扫描体制雷达高分辨参数估计算法统一框架及性能分析

在对扫描体制雷达高分辨参数估计算法研究的基础上,提出了适于各种扫描体制雷达高分辨参数估计算法的统一框架,从而把多重信号分类(MUSIC)、多维多重信号分类(MDMUSIC)、最大似然(ML)和加权子空间(WSF)等典型算法有机统一起来,构建了扫描体制雷达高分辨参数估计算法的统一理论基础,推导了该类算法的克拉美—罗界(CRB)。通过仿真实验比较了各种算法的性能,结果表明各算法对角度和多普勒频率估计的精度较高,具有较强的角度和多普勒频率的超分辨特性,这一特性是传统波束扫描雷达参数测量算法所不能企及的。     

基于四阶累积量相关信号的DOA估计

目的 针对相干信号,在高斯色噪声的背景下,有效地进行信号的DOA估计.方法 应用四阶累积量和修正MUSIC算法.结果 二阶矩算法性能严重失效,累计量算法DOA估计性能好.结论 利用四阶累积量和修正MUSIC算法相结合,在高斯色噪声的背景下具有良好的统计性能,是实现相干信号高分辨方位估计的有效方法.     

基于T-S模糊模型的RBF网络的自适应学习算法

针对多维模糊推理中的推理规则庞大和参数难辨识的问题,提出一种基于T-S模糊模型的RBF神经网络的自适应学习算法．该算法不仅能动态调节T-S型模糊RBF网络的隐节点数,还能使网络的数据中心值自适应变化,有较好的自学习能力和优化能力．仿真结果验证了该算法是有效和可行的,表明此T-S型模糊RBF网络不仅可以快速逼近任意多变量非线性函数,而且具有良好的自适应能力．     

基于CIFNS的预警机指控系统目标威胁估计

针对预警机指挥控制系统中的威胁估计问题,提出了一种基于补偿直觉模糊神经网络(CIFNS)的威胁估计方法.把目标的动态信息和静态信息相结合,将一般模糊推理推广到直觉模糊推理,建立了基于CIFNS的目标威胁估计网络结构和威胁判断模型,给出了相应的网络学习算法,对算法应用于预警机指控系统威胁估计的情况进行了仿真.结果表明,基于CIFNS的估计算法具有较快的收敛速度和良好的自适应性.     

稀疏微波成像信号处理方法研究

主要围绕该研究关键科学问题"稀疏微波成像非模糊重建"展开研究,结合稀疏微波成像体制,研究多维度稀疏信号特征信息挖掘方法,提出稀疏微波成像距离多普勒二维解耦成像重建算子,建立稀疏微波成像重构算法,实现微波成像大数据量的快速求解。主要研究内容包括:基于稀疏优化的空时频域先验信息挖掘方法、稀疏微波成像非模糊重建理论和方法、非理想运动平台稀疏微波成像处理和稀疏微波成像快速算法研究。主要工作进展包括:(1)基于目标在空间的稀疏表征,揭示观测对象在空间维度的先验信息调制机理,实现短孔径下的方位高分辨成像。(2)进行了稀疏步进频率雷达成像体制设计和高分辨成像算法研究,有效降低步进频率雷达的回波数据量和外界干扰的概率。(3)基于稀疏孔径数据,揭示观测对象在方位时间维度的先验信息调制机理,展开了方位孔径稀疏采样的雷达体制设计和高分辨成像算法研究。(4)提出了一种基于稀疏表征的自聚焦算法,研究了存在运动误差下的稀疏微波成像非模糊重建算法,完善了可嵌入运动补偿的稀疏微波成像处理框架。(5)展开了宽幅海洋多舰船目标高分辨成像的体制设计和算法研究,提出了一种单天线体制下的Fast-Scan SAR海洋多舰船成像算法,并完善了稀疏微波成像非模糊重建理论框架和方法体系。(6)展开了稀疏采样体制下的运动目标检测和成像算法研究。通过方位稀疏采样方式优化设计,基于运动目标先验信息挖掘技术研究,利用稀疏信号处理算法实现运动目标的高分辨非模糊重建。     

一种分布式阵列无模糊波达方向估计方法

为解决分布式阵列应用常规算法估计波达方向(DOA)时出现的角度模糊问题,提出一种基于压缩感知(CS)理论的无模糊DOA估计方法.利用新方法对分布式阵列的接收信号分别通过直接采样和随机矩阵两种压缩采样方式进行二次采样,将接收信号转换为CS理论所需的随机观测数据,并利用CS重构算法将目标DOA信息从观测数据中高概率、无模糊地获取.将新方法与多重信号分类法(MUSIC)和旋转不变子空间算法(ESPRIT)等经典常规DOA估计算法的运算量进行了详细对比,指出新方法的运算量更小.通过与现有分布式DOA估计方法的仿真实验对比,验证了新方法的有效性,并分析分布式阵列接收阵元数的改变对新方法 DOA估计精度的影响.     

