一种极化和频率捷变主动雷达信号处理技术

为提高现代制导雷达的电子战性能,该文提出了一种频率和极化捷变的雷达系统,探讨了相应的信号处理技术。阐述了极化捷变单脉冲雷达系统的原理和结构,介绍了2种极化和频率捷变雷达发射信号波形,根据雷达目标的极化散射理论,建立了相应的全极化回波信号模型。在回波信号处理过程中,对回波信号进行正交解调和采样,经过目标和干扰信号的极化参数估值、极化匹配计算,实现了对目标的有效检测,最后利用可靠的目标信号数据进行单脉冲测角和跟踪。该文还探讨了极化捷变体制和频率捷变体制之间的兼容性问题。理论分析和仿真实验表明,当目标和干扰在极化域可分辨时,极化捷变技术可提高传统频率捷变雷达的抗干扰能力。     

nRF24xx频道避撞及频率捷变技术的实现

探讨nRF24xx系列射频芯片同ISM频段内其他一些主要无线设备之间的频率资源的相互冲突及兼容问题.提出一种基于nRF24xx系列射频收发芯片的频道捷变协议,可解决nRF24xx之间以及同其他无线设备之间存在的频率冲突问题.该协议可通过简单的软件编程实现对nRF24xx的自动频道跳变控制,使每个nRF24xx和蓝牙一样具有自动回避频道冲突的功能,具有更强的抵抗环境干扰能力.     

基于极化捷变编码技术的雷达抗欺骗干扰研究

为提高雷达系统对欺骗性干扰的抵抗能力,提出一种基于极化捷变编码技术和匹配思想的抗干扰方法。通过发射极化捷变信号,将回波的幅度和相位与目标的先验信息进行匹配,从而提高系统在干扰环境下对该目标的检测能力。MATLAB仿真表明:该方法可在低至0.4 dB的信干比下检出目标,具有较高的实用性和稳定性。     

频率捷变RCS加权结合NL-GMKF的目标跟踪技术

精密跟踪系统中角闪烁效应会严重影响目标跟踪性能.在对频率捷变RCS加权抑制角闪烁以及非线性高斯混合卡尔曼滤波（NL-GMKF）算法分析的基础上,提出了频率捷变RCS加权结合NL-GMKF的目标跟踪技术.仿真结果表明,该方法能够有效抑制角闪烁效应提高跟踪精度.     

一种用于PD体制频率捷变雷达的解模糊方法

基于目标的径向速度不随雷达工作频率的变化而改变这一特性,提出了一种适用于PD体制频率捷变雷达的滑窗查表搜索解模糊方法,仿真试验结果表明该方法能在存在较大视在距离和视在速度测量误差的条件下保证较高的解模糊正确率和较低的解模糊虚警率,且能适应波束内同时含有多个目标的情况,其运算量相对固定,具有较高的工程实用价值。     

数控非相参自适应频率捷变雷达抑制海杂波性能的分析

数字控制的自适应频率捷变雷达可灵活准确地控制每一个相继脉冲的频率差都大于临界频率，使所有的脉冲都是独立的，海杂波完全去相关．实验测得海杂波被抑制了５．８ｄＢ；对海杂波背景中的小目标作用距离增加３．８倍，都接近理论值．分析表明，自适应频率捷变雷达能很好地满足在海杂波背景中，对小目标侦察警戒的战术技术要求．     

基于码形捷变的相位编码信号旁瓣抑制

为了解决相位编码雷达信号旁瓣高的问题,提出在各个脉冲重复周期发射随机捷变的相位调制码形. 在对各脉冲的回波做匹配滤波后,按距离单元做离散傅里叶变换(DFT),将DFT的输出投影在雷达视线上;同时建立了码形随机捷变的使用准则. 理论分析和外场实验表明,码形捷变方法适用于各种二相编码和多相编码信号,具有良好的旁瓣抑制性能,可提高对小目标的检测能力,并且在回波存在严重遮挡时也能保持较好的旁瓣抑制效果.     

基于脉间码型捷变的相位编码旁瓣抑制方法

针对低重频动目标检测雷达,提出了一种基于脉间码型捷变的相位编码旁瓣抑制方法. 该方法将信号设计与信号处理相结合,在相参积累帧内的各个脉冲重复周期发射捷变的编码序列,利用不同编码序列脉压后主瓣位置相同而旁瓣位置不同的性质,经过相参积累达到抑制旁瓣的目的. 计算机仿真与测试结果表明,该方法可以有效地抑制相位编码的距离旁瓣,而且在存在回波遮挡的情况下仍然具有较好的旁瓣抑制性能.     

车联网中基于路边单元的普适路由仿真研究

针对车联网中路由协议在多变网络条件下存在的缺陷,提出一种基于路边单元的普适路由协议.该协议整合了基于地理位置的转发策略和存储转发策略,采取预估和更新目标期望区域的方法,充分利用道路中的路边单元,实现在不同网络环境下与距离较远的目标进行高速通信.仿真证明,本协议在不同车流量、不同车速以及不同通信距离的条件下,信息传输率、信息响应时间以及网络流量均有所提高,在车联网中较好地实现了车辆间的通信.     

基于变分稀疏贝叶斯学习的频谱检测方法

为了降低对宽带信号进行压缩频谱感知的复杂度,提出了一种基于变分稀疏贝叶斯学习的频谱检测方法.该算法直接利用压缩测量值对授权用户的位置、个数以及功率传播图进行了估计,在先验知识未知的情况下,利用变分稀疏贝叶斯求解稀疏权值.而且用简单函数因子逼近的方法降低了边缘似然函数的计算难度.实验结果表明:该方法在感知精度和速度上有显著提高.     

