基于神经网络智能天线的一种波达方向估计方法

该文提出利用径向基函数神经网络来估计无线通信中智能天线的信号到达方向．为了减少输入，利用信号相关阵的对称性质，仅考虑相关阵中的上三角或下三角的部分元素作为网络的输入量，计算量较小．计算机模拟结果表明，该方案是有效的．     

基于盲信号分离的波达方向估计

为了将盲信号分离应用于波达方向估计,在基于四阶累积量的定点迭代快速独立分量分析(Independent Component Analysis,ICA)算法进行盲信号分离的基础上,利用分离矩阵得出混合矩阵的估计,并对混合矩阵的列向量在真实阵列流型上进行投影,通过角度扫描估计出信号的方位角.仿真结果表明,该算法在信噪比较高的条件下,具有跟MUSIC(Multiple Signal Classification Method)算法相似的分辨性能,但是在信噪比较低的情况下表现出较高的分辨率.     

一种基于神经网络的宽带相干信号波达方向估计方法

相干信号子空间处理方法（ＣＳＭ）是一种通过构造聚焦（ｆｏｃｕｓｉｎｇ）矩阵来估计宽带相干源波达方向（ＤＯＡ）的有效方法．本文基于逆传播（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）学习算法，给出了一种用神经网络来实现聚焦过程的新颖方法．利用这种方法进行ＤＯＡ估计，可以无需预先知道源信号初始信息，不经预处理过程即可获得对ＤＯＡ的高性能估计     

基于水声矢量传感器阵的波达方向估计

推导了基于水声矢量传感器阵的Bartlett和Capon空间谱的解析表达式，并与标量传感器的空间谱相比较，分析了基于矢量传感器阵的两种DOA估计方法对阵列定向性能的改善，并给出了数字算例。     

阵列信号波达方向-频率的同时估计方法

入射信号的参数估计是阵列信号处理中的基本问题．基于阵列信号处理中高分辨率波达方向－频率的同时估计问题,提出了针对等距线阵的方法．利用时延数据,以时间变元作为旋转因子,在此基础上实现ＥＳＰＲＩＴ技术,对波达方向和频率同时进行估计．方向和频率之间的配对问题可以对应关系自动解决．这样不但可以完全避免多项式搜索,运算量少,而且分辨率也相当高．给出的计算机模拟实验证实了该方法的有效性．     

基于无网格压缩感知的波达方向估计方法

针对密集分布目标的波达方向(DOA)估计,是当前高精度定位技术的难点和热点.已有的基于压缩感知原理的DOA估计方法往往存在离散网格与连续域参数匹配难度高、离散网格之间相关性高、计算效率低等问题.针对DOA密集分布、低信噪比的非理想情况,分别采用稀疏参数法(SPA)和连续压缩传感(CCS)算法,设计了无网格的压缩感知密集DOA估计方法,分析了这两种算法的性能特点.通过对比仿真实验证明:该方法可以有效提高密集DOA的估计精度.     

阵列天线MC-CDMA系统用户波达方向估计

提出了一种阵列天线MC-CDMA系统用户波达方向估计算法.该算法首先利用MC-CDMA系统用户扩频码的正交性、子载波频域分集性,进行用户信号的分离、多址干扰的抑制和用户信号的增强,然后再通过传统波达方向估计的子空间算法实现用户信号波达方向的估计.仿真结果显示所提出算法在估计阵列天线MC-CDMA系统用户波达方向时,波达角估计误差很小,表明了算法的有效性.     

CDMA通信信号的波达方向估计

通信信号或雷达信号的波达方向估计常采用MUSIC算法,但是传统的MUSIC算法不能适用于相关信号处理.针对CDMA通信信号的DOA估计问题,采用一种空时二维平滑处理算法,在空间平滑技术的基础上,结合时间平滑处理.该算法在确保估计准确性的前提下能有效减小计算量,更适合实时处理.仿真结果验证了这种改进算法的有效性.     

