基于非线性约束的可变对角加载自适应波束形成算法

提出了一种鲁棒波束形成算法。给出了一种基于可变角加载形式的方向图权向量形式，然后利用非线性约束条件对此权向量进行优化。新的算法可以在期望信号导引向量存在误差的情况下提供较好的输出SINR。仿真证明了新算法的有效性。     

一种稳健快速的波束形成算法 

提出了一种计算自适应方向图权向量的迭代算法。为满足迭代矩阵的收敛条件, 算法根据协方差矩阵的最大Gerschgorin半径选择对角加载值对协方差矩阵进行对角加载；通过对协方差矩阵进行简单的矩阵分裂；进而给出自适应权向量的迭代解形式。仿真表明，所提出的算法能在快拍数较少时形成稳健的特性良好的方向图。     

一种稳健快速的波束形成算法

提出了一种计算自适应方向图权向量的迭代算法。为满足迭代矩阵的收敛条件，算法根据协方差矩阵的最大Gemchgorin半径选择对角加栽值对协方差矩阵进行对角加栽；通过对协方差矩阵进行简单的矩阵分裂；进而给出自适应权向量的迭代解形式。仿真表明，所提出的算法能在快拍数较少时形成稳健的特性良好的方向图。     

MIMO-SDMA系统权向量优化算法

提出了一种基于符号抵消的多用户MIMO系统发送和接收权向量联合优化算法,使用这些权向量不但可以实现多用户的传输数据分离,还可以改善系统的误码率性能,并使信道容量最大化．模拟结果表明,相比较其他3种算法而言,使用本算法的MIMO-SDMA系统拥有最佳性能。     

基于LCMV的IQRD-SMI自适应数字波束形成算法

指出QR分解采样矩阵求逆算法(QRD-SMI算法)是一种较流行的自适应数字波束形成算法,但其需要前向和后向代入才能得到自适应权向量w,从而导致其实时性和并行性能欠佳.在QRD-SMI算法的基础上,采用逆QR分解方法,提出了一种不需要前向和后向代入而能全速/并行得到实时权向量w的一种逆QR分解SMI算法(IQRD-SMI算法),给出其易于硬件并行实现的Systolic阵结构.该算法能克服QRD-SMI算法并行性和实时性欠佳的缺点,能做到真正意义上的实时并行权向量抽取.仿真结果和分析验证了该算法的有效性和实时性.     

一种稳定的总体最小二乘自适应滤波算法

针对输入输出观测数据均含有噪声的滤波问题,提出了一种稳定的总体最小二乘自适应算法.该算法以系统的增广权向量的瑞利商与增广权向量最后元素的约束项的和作为总损失函数,利用梯度最陡下降原理导出权向量的自适应迭代算法,并通过对算法稳定性的分析确定了算法中学习因子的取值范围.所提出的算法稳定,计算复杂度低,既没有平方根运算,也不需要标准化处理.仿真实验表明,该算法的收敛性能、鲁棒抗噪性能和稳态收敛精度均明显高于同类其他总体最小二乘算法.     

基于LCMV的MQRD-SMI自适应波束形成算法

在QRD-SMI算法的基础上,提出了一种不需要前向和后向代入而能全速/并行得到实时权向量W的一种混合型QRD-SMI算法(MQRD-SMI),并给出其易于硬件并行实现的Sys-tolic阵结构.该算法能完全克服QRD-SMI算法并行性和实时性欠佳的缺点,能做到真正意义上的实时并行权向量抽取.仿真结果和分析验证了该算法的有效性和实时性.     

基于主成分分析的自适应天线研究

在投影渡束形成的基础上,提出了一种基于主成分分析神经网络的波束形成算法.该方法利用自适应迭代形式获得了波束形成的权向量,避开了投影算法对相关阵特征值分解的计算过程,因而减少了计算量,获得了相对快速的波束形成图,提高了自适应能力.经数值模拟仿真,验证了该方法的正确性.     

一种基于次元分析技术的鲁棒波束形成算法

针对实际应用中先验知识存在偏差的问题,基于权向量长度恒定的常规线性约束波束形成算法,提出一种权向量长度恒定的最差情况性能优化波束形成算法.分析了神经次元分析(MCA)学习规则与该波束形成优化问题在数学描述上的相似性,利用神经MCA学习规则实现鲁棒自适应波束形成.仿真结果表明,与基于线性约束的波束形成算法相比,该算法具有更强的信号跟踪能力和干扰抑制能力,并且对信号方向向量的偏差具有更强的鲁棒性.     

列向量等权互异且行向量准等权矩阵的最优生成算法

本文引入一个递归型矩阵,给出了 GF(2)上列向量等权互异且行向量准等权矩阵的一种生成算法,这个算法是最优时空的,它可直接用于生成有名的最佳最小奇权列码(SEC-DED 码)校验矩阵。最后,我们把算法推广到 n 元集上。     

一种新的宽带波束形成算法

基于对角加载思想,针对宽带信号空时处理结构,将空时接收协方差矩阵进行特征值分解,并利用矩阵求逆定理推导出空时结构对角加载值的范围,得到空时结构对角加载波束形成算法的优化方程以及最优权向量的解.仿真结果表明,算法有效地对协方差矩阵估计进行了修正,增强了空时波束形成算法的鲁棒性.     