Ka波段捷变频频综设计

介绍一种Ka波段捷变频频综的设计方案。该频综主要基于DDS芯片AD9858,采用微波锁相、毫米波倍频和上变频等方法实现。在34.475GHz±650MHz频率范围内,捷变频带宽为500MHz,频率捷变速度为5μs,相位噪声优于-80dBc/Hz@1kHz,输出功率大于10mW,波动小于1.3dB。     

认知无线网络中频谱预测技术研究进展

随着无线网络业务的迅猛增长,稀缺的无线频谱资源成为制约无线通信技术发展的瓶颈。认知无线电技术通过对授权频谱进行二次利用的方法为缓解频谱资源匮乏与日益增长的无线业务需求之间的矛盾提供了一种十分有效的技术解决方案。频谱预测技术作为认知无线电的关键技术之一,其在降低系统能量消耗,提高系统灵敏度,降低频谱冲突及提高系统容量等方面发挥重要作用。为此,对认知无线网络中频谱预测技术的研究现状及最新进展进行较为全面和深入的研究,从频谱感知,频谱决策,频谱迁移及频谱共享等4个方面对频谱预测技术及其在认知无线网络中的应用进行了分析,并指出频谱预测技术未来的发展趋势及存在的挑战。     

基于改进SAMP的频率捷变和PRI抖动雷达群目标检测

针对群目标场景下目标个数未知和网格失配影响稀疏重构效果的问题,提出一种改进的稀疏度自适应匹配追踪（sparsity adaptive matching pursuit,SAMP）算法用于频率捷变和脉冲重复间隔（pulse repetition interval,PRI）抖动雷达的动目标检测.改进算法回溯阶段的原子选择策略,通过正则化挑选出能量相近的原子进行网格失配矫正,可以有效减小重构误差、抑制重构伪峰.根据重构信号的功率变化率自适应扩展支撑集长度（群目标个数估值）,减少算法在同一步长的搜索时间.仿真结果表明,相比于SAMP算法和传统的群目标检测算法,本文改进的算法在提升重构效果的同时也能减小距离和速度测量误差.     

车联网实现框架与关键技术研究

“车联网”是基于“物联网”衍生的一项面向智能交通领域的新兴技术,作为现代智能交通的重要组成部分,车联网技术的发展对于我国车辆流量的优化以及城市道路状况都有积极的优化与改善作用。论文首先分析了物联网和车联网之间的关系,其次,概述了车联网实现功能需求、架构体系以及车联网实现中涉及到的关键技术,最后对车联网的发展趋势进行展望。     

基于快速变分稀疏贝叶斯学习的频谱感知与定位

针对稀疏贝叶斯压缩感知算法存在复杂度高、收敛速度慢等缺陷,提出了一种快速变分稀疏贝叶斯学习的频谱检测与定位算法.该算法在原始问题求解过程中增加了辅助变量,消除了原问题模型中未知变量之间耦合度高的问题.并依据稀疏参数的收敛情况,自适应删除不收敛稀疏参数对应的基函数,从而进一步加快了算法的收敛速度.实验结果表明:该算法在收敛速度和频谱检测精度上有显著的改善.     

基于STBC方案的鲁棒性协作频谱感知技术

协作频谱感知技术可削弱认知无线电系统中衰落阴影等对检测信道的影响. 基于对空时分组编码(STBC)固定分组协作频谱感知技术的分析,提出了鲁棒性的动态分组方案以克服固定分组的局限性,最大限度地发挥STBC方案的优势,提升系统的检测性能. 该方案利用认知用户间的交互信道条件进行动态分组,以获得更小的虚警概率下界. 理论分析和仿真结果表明,本文所提出的方案在衰落信道环境下可显著提高系统的检测性能.      

基于SCI-E的车联网发展研究态势分析

本文采用文献计量以及科研统计方法,利用Web of Science数据库采集近十年(2005-2015)有关车联网的文献数据。并从国家、机构以及来源期刊等方面进行分析,认为美国是发文量以及引用量最多的国家,中国科学院是发文量以及引用量最多的机构。车辆网领域影响因子最高的期刊是《IEEE COMMUNICATIONS MAGAZINE》。     

认知无线电频谱决策与重构技术

认知无线电（CR）是一种智能的通信系统,通过有效利用空闲频谱从而极大提高频谱利用率。本文研究认知无线电中频谱决策与自适应重构技术,提出了基于用户业务特性、无线环境以及CR节点能力的自适应频谱决策方案。当前基于加权遗传算法实现的CR自适应重构方法存在权重难以选取问题,本文提出了基于非支配排序免疫遗传算法的CR自适应重构方法。所提算法通过引入免疫算法中的浓度控制机制和均匀初始化技术改善遗传算法种群多样性,从而有效提高遗传算法的寻优能力。     

基于频谱信号的频谱水印技术研究

将频谱水印技术用在用频设备频谱身份识别上,介绍了频谱水印技术的原理,提出了一种基于频谱信号的频谱水印技术,将频谱水印技术用在频谱管理上,可为复杂电磁环境中用频设备管理提供一种有效的解决途径。     

MEC架构下基于DDPG的车联网任务卸载和资源分配

为了缓解车联网中个体车辆计算资源配置过低而导致的任务处理时延较大的问题,提出了一种移动边缘计算(mobile edge computing, MEC)架构下的动态任务卸载策略和资源分配方案。以最小化全网任务处理时延为目标,将车联网中的任务卸载和资源分配问题建模为马尔可夫决策过程(Markov decision process, MDP),并利用深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法进行了问题求解。仿真结果表明,与执行者-评价者(actor-critic, AC)和深度Q网络(deep Q-network, DQN)这2种算法相比,DDPG算法以最快的算法收敛特性获得最小的全网任务处理时延。