基于子空间旋转的信号频率和波达方向同时估计方法

针对宽频段窄带信号,利用时间平移构造伪数据矩阵,同时,将伪数据矩阵信号子空间进行旋转,并通过对构造的信号空间矩阵进行特征分解,提取导向矢量矩阵和旋转因子中所包含的角度和频率信息,从而直接获得频率和波达方向（DOA）的同时估计,计算机仿真表明,该方法在中等信噪比下是有效的,且无需搜索过程和配对处理。     

累量域高分辨率二维波达方向估计算法

提出一种利用虚拟双线性平行阵进行累量域高分辩率二维波达方向估计的新算法。该算法将累量用于协方差的计算,构造了一个虚拟ＤＯＡ矩阵,并基于此矩阵进行波达方向估计。理论分析表明,对虚拟ＤＯＡ矩阵特征值分解,就可以得到源信号的二维ＤＯＡ估计。同时由于累量对高斯噪声的自然盲性,因而算法具有稳健性。该算法的另一特点是可以提供虚拟扩展孔径,提高了孔径的利用率。     

对参数不确定神经网络的鲁棒状态估计

讨论了参数不确定神经网络的状态估计问题.由于参数的不确定性,无法设计观测器使观测器的状态与原来的神经网络达到完全同步,只能将误差控制在一定范围之内.对于给定的观测器中的增益矩阵,给出了判据来估计观测器的状态与原神经网络的状态间最终的误差界;同时,通过使用线性矩阵不等式的技术,给出了观测器中增益矩阵的设计方法.此外,对误差界的估计进行讨论,说明了影响估计准确性的主要原因.最后用2个例子来说明这些判据的有效性.     

基于神经网络集成的IRT参数估计

针对统计方法难以解决小样本条件下项目反应理论（IRT）项目参数问题,提出了运用广义回归神经网络（GRNN）集成对小样本条件下项目参数进行估计的方法,运用计算机模拟的方法产生项目参数的真实值,根据双参数逻辑斯蒂模型得到被试的反应矩阵。运用经典测验理论方法得到项目难度和区分度的统计量,将其作为神经网络的输入,以模拟产生IRT的项目参数作为网络的输出,对GRNN进行训练。并且对30个神经网络加以集成,将它们在测试阶段得到输出值的平均值作为IRT参数的估计值。结果表明,神经网络集成可以得到比统计方法和单个神经网络更好的参数估计结果。     

开关电流神经网络

本文提出了采用开关电流（ＳＩ）电路技术的神经网络实现．开关电流神经网络（ＳＩＮＮ）仅需要标准的数字ＣＭＯＳ工艺，且电源电压要求低     

模糊集合论和神经网络在油井测试中的应用方法研究

提出了一种基于模糊集合论和人工神经网络处理油井测量问题的方法，首先利用模糊集合论中的模糊聚类方法，将所使用的各种传感器灵敏度特性曲线进行分档归类，然后利用人工神经网络对各档次的传感器进行非线性估计，并在此基础上形成了一套寒带的算法，对于油井测试中测量精度的提高具有一定的实用意义。     

Hopfield神经网络的电致发光兑现

介绍一种用电致发光（ＥＬ）屏兑现Ｈｏｐｆｉｅｌｄ神经网络的方法，并且描述和讨论它的结构，工作原理以及应用。     

基于神经网络的轴承故障诊断方法

研究了基于神经网络的轴承故障诊断方法,应用于球轴承、圆锥轴承和圆柱轴承在轴承疲劳试验机上实际运行产生的各种真实故障的诊断,结果表明:该方法具有较好的效果。     

MIMO Channel Estimation and Equalization Using Three-Layer Neural Networks with Feedback

This paper describes a channel estimation and equalization algorithm using three-layer artificial neural networks （ANNs） with feedback for multiple input multiple output wireless communication systems. An ANN structure with feedback was designed to use different learning algorithms in the different ANN layers. This actually forms a Turbo iteration process between the different algorithms which effectively improves the estimation performance of the channel equalizer. Simulation results show that this channel equalization algorithm has better computational efficiency and faster convergence than higher order statistics based algorithms.     

Applications of Neural Networks in Spinning Prediction

Th netal network spinning prediction model (BPana RBF Networks) trained by data from the mill canpredict yarn qualities and spinning performance. Theinput parameters of the model are as follows: yarncount, diameter, hauteur, bundle strength, spinningdraft, spinning speed, traveler number and twist.     

用人工神经网络预测单桩竖向极限承载力

提出了单桩竖向极限承载力预测的人工神经网络法。针对不同类型的单桩，结合工程实例，详细介绍了方法的建模。预测结果与实测值较为吻合，表明在桩基工程中利用这一方法进行单桩竖向极限承载力预测是有效的。