粒子滤波和多站TOA的外辐射源雷达跟踪方法

针对外辐射源雷达跟踪常采用扩展卡尔曼滤波（extended Kalman filter,EKF）算法导致其跟踪精度受闪烁噪声影响较大的问题,结合到达时间（time of arrival,TOA）定位技术和粒子滤波（particle filter,PF）算法,提出一种适于闪烁噪声环境的外辐射源雷达跟踪方法。该方法通过多站TOA获得测量信息,利用双基地角来减弱目标雷达散射截面积（radar cross section,RCS）闪烁,采用非线性和非高斯的PF进行跟踪,能减小因闪烁噪声而导致的跟踪误差,避免EKF算法因线性化而带来的误差,从而提高跟踪精度。实验表明,该方法的跟踪性能优于EKF,尤其受闪烁噪声影响小,能提高闪烁噪声环境下的跟踪精度。实测数据验证了该方法的有效性。     

基于神经网络方法的船舶姿态运动极短期预报与仿真

根据动态神经网络具有通过学习能以任意精度逼近非线性函数的特性，建立了用于船舶运动极短期预报对角回归网络（DRNN）模型及算法，并将该算法所取得的结果与自回归预报法和周期图预报法的结果相比较，说明了该算法的可行性。     

联合高斯回归的平方根UKF方法

针对传统的滤波方法容易受系统动态模型不确定性和噪声协方差不准确的限制这一问题,提出一种将高斯过程回归融入平方根不敏卡尔曼滤波（unscented Kalam filter,UKF）算法中的滤波算法。该算法用高斯过程对训练数据进行学习,得到动态系统的回归模型及系统噪声的协方差;采用标准的平方根UKF算法,状态方程和观测方程,相应的噪声协方差由高斯过程实时自适应调整。将应用于飞行器SINS/GPS组合导航,结果表明,该方法能够自适应系统噪声,收敛速度快,导航精度高。     

非线性非高斯模型的高斯和滤波算法

通过将模型的状态噪声和观测噪声均表示成高斯和的形式,推导出非线性非高斯状态空间模型的高斯和递推算法,进一步提出了对应的扩展卡尔曼和滤波器（extended Kalman sum filter, EKSF）和高斯厄密特和滤波器（Gauss-Hermite sum filter, GHSF）。EKSF和GHSF分别用扩展卡尔曼滤波器（extended Kalman filter, EKF）和高斯厄密特滤波器（Gauss-Hermite filter, GHF）作为高斯子滤波器。分析的结果表明,现有的高斯和滤波算法是本文算法的特例;仿真结果表明,EKSF和GHSF能有效处理非线性非高斯模型的状态滤波问题,与高斯和粒子滤波器（Gaussian sum particle filter, GSPF）相比,EKSF和GHSF在保证精度的同时,大大降低了计算量,仿真时间分别约为GSPF的5%和6%。     

机动目标跟踪的斯-厄米特粒子滤波算法

闪烁噪声环境下的机动目标跟踪实质上是一个非线性非高斯系统滤波问题,为了提高跟踪精度,应用高斯-厄米特滤波方法来产生粒子滤波器(PF)的重要密度函数,解决了PF算法的粒子退化问题,并给出了基于高斯-厄米特粒子滤波器(GHPF)的闪烁噪声机动目标跟踪算法。仿真结果表明,各种PF算法对闪烁噪声机动目标的跟踪精度远远好于卡尔曼滤波方法;同时GHPF不仅提高了估计精度,而且减少了粒子数目,降低了算法的复杂度,因此其综合性能要好于其他PF算法,具有较高的跟踪精度和较好的实时性。     

基于负熵最大化的压缩感知信道估计算法

讨论了在5G时代随着移动终端和网络流量的增长、大规模机器类型通信的产生以及天基卫星网络与地面蜂窝主干网络的结合, 使得移动无线通信的频谱使用范围更宽, 导致信道具有更为明显的稀疏性, 从而得以利用无线信道的稀疏性引入压缩感知技术来进行无线通信系统的信道估计。通过负熵最大化算法与l_p正则化改进现有的压缩感知信道估计算法, 将传统的最小化误差函数均方误差替代为最大化目标函数的负熵以适应信道非高斯噪声, 同时稀疏约束采用更为精确的l_p正则化以加强信道估计算法的稀疏表示。研究表明, 该算法不仅可以提高信道估计精度, 增强抗噪声鲁棒性; 另一方面可以利用更少的导频实现更高精度的信道估计, 具备提高系统频谱利用率的作用。     

