基于小波和神经网络的二相码旁瓣抑制的研究

研究了脉冲压缩中二相编码信号的距离旁瓣抑制问题。在Kwan.H.K等所提的多层感知器方法(MLP)的基础上,提出了一种基于小波变换的神经网络方法(WTNN)。对13位巴克码的实验结果表明,在二相编码信号的旁瓣抑制问题中,WTNN方法在峰值信噪比和抗噪性能方面明显优于MLP方法。WTNN方法也很容易推广到其它伪随机序列的旁瓣抑制问题中。     

低旁瓣多相编码脉冲压缩“波形─—滤波器对”及其抗噪性能

本文在研究Ｐ＿３码和Ｐ＿４码序列对称特性的基础上，提出了两种实现低距离旁瓣的多相编码脉冲压缩“波形—滤波器对”，其中的滤波器参考码序列长度等于发射码序列长度，而且发射波形的包络是恒定的。在多普勒频移ｆ＿ｄ＝０的条件下，这两种“波形—滤波器对”的互相关函数的主旁瓣比接近或等于码序列的长度。另外，互模糊函数的研究结果表明，两种“滤形—滤波器对”具有比较理想的多普勒特性，在ｆ＿ｄ＝０～０．０５Ｂ的范围内，脉压结果的旁瓣几乎不增高，主瓣幅度起伏分别为２．１０ｄＢ和１．４４ｄＢ，平均ＳＮＲ损失为１．６２ｄＢ和２．２４ｄＢ。     

一种脉冲压缩信号旁瓣抑制方法

给出了一种在脉冲压缩技术中实现低的压缩脉冲距离旁瓣的方法,由希望的压缩脉冲波形来设计加权滤波器。导出了可实现低的压缩脉冲距离旁瓣的条件。实验用声表面波(SAW)器件实现时,对线性调频信号,其压缩脉冲最大主旁瓣比为50dB。而用数字方法实现时,压缩脉冲最大旁瓣电平还受A/D及D/A变换器位数的限制。     

谱修正数字旁瓣抑制滤波器设计

讨论了脉压信号的频谱特性 ,对多种波形采用改进的谱修正技术进行旁瓣抑制处理 ,在信号时带积较小采样率较低的情况下 ,模拟分析及实验结果均证明此方法效果明显 ,使主副比改善约 3dB～ 6dB。     

一类具有低距离旁瓣的多相码“波形对”

本文在文献［１］研究Ｐ码波形自相关函数旁瓣结构的基础上，从Ｐ码波形导出了一类能实现低距离旁瓣的多相码“波形对”。在零多普勒频移的条件下，该类“波形对”能以少量信噪比损失为代价使脉压输出波形的主旁瓣比与码序列长度相等，也就是说，从主旁瓣比的角度讲，该类“波形对”可以等效为相应长度的多相巴克码波形。另外，我们还研究了该类“波形对”的多普勒特性，数字仿真结果表明，由Ｐ３或Ｐ４码导出的“波形对”脉压结果的主旁瓣比对多普勒不敏感，在ｆｄ＝０～０．０５Ｂ范围内，最大Ｓ／Ｎ损失为３ｄＢ，最小Ｓ／Ｎ损失为０．８７ｄＢ，呈现周期性。     

特征结构提取的高阶Hopfield神经网络实现

本文首先建立了特征结构提取问题的罚函数表示，通过对罚函数求极小可以求得原始协方差矩阵的主特征向量及其对应的特征值。为了求得其他特征结构，特构造了一个协方差矩阵序列。如果将罚函数展开并进行整理，高阶Ｈｏｐｆｉｅｌｄ神经网络可被引入到特征结构提取中。这种方法比较直观，它将网络稳定时的输出与所求协方差矩阵的主特征向量的各个分量相对应，而网络稳定时的能量则对应于协方差矩阵的迹与所求特征值之差，计算机仿真结果验证了这种方法的正确性。     

一种用神经网络来进行图像恢复的方法

本文首先简要地介绍了Ｙ．－Ｔ．Ｚｈｏｕ提出的图像恢复神经网络方法，并分析了这种方法存在的缺陷，在此基础上提出了一种用于图像恢复的改进神经网络方法，在计算机上利用实际拍摄的人头图像对本文提出的改进方法进行仿真实验，结果表明本文提出的这种方法是切实可行的。     

神经网络与专家系统

本文通过对专家系统与神经网络各自特点的考察，探讨了将两者结合起来并保留各自优点的可行途径，进一步指出了有待解决的问题。同时通过对电力系统中ＮＮ应用状况的回顾，展望了这一技术在电力系统中的应用前景。     

