基于改进K-均值聚类的欠定混合矩阵盲估计

在源信号个数未知条件下,提出一种基于改进K-均值聚类的欠定混合矩阵盲估计方法。该方法首先计算观测信号在单位半超球面上投影点的密度参数,然后去掉低密度投影点,并从高密度投影点中选取初始聚类中心,最后对剩余投影点进行聚类,根据Davies-Bouldin指标估计源信号个数,并估计出混合矩阵。仿真结果表明,该方法的复杂度低,其运行时间仅为拉普拉斯势函数法的1%~3%;该方法的源信号个数估计正确率远高于鲁棒竞争聚类算法,当信噪比高于13 dB时,该方法源信号个数估计正确率大于96.6%,且混合矩阵估计误差较小。该方法在信噪比较高时,可降低对源信号稀疏度的要求。     

基于A-DBSCAN的欠定盲源分离算法

为提升欠定盲源分离问题中混合矩阵的估计精度,在噪声环境下基于密度的空间聚类(density-based spatial clustering of applications with noise, DBSCAN)算法的基础上,提出一种自适应确定输入参数的DBSCAN算法(adaptive DBSCAN, A-DBSCAN)用于混合矩阵估计。针对DBSCAN算法邻域半径(Eps)及邻域点数(MinPts)依赖人为设定的问题,首先利用曲线拟合方法得出Eps,然后通过分析聚类输出类别数与噪声点数关系确定MinPts,并将其与混合矩阵估计模型相结合,最后通过最短路径算法实现源信号恢复。实验结果表明,提出的算法在估计混合矩阵和恢复源信号时,相关性能与对比算法相较均有明显提升。     

基于A-DBSCAN的欠定盲源分离算法

为提升欠定盲源分离问题中混合矩阵的估计精度,在噪声环境下基于密度的空间聚类(density-based spatial clustering of applications with noise, DBSCAN)算法的基础上,提出一种自适应确定输入参数的DBSCAN算法(adaptive DBSCAN, A-DBSCAN)用于混合矩阵估计。针对DBSCAN算法邻域半径(Eps)及邻域点数(MinPts)依赖人为设定的问题,首先利用曲线拟合方法得出Eps,然后通过分析聚类输出类别数与噪声点数关系确定MinPts,并将其与混合矩阵估计模型相结合,最后通过最短路径算法实现源信号恢复。实验结果表明,提出的算法在估计混合矩阵和恢复源信号时,相关性能与对比算法相较均有明显提升。     

基于M-FIPM的无网格DOA估计算法

针对目前快速内点法(fast interior point method,FIPM)无法处理多快拍情况下半正定规划(semi-definite programming,SDP)问题的缺陷,提出一种基于多快拍FIPM (multiple snapshots FIPM,M-FIPM)的无网格波达方向(direction o...     

基于SCA的欠定跳频网台分选方法

针对组网跳频信号在欠定条件下网台分选效果不佳的问题,提出了一种基于稀疏成分分析(sparse component analysis, SCA)的欠定跳频网台分选方法。在估计混合矩阵时,首先利用观测信号的实部与虚部方向一致性检测时频单源点,在采用S变换构造时频比矩阵的基础上,利用方差法实现了混合矩阵估计;在源信号恢复时,利用改进的子空间投影法得到源信号的时频域分离,最后可通过S逆变换得到时域分离信号,从而实现了欠定条件下的跳频网台分选。仿真结果表明，该方法有效实现了混合跳频信号在欠定条件下的网台分选且适用于跳频同步或异步组网方式,提高了分选性能和抗噪性能。     

盲信号压缩重构——模型与方法

通过分析欠定盲信号分离模型和压缩感知模型本质内涵和内在联系,建立了基于压缩感知的欠定盲信号重构问题的数学模型,该模型对于欠定盲信号分离的实现提供了一个新的解决途径。基于该模型的压缩重构方法通过两步来实现：分别利用源信号稀疏域性质实现对盲估计欠定混合矩阵的估计;利用压缩感知的重构稀疏源信号的方法,实现对欠定稀疏盲信号的分离和重构。提出的算法根据实际应用场合,具有一定扩展能力。最后通过模拟实验验证了提出模型和相应算法的有效性。     

基于高度残缺信息的分布式语言信任网络群决策方法

针对缺失的分布式语言信任社会矩阵以及高度残缺的评价信息, 提出一种新的分布式语言信任网络群决策方法。首先, 提出了一种分布式语言信任传递模型以填充分布式语言信任社会矩阵中的缺失值。其次, 定义了基于分布式语言信任社会矩阵的个体信任中心度和群体信任中心度, 并在此基础上提出了确定评价网络中专家权重的方法。再者, 鉴于决策矩阵中评价信息存在高度残缺的情形, 利用K-近邻算法评估残缺的评价信息, 并基于分布式语言信任函数的距离测度提出一种改进的逼近理想解排序(technique for order preference by similarity to an ideal solution, TOPSIS)法。最后, 通过外卖服务平台性价比的综合评估验证该群决策方法的可行性和有效性。     

