一种基于GSC框架波束域快速稳健自适应波束形成算法

GSC框架是自适应波束形成降秩算法的统一模型,一般通过构造降秩矩阵来降低算法的运算量,但是降秩矩阵大多通过特征分解来获得,给算法带来了大量额外的运算量。针对此问题,提出了一种波束域的快速稳健自适应波束形成算法,通过转换矩阵将输入信号从高维度的阵元域转换到低维度的波束域,然后在波束域运用子空间类算法,用信号子空间来构造阻塞矩阵、降秩矩阵和映射矩阵,既降低了计算量,又解决了基于GSC框架的自适应算法在信噪比较高时由于期望信号相消导致性能严重下降的问题。仿真结果证明了提出的算法有很好的波束形成性能,验证了算法的有效性。     

自适应波束形成技术在OFDM系统中的应用与仿真

为了提高OFDM系统的性能,人们引进了自适应波束形成技术来进一步抑制干扰信号(signals not of interest,SNOI),其中目前可见报道的是利用LMS(least mean square)波束形成技术的OFDM系统.但是LMS-OFDM系统需要使用训练序列,即占用更多频率资源,并且该系统在强干扰环境下工作性能下降,因此有必要研究新的且更适宜在复杂环境下工作的自适应波束形成-OFDM系统.文中将基于期望信号空间信息的MCMV(multiple constrains minimum variance)波束形成技术与OFDM系统相结合,得到一种MCMV-OFDM系统.该系统与原有的LMS-OFDM系统相比.不需要训练序列并在强干扰的环境下有着较好的性能.     

实数域多用户数字波束形成方法的分析与仿真

在实数域讨论了智能天线系统中的多用户数字波束形成方法,智能天线可以通过阵列天线技术在同一信道中利用多个波束同时给多个用户发送不同的信号,以提高通信容量,推导了多用户天线阵等效激励模型的实数形式,并从空间信道均衡的角度在实数解释了多用户波束形成原理,进一步提出了多用户数字波束形成方法,仿真结果表明,上述方法能够有效地解决智能天线系统中下行选择性发送的问题,并有硬件结果简单,兼容性好,利于软件无线电实现等优点。     

存在指向误差情况下的低旁瓣自适应波束形成

针对确定自适应阵列系统,在传统的线性约束最小方差(LCMV)波束形成算法基础上提出一种在期望信号方向估计有误差的情况下,能减小指向误差的低旁瓣自适应波束形成算法,该算法运用波束保形函数,集中主瓣波束,抑制旁瓣波束,提高了阵列输出的信干噪比(SINR),计算机仿真结果验证了算法的有效性和优越性。     

一种新的循环平稳盲自适应波束形成方法

循环平稳在阵列信号处理中的应用可以改善传统阵列信号处理方法仅仅利用空域先验信息对阵列误差敏感的缺点。但目前大部分的应用都是基于信号的循环频率已知的前提下进行处理 ,而在盲信号处理中 ,这一前提常常是不满足的。因此有必要研究在感兴趣信号的循环频率未知情况下的循环平稳盲信号处理问题。在现有的循环频率已知的循环平稳盲自适应波束形成方法的基础上提出一种新的盲信号处理方法 ,新方法不需要预先知道信号的循环频率。仿真结果证明了这种方法的有效性     

基于特征结构提取的盲自适应波束形成算法

在所有盲自适应波束形成算法中,ＳＣＯＲＥ无疑是一种出色的算法,然后,求解过程中所需进行的奇异值分解而导致的巨大运算量令人无法忍受。本文把它归结为一类特征结构的提取问题,提出了一个合适的代价函数,通过对代价函数取极小可以提取所需要的最大特征值,从而将运算量大大降低,计算机仿真验证了这种方法的正确性。     

一种基于Bayesian方法的鲁棒自适应波束形成算法

由于在实际环境中,期望信号的阵列响应与实际阵列响应之间存在偏差,使得现存的一些自适应波束形成算法的性能下降.针对上述问题,基于Bayesian方法提出了鲁棒自适应波束形成算法,并且给出其递推形式.该算法利用接收到的采样信号对实际信号方向向量进行估计,降低了信号到来方向的不确定性,对信号方向向量的偏差具有较强的鲁棒性,从而可以保证输出阵列的信干噪比接近最优值.采用递推方法来计算逆矩阵,大大地降低了计算的复杂度,能够满足实时处理的要求.仿真实验表明,与传统自适应波束形成算法相比,所提鲁棒自适应波束形成算法具有更好的性能.     

