平面阵列下的二维角度和频率联合估计

在均匀面阵列结构基础上提出一种二维角度和频率联合估计新方法. 对阵列天线输出的信号进行建模分析,表明阵列接收信号具有平行因子四线性模型特征. 利用该模型低秩分解的唯一性条件,从分解得到的矩阵中联合估计出信源的参数. 该算法首先利用四线性交替最小二乘算法估计出方向矩阵和频率矩阵,然后利用频率矩阵的Vandermonde特征和方向矩阵的结构特点及最小二乘法计算频率和二维角度. 该方法无需谱峰搜索即可实现参数同时估计与配对,与现有的基于三线性分解的算法和ESPRIT算法相比具有更高的估计精度,而且在小样本数情况下也能较好地工作. 仿真结果验证了该方法的有效性.     

特殊阵列的二维到达角方向估计

在特殊均匀线阵的基础上,提出一种二维DOA估计新方法,利用参考阵列的旋转不变性构造整个虚拟阵列的旋转不变性,采用横向和纵向双重扩展提高了阵列的扩展性能,并实现四阶累积量矩阵的无冗余数据处理. 新方法只需计算两个四阶累积量矩阵就可获得信号子空间的估计,进而利用二维ESPRIT方法求得最终的解. 理论分析和仿真实验表明,该算法计算量低,阵列扩展能力强,估计精度高,具有一定的实用性.     

稀疏阵列MIMO雷达高精度收发角度联合估计

提出一种基于孔径扩展的稀疏阵列MIMO雷达高精度收发角度估计算法. 采用收、发阵列均为稀疏线性分布式子阵的双基地MIMO雷达系统,通过非均匀阵列设计,利用Khatri-Rao乘积运算实现收发阵列中阵元间短基线和子阵间长基线的同时虚拟扩展. 对接收数据进行降冗余和数据平滑处理,利用双尺度酉ESPRIT算法解周期性模糊,得到无模糊的高精度收发角度估计. 与传统算法相比,所提出的算法在不增加天线数目和硬件复杂度的情况下可有效扩展MIMO雷达的阵列孔径,在实现多目标收发角度联合估计的同时获得更高的参数估计性能. 仿真结果验证了阵列虚拟扩展和算法方位估计的有效性.     

双基地MIMO雷达二维DOD和二维DOA联合估计

提出一种双基地MIMO雷达L型阵列下多维角度联合估计的新算法. 该算法利用匹配滤波器输出信号特点构造不同的代价函数,采用迭代最小二乘算法估计收发阵列流形矩阵,根据L 型阵列结构的特点和最小二乘法,从估计出的矩阵中计算目标的二维DOD(direction of departure)和二维DOA(direction of arrival). 该方法无需谱峰搜索,可实现参数的同时估计与配对. 与ESPRIT 算法相比,具有更高的估计精度,并接近于克拉美-罗下限,且在小快拍数下也能较好地工作. 仿真结果验证了该算法的有效性.     

飞机颤振模态参数的辅助变量方差辨识及渐近分析

针对飞机颤振随机模型中输入输出观测数据带有观测噪声的问题,为得到较准确的飞机颤振模态参数,将辅助变量辨识方法与方差匹配方法相结合,形成一种新的辨识策略--辅助变量方差辨识方法. 在飞机颤振随机模型中,通过引入辅助变量来构造方差函数,导出最小化优化目标准则函数的求解过程,并详细地给出对应的偏 导式. 根据渐近分析理论,推导参数估计值的渐近方差矩阵表达形式. 利用此渐近方差矩阵不仅可以衡量辨识方法的有效性,而且可以设计最优激励信号. 将提出的方法用于飞行仿真转台电流环被控对象的传递函数辨识和飞机颤振模态参数辨识,验证了该方法的有效性.     

基于特征向量的阵列误差矩阵最优闭式解

阵列互耦和幅相误差的综合作用会严重影响MUSIC算法的测向性能. 该文重点研究了由互耦和幅相误差 引起的阵列误差校正问题,给出3 种阵列误差矩阵校正算法. 它们具有相同的计算模式和理论框架,均可通过计算某 个Hermite矩阵最小特征值对应的特征向量获得最优闭式解. 算法I未利用阵列误差矩阵的任何性质,算法II利用了阵列 误差矩阵的稀疏性,算法III利用了某些规则阵列的阵列误差矩阵的特殊结构. 仿真实验比较了3 种校正算法的估计精 度,结果表明,尽可能利用阵列误差矩阵的特殊性质有利于提高阵列误差矩阵的校正精度.     

关于CFIE-MLFMA算法的一类预条件方法

研究了多层快速多极子算法(MLFMA)的预条件加速技术.利用MLFMA的近场矩阵的结构特征,先将其分裂为对角块阵、不完全下三角块阵和不完全上三角块阵,再将对角块作LU分解,就可以构造出一系列的预条件阵DILU.与不用预条件或只用对角块预条件相比,这些预条件阵能大幅度地减少迭代次数,节省计算时间.一部分预条件阵不会增加存储量,而另外一部分只增加很少的存储量.文中给出的数值算例比较了几种不同预条件阵的优缺点,也验证了这些预条件加速方法的正确性和有效性.     

