信号转换到频率域内,分离阵列流形中信号方向和阵列参数;其次,在考虑阵列互耦的情况下,采用快速奇异值分解的方法求取奇异向量,并利用奇异向量构造聚焦矩阵;最后,利用聚焦求和窄带方位估计对宽带信号进行方法估计。仿真试验表明,存在阵列误差的情况下,本算法具有较好的分辨率和较低的计算复杂度和鲁棒性。     

基于EOF-SVD模型的多元时间序列相关性研究及预测

将奇异值分解同自然正交分解相结合,提出一种改进的正交奇异值分解方法.通过对原始数据进行自然正交分解,削弱原始数据之间的相关性,增强其用于分析及预测的能力,并得到相互正交的主成分代替原始数据进行奇异值分解,分析两个变量场之间的相关关系.在此基础上建立神经网络预测模型,实现多元时间序列的预测.采用该方法对三门峡处径流量同太平洋海温的耦合关系进行分析,并同常规奇异值分解方法进行比较,仿真结果验证了所提方法的有效性.     

6通道MSVD构造及其在多聚焦图像融合中的应用

针对经典的奇异值分解(singular value decomposition, SVD)在图像处理中的不足,提出了一种6通道多尺度奇异值分解(multi-scale SVD, MSVD)的构造方法,并将其应用于多聚焦图像融合中。首先,在经典SVD的基础上,利用矩阵分块的方法,给出了一种6通道MSVD的构造方法。其次,对参加融合的多聚焦图像进行6通道MSVD分解,得到高层低频和各层5个方向的高频,对分解的低频子图像采用取平均、高频子图像采用区域能量取大的融合规则进行融合,并进行MSVD逆变换得到融合结果图像。最后,对融合结果图像进行主观分析和客观评价。实验结果表明该方法有好的视觉效果,融合结果图像有较高的清晰度和较丰富的边缘细节信息,且没有方块效应。从客观指标看,该方法有较高的清晰度和空间频率,其清晰度和空间频率比基于离散小波变换、基于提升小波变换、基于曲波变换和基于轮廓波变换的融合方法都高。     

A Combination Method of SVD And Neuro－Controller for Identifying Uncertain Systems

ＡＣｏｍｂｉｎａｔｉｏｎＭｅｔｈｏｄｏｆＳＶＤＡｎｄＮｅｕｒｏ－ＣｏｎｔｒｏｌｌｅｒｆｏｒＩｄｅｎｔｉｆｙｉｎｇＵｎｃｅｒｔａｉｎＳｙｓｔｅｍｓ￥ＬｉｎＷａｎｇ，ＭｉｎＨａｎ，ＲｏｂｅｒｔＮ．Ｋ．Ｌｏｈ（ＣｅｎｔｅｒｆｏｒＲｏｂｏｔｔｅｓａｎｄＡｄｖ...     

基于投影空间下奇异值分解的海面小目标CFAR检测

提出了一种基于投影空间下奇异值分解(singular value decomposition,SVD)的杂波抑制方法.在雷达回波数据中,利用待检测单元的邻近单元构造杂波空间,并将杂波空间在投影空间下进行奇异值分解以实现杂波抑制.为此,本文设计了一种全新的检测器,即将正交投影(orthogonal projection,...     

基于神经网络的低信噪比CBOC信号组合码序列盲估计

针对低信噪比下复合二进制偏移载波(composite binary offset carrier, CBOC)信号的组合码序列盲估计问题。首先采用奇异值分解(singular value decomposition, SVD)的算法对CBOC的组合码序列进行可行性验证,可得在已知相关参数的情况下对CBOC信号组合码序列盲估计是可行的;其次就SVD在长序列估计中计算量和存储量需求大的问题,进一步提出主分量神经网络解决上述问题,同时引入最优变步长收敛模型改善神经网络(neural network, NN)收敛速度。利用无监督NN的自适应主分量提取信号特性,避免批处理运算,实现CBOC信号组合码序列盲估计。实验表明,NN能在-20 dB下达到精确估计序列的目的,且算法有稳定性高、复杂度低、收敛速度快等优点。     

四阶累积量用于最小嵌入维数估计的新方法

用能反映非线性结构的四阶累积量函数代替相关函数构造矩阵,对奇异值分解法进行改进.对比分析了用四阶累积量函数构造矩阵的多种方法,得到两种较好的构造矩阵的方法.其中当四阶累积量函数的两个变量分别在矩阵的对角线方向和偏离对角线方向取值并且第三个变量取零时,得到的矩阵的分析效果最好.并用此方法分析由Henon映射、Lorenz模型生成的混沌时间序列.实验结果表明了改进后方法的有效性及稳定性,并且改进后方法适合小数据量的情况且计算效率高.     