基于高阶累积量符号相干累积自适应滤波算法

基于传统LMS（Least Mean Square）的自适应谱线增强（Adaptive Line Enhancement，ALE）算法的主要缺点是：抑制高斯噪声效果差，计算量大，收敛速度慢，为了尽可能的克服这些缺点，利用相干累积算法对输入数据中相干分量的相干累积作用和符号算法能减少计算量的性能，修正了传统的LMS算法，提出了基于高阶累积量符合相干累积迭代的自适应谱线增强新算法，该算法具有良好的抑制高斯有色噪声效果。计算量小，输出信号平稳等特点，能较好地克服基于LMS的ALE算法的缺点。仿真结果证实了该算法的有效性和可行性。因此，本文的研究具有良好的实用性和应用前景。     

双层稀疏组Lasso高分辨SAR结构特征增强成像

针对合成孔径雷达(synthetic aperture radar,SAR)成像中,基于l1正则化线性回归(简称为Lasso)的凸优化类算法在进行稀疏特征增强时会导致弱散射体结构特征丢失,进而影响稀疏信号恢复精度的问题,本文提出一种基于双层稀疏组Lasso罚高斯回归模型的交替方向多乘子算法.该算法以散射体的块结构(组)...     

基于改进ziggurat算法的高斯白噪声发生器

经典的ziggurat算法在楔形区域和截尾区域的判决计算包含非线性运算,存在计算量大、资源消耗多的缺点。针对该问题提出了一种改进的ziggurat算法。该算法利用分段线性近似原理拟合了判决模型,优化了楔形区域和截尾区域的判决算法,将判决过程改为线性运算。新算法的效率进一步提高,相对原算法,资源消耗减少了44%以上,且经过仿真验证,算法的性能没有明显的损失。基于新算法设计并实现了一个高斯白噪声发生器,仿真和实测结果表明,该高斯白噪声发生器资源利用率高,数据吞吐率大,生成的高斯白噪声正态特性良好,功率谱平稳。     

基于高斯过程回归的平方根UPF算法

针对系统动力学模型不准确可能导致滤波精度下降,以及系统状态协方差阵可能出现的负定性问题,提出一种新的高斯过程回归平方根分解无迹粒子滤波(Gaussian process regression square-root decomposition unscented particle filter,GPSR-UPF)算法。在该算法中,采用高斯过程回归求取UPF的重要性密度函数。当系统模型不准确时,通过高斯过程回归学习训练数据,进而获取系统的回归模型及系统噪声协方差,同时引入平方根变换抑制系统状态协方差阵的负定性。将提出的GPSR- UPF算法应用到捷联惯导/全球定位系统(strapdown inertial navigation system / global positioning system, SINS/GPS)组合导航系统中进行仿真验证。结果表明,所提出滤波算法的性能优于基本的无迹粒子滤波算法,能提高组合导航系统的解算精度。     

具有自适应非线性增益的开环PD型迭代学习控制

针对同时存在周期性干扰和随机测量噪声的一类非线性系统,提出一种基于误差幅值和误差变化率的开环PD型迭代学习非线性增益自适应算法,分别给出了比例和微分的增益调整规则,并对所提算法进行了严格的理论分析,同时推导出收敛条件。结果表明,与传统学习增益固定的开环PD型迭代学习律相比,当非线性系统同时存在周期性扰动和幅值较大测量噪声时,自适应非线性增益学习律能根据误差幅值和误差变化率在线调整比例和微分学习增益,抑制扰动和噪声,使得在学习收敛速度和收敛精度之间在某种程度上得以折中,在学习初始阶段高增益下保证了迭代学习的收敛速度,学习末了阶段小增益下具有较强的鲁棒性和收敛精度,得到的误差跟踪曲线更加平滑。     

Adaptive adjustment of iterative learning control gain matrix in harsh noise environment

For the robustness problem of open-loop P-type iterative learning control under the influence of measurement noise which is inevitable in actual systems, an adaptive adjustment algorithm of iterative learning nonlinear gain matrix based on error amplitude is proposed and two nonlinear gain functions are given. Then with the help of Bellman-Gronwall lemma, the robustness proof is derived. At last, an example is simulated and analyzed. The results show that when there exists measurement noise, the proposed learning law adjusts the learning gain matrix on line based on error amplitude, thus can make a compromise between learning convergence rate and convergence accuracy to some extent: the fast convergence rate is achieved with high gain in initial learning stage, the strong robustness and high convergence accuracy are achieved at the same time with small gain in the end learning stage, thus better learning results are obtained.     