基于短记忆原理的分数阶系统时域子空间辨识

针对多变量分数阶系统提出一种基于短记忆原理的时域子空间辨识算法. 该算法能够有效辨识多变量分数阶系统的系数矩阵和分数阶微分阶次. 利用Poisson 矩函数对输入输出信号进行滤波预处理,构造了子空间方法的输入输出矩阵. 通过代价函数将分数阶微分阶次辨识转化为参数寻优问题. 利用分数阶微分的短记忆原理,将分数阶微分阶次和输入输出数据矩阵进行分离,避免了输入输出信号的分数阶微分计算过程. 数值仿真对算法的有效性进行了验证.     

OFDM中利用酉变换和结构最小二乘的角度和时延联合估计

在正交频分复用系统中,低信噪比条件下基于子空间分解的角度和时延联合估计算法的估计精度受限,为此提出一种利用酉变换和结构最小二乘的联合估计算法.利用酉变换将接收数据转换至实数域,然后用二维结构最小二乘建立目标优化函数,计算含有角度和时延信息的两个实对角矩阵.将这两个实矩阵构成一个复矩阵后对该复矩阵进行特征值分解,通过特征值实部和虚部的对应关系实现角度和时延的配对.该算法的目标函数合理地考虑了误差项之间的耦合关系,更加精确地修正了存在误差的信号子空间矩阵,因此估计结果更接近最优解.实验结果表明,该算法的估计精度和估计成功率比传统子空间算法高.     

共形阵列LFM信号DOA和极化参数的联合估计

利用分数阶傅里叶变换(fractional Fourier transform, FRFT)对线性调频(linear frequency modulation,LFM)信号的能量匹配聚焦特性来简化共形阵列的数据模型,根据子空间拟合原理提出一种信源DOA和极化参数的去耦联合估计方法. 直接进行DOA估计涉及求解难度较大的多维多峰参数搜索过程,于是通过重构噪声子空间
和流形矩阵建立了单峰的目标函数,然后用PSO算法估计信源方位角和俯仰角,在此基础上利用ESPRIT实现极化参数估计. 仿真实验表明,去耦参数估计方法能在保证算法性能的前提下简化问题复杂度,有效降低运算量.     

模型误差条件下MUSIC算法的测向成功概率

测向成功概率是特征空间类算法的一项重要性能指标. 该文推导了模型误差条件下MUSIC算法的测向成功概率．通过对空域谱函数进行一阶Taylor展开得到MUSIC算法的测向误差及其统计特性,给出针对单个信源的测向成功和两类整体测向成功的定义,并结合模型误差的统计特性推导了针对单个信源和两类整体测向成功概率的计算公式．针对均匀圆阵和均匀线阵给出了仿真实验,结果表明理论值和仿真实验值能够较好地吻合,验证了理论推导的正确性．     

均匀圆阵多约束实数权直接数据域处理

研究了均匀圆形天线阵列STAP处理中一种改进的直接数据域方法. 该方法仅通过幅度加权即能有效抑制杂波和干扰,实现对目标信号的正确估计. 当目标信号的方向与天线波束指向有偏差时,采用多约束的方法,保证系统在目标信号方向的增益. 实验结果表明了该方法的有效性.     

解到达角估计模糊的二次虚拟阵列变换

引入非均匀时延构造虚拟阵列变换的变换矩阵,提出一种基于二次虚拟阵列变换的到达角估计方法. 该方法利用非均匀时延间隔的随机性,每一次快拍下都等效于随机改变虚拟阵元的阵元间隔,突破了空域采样定理的限制,解决了在使用较大阵元间距条件下到达角估计的模糊问题. 同时增大的阵元间距也提高了估计的精度和分辨力. 进一步的实验表明,该方法是可行的、有效的,且能改善小信噪比条件下的估计精度.     

基于凸组合的麦克风阵列自适应语音增强方法研究

广义旁瓣相消器是应用极为广泛的麦克风阵列语音增强方法,对含高斯噪声的语音信号降噪效果较明显。然而,当语音信号中混有脉冲噪声时,利用此方法进行降噪处理所得增强后的语音信号可识别性明显变差。为改善含脉冲噪声语音信号的降噪效果,本文提出一种基于凸组合的麦克风阵列自适应语音增强方法。该方法利用由线性滤波和非线性样条滤波构成的凸组合滤波器替换单一的线性自适应滤波器,并用最大相关熵准则更新凸组合滤波器的权值和非线性样条滤波中的控制点因子。结果表明：所提语音增强方法能有效滤除语音信号中存在的高斯噪声和脉冲噪声,语音增强效果极其明显。     

混凝土结构内光纤传感阵列的设计与计算机模拟

提出了一种新颖的、可用于混凝土光纤传感阵列，它采用周期性对称刻纹多模光纤组成。探索采用了人工神经网络技术处理感输出信号，并给出了Ｋｏｈｏｎｅｎ网的仿真结果。     

不对称刻纹光纤传感阵列及其神经网络处理

描述了一种适用于机敏材料及其结构中应力、应变等状态探测与损伤估计的新颖的光纤传感阵列，采用的是周期性不对称刻纹多光纤组成的传感阵列，探讨了其信号的神经网络处理方法，给出了ＢＰ网的仿真结果。     

线阵CCD图像传感器的数据采集及其电路设计

介绍了线阵CCD图象传感器TCD1251UD的数据采集系统的构成及设计方案,给出了CCD驱动脉冲产生电路的设计思想和实现过程,通过Quartus软件进行了仿真验证,同时还设计了CCD输出信号的调理电路、D/A转换电路,并利用单片机AT89C52实现了数据采集.