面向语音增强的聚焦自适应波束形成方法

针对语音信号相对带宽大、麦克风存在误差以及现有自适应波束形成方法宽带干扰抑制能力不足的问题,提出一种面向语音增强的聚焦自适应波束形成方法。首先将Capon空间谱处理为接收信号的概率密度函数,并对不同频带设计了基于阵列观测数据的聚焦矩阵,从而根据干扰功率自动调整频率聚焦程度;然后,计算聚焦后的样本协方差矩阵和各子带频段内的干扰加噪声协方差矩阵,并利用聚焦矩阵重构出宽带数据的干扰加噪声协方差矩阵;最终,通过重构出参考频率下的期望信号协方差矩阵,修正期望信号方向的导向矢量并得到自适应波束形成器的加权向量。数值仿真结果表明：所提方法能够有效地对期望信号进行接收的同时充分抑制宽带干扰;所提方法在强干扰处的聚焦误差仅为现有方法的约1%;在信噪比为15 dB且入射角误差为3°的情况下,所提方法的输出信噪比较现有方法提高约12 dB。     

自适应宽带稳健波束形成及神经网络算法

针对被动跟踪系统中阵处理的要求，建立了适应宽带稳健波束形成设计方法，用神经网络算法实现了自适应宽带波束形成，从理论上解决了自适应阵观察方向上的稳健设计问题，抛弃了自适应阵的时延补偿器，将正则网络应用于自适应宽带波束形成，解决了阵处理中求二次约束解的非线性规划问题，并能在毫微秒时间内收敛，不仅保持了二次约束自适应波束形成的干扰抵消能力，而且克服了软约束带来的阵指向性两端上的现象，所建立的阵处理器能抵消干扰达40dB以上，工作带宽达到2个倍频程。     

自适应频域波束形成技术的小话筒阵列应用

研究了有鲁棒性频域波束形成技术在小话筒阵列上的应用．在有鲁棒性通用边带抵消器(GSC)的频域实现中，为了降低目标信号抵消，采用了自适应模式控制器，根据频域相关的信噪比估计值来控制自适应滤波．一个4阵元小尺度阵列的实验表明，在不损失目标语音质量的情况下，对于垂直入射与非垂直入射的目标语音，均可以获得15dB以上的噪声消除效果．     

鲁棒RLS波束形成算法

分析了多径传播环境下,信号方向向量的偏差和采样样本数目的变化对自适应波束形成算法性能的影响,提出了一种鲁棒RLS波束形成算法·该算法具有收敛速度快,抗扰动性强,误差小的特点·采用鲁棒RLS波束形成算法不但降低了波束形成器对于信号方向向量的偏差的敏感程度,而且可以保证阵列输出的信干噪比(SINR)接近最优值,仿真实验验证了所提算法的有效性·实验结果表明即使在强扰动或偏差存在的情况下,采用鲁棒RLS算法可使系统具有良好的SINR,而且可以改善加权向量的归一化偏差·     

基于域适应神经网络的调制方式分类方法

针对深度学习进行调制方式识别领域测试样本与训练样本存在分布差异的问题,提出了基于域适应神经网络的调制识别方法。首先采用VGG16深度卷积神经网络提取信号小波变换后系数图像特征;然后利用自编码器对高维特征进行降维处理;再计算训练样本特征与测试样本特征之间的CORAL损失;最后联合优化分类损失和CORAL损失使模型达到最优。通过仿真实验证明,在信号类别存在差异或信道环境存在差异的条件下,引入域适应技术可提高待测信号识别准确率5%以上。     