一类复合调制信号的脉冲压缩及旁瓣抑制

线性调频信号和二相编码信号在脉冲压缩雷达系统中使用较为广泛。分别对其进行分析后推导出一类线性调频 二相编码复合调制信号的时域表达式,使其兼有这两种信号的特点。对其进行仿真的结果表明,该复合调制信号容易产生并处理,其匹配滤波结果对多普勒频移也不敏感,但由于该信号的特殊性,常规的窗函数无法对其进行旁瓣抑制。采用了网络综合法抑制其旁瓣,效果十分理想。     

大规模神经网络的混合结构和立体表示系统—HYBNOTATION

在文献［２４］中，我们提出了一个通用自适应神经网络框架ＧＡＦ，它具有许多优越性。但是，在利用神经网络模型构造具有特定功能的神经网络时，采用什么样的组织结构是很重要的。它决定着系统的代价和性能比。本文首先讨论了神经网络的自顶向下、自底向上和交互式三种基本结构及其局限性。然后提出了大规模神经网络的一个混合立体表示系统。接着通过两个实例，神经系统的反射弧和躯体感觉系统的定义，来说明上述混合立体表示系统对于神经网络微观及宏观结构描述的优越性以及如何用它来定义大规模神经网络的混合立体结构。     

LFM-Barker信号脉压处理中基于NN的旁瓣抑制

为了提高线性调频 巴克码(LFM Barker)信号在强噪声背景下脉压输出的主副瓣比,根据该信号经过LFM匹配滤波器输出仍然保留编码信号的相位信息这一特点,提出了"LFM匹配滤波+相位提取+神经网络"的脉压处理方法。仿真实验表明,在一定的信噪比和多普勒频移范围内,该方法能够取得大于50dB的输出主副瓣比。     

实时自适应波束形成器的神经网络方法

作者在Ｈｏｐｆｉｅｌｄ神经网的基础上构造了一种实时处理的自适应波束形成网络。由于实际应用中神经元的联结矩阵有时是奇异的，文章引入正则化方法，有效地提高了网络解的稳定性和处理速度。为了降低编程复杂性，避免计算求协方差矩阵，作者还改进了一种网络，该网络用模拟电路实现不需要任何计算，并且便于用常规的模拟电路实时处理。仿真实验结果表明，这种网比传统的自适应方法有较好的收敛和跟踪性能。     

混合神经网络矢量量化的设计与实现

本文设计了一种混合神经网络矢量量化编码方法,利用Kohonen网络的自组织聚类功能设计矢量量化器码书,实现矢量量化,用三层BP网络完成码字的信道符号编码.该神经网络矢量量化编码器能够并行处理输入矢量,速度快,效率高,适用于语音和图像数据压缩.     

天线阵与馈电网络不匹配对低副瓣天线性能的影响

本文利用网络理论分析了天线阵与馈电网络的相互作用,给出了分析计算公式,并以32元共轴振子线阵为例,计算了方向图变化的情形。由分析公式和计算结果可以看出,为了获得低副瓣方向图,必须严格控制功分器网络的精度及使天线阵与馈线有良好匹配。     

一种图像分割的人工神经网络新方法

本文着重研究应用人工神经网络（ＡＮＮ）理论来进行图像分割的问题，提出了一种图像分割的ＡＮＮ新模型，详细地研究了该模型的动力学特性，并给出了该动力学特性的计算机实现算法。利用实拍图像对此ＡＮＮ模型进行了一些有意义的仿真实验，并与常用的矩保持门限分割方法作比较，结果表明：本文提出的图像分割ＡＮＮ模型是切实可行的，且能较好地完成低信噪比（ＳＮＲ）条件下图像的分割任务，其分割结果优于矩保持门限分割方法。     

用于图像目标识别的神经网络方法

本文提出了一种全局最优的神经网络（ＦｕｌｌＤｏｍａｉｎＯｐｔｉｍｕｍＮｅｕｒａｌＮｅｔｗｏｒｋ）模型用于目标识别。通常所设计的神经网络不能保证全局最优，使得网络不一定收敛到期望样本点上。本文的模型采用了先设计稳定点、再构造吸引域的方法，提高了网络的识别正确率及速度。针对图像识别中矢量维数大的实际，提出了一种不变性方法，使得样本维数下降而分类距离保持不变。同时又证明了网络的收敛性、收敛速度及映射保距等。计算机模拟结果表明，网络对噪声或缺损图均能正确识别。