基于聚类字典学习和稀疏表示的SAR图像抑斑方法

针对合成孔径雷达(synthetic aperture radar, SAR)图像相干斑抑制问题,提出一种基于聚类字典学习和稀疏表示的SAR图像抑斑方法。本方法以相干斑噪声的非对数加性模型为基础,通过改进相似度测度的K-means聚类和主成分分析方法进行字典学习,克服了相干斑噪声非高斯性带来的影响,形成具有结构性聚类的字典原子;在稀疏分解方面,通过引入方差稳定因子,建立了适用于抑制SAR相干斑噪声的稀疏表示模型,并通过交替迭代算法进行代价方程求解;同时算法还增加了点目标保护措施,避免了对图像点目标“过滤波”。通过卫星、无人机SAR图像的抑斑实验证明,相比经典的SAR图像抑斑方法,所提的方法在抑斑的视觉效果上和客观评价指标上都有较大的提升。     

Fuzzy neural network image filter based on GA

A new nonlinear image filter using fuzzy neural network based on genetic algorithm is proposed. The learning of network parameters is performed by genetic algorithm with the efficient binary encoding scheme. In the following, fuzzy reasoning embedded in the network aims at restoring noisy pixels without degrading the quality of fine details. It is shown by experiments that the filter is very effective in removing impulse noise and significantly outperforms conventional filters.     

面向软件定义航空集群机载网络的更新策略

软件定义网络（software-defined networking，SDN）的出现为突破机载网络在航空集群作战应用背景下存在的性能瓶颈提供了全新的思路。针对航空集群机载网络的更新问题，提出适用于软件定义架构下航空集群机载网络的更新策略——可靠性增强的两阶段提交更新策略（reliability-enhenced two-phase commit，RE-TPC）。首先设计最高可靠性算法以及多路径算法搜索下发指令消息的高可靠路径。然后引入基于ACK（acknowledge）消息的确认机制和ACK消息高效融合传输机制，进一步提升网络更新过程的可靠性和实时性。仿真结果表明，与已有经典网络更新策略相比，所提更新策略能够有效提高更新的可靠性，同时更新持续时间更低、开销更小。     

基于条件概率选择更新的SCMA系统译码方案

稀疏码分多址(sparse code multiple access, SCMA)是针对第5代移动通信系统提出的一种新型非正交多址方案,其接收端采用的消息传递算法(message passing algorithm, MPA)在迭代更新过程中存在冗余计算,因而复杂度过高。针对这一问题,首先利用蒙特卡罗法对接收信号的条件概率密度函数值进行统计分析,发现随着信噪比的变化,条件概率密度函数值呈现一定的统计规律。然后,根据统计结果,提出基于条件概率选择更新的MPA(conditional probability selection update MPA, CPSU-MPA)。该算法选取一定比重的条件概率密度函数值进行更新,同时对未参与更新的外部信息进行舍弃补偿。仿真结果表明,所提算法能有效地降低译码复杂度,且误码率性能牺牲较小。     

基于SCA的欠定跳频网台分选方法

针对组网跳频信号在欠定条件下网台分选效果不佳的问题,提出了一种基于稀疏成分分析(sparse component analysis, SCA)的欠定跳频网台分选方法。在估计混合矩阵时,首先利用观测信号的实部与虚部方向一致性检测时频单源点,在采用S变换构造时频比矩阵的基础上,利用方差法实现了混合矩阵估计;在源信号恢复时,利用改进的子空间投影法得到源信号的时频域分离,最后可通过S逆变换得到时域分离信号,从而实现了欠定条件下的跳频网台分选。仿真结果表明，该方法有效实现了混合跳频信号在欠定条件下的网台分选且适用于跳频同步或异步组网方式,提高了分选性能和抗噪性能。     

基于盲压缩感知模型的图像重构方法

为了解决压缩感知重建中噪声引起图像质量明显下降的问题,研究了自适应学习的压缩感知模型,提出了一种盲压缩感知图像重构方法。该方法采用盲压缩感知的稀疏矩阵与稀疏基交替更新的思想,应用了图像冗余变换和初始组合余弦变换基相结合的迭代策略,解决了压缩感知中的稀疏基难于表示的问题,抑制了噪声,提高了图像重构质量。通过实验验证所提方法较基于小波变换的正交匹配追踪方法和全变差方法有明显的噪声抑制功能,且能保持较好的图像纹理信息。     

基于改进的RBF模糊神经网络滤波的噪声消除

改进RBF模糊神经网络前件和后件的结构和学习算法，克服了RBF模糊神经网络模糊规则冗余的缺点。利用该系统对舍噪声的非线性信号逼近，达到消除噪声的目的。同时，应用该系统对地震信号进行滤波处理仿真，结果表明改进后的RBF模糊神经网络具有学习算法简单，计算量小，实时性好，而且能有效地抑制噪声。     

Simplified iterative algorithm for OFDM phase noise mitigation

OFDM has been widely adopted in several communication systems. However, OFDM systems are very sensitive to the phase noise, which causes the CPE (common phase error) and ICI (inter-carrier interference), and thus degrades the system performance significantly. Based on the IEEE 802.11a standard, a simplified iterative phase noise mitigation algorithm is proposed. The proposed algorithm has very low complexity, and requires no additional pilot information. The simulation result shows that good BER performance can be achieved through several few times of iteration.