基于自适应预白化的水下动目标LFM回波联合检测

有色混响噪声背景以及水下动目标径向速度造成的回波和样本失配导致匹配滤波器对于线性调频LFM(linear frequency modulation)回波检测性能下降。基于自适应预白化处理的广义似然比GLRT(generalized likelihood ratio test)方法利用混响噪声背景的自回归AR(autoregressive)模型构建白化滤波器来抑制混响噪声,但回波和混响噪声的混叠会造成AR模型偏差。结合匹配滤波的回波定位特性和基于自适应预白化处理GLRT方法的混响噪声背景抑制特性,提出结合这两种方法的联合检测算法。仿真和实验数据测试表明联合检测算法对于水下动目标LFM回波检测性能优于单纯的零速样本匹配滤波和GLRT方法。     

一种基于小波变换的多普勒胎儿心率信号去噪算法

为了有效的从超声多普勒胎儿心脏回波信号中提取胎心率,分析了多普勒回波信号的特点,通过空域相关法估计了原始噪声方差,提出了一种自适应去噪阈值计算方法,该算法能根据实际信号的强度、噪声的方差以及分解的层数,自适应的得到不同尺度的去噪阈值.最后通过对实际超声多普勒回波信号的处理,能有效地降低噪声,提取出胎儿心音信号,较准确地计算出胎儿心率值.     

形状自适应各向异性微分滤波器边缘检测算法

传统参数固定的微分滤波器难以精确检测图像中不同类型的边缘,并存在噪声敏感的不足,为此,提出了一种基于形状自适应各向异性微分滤波器的边缘检测算法。利用图像的微分自相关矩阵构建一种反映边缘像素类型的度量准则,并建立度量与各向异性高斯方向导数(anisotropic Gaussian directional derivative, ANDD)滤波器各向异性因子之间的映射,实现ANDD滤波器的形状自适应控制,从而能精确地提取不同类型边缘的强度映射。同时大尺度的ANDD滤波器增强了边缘强度映射的噪声鲁棒性。实验结果证明,在无噪声情况下,所提算法的边缘品质因子(pratt figure of merit, FOM)分别比Canny边缘检测算法、基于Gabor的边缘检测算法和基于测度融合的边缘检测算法高23.3%、14.5%和9.5%。在含噪声情况下,则分别高41.7%、29.7%和12.0%。     

基于稀疏分解的雷达信号抗噪声干扰方法研究

针对雷达在强噪声干扰下难以提取回波信号特征的问题,提出利用稀疏分解方法和基追踪去噪(basis pursuit denoising, BPDN）算法实现抗噪声干扰。该方法构造一组线性调频时移信号作为过完备库,对线性调频雷达回波信号进行稀疏分解,滤除噪声干扰;根据稀疏系数与雷达目标距离之间的关系,提取目标的距离信息。实验结果表明了该方法在雷达信号抗干扰和目标距离信息提取方面的有效性。     

基于级数反演的俯冲加速运动状态弹载SAR成像算法

根据弹载合成孔径雷达(synthetic aperture radar, SAR)俯冲加速运动的特点,使用高阶逼近模型建立了SAR的回波信号模型,分析了目标斜距在单个孔径时间内随时间的变化关系。结合级数反演的思想,推导出了弹载SAR回波信号的二维频域的精确表达式。在此基础上,提出了一种适用于俯冲加速运动下的弹载SAR成像算法。理论分析和实验结果表明,该算法精度较高,取得了较好的成像效果。     

基于BICM-ID系统的单通道混合信号盲恢复算法

针对非协作通信中单通道同频线性调制混合信号盲恢复问题，基于比特交织编码调制迭代译码（bit interleaved code modulation iterative decoder， BICM-ID）算法思想，建立单通道混合基带接收系统模型，提出一种联合解调和译码实现单通道混合信号中源信息盲恢复算法。通过分析和推导，给出一种混合信号解映射的方法。该算法不需要对混合信号分离，而可以直接从混合信号中估计出各路源信号，且复杂度低。理论分析和仿真结果表明，对于无码间干扰和有码间干扰的加性高斯白噪声(additive white Gaussin noise, AWGN)，算法都能得到较低的误比特率(bit error rate, BER)，而且算法对等功率混合信号和不等功率混合信号同样适用。     

