鲁棒自适应波束形成算法比较与实验研究

传统的自适应波束形成算法对基阵的轻微误差非常敏感,为提高自适应波束形成技术对阵列误差的鲁棒性,在分析线性约束最小方差波束形成的基础上,研究并比较了对角加载算法和支持向量机算法对自适应波束形成器鲁棒性能的改善,和对对角加载算法和支持向量机算法进行了鲁棒性能分析与比较。水池实验结果表明,传统的对角加载算法能够提高波束形成器对信号导向向量失配与样本协方差矩阵误差的鲁棒性。而基于支持向量机算法的波束形成器在波达方向失配的较高信噪比或存在大量干扰信号时表现出更好的鲁棒性,为提高波束形成器的鲁棒性提供了一种新的有效途径。     

适用于码分多址的近似最小方差法波束形成器

提出了一种适用于码分多址的波束形成方法,并从理论上证明了该方法在干扰数趋于无穷大时,可获得最小方差意义下的最优解。仿真实验表明,在用户数大于阵元数时,该方法近似于最小方差法波束形成器,并且不需计算阵列响应协方差矩阵及其矩阵。该方法具有运算量小,无相干源问题等优点,特别适用于多址干扰的消除。     

最小方差的延时乘累加医学超声波束形成算法

针对超声信号高度相关性的特点,提出了一种最小方差的延时乘累加波束形成(MVDMAS)算法.首先,该算法利用最小方差波束形成的思想,计算接收回波信号的权值,用来降低回波信号的旁瓣;然后,对加权处理后的回波信号进行组合乘累加运算,降低回波信号之间的相关性;最后,理论推导和实验仿真验证了算法的有效性.仿真实验结果表明,MVDMAS算法的成像对比度和分辨率均有一定提升,可有效地降低主瓣宽度、旁瓣高度和抑制斑点噪声.与延时叠加、最小方差和延时组合乘累加波束形成算法相比,综合评价指标CR和CNR分别提高了100.24%,33.91%,17.41%和30.61%,17.55%,11.36%.     

频控阵波束特性及波形控制研究

梳理了相关研究文献,对频控阵的原理及特性进行了仿真分析,重点针对频控阵波束控制的研究现状进行分析总结。分析了频控阵雷达的发射接收信号处理的3种机制,针对其中2种机制应用线性约束最小方差(LCMV)准则进行自适应波束形成仿真分析。最后,提出一种基于可变加载约束的线性约束最小方差准则算法,基于频控阵雷达第1种处理机制,采用窄带滤波器在第m通道中只滤出载频为fm的信号的原理。为减少运算量,对权矢量范数设定一个上界约束,采用最速下降法得到权矢量和导向矢量。仿真结果表明:算法在5°误差存在情况下,可以在目标位置形成大增益,干扰位置形成零陷,时间较第1种处理机制下的自适应算法减少了27.3%。     

改进的最小方差无畸变响应波束形成方法

提出一种改进的最小方差无畸变响应(MVDR)波束形成方法,通过调节波束形成的权向量设计中的增强因子来改善其方位分辨力,并且不以牺牲信号与干扰+噪声比增益为代价.仿真结果表明,所提出的方法可以有效改善MVDR波束形成的方位分辨力,且不损失MVDR波束形成的信号与干扰+噪声比增益.     

存在指向误差情况下的低旁瓣自适应波束形成

针对确定自适应阵列系统,在传统的线性约束最小方差(LCMV)波束形成算法基础上提出一种在期望信号方向估计有误差的情况下,能减小指向误差的低旁瓣自适应波束形成算法,该算法运用波束保形函数,集中主瓣波束,抑制旁瓣波束,提高了阵列输出的信干噪比(SINR),计算机仿真结果验证了算法的有效性和优越性。     

基于MVDR聚焦波束形成的辐射噪声源近场定位方法

为全面刻画噪声源的空间分布,需同时对辐射噪声中的宽带及窄带线谱信号进行聚焦波束形成.研究可应用于水下辐射噪声源定位的基于最小方差信号无畸变响应(MV-DR)的聚焦波束形成方法,将MVDR方位估计方法与聚焦波束形成相融合,较常规聚焦波束形成具有更高的分辨率和更低的旁瓣级,并能减小"混叠"效应的影响.仿真和实验均证明了该方法的正确性和有效性.     

基于标准支持向量回归的阵列波束优化研究

针对支持向量机在解决小样本、非线性和高维模式处理问题上的优势,将支持向量回归与波束优化理论进行对比,修正支持向量回归价值损失函数,分析支持向量回归波束优化的基本方法及其应用条件,建立标准支持向量回归波束优化模型,研究了基于标准支持向量回归波束形成器的优化模型及具体实现过程,并进行了数值仿真实验.仿真实验结果表明,在不同的阵型、不同的价值损失函数、不同的数据样本和不同的信噪比下,基于标准支持向量回归的波束形成器在指向性和旁瓣级等性能指标上均取得了较好的效果,为波束形成器的优化设计提供了一种有效且可行的方法.     

医疗超声成像自适应波束形成算法

针对传统医疗超声最小方差自适应波束形成算法的稳健性差、图像对比度提高有限、算法复杂度高等缺点,在基于QR分解的最小方差(QRMV)波束形成的基础上,引入了符号相干系数,提出了一种基于QR分解的最小方差与符号相干系数融合的自适应波束形成算法.仿真结果表明:该算法分辨率、对比度都优于传统的延时叠加、最小方差及基于QR分解的最小方差算法,表现出和最小方差与符号相干系数融合(SFMV)算法非常接近的性能,但运算复杂度却远低于它.     

