采用峰值平均功率比的低信噪比水下多目标检测方法

针对信息论准则多目标检测方法在低信噪比水下应用环境中不能正确检测目标源个数的问题,提出了基于峰值平均功率比(PAR)的多目标检测方法(PARTC).该方法首先使用相关矩阵特征向量对水下基阵接收数据加权计算阵列加权输出数据,然后计算加权输出数据的PAR并对PAR进行降序排列,由于纯噪声加权输出数据的PAR呈线性分布,并且其平均梯度与快拍数无关,存在信号时的加权输出数据的PAR梯度大于纯噪声加权输出数据的PAR梯度,因此可根据该信息判定信号源个数.八元阵的仿真结果表明,PARTC方法在在低信噪比、小快拍和小信号源夹角情况下的多目标正确检测概率大于信息论准则和最小描述长度多目标检测方法,并且运算量适中,水下应用前景广阔.     

基于非圆信号的MIMO阵列方位估计方法

给出了多输入多输出（multiple-input multiple-output, MIMO）阵列的阵列信号模型。针对信号为非圆信号的形式,提出了一种在MIMO阵列中基于非圆信号的共轭多重信号分类方法（multiple-input multiple-output conjugate multiple signal classification, MIMO CMUSIC）。这种方法充分利用非圆信号的特点,从阵列接收数据构造共轭对称的Toeplitz矩阵得到伪协方差矩阵,然后用常规MUSIC方法进行处理。仿真结果表明,与常规MUSIC方法相比,在只需要一次或者少次快拍下,此方法在MIMO阵列中能够分辨多个目标,性能远优于常规的MIMO MUSIC方法。     

基—2FF并行算法及实现

运用矩阵分解的方法研究基－2的FFT并行算法的结构，分解后的富里叶变换仅含有完全混合，对角和差三种算子，便于在计算机上并行实现。     

基于蚁群算法的最大似然方位估计快速算法

针对最大似然(maximum likelihood, ML)方位估计方法多维非线性搜索计算量大的问题,将连续空间蚁群算法与最大似然算法相结合,提出基于蚁群算法的最大似然 (ant colony optimization based maximum likelihood, ACOML) 估计新方法。该方法将传统蚁群算法中的信息量留存过程拓展为连续空间的信息量高斯核概率密度函数,得到最大似然方位估计的非线性全局最优解。仿真结果表明,ACOML方法保持了原最大似然方位估计方法算法的优良估计性能,而计算量只是最大似然方法的1/15。     

强干扰环境水下运动阵列方位估计的新方法

针对水下存在方位不确定的强干扰源时基于合成孔径技术的多目标方位估计方法失效的问题,提出一种基于稳健卡朋波束形成器(RCB)的波束域处理技术的扩展拖曳阵测量方法(RCB-ETAM).该方法先利用物理线列阵的直线运动特点和水中信号的相干性,通过对不同时段的数据进行相位补偿将物理阵的数据矩阵合成更长孔径的虚拟阵的数据矩阵,然后根据虚拟阵数据和干扰源方位,使用RCB自适应调整虚拟阵元权值在感兴趣的范围内形成若干个波束,每个波束在干扰源方位形成零陷从而减小干扰对波束输出结果的影响,最后将虚拟阵数据转换到波束域,使用常规波束形成方法得到目标方位.仿真结果表明,与ETAM方法相比,RCB-ETAM的抗强干扰能力有了很大提高,在ETAM完全失效的情况下,依然能够给出目标方位的准确估计.     

MIMO阵列旋转不变子空间目标方位估计仿真研究

针对多输入多输出(Multi-Input Multi-Output,MIMO)阵列多目标定位,提出一种基于子空间特征分解的MIMO阵列旋转不变子空间算法(MIMO array estimation of signal parameters via rotational invariance techniques,简称MIMO-ESPRIT).MIMO阵列各阵元发射彼此独立信号,因此阵列输出数据协方差矩阵不存在降秩以及信号子空间向噪声子空间扩散的现象,可直接应用子空间分解算法进行MIMO阵列目标方位估计.性能分析和仿真结果表明,随着发射阵元个数的增加和发射阵元间距的扩大,算法的多目标分辨能力和方位估计精度将得到明显改善.     

多项式函数运算的一些Fortran子程序

本文给出了一些Fortan子程序用于二维多项式函数的常见数学运算.这些子程序可以对多项式函数进行加、减、乘、微分和积分运算,当科研工作者对涉及到大量多项式函数运算的问题要求具有高精度解时,这些子程序有很大的实用价值.     

三次样条函数的计算机求解

本文介绍了三次样条函数的基本概念,并利用三次样条函数二阶导数的线性关系,推导构造了一类三次样条函数,并结合实例用C语言给出了计算机求解方程组的过程.     

宽带信号方位估计的改进RSS方法

为了降低宽带信号旋转信号子空间（rotational signal subspace, RSS）方位估计算法的运算量和分辨门限,针对中心对称阵列,将实值处理过程和信号子空间缩放MUSIC（SSMUSIC）方法引入宽带信号方位估计,提出了一种宽带信号方位估计新方法。该方法首先使用左实变换矩阵将双向平滑后的各个频率子带的数据协方差矩阵变换为实数矩阵,从而大大降低了运算量;然后使用RSS方法选取聚焦矩阵对各个频率子带的实协方差矩阵进行变换,得到同一参考频率点的数据协方差阵;最后利用基于子空间斜投影的SSMUSIC算法进行一维搜索来求得各个目标的方位角。仿真实验结果表明,该方法比常规宽带RSS方法运算量小,且具有更低的分辨门限和更小的均方误差。     

一种改进的MIMO阵列子空间方位估计方法

针对MUSIC(multiple signal classification)类方位估计方法在低信噪比下性能较差的问题,利用多输入多输出系统中已知的发射信号信息和阵列结构本身的特点来改进传统的MUSIC类子空间估计方法。在常规SSMUSIC(signal-subspace scaled MUSIC)方法的基础上,通过对接收信号做匹配滤波和对样本协方差阵做空间平滑来减小噪声子空间的方差,从而大大改善了该方法在低信噪比时的性能。仿真实验结果表明:在文中给定的实验条件下,相比常规SSMUSIC方法,所提方法具有更低的分辨门限和更小的均方根误差。