基于自适应形态学的跳频信号参数联合盲估计

跳频通信的应用大大提高了军事装备的抗干扰和抗截获能力，使得跳频对抗技术面临严峻的挑战。为解决传统形态学跳频信号参数估计方法中结构元素选择困难问题并提高估计精度，提出了一种基于自适应形态学的跳频信号参数联合盲估计方法。首先，对跳频信号进行短时傅里叶变换获取谱图。然后，从其时间轴投影中获取结构元素尺寸的知识, 设计自适应形态学滤波器抑制谱图噪声, 提取跳频图案初步估计跳频参数。最后, 引入最小二乘估计方法, 对跳频周期和跳变时刻进行精估计。仿真结果表明，此方法能够同时估计出跳频频率、跳频周期和跳变时刻, 不需要其中某一种参数作为先验条件, 在复杂的通信环境也能够保持良好的估计性能。     

三维AoA目标跟踪的二次约束卡尔曼滤波算法

在基于到达角(angle of arrival, AoA)的三维目标跟踪中, 伪线性卡尔曼滤波具有稳定性高和计算复杂度低的优点, 但是严重的偏差问题使其跟踪精度迅速下降。针对该问题, 提出一种二次约束卡尔曼滤波(quadratic constraint Kalman filter, QCKF)算法。首先引入涉及所有观测噪声项的增广矩阵, 然后建立与线性卡尔曼滤波等价的目标函数并且附加含有二次项的约束条件, 以此降低偏差影响, 实现更准确的状态更新。QCKF算法采用广义特征值分解求解约束优化问题, 无法直接通过状态更新表达式推导其协方差矩阵, 因此利用约束条件以及矩阵扰动方法完成协方差矩阵更新。仿真分析表明, QCKF算法相较于其他非线性滤波算法具有更优的跟踪性能, 不仅在低噪声条件下可达到后验克拉美罗下界, 而且当噪声严重时能够显著降低跟踪误差, 并且计算开销不高。     

改进型DSC的并网锁相环直流偏移消除方法

针对在SRF-PLL的控制内环中使用延迟信号消除(DSC)算子，放缓了动态行为问题，提出了一种用于电网同步的三相PLL中的快速直流偏移抑制方法.通过使用改进型DSC运算器(MDSC)方法，改进了传统的基于DSC的PLL的动态性能.该方法能够有效地克服系统带宽给直流偏移消除带来的影响，并使系统响应速度得到提升.另外基于MDSC的PLL在相位跳变和频率阶跃变化的调整时间也很小.所提方法的有效性通过仿真实验结果得到证实.     

大入射余角CFAR检测器

雷达在大入射余角高分辨率海杂波背景下检测时,等效后向散射面积增大,大部分海杂波能量投射到少数距离单元,能量分布不均,出现功率突然增大的杂波“异常单元”,导致检测器参考窗口所处的背景环境复杂多变,传统检测器检测概率降低,虚警率及误检率增加。为解决此问题,通过参考滑窗单元的协方差矩阵构造正定矩阵,求解其矩阵范数用以估计杂波功率水平,并采用支持向量机改进传统恒虚警率(constant false alarm rate,CFAR)检测器,得到基于正定矩阵杂波功率估计训练支持向量机的改进CFAR检测器。实验结果表明,新检测器在均匀杂波、多目标环境下检测性能稳定,在杂波边缘的虚警控制能力良好。     

基于深度学习的多STBC盲识别算法

针对空时分组码(space-time block code, STBC)识别中多种编码类型难区分的问题, 提出了一种基于卷积神经网络的STBC盲识别算法。该算法首先将接收信号采用自相关函数的频域预处理, 输入到卷积神经网络中对信号特征进行提取, 全连接层对特征进行映射, 实现对6种STBC类型的识别。仿真实验结果表明, 在无信道和噪声等先验信息的条件下, 所提算法能够有效区分3种相似度高的STBC3码, 且将STBC可识别的编码类型由目前的4种扩充到6种, 识别准确率能达到96%。该方法的复杂度较低, 不需要利用大量样本数据, 实时性高, 具有较好的工程应用价值。     

基于极化单脉冲雷达扩展目标角度估计方法

当单脉冲雷达受到箔条质心干扰时, 将视为波束内存在两个不可分辨的目标, 由于目标和箔条干扰回波混叠耦合, 导致单脉冲测角偏差, 最终致使目标跟踪丢失。对此, 利用宽带单脉冲雷达测角精度高的优点和极化信息, 提出一种基于极化单脉冲雷达的扩展目标角度估计方法。首先，分析宽带单脉冲雷达体制下箔条质心干扰的特点, 给出扩展目标双极化和差信号模型。然后, 根据和、差通道极化回波信号, 通过联立方程组, 估计出目标和箔条干扰的到达角(angle of arrival, AOA), 为后续利用目标角度信息跟踪目标提供条件。最后，通过蒙特卡罗仿真实验分析关键参数对目标角度估计性能的影响, 并与传统单脉冲雷达体制的测角方法进行比较。理论分析和仿真实验表明, 在质心干扰条件下, 宽带单脉冲雷达估计目标AOA的性能要优于传统单脉冲雷达。     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network, CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。     

基于频控阵的递推最小二乘波束形成算法

频控阵通过在阵元间加入远小于载频的频率增量,使波束的空间分布距离角度二维相关。基于频控阵基本结构,引入两种接收信号处理机制,并对其进行理论推导分析,仿真表明两种机制均能有效接收信号。针对指向误差存在,导向矢量失配导致主瓣发生偏移问题,采用递推最小二乘波束形成算法处理。仿真结果表明,存在指向误差时,该算法在两种机制中均能在目标位置形成主瓣,在干扰位置形成零陷,验证了算法在频控阵中应用的稳健性。     

基于数据场联合PRI变换与聚类的雷达信号分选

基于脉冲描述字进行雷达信号分选时,传统聚类算法需要预先人工设定聚类中心和聚类数目。针对该问题,提出一种基于数据场理论联合脉冲重复间隔(pulse repetition interval,PRI)变换与聚类的雷达信号分选新方法。首先,依据数据场理论,基于势值大小实现干扰点剔除,而后利用PRI变换算法进行PRI估计,依据PRI估计值将归一化脉冲描述字数据预分类,进而以各类数据集中心间的欧氏距离小于辐射因子为准则进行类别合并,自动得到初始聚类中心和聚类数目,最后通过改进K-Means算法完成聚类分选。仿真实验表明:所提方法能够应对存在频率捷变,重频参差、抖动、参数交叠、局部脉冲丢失的复杂信号环境,分选正确率明显提升。     

语言符号任意性原则视角下的辞格应用--以莫言《蛙》为例

修辞手法的使用是一种语用行为。将索绪尔任意性原则与《蛙》中辞格建立有效的联系，依据能指—所指理论对修辞进行剖析，可以进一步丰富该理论，有助于分析作者使用的修辞手法。所作的具体阐述表明，辞格的应用是建立在绝对任意性下的相对任意性的联系。