基于可变对角加载的稳健空时波束形成算法

针对对角加载方法中加载量难以确定的问题,提出了基于可变对角加载的稳健空时波束形成算法.该算法在宽带信号模型基础上,分解空时宽带波束形成的约束方程,针对多频点约束,推导出空时二维导向矢量真值,得到空时结构可变对角加载波束形成算法的最优权矢量,并给出加载量求解方程,准确地计算出空时波束形成器的对角加载量.仿真结果验证了该算法的稳健性.     

基于均匀圆阵的稳健迭代波束形成算法

针对导向矢量偏差和转换误差导致传统波束形成器的性能下降及均匀圆阵不具有范德蒙结构的问题,提出了一种基于均匀圆阵的稳健迭代波束形成算法.该算法利用相位模式转换技术推导出虚拟自相关矩阵,并把导向矢量限定于确定的椭圆集合中.从最差性能优化的设计思想出发,构造基于均匀圆阵的二阶凸规划的代价函数,再利用拉格朗日乘子法求得权重矢量的闭式解表达式且能够准确求出优化解中的对角载入值.仿真结果表明:所提算法能够提高系统的稳健性,改善了阵列的输出性能.     

一种基于对角载入的鲁棒MVDR波束形成算法

当信号方向向量精确已知时,传统最小方差无畸变响应(MVDR)波束形成算法具有较好的分辨率和抗干扰能力.在实际通信环境中,由于外部环境、天线阵列以及采样协方差矩阵的估计误差等因素的影响,导致传统MVDR波束形成算法的性能急剧下降.针对这一问题,本文提出了一种新的基于对角载入的鲁棒MVDR波束形成算法.该算法考虑信号方向向量的偏差对MVDR算法性能的影响,并在最大允许偏差范围内导出最优的权重向量,有效地抑制了偏差对输出性能的影响,具有很强的鲁棒性,从而能够适应复杂的通信环境;同时该算法采用递推算法避免矩阵求逆,降低了计算复杂度,便于工程实现.仿真实验表明,与传统MVDR算法相比,所提算法具有更好的输出性能。     

基于特征投影矩阵的自适应方向图改善方法

在主瓣干扰背景下,采用特征投影矩阵算法,预处理后自适应方向图将出现主波束偏移,针对传统修正方法中对角加载技术的系数固定且难以确定的问题,基于HKB算法提出了一种改进的加载系数选取方法,根据接收数据能够自适应确定对角加载量。该方法在进行脊回归估计时,通过将剩余矢量的最小方差代价函数的最小二乘估计替换成误差绝对值函数进行分析计算,从而获得新的对角加载系数,同时对自适应抗干扰总效果方向图进行了分析研究,对于旁瓣性能出现的明显恶化,结合所提方法对总效果方向图进行了改善研究。仿真结果表明了所提方法既能有效解决预处理方向图主波束指向偏移问题,同时也改善了总效果方向图的旁瓣性能。     

稳健的GPS干扰抑制方案研究

针对小快拍情况下,GPS干扰抑制的稳健性下降的问题,提出一种基于自适应对角加载的迭代相关相减多级维纳滤波算法(iteration correlation subtraction algorithm multistage wiener filter,ICSA-MWF)。该算法是在充分利用ICSA-MWF给出的干扰和噪声特征信息的基础上,通过分析ICSA-MWF的迭代过程而得到的一种新的自适应干扰抑制方法。仿真结果表明,新算法在迭代中自适应地选择加载量,较大程度地提高了小快拍下干扰抑制的稳健性,进一步减小了ICSA-MWF的计算量,从而提高了干扰抑制的实时性。     

求进化距离的改进算法

本文在Seller算法的基础上提出了一个新的求进化距离的改进算法。该法通过计算来求出一条最短路径,去掉了指针矩阵。并且在求最短路径时采用了分支与定界、对角线方向扩展、相邻对角线传递等技术。从而不仅使改进算法的空间耗费由Seller算法的平方级(O(m×n))降为线性级(O(m+n)),并且其时间耗费仍能保持Fickett算法的结果。该算法已在IBM-PC/AT上实现。     

一种多层前馈神经网络的快速学习算法

对多层前馈神经网络的学习算法及其特点做了较为详细的讨论，提出了一种基于层内优化的快速学习算法。在该算法中，输出层的连接权矩阵（V）和前一层的输出矢量（B）被作为2个变量集合，通过最小化该层样本的总平方误差函数可求得一组它们的优化解（V^*,Bp^*）；并将Bp^*作为前一层（隐层）的期望输出，用类似的方法同样可以求出隐层的连接权矩阵和输出矢量，最后通过计算机仿真证明了该算法的有效性。     

基于GPU的对称正定稀疏矩阵复线性方程组迭代算法

提出一种基于图形处理器（GPU）的对称正定稀疏矩阵复线性方程组迭代算法. 首先, 采用基于GPU的共轭梯度法和双共轭梯度法, 实现GPU上的矩阵向量乘操作, 并充分优化相应的算法步骤; 其次, 实现基于GPU的对角元预处理、 不完全Cholesky分解和对称超松弛3种预处理方法, 提出一种基于GPU的求解三角方程组并行算法; 最后, 实验分析各种预处理方法的优劣. 实验结果表明, 该算法较CPU串行迭代算法与经典的直接法速度提升较大, 最高可达到76倍的加速比.