脉冲噪声中基于数据可信度加权的跳频信号检测

时频分析是跳频(frequency-hopping, FH)信号检测的有力工具,但是脉冲噪声下性能严重退化,无法有效地提取跳频信号的周期、频率和跳变时刻等参数;基于分数低阶统计量和最大似然估计(maximum-likelihood,ML)的算法是改善脉冲噪声下FH信号时频分布的两类常用方法,但前者性能改善有限,后者通常对噪声的概率分布较为敏感,且计算复杂度高。对此,提出一种基于数据可信度加权(weighting based on the data credibility,WDC)的FH信号检测方法。该方法基于云模型(cloud model, CM)理论,建立了数据可信度的概念,以分析脉冲噪声下接收信号的不确定性,然后在此基础上实现信号加权,改善脉冲噪声下FH信号的时频分布特征。仿真实验证明,在稳定分布噪声中,该方法与基于分数低阶及Myriad滤波器的时频分析方法相比,能够较好地抑制脉冲噪声,获得FH信号的参数信息,具有良好的鲁棒特性。     

基于强跟踪滤波器的自适应常加速模型及跟踪算法

建立目标机动模型是传感器目标跟踪数据处理中的一个重要环节.为了克服"当前"统计模型对非机动目标和常加速模型对机动目标跟踪性能较差的缺陷,通过对"当前"统计(CS)模型的分析研究,在常加速(CA)模型的基础上提出了一种基于强跟踪滤波器的自适应常加速模型及跟踪算法(ACA-STF).该算法利用速度预测估计与实时速度估计间的偏差进行自适应方差调整,并通过引入强跟踪滤波器(STF)的渐消因子,实时调节滤波器增益,从而提高了跟踪精度,增强了系统对突发机动的自适应跟踪能力.理论分析和仿真结果表明对于非机动和机动目标,该算法比"当前"统计模型算法具有更高的跟踪精度.     

基于频散特性的杆中超声波传播仿真

针对超声实时在线检测中缓冲杆应用的局限性,以无限长杆的频散特性为理论基础,利用有限长杆的端面边界条件,分别以应力关系和应变关系为系统函数,建立了超声波在有限长杆中传播的系统模型。通过在杆端面施加激励,借助系统传输模型,获取回波信号,并与实验进行对比,验证该方法的正确性。同时得出了超声波在有限长杆中传播产生的多次回波的重复周期与杆半径之间成正比的关系。     

基于Sallen-Key滤波器的数字高斯成形方法的仿真

详细阐述了一种指数信号数字高斯成形技术的计算机仿真方法.首先,以Sallen-Key滤波器为基础,建立了指教输入信号和高斯输出信号之间的数学关系模型.该模型是一个二阶微分方程.其次,模型解算过程中利用数值微分算法得到一个数值递推解通过计算机仿真该数值递推解实现了指数信号的数字高斯成形.最后,将成形模型应用于实际核脉冲信号分析系统中,通过计算机仿真确定了成形参数.     

基于免疫算法的自组织神经网络在效能评估中的应用

针对自组织神经网络自身的局限,将免疫克隆选择算法的克隆和变异机制引入SOM的学习算法中,提出一种免疫自组织神经网络模型,并建立了模型的学习算法。该学习算法用免疫克隆选择算法的克隆算子和变异算子改进自组织神经网络中的邻域大小和权值调整规则,使每个神经元的权值学习率和邻域大小随神经元的亲和力发生变化,从而克服了自组织神经网络分类效果受样本输入次序影响的弱点,且在很大概率上保证网络收敛到全局最优解。性能仿真结果说明该学习算法比自组织神经网络学习算法具有更好的分类准确性和泛化性能。将该模型应用雷达电子战装备的作战效能评估中,结果表明免疫自组织神经网络模型比自组织神经网络模型分类更合理。     

四色和K色图着色问题的瞬态混沌神经网络解法

首先给出了用神经网络求解四色图着色问题的神经网络结构和能量函数 ,然后采用了具有瞬态混沌特性的神经网络 ( TCNN)来解四色图着色问题 .由于引入具有复杂动态特性的瞬态混沌使得该法具有很强的搜索全局最优解的能力 .仿真结果表明 ,用该法解四色图着色问题总能保证使能量函数收敛到最优解 ,有效避免了用传统的 Hopfield人工神经网络 ( HNN)解此问题时极易陷入局部极小的缺陷 ,并且收敛速度更快 .另外我们还用此法求解了属于 NP-完全问题的 K色图着色问题.     