采用信号子空间稀疏表示的DOA估计方法

利用目标辐射源空间分布的稀疏性,提出了一种基于稀疏表示的多快拍联合波达方向(direction of arrival, DOA)估计方法。该方法首先利用采样数据矩阵大奇异值对应的左奇异向量估计信号子空间,然后采用加权迭代最小方差方法对信号空间进行稀疏表示。与传统的角度高分辨估计方法不同,该方法没有利用样本的统计信息,因而对具有任意相关性的信号源能进行有效的波达方向估计,不需要进行去相关处理,且具有很高的分辨力及估计精度。实验表明在该方法能准确的对目标源方位进行估计,且极大地降低了稀疏表示的计算量。     

加性噪声背景下基于ICA的线性系统辨识算法

在加性噪声背景下,将线性系统辨识问题纳入到独立分量分析(ICA)瞬时混合模型中,提出了一种新的结合ICA技术的线性系统辨识算法.该算法无需对噪声信号的统计特性进行任何先验假定,根据ICA模型中瞬时混合矩阵的先验知识,准确估计出系统输出的加性噪声,从观测数据减去该噪声后,利用最小二乘理论实现算法对未知系统的参数估计.仿真实验表明,该算法不仅有效地消除了一般算法对于噪声特性的限制,而且在低信噪比下仍能取得较为理想的辨识结果.     

渐变型DBR的数值模拟以及SPS型DBR的设计

利用特征矩阵法分析推导了分布布拉格反射镜（Distributed Bragg Reflector,DBR）的反射专公式，在此基础上对渐变折射率型DBR进行了数值模拟，并与实验结果进行了比较，提出了腔膜由于受到有源区折射率变化的影响而偏移的结论，并用数值模拟加以验证。最后利用这种方法设计了一种带有短周期超晶格（Short Period Supedattices，SPSs）结构的新型DBR，并对新型DBR进行数值模拟，同时把它与渐变折射率型DBR进行了比较。     

基于Schur-Hadamard积波束形成的相干分布式信源参数估计

对于由本地散射导致的分布式信源参数估计,根据分布式信源空同角度信号密度的共轭对称特性,将相干分布式信源的方向向量化简为点信源方向向量与实矩阵的schut-Hadamard积,提出了一种基于Schur-Hadamard积波束形成的相干分布式信源中心波达方向和角度扩散参数估计算法.由于在约束条件中考虑了角度扩散,算法具有一定的鲁棒性,适用于角度扩散较大的场舍.仿真实验表明,与MUSIC类算法DSPE相比,基于Schur-Hadamard积的波束形成参数估计算法具有更好的信噪比性能和参数估计精度,更适用于复杂的通信环境.     

基于阵列接收模型的宽带盲源分离算法

针对传统盲分离算法对宽带信号不适用的问题,提出了一种基于阵列接收模型的宽带盲源分离算法。该算法以子带分解的方法实现了瞬时复值盲分离方法在宽带情形下的扩展。针对扩展过程中可能出现的子带间次序模糊及子带内幅度模糊的问题,利用阵列接收情况下分离矩阵与混合矩阵的特点,提出了一种基于波达方向(direction of arrival, DOA)估计的次序调整及幅度去模糊方法。仿真结果表明,该算法不仅能有效地分离宽带信号,而且可准确地恢复出信号幅度。     

基于非圆信号的MIMO阵列方位估计方法

给出了多输入多输出（multiple-input multiple-output, MIMO）阵列的阵列信号模型。针对信号为非圆信号的形式,提出了一种在MIMO阵列中基于非圆信号的共轭多重信号分类方法（multiple-input multiple-output conjugate multiple signal classification, MIMO CMUSIC）。这种方法充分利用非圆信号的特点,从阵列接收数据构造共轭对称的Toeplitz矩阵得到伪协方差矩阵,然后用常规MUSIC方法进行处理。仿真结果表明,与常规MUSIC方法相比,在只需要一次或者少次快拍下,此方法在MIMO阵列中能够分辨多个目标,性能远优于常规的MIMO MUSIC方法。     

自适应空域矩阵滤波器设计和目标方位估计

针对在强干扰背景中检测弱目标信号时被动声信号处理技术的性能会严重降低的问题,提出了一种自适应空域矩阵滤波器的设计方法。该方法是在保证滤波器通带响应与期望响应误差和阻带响应低于某设定值的条件下,最小化滤波后基阵的输出功率,使得滤波器能尽量保证让通带扇面的信号无失真通过,同时抑制阻带扇面的干扰和噪声。将滤波器的优化设计问题表达成二阶锥规划的形式,利用已有的内点方求出其数值解。最后将设计的自适应空域矩阵滤波器用于强干扰背景中弱目标信号的方位估计。计算机仿真结果说明,所提方法能在干扰方位形成零陷,有效地抑制阻带区域的强干扰,提高了后续方位估计方法的性能。     