基于最小二乘支持向量机的阵列波束优化研究

针对标准支持向量机计算复杂度高、内存开销大、训练速度慢的缺点,为改善标准支持向量机的训练效率,快速优化阵列波束,提出了基于最小二乘支持向量机(least squares support vector machine,LSSVM)的阵列波束优化方法。LSSVM采用二次损失函数取代标准支持向量机中的不敏感损失函数,将不等式约束变为等式约束,从而将二次规划问题转化为一个线性矩阵求解问题,具有良好的快速性;与传统的标准支持向量机波束形成相比,所需计算资源更少,训练速度更快,计算效率更高,泛化能力更强。仿真实验结果表明:在保持波束形成的性能指标基本不变的情况下,LSSVM降低了计算复杂度,减少了内存开销,提高了运算速度和收敛精度,为波束形成器的优化设计提供了一种新的有效方法。     

Estimate of error bounds in the improved support vector regression

An estimate of a generalization error bound of the improved support vector regression(SVR)is provided based on our previous work.The boundedness of the error of the improved SVR is proved when the algorithm is applied to the function approximation.     

基于SVR的非线性时间序列预测方法应用综述

基于支持向量回归(Support Vector Regression,简称SVR)的非线性时间序列预测是智能预测的重要前沿课题,在许多领域有着非常广泛的应用前景。文章介绍了SVR基本理论和方法,从金融、电力、交通、旅游等领域的典型应用对基于SVR的非线性时间序列预测进行了综述,分析了目前SVR在核函数、自由参数选择和输入数据处理方面存在的问题及其在应用领域进一步研究的方向。     

基于支持向量回归机的结构非概率可靠性分析

将支持向量机回归技术引入隐式极限状态结构的非概率可靠性分析,基于未确知信息的分段均布描述模型,设计了训练样本抽取策略．为了统一样本尺度,根据分段均布模型与标准化区间均布模型的双射关系,将基本变量区域中的样本数据转化成标准区间变量域中的样本数据,保证了支持向量机训练的稳定性．给出了SVR预测模型算法,并实现了在标准化区间变量域中直接抽取训练、测试及预测样本,使得样本抽取和蒙特卡罗模拟计算更便于实现．通过算例对方法的精度和可行性进行了验证,结果表明：该方法可解决隐式极限状态结构的非概率可靠性分析问题,且应用简便．     

粗集与支持向量机联合建模及在开采沉陷预计中的应用

地表沉陷与地质采矿因素之间存在复杂的非线性关系,人们通常采用概率积分法、神经网络等研究沉陷的规律性,但预计效果往往不够理想。本文采用粗集及支持向量机技术对其进行研究,首先应用粗集理论进行了岩移影响因素分析,给出了各影响因素的支持度,然后运用支持向量机预测技术构建了支持向量机预测模型。最后用实例进行了预测分析并与传统方法进行了对比,结论表明,本文建立的模型具有网络运行稳定、精度更高的优点。     

一种基于支持向量回归方法在RoboCup中的应用

对RoboCup中截球问题引入了支持向量回归方法,通过采集样本训练预测模型来预测Agent成功截到球时球运动过的距离。为了达到更好的预测效果,对此模型的参数选择问题进行了相应的研究,最后将此预测模型与广义回归神经网络等传统方法相比较,结果表明,在截球距离的预测精度方面要优于传统的广义回归神经网络。     

基于SVR的宽基线图像匹配方法

针对宽基线图像匹配处理中的误匹配问题,使用支持向量回归(support vector regression,SVR)方法来解决宽基线图像匹配,采用了一种改进的拓扑过滤器新算法来剔除误匹配。改进拓扑过滤机制匹配大量SIFT(scale-in-variant feature transform)特征,剔除一些误匹配项获得高正确率的初始匹配,实现使用高正确率的初始匹配来构建SVR;同时,基于构建SVR关系给出的预测值附件搜索新的匹配。在宽基线条件下对室内和室外的环境图像进行测试实验,结果表明,该算法能够自动获取大量正确匹配。     

基于支持向量回归机的气象观测站优化模型

在保证足够信息量的前提下,针对合理减少气象观测站的实际问题,首先利用主成分分析(PCA) 降低样本数据的维数,其次利用支持向量回归机(SVR)对样本进行有效的回归,然后结合优化软件lingo对凸二次规划问题(与支持向量回归机相对应)进行求解,最终得出基于主成分分析-支持向量机回归预测优化模型。     

基于支持向量回归的圆锥螺纹检测

以支持向量回归为主要算法,讨论了圆锥螺纹各参数的图像检测方法。采用边缘保持滤波、二值变换等算法,对圆锥螺纹图像进行处理,获得牙形直线部分的像素表征,并以此构成训练集,进行支持向量回归,得到了螺纹牙形直线方程的亚像素表示,据此对锥螺纹的主要参数进行检测,大大降低了CCD的离散性和系统噪声对测量结果的影响。实验表明,本方法具有测量速度较快,测量精度较高的特点。     

基于支持向量回归机的矿体品位插值

使用与自组织神经网聚类相结合的支持向量回归机预测模型对矿体体素品位进行插值,并与多边形法、距离幂次反比法、克里格法进行对比验证. 结果表明,该预测模型进行品位插值具备很好的可行性和可靠性.     

支持向量回归机二阶充分条件理论研究

支持向量回归机是数据挖掘的新方法。针对支持向量回归机所对应的回归问题给出了其解二阶充分条件成立的理论结果,结果表明支持向量回归机优化问题的解在一个很弱假设下即可满足二阶充分性;该理论为支持向量回归机优化问题解的灵敏度分析奠定了一定基础。