无须阵列校准的一种来波方向估计算法

针对高频地波雷达回波信号的特点,提出了一种基于4阶累积量的阵列无源校正的方法.利用海面上检测到的点目标的一维远场窄带信息构建虚拟DOA(direction of arrival)矩阵,利用冗余信息在低信噪比、短数据情况下进行高分辨阵列测向.该算法利用方程组求解,而不需搜索最优解,极大减少了计算量,便于实时跟踪.同时在处理阵列测向问题时,具有抗噪能力强、阵列孔径扩展和对DOA估计的选择性等功能.实验结果证明:在低信噪比和短数据的情况下,该方法具有可行性和工程应用性.     

基于非圆信号的互质阵列欠定DOA估计方法

针对欠定波达方向（direction of arrival,DOA）估计问题,研究了一种基于非圆信号的互质阵列DOA估计方法.对互质阵列输出互协方差矩阵和椭圆协方差矩阵进行向量化处理,通过数据重新链接并去冗余得到一个虚拟均匀线阵输出数据,实现阵列的充分扩展且扩展后的虚拟阵元进一步得到增加;结合入射信号的空域稀疏性,在连续角度域将DOA估计问题转化为一个连续稀疏重构问题,有效避免了传统稀疏重构算法中由于角度域离散化所导致的基不匹配问题对估计性能的影响;通过求解相应的凸优化问题以及多项式求根实现DOA的估计.理论分析和仿真结果表明,该方法具有阵列扩展能力强、估计精度和分辨性能高等优良性能.      

一种RBF神经网络高精度算法研究及应用

剖析了RBF神经网络基本算法的原理以及激励函数参量与隐层单元数量按经验选取所带来的问题.基于RBF神经网络结构,以网络的权阈值为设计变量,网络误差为目标函数,通过合理的动态变量排序,构建了一种RBF神经网络的新的高精度算法,并编制计算程序.与RBF网络基本算法相比,这种算法是以权阈值为未知变量的真实优化过程,实现了RBF神经网络的高精度计算.从方程论理论出发,给出了网络隐层结构的合理确定方法.通过实例的程序分析,表明了该优化算法具有较高的样本拟合与插值精度,为进一步理论研究与工程应用提供基础.     

高频地波雷达提取海面散射特性的高分辨算法

基于波束定向理论,提出了提取高频地波雷达遥海海面散射特性的一种高分辨细分算法,与ＭＵＳＩＣ算法相比,该算法数据处理的结果不仅含有海流的信息,还含有海浪的信息,中给出了计算机模拟结果,并针对雷达的工作体制,说明了具体工程的实施方法。     

基于高斯函数与分级学习的D-FNN算法研究

D-FNN基本思想是构造一个基于扩展的RBF神经网络,它可以看成是一个TSK模糊系统,也可以看做是基于归一化的高斯RBF神经网络。该文提出的算法,学习前,模糊神经网络不需要预先确定,在学习的过程中,参数估计与结构辨识同时进行,并根据系统精度要求及模糊规则的重要性,自动地产生或者删除一条模糊规则。在学习速度、系统结构和泛化能力方面进行了仿真实验,仿真结果表明D-FNN具有更简洁的结构和优良的性能。     

基于局部保持投影和RBF神经网络的DOA估计

提出了一种有效的降维构建方法改善来波到达角（DOA）估计的性能。该方法利用局部保持投影（LPP）对DOA估计用的神经网络的训练样本进行降维,以降低神经网络的复杂度,加快神经网络的训练过程。与常用的协方差矩阵上三角特征相比,在不损失有效方位信息的基础上,可以使特征维数极大地降低。数值实验表明,基于局部保持投影和神经网络的方法具有良好的估计精度和效率,同时对噪声也有较强的适应能力,能够很好地满足波达方向估计实时性的要求。     