基于球面调和函数的人脸识别

根据在任意光照下朗伯凸表面的图像可以由一个低维线性子空间近似这一原理,提出了一种新的人脸识别方法．首先使用共形变换原理把训练样本图像投影到球面和圆柱面的一个区域上,然后对球面和圆柱面上的图像用多项式插值方法进行扫描和插值,得到离散函数图像表达式．接着利用球面调和函数估计球面上图像的9个低频谐波系数,对待定的阶数求范数后得到三维的向量．最后依据最近邻决策规则进行识别．实验表明与PCA方法、Fisherface方法以及SVD方法相比,该方法的识别率和对光照、姿态的鲁棒性均有明显的提高．     

基于小波包变换的自适应波束形成

在小波变换算法的基础上，结合智能天线所处理的信号空域频率较高的特点提出了基于小波包变换的线性约束最小方差波束形成算法。该算法利用了小波包分解对高频分析更细致的特性。仿真结果表明，该算法的极点处增益和零陷都优于小波变换算法。     

一种新的自适应波束形成优化算法

结合信号处理技术引入了哈密顿优化算法,将哈密顿算法(HA)作为解决电控寄生天线(ESPAR)的自适应波束形成技术非线性问题的工具.将描述粒子运动的哈密顿方程用来解决优化问题,势能作为波束形成的代价函数,动能由动量代替,研究结果表明,该算法为寻求代价函数的全局最小值提供了一个更大的可能性.仿真结果也说明了采用哈密顿算法的ESPAR天线能够灵活地驾驭其主波束和零陷.     

智能天线中的波束形成算法

首先介绍了智能天线的发展和研究现状，智能天线能够自适应地跟踪用户信号，抑制干扰，增加通信容量，提高频谱复用率，在第三代移动通信系统中占有重要地位.作为智能天线的核心技术之一，波束形成算法引起了众多学者的广泛关注。着重讨论了智能天线中波束形成的各种算法，根据算法对信号处理方式的不同，把它分为三大类,并对其中比较典型的算法进行了讨论。最后，对波束形成算法中的一类比较重要的盲波束形成算法进行了分类介绍。     

基于特征对比的领域泛化算法自适应选择方法

在自动驾驶、医疗等领域,模型的泛化性是衡量其安全性的重要指标。领域泛化算法选择方法可以指导使用者快速准确地选出适合的模型训练算法。针对目前尚缺乏有效的算法选择方法的问题,提出一种基于对比学习的领域泛化算法的特征对比(feature contrast, FeCo)选择方法。依据正例和负例选择策略选择特征,采用点积的方式计算特征相似度,最后通过噪声对比估计(info noise contrastive estimation, InfoNC)计算得分。使用该得分评估了同一类特征的聚合程度和不同类特征的分离程度,在3个数据集共200个领域泛化模型上进行验证。实验结果表明,在所有的方法中FeCo是唯一结果稳定的方法,FeCo的结果和模型真实泛化误差的相关性最高可达0.89,且运行时间缩短超过60倍。     

永磁球形步进电动机及自适应控制方式

针对永磁球形步进电动机,运用卡尔丹角旋转建立了转子固连坐标系下电动机转子动力学模型.结合对步进式结构球形电动机进行电流控制的思想,设计了基于输入-输出稳定性理论的控制方案.然后,对电动机负载影响转子各轴向转动惯量的情况设计了一种新的自适应控制方案,使得转子在负载状况下仍然可以作连续轨迹(CP)运动.最后,结合已得的转矩模型,利用广义逆计算16个定子线圈的通电电流,完成了控制方案的实现.     

结构可靠度计算的自适应辅助域方法

提出了一种Metropolis算法与支持向量机(SVM)方法相结合的自适应辅助域方法.利用Metropolis算法生成目标失效域内的条件样本点,并以该过程中的备选点作为初始训练点训练SVM模型.根据训练得到的SVM模型再自适应地选择一部分样本点加入训练点集,并对SVM模型进行更新,直至满足迭代终止条件.以最终得到的SVM模型作为辅助失效域,计算近似失效概率和两个条件失效概率.对近似失效概率进行修正,使最终得到的目标失效概率渐进无偏且更加稳定.算例表明该算法具有较好的计算精度、效率和鲁棒性.