改进的SVD算法对BOC信号组合码与信息序列盲估计

针对低信噪比下二进制偏移载波信号的组合码序列以及信息序列盲估计问题,在未知时延下,利用奇异值分解(singular value decomposition,SVD)算法估计出的组合码序列及信息序列,其最大奇异向量和次大奇异向量之间可能存在酉模糊现象。对于该问题的研究,提出一种改进的SVD方法对最大奇异向量及次大奇异向量进行线性组合,接着最优化筛选出其相应的系数矩阵,最后结合系数矩阵估计出组合码序列与信息序列。仿真结果表明,改进的SVD算法可同时应用于组合码和信息序列的估计且不受未知时延的影响,具有消模糊效果好、需要数据量少和抗噪性能强的特点。     

基于灰色累加和加权乘积的模型辨识算法

为了减少系统扰动对建模精度的影响,将灰色理论中累加求和的思想引入到模型辨识算法中。通过乘积加权的办法,突出当前采样数据对模型准确性的贡献,弱化历史数据的作用。提出一种广义的灰色模型辨识算法,该算法沿用了最小二乘法的框架,对建模数据没有非负的要求,不仅融合了灰色辨识算法的优点,而且满足一般系统的辨识要求。     

舒曼谐振的数据处理方法及其应用研究

舒曼谐振（Schumann resonance, SR）信号淹没于非常强的环境噪声数据中,影响了常规处理方法的性能。为了从观测数据中可靠地提取微弱的SR信号,先对实际的SR观测数据进行奇异值分解（singular value decomposition, SVD）滤波,再利用常规算法提取参数,分析了观测站处的闪电源分布、参数日变化规律以及一起太阳耀斑事件对应的参数变化。结果证明,经过SVD滤波后得到的估计结果能更好地反映SR参数的变化规律,极大地提高了常规方法的可靠性。     

基于正交特性的短码直扩信号伪码序列盲估计

在短码直扩信号伪码序列的估计中,当使用特征值分解(eigenvalue decomposition,EVD)算法、奇异值分解(singular value decomposition,SVD)算法和压缩投影逼近子空间跟踪(projection approximation subspace tracking with deflation,PASTd)算法来估计伪码序列时,存在着当最大特征值和次大特征值相近时最大特征向量会受到干扰,进而影响伪码序列估计的问题。针对此问题,提出了一种基于正交特性的伪码序列估计算法。在已知码片速率和伪码周期的前提下,该算法首先把接收信号划分成长度为两倍码元宽度、数据重叠50%的数据段,然后用SVD估计出最大特征向量和次大特征向量,由于最大特征向量和次大特征向量是相互正交的,可以利用两者的正交特性来估计扩频序列。该算法不但能在信号失步时间未知的情况下估计伪码序列,而且仿真结果表明该算法具有稳定性高,需要的数据量少和能在低信噪比下有较好的估计性能等优点。     

基于矢量重构的双基地MIMO雷达相干多目标定位

提出了一种基于目标信息矢量重构的双基地多输入多输出（multiple-input multiple-output, MIMO）雷达相干信源角度估计方法。利用目标信息矢量中的元素,构造出解相干处理的通用块Hankel矩阵。证明了该矩阵的秩为总目标数时矩阵行数和列数所应满足的条件,并基于奇异值分解求解出信号和噪声子空间,然后利用ESPRIT算法获得角度的估计值。同时,给出了直接数据提取法和特征矢量提取法来获得目标的信息矢量。仿真实验表明：本文算法能够有效地估计出相干信源的收发角度,且实现自动配对;当兼顾角度估计精度和算法的复杂度时,应满足块Hankel矩阵的行数不大于列数;在低信噪比下,本文算法的估计精度优于空间平滑算法,且特征矢量提取法的估计精度优于直接数据提取法。     

一种基于模型的雷达超分辨方法

基于多目标及其雷达回波信号的建模,本文提出了一种实现雷达超分辨的新方法。该方法的基本思想是将空间上相距很近的多个目标的分辨转化为目标冲激响应的辨识,然后利用最小二乘方法估计目标的冲激响应函数。仿真结果表明,新的超分辨方法是十分有效的,并且具有结构简单和分辨力高等特点。     

基于星敏感器的卫星姿态确定方法研究

介绍了基于星敏感器的卫星姿态确定算法,包括静态确定性算法和动态状态估计方法。从理论上推导了静态算法的TRIAD方法、Euler-q方法、QUEST方法以及SVD和FORM方法;对比分析了几种常见的动态估计方法,它们是EKF方法、UKF方法、预测卡尔曼滤波;并讨论了一些最新的方法,例如粒子滤波等。最后进行了仿真分析,并给出了一些有用的结论。