TR MIMO雷达低空目标DOA估计算法

为解决雷达对低空目标角度估计精度不高的问题,提出一种基于时间反转(TR)多输入多输出(MIMO)雷达的低空目标波达方向估计算法。该算法先利用TR技术的聚焦性能,获得回波信号矩阵;然后根据MIMO雷达波形的分集特性,推导出TR MIMO雷达的虚拟阵列形式;再通过行列复用,采用双向空间平滑(FBSS)算法解相干,有效地提高了低空目标的DOA估计精度。实验仿真结果表明:在信噪比为-10dB的条件下,该算法比传统MIMO雷达DOA估计算法的均方根误差平均减少了0.3°。     

基于神经网络参数优化的迭代学习控制算法

针对迭代学习控制用于轨迹跟踪时存在收敛速度慢的问题,提出用RBF网络优化迭代控制器参数的算法.在每一次迭代学习过程之后利用RBF网络对当次输出的数据进行优化计算,拟合出最优的学习增益,使迭代学习算法具有较快的收敛速度,在单关节机器人中进行仿真验证了方法的有效性.     

自适应DNA免疫算法在化工软测量中的应用

将T-S模糊模型与RBF神经网络相结合,构成T-S模糊RBF神经网络,提出了一种自适应DNA免疫算法优化设计T-S模糊RBF神经网络的规则后件参数的方法。该方法采用基于抗体浓度和克隆选择的更新策略调节机制,能有效地保持抗体的多样性,避免早熟收敛。将该方法应用于延迟焦化汽油干点的软测量建模,仿真结果表明了DNA免疫遗传算法在T-S模糊神经网络系统优化设计中的有效性,并可获得较高精度的模型。     

一种自组织模糊神经元网络控制学习方法及其应用

提出一种自组织模糊神经元网络控制学习方法,该方法由自组织模糊神经元网络（ＳＯＮＦ）和基于径向函数网络（ＲＢＦ）组成,具有自适应和自学习的特点。     

基于遗传算法的模糊RBF神经网络设计及应用

提出了一种基于遗传算法的模糊RBF神经网络学习算法.采用遗传算法对模糊RBF神经网络需要调整的参数进行优化,再将遗传算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,并结合梯度下降法对网络的各参数进行动态调整.在对非线性函数逼近的仿真中,仿真结果验证了优化后的模糊RBF神经网络具有更高的精度及强鲁棒性.     

基于RBF网络的旋转机械故障诊断方法

针对BP网络在故障诊断中存在的训练收敛速度慢且容易陷入局部极小、网络初值对学习性能影响比较大等缺陷,提出了一种基于RBF网络的故障诊断方法,介绍了RBF网络的结构和自适应正交最小方差算法（SROSL法）,并应用于旋转机械的故障诊断中,应用结果表明,RBF网络训练速度快、分类性能良好,在设备故障诊断领域具有很好的实用性。     

采用神经网络和遗传算法组合的自学习模糊控制器

本文提出一种新型的、采用神经网络和遗传算法组合自学习构造模糊控制器的方法。该方法将神经网络的实时增强学习能力融合于遗传算法的全局搜索中,提高了系统的收敛速度、实时学习能力和控制性能,而不需要提供系统动力学知识和先验控制经验。作者以倒立摆系统和家用空调器作为控制对象,通过仿真计算检验了该方法的有效性。     

基于虚拟阵元冗余平均的对称嵌套MIMO雷达DOA估计

针对传统算法进行DOA估计时因删除重复虚拟阵元而造成有效信息损失、估计性能不佳等问题,提出基于虚拟阵元冗余平均的对称嵌套MIMO雷达DOA估计算法。首先,将一组密布均匀线阵和一组稀疏均匀线阵分别以零点为中心对称排列,构成单基地MIMO雷达的发射阵列和接收阵列,将传统的虚拟阵元由“差联合”结构变成对称“和联合”结构形式,提高了系统的自由度、降低了阵元互耦,并将其应用于非相干目标和全相干目标DOA估计;其次,向量化样本协方差矩阵,将“和差联合”阵列重复的虚拟阵元进行冗余平均处理后重构Toeplitz矩阵;最后,结合MUSIC算法进行非相干目标DOA估计,有效提升了目标估计个数和角度估计性能。仿真实验验证了阵列结构和算法的有效性。