一种基于神经网络的快速盲波束形成算法

定义了一种新的映射关系,有效地简化了应用径向基函数神经网络(RBFNN)实现波束形成时训练数据的产生.采用两个网络并行处理的方法提高了网络收敛速度,通过后续处理逼近维纳解.仿真实验表明,该算法的信号跟踪能力与最小方差无畸变响应(MVDR)算法的跟踪能力十分接近.但由于该算法结合了神经网络容错能力强的特点和并行计算的结构优势,比MVDR算法更有效地提高了运行速度,并且对系统误差具有更强的鲁棒性.     

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。     

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。     

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     

基于阵列接收数据重采样的频率不变波束形成器

提出一种具有不随频率变化的波束图的宽带基阵处理方法.该方法只需要使用一个真实阵列,然后通过插值方法产生多个虚拟阵列的输出,最后对这些虚拟阵列输出进行叠加得到整个基阵的输出.其优点是阵元数少、易于实现,且只需用传统的窄带阵列设计方法在参考频率下设计基阵来满足对波束图的要求.仿真结果说明了该方法的有效性.     

基于RBF神经网络的Web分类挖掘研究

根据Web文档分类与人工神经网络理论，设计了一个Web分类挖掘系统。针对BP网络分类器的不足，提出了用径向基函数神经网络对Web页面中的文本信息进行分类的方法。实验初步证明，用径向基函数进行分类比BP算法构造的神经网络更具准确性，有效地提高了分类的正确率。     

基于导数约束的互谱降秩自适应波束形成

在导数约束基础上,提出了一种对阵列导向矢量失配稳健的互谱降秩自适应波束形成算法.通过在期望方向上设置多个线性导数约束,对阵列接收数据进行利用互谱能量的降秩处理,然后进行自适应波束形成.该算法不仅能够在导向矢量失配情况下获得较好的性能,并且弥补了传统稳健自适应波束形成算法运算量大的缺点.仿真分析表明,所提出的算法具有较好的稳健性能.     

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。     

基于神经网络的自适应非线性盲源分离ICA算法研究

基于神经网络的非线性盲源分离ICA算法是盲源信号处理的重点.传统的神经网络非线性盲源分离ICA算法的学习速率是固定的,当设定的学习速率较小、误差较大时,迭代参数需要很长时间才能收敛,从而影响盲源分离的效果.根据误差调节的学习速率以及迭代停止标准中不同时刻的误差权重,提出一种基于神经网络的自适应非线性盲源分离ICA算法,该算法可以使得学习速率随着迭代过程中盲源分离的效果而发生变化.仿真结果表明,与传统的神经网络非线性盲源分离ICA算法相比,该算法可以达到理想的盲源分离效果.     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线性连续函数有较好的逼近效果，对BP(反向传播算法)神经网络和RBF(径向基函数)神经网络作了理论上的分析比较。并采用实际数据进行训练。说明了RBF神经网络在逼近精度和速度上都要优于BP神经网络。最后，以RBF神经网络作为函数逼近器对射频功率器件建立了大信号特征模型，并进行了模型检验，证明了基于RBF网络的建模方法具有较高的精度。     

4阶量算法在盲波束形成上的应用

对波束形成算法性能进行了比较,考虑盲波束形成算法具有不需要阵列流形、到来方向、训练序列以及干扰和噪声的自相关矩阵等先验知识的特点,设计了基于4阶累积量盲波束形成器·由于直接利用入射信号的高阶量统计信息,不仅可以有效地消除高斯噪声的影响,而且可以消除加性非高斯噪声的影响·仿真实验结果证明,与最小方差无畸变响应的波束形成器(MVDR)相比,作者所提出算法适用于多径传播环境,具有收敛速度快,对信噪比的变化有更好的鲁棒性等特点·     

基于时延估计波束形成预处理的实时语音盲信号分离研究

针对现有盲信号分离算法,在真实环境下性能会降低及计算量大而难以实时处理的局限性,提出一种将基于时延估计的波束形成与一种简单的去相关盲分离算法相结合的分离方法.在波束形成中,首先用互功率谱相位法对信号源到达传感器阵列的相对时延进行估计,然后进行延时对消,在此基础上再进行盲信号分离,并将该去相关盲分离算法推广到频域进一步降低计算复杂度.仿真实验表明,该方法简单可行并使得分离效果显著改善.     

基于最差情况性能优化的稳健盲波束形成算法

针对在实际通信应用中存在导向向量偏差的情况下,阵列输出的信干噪比SINR性能急剧下降的问题,提出了稳健受限LSCMA算法,并对其输出性能进行了理论分析.该算法利用后验概率密度函数估计信号导向向量,并增加权向量的二次型约束,降低了信号波达方向的不确定性,提高了对信号导向向量偏差的稳健性,使阵列输出的信干噪比SINR接近最...     

基于免疫算法的RBF神经网络盲均衡算法

本文采用免疫算法来优化RBF神经网络,得到一种更加优化、更加合理的混合算法,即免疫神经网络,并将此算法用于盲均衡器的优化设计,MATLAB仿真实验结果表明,经此算法优化后的盲均衡器,其均衡效果显著提高.     

一种基于Lagrange神经网络的盲多用户检测器

提出了一种基于Lagrange神经网络的盲多用户检测器，该检测器以最小平均输出能量为准则，把盲检测问题转化为优化问题，利用神经网络进行有效求解。理论分析和仿真结果表明，该检测器在性能上优于传统的检测器，且计算量少，收敛速度快，便于实时处理。     

基于神经网络盲均衡算法的发展

从算法的角度，着重讨论了利用前馈神经网络、递归神经网络及细胞神经网络实现盲均衡算法的发展情况。总结出神经网络在盲均衡技术发展中起到的积极作用。     

一种基于次元分析技术的鲁棒波束形成算法

针对实际应用中先验知识存在偏差的问题,基于权向量长度恒定的常规线性约束波束形成算法,提出一种权向量长度恒定的最差情况性能优化波束形成算法.分析了神经次元分析(MCA)学习规则与该波束形成优化问题在数学描述上的相似性,利用神经MCA学习规则实现鲁棒自适应波束形成.仿真结果表明,与基于线性约束的波束形成算法相比,该算法具有更强的信号跟踪能力和干扰抑制能力,并且对信号方向向量的偏差具有更强的鲁棒性.     

基于遗传算法过程信号的盲分离

盲分离神经网络算法存在着容易限入局部极小点、收敛速度慢的缺点。提出采用遗传算法优化盲分离神经网络权值的初值,将遗传算法与HJNN结合形成GA－HJNN算法,可迅速得到最佳盲分离神经网络的权值矩阵,实现对过程信号的去噪,通过实验对2种算法进行了比较。