基于RBF-HMM模型的时间序列在线预测

针对非线性非高斯时间序列,提出观测噪声服从隐马尔可夫模型(HMM)的径向基函数(RBF)神经网络预测模型—RBF-HMM模型,该模型具有如下两个特点:(1)用隐节点数可变的RBF神经网络对时间序列进行非线性建模;(2)用HMM对非高斯噪声进行建模.并采用序列蒙特卡罗(SMC)方法实现RBF-HMM模型参数的动态调整和时间序列的在线预测.最后采用南京禄口国际机场日旅客吞吐量数据进行实证研究,结果表明该模型的有效性.     

基于TCNN-BiLSTM网络的调制识别算法

针对传统调制识别算法在低信噪比下识别率不高的情况,提出双路卷积神经网络级联双向长短时记忆(two-way convolutional neural network cascaded bidirectional long short-term memory, TCNN-BiLSTM)网络的调制识别算法。首先,该算法并联不同尺度卷积核的卷积层,提取调制信号不同维度的特征。然后,级联BiLSTM层,对多维特征构建LSTM时间模型。最后,使用softmax分类器完成识别。仿真实验表明,所提算法结构在加性高斯白噪声和特定信道参数的瑞利衰落信道下,性能要优于基于传统特征和其他网络结构的识别算法。在特定信道参数的瑞利衰落信道下信噪比低至6 dB时,该算法对6种数字调制信号的识别率仍可达到92%以上。     

基于注意力机制的混合CNN-BiLSTM低轨卫星信道预测算法

针对低轨道卫星信道质量变化迅速、信道参数“过时”的问题, 提出了一种基于注意力机制的卷积神经和双向长短时记忆神经网络(attention-convolutional neural network and bi-directional long-short term memory neural network, AT-CNN-BiLSTM)融合的信道预测方法。该方法由信号预处理、网络训练和信号预测3部分组成。首先在高斯白噪声条件下模拟室外卫星信号, 得到卫星信号的训练集和测试集; 然后将训练集输入构建的训练网络进行特征提取; 最后将测试数据输入网络进行预测分析。仿真结果表明, 在与其他4种人工智能方法的对比中, 所提出的混合神经网络能够在较快的收敛速度下达到较高的准确率(91.8%), 有效地缓解了低轨道卫星信道参数“过时”的现状, 对提升卫星通信质量和节省卫星信道资源有良好的改善作用。     

闪烁现象下旋翼目标微动参数估计方法

逆Radon变换以其精度高、抗噪性能好的优点常用于微动信号的参数估计,但是当旋翼类目标微动信号存在闪烁现象时,该方法失效.针对此问题,提出一种闪烁现象下的微动参数估计方法.首先,建立基于线性调频信号的单旋翼直升机雷达回波散射点模型,分析闪烁现象下回波的微动特性.其次,通过去噪卷积神经网络(denosing convol...     

注意力机制CNN的毫米波大规模MIMO系统信道估计算法

在室外光线追踪通信场景下,针对毫米波大规模多输入多输出(multiple input multiple output,MI-MO)信道具有稀疏特性、系统受噪声因素影响导致信道估计精度低的问题,提出一种基于图像去噪的注意力机制卷积神经网络信道估计方法.首先,设定参数产生模拟真实环境的数据集,将所产生的信道矩阵看作二维图像...     

Neural Blind Beamformer for Cyclostationary Signals

1 .INTRODUCTIONBeamforming[1]is another name for spatial filteringwhere an array of sensors together with appropriatesignal processing can either direct or block the radia-tion or the reception of signalsin specified directions .Conventional beamforming approaches require a refer-ence signal or accurate knowledge of the array re-sponse vector corresponding to the desired signal .Ifthe array response vector is not known precisely,theperformance of conventional beamforming techniquescan be s…     

直扩信号的谱检测和神经网络估计

论述了二次谱理论、谱相关理论和神经网络方法在直接序列扩频(DS/SS)信号的检测与估计中的应用,提出了利用谱分析结合神经网络的方法来实现对低信噪比DS/SS信号的参数及其伪码(PN)序列的估计.计算机模拟结果表明,该方法在较低的输入信噪比条件下能良好地工作.     

基于Gamma滤波的压电陶瓷动态迟滞建模研究

融合Gamma滤波和PI模型的结构,提出压电陶瓷的动态迟滞模型.借鉴PI模型的结构, 对Gamma滤波的各个环节的输出通过RBF神经网络进行静态非线性变换,并在其后与一个动态神经网络串联, 构成了一种新的神经网络迟滞模型.与静态PI 模型不同,由于新模型中含有动态的类迟滞算子与动态神经网络串联.所以, 所提出的迟滞模型是一种动态的迟滞模型.对压电陶瓷实际测量数据逼近和预测的结果表明,所提出的动态迟滞模型精度高,具有较强的泛化能力.