基于混合聚类和网格密度的欠定盲矩阵估计

欠定盲矩阵估计是欠定盲源分离的关键技术,其估计结果直接影响源信号的分离精度。针对目前欠定盲矩阵估计算法稳定性差、估计精度不高的缺点,提出了一种基于混合聚类和网格密度的新算法。该算法利用基于人工蜂群算法和K-均值的混合聚类方法对信号数据进行聚类,提高聚类结果的稳定性;利用网格密度法修正每一类的聚类中心,提高混合矩阵的估计精度。实验结果表明,所提算法在稳定性和估计精度方面都比传统欠定盲矩阵估计算法有了明显改善。     

稀疏混合数据的矢量聚类分析与应用

对稀疏混合数据进行分析,发现该类数据具有方向性聚集分布的特点。首先证明了可以采用方向性聚类方法对稀疏混合数据进行处理分离出原数据。即用方向性聚类算法对稀疏混合数据进行聚类分析可以估计出混和矩阵。然后证明采用方向性聚类算法分离出来的数据和原数据之间具有确定的尺度和次序变化关系。最后针对多通道混合数据的盲分离提出了基于中心矢量聚类的稀疏混合数据分离算法SMDDCVC(sparse mixing data decomposition based on center vector clustering),并将该算法用于稀疏混合图像的盲分离。实验结果表明基于SMDDCVC算法的稀疏混合数据盲分离算法是有效的。     

存在基站误差的稳健时差定位算法

针对存在基站误差的目标无源定位问题,提出了一种基于修正牛顿算法的时差定位技术。众所周知,牛顿法对初值要求较高,较差初值会导致迭代发散,而且基站位置误差也会导致牛顿算法Hessian矩阵维数扩大和目标函数的缓慢下降,使运算量变大。该算法利用最大似然方法确定目标函数,运用牛顿法对目标位置进行迭代求解,对于计算过程中可能出现的病态Hessian矩阵,引入正则化理论修正病态的Hessian矩阵,使保证迭代收敛,同时简化算法降低Hessian矩阵的维数并且加速目标函数的下降趋势,使目标位置解脱离局部最小值,算法能够稳健高效的运行。实验结果表明:相对于传统牛顿法,此算法在初始值的选取上具有稳健性,对误差选取较大的初始值,仍能够保证算法的收敛性,同时加速了收敛速度,降低了计算量;相对于现有闭合式定位方法,此算法在噪声较大时具有较好的定位精度。     

地形遮挡对GNSS干扰范围影响的高效仿真算法

在卫星导航对抗效能的仿真中,真实地理环境的地形遮挡对全球导航卫星系统(global navigtion satellite system, GNSS)干扰源干扰范围影响的仿真计算是个重要问题。通常情况下,地形遮挡对GNSS干扰范围影响的计算通过基于视线可视域分析的算法得到,但该方法存在大量冗余计算。为了减少计算量,提出一种基于参考面可视域分析的GNSS干扰范围高效仿真计算方法,利用干扰源与目标点附近可视高程值对应的辅助格网点建立参考面,通过目标点实际高程值与参考面映射高程值判断目标点的受干扰情况,避免了目标点与干扰源视线方向上多个采样点的插值计算。仿真分析表明,当待分析区域半径约为145 290 m时,该算法与传统基于视线可视域分析的GNSS干扰范围仿真计算方法相比, Matlab耗时大幅减少了97.38%,但结果差异并不明显,仅为0.94%。因此,所提方法可以高效、准确地计算出地形影响下GNSS干扰范围,为干扰源优化部署、战场环境仿真分析等提供理论指导。     

因果图迭代推理算法研究

针对因果图精确推理是NP(nondeterministic polynomial)难的问题,提出了一种迭代推理方法。首先,从图论的角度分析了因果图推理中概率计算的机理,并提出了矩阵解环的方法。在此基础上提出了一种迭代推理算法,该算法只需要进行简单的矩阵运算,大大简化了传统因果图推理复杂的计算过程,可以在多项式时间复杂度内实现推理。其次,分析了算法存在的问题并提出了改进的方向。最后,运用实例分析验证了该算法实现因果图推理的效果。研究表明,该算法能够有效地进行因果图推理,推理效率高,推理结果正确,为因果图提供了一种高效的近似推理方法,对因果图的应用具有重要意义。     

基于矩阵重构的非相干分布源参数估计方法

针对现有非相干分布源参数估计算法计算量大等问题,提出了一种新的DOA和角度扩展估计算法.该算法利用空间频率近似模型下的非相干分布源协方差矩阵的结构特点.协方差矩阵可分为相位信息矩阵和幅度信息矩阵.对相位信息矩阵进行重构,对重构后的协方差矩阵利用MUSIC等传统方法即可实现DOA的估计;对幅度信息矩阵的各主次对角线上的元素均进行平滑得到幅度信息平滑向量,估计得到的DOA代入幅度信息中即可得到角度扩展的估计,从而实现非相干分布源DOA和角度扩展分离估计.计算机仿真验证了算法的性能.