基于协方差矩阵的空间平滑解相干算法

空间平滑是相干信号DOA估计中的一种有效算法,但平滑不仅造成了阵列孔径的减小,而且不能灵活地调整子阵的长度,对于不同的子阵,均需要计算协方差矩阵然后求平均,运算量较大。通过分析协方差矩阵的结构,指出在协方差矩阵中包含了所有子阵协方差矩阵的信息,从而可以通过对协方差矩阵的处理,构成前后向子阵的协方差矩阵,避免了子阵协方差矩阵的运算,可以灵活地实现平滑算法。计算机仿真证明了该处理的有效性.     

基于伪协方差矩阵 Otsu 方法的信源数估计

为提高高斯色噪声背景下信源数估计的成功概率, 提出了一种基于伪协方差矩阵的 Otsu 类间方差法。伪协方差矩阵对一定条件下的高斯白噪声和高斯色噪声具有免疫特性, 而且利用阵元间的时间相关性增加了阵列的有效孔径, 进而提高了伪协方差矩阵奇异值分解后信号奇异值与噪声奇异值的差异程度。 在此基础上,利用 Otsu 类间方差法对信号奇异值与噪声奇异值进行分类。 仿真结果表明, 该方法可进一步提高信源数的估计成功概率。     

抗阻塞干扰的低速率语音编码传输算法

为满足在跳频信道上的语音传输需求,研究了一种抗阻塞干扰的"滑动窗"语音传输算法。将传输码流均匀地分成若干片段,用定长的"滑动窗"在码流上滑动并截取其中的一段连续片段作为某跳频点的数据。接收端比较连续若干跳的重叠部分,判断并恢复出"坏跳"数据。对每个片段进行差错控制保护,通过"联合最大后验概率译码"的方法抵抗更高误码率的影响。测试表明:在有阻塞干扰的跳频信道上,"滑动窗"算法的分段信噪比平均高出传统的连续可变斜率增量调制算法20dB。     

基于协方差矩阵重构和导向矢量优化的波束形成算法

针对传统波束形成算法在导向矢量失配和协方差矩阵误差情况下输出信干噪比下降严重的问题,提出了一种基于协方差矩阵重构和导向矢量优化的稳健自适应波束形成算法。该算法通过估计信号和干扰的功率及方向,重构干扰加噪声协方差矩阵,同时结合投影和空域积分思想,对假定的导向矢量进行优化计算,使其接近真实的导向矢量。进而通过相关运算求得复数加权值实现波束形成。所提算法可以有效抑制干扰,提高输出信干噪比。在多种失配存在的情况下,所提算法也具有较好的性能。研究共进行了6个仿真实验,所提算法性能均优于所对比算法。所提算法在快拍数固定且存在导向矢量失配的情况下,相比于最差情况性能最优算法有约5 dB的输出信干噪比提升。在信噪比固定且存在导向矢量失配的情况下,相比于对比算法均有4 dB以上的性能提升。实验结果验证了所提算法的有效性。     

高频数据下基于LSTM的协方差矩阵预测模型

协方差矩阵的建模与预测,对于金融风险管理、投资组合管理等至关重要。 针对时间序列模型对高维变量预测精度较低的问题,利用长短记忆神经网络模型(LSTM),提出了基于深度学习的高频数据已实现协方差矩阵预测模型。 利用金融高频数据得到已实现协方差矩阵,对其进行 DRD 分解,针对相关系数矩阵 R 进行向量化处理,利用向量异质自回归模型(HAR)预测已实现相关系数矩阵 R;针对已实现波动率矩阵 D,利用半协方差(semi covariance)思想,结合 LSTM 模型,得到已实现波动率矩阵 D 的深度学习预测模型,构建了 LSTM-SDRD-HAR 已实现协方差矩阵动态预测模型。 LSTM 模型和 HAR 模型能捕捉实际数据的长期记忆性,半协方差有利于捕捉金融数据的杠杆性。 实证分析表明:相较于传统向量 HAR 已实现协方差矩阵预测模型,LSTM-SDRD-HAR 预测已实现协方差矩阵更为准确,基于 LSTM-SDRD-HAR 预测已实现协方差矩阵构造的有效前沿组合投资效果更佳。     

波束空间两种自适应干扰抵消算法的研究

本文介绍了多个干扰波束进行窄带PIC处理的两种算法:GE(梯度估计算法)和RMGSEF(克莱姆-施密特修正递归误差反馈算法).利用海试数据计算了这两种算法的学习曲线和输出平均功率波束图.并和理论结果进行了比较,研究了RMGSEF算法的收敛特性与空间采样、时间采样的关系.结果表明:RMGSEF算法是收敛快、抵消性能好,便于PIC实现实时处理的最好算法.     

基于协方差矩阵同时对角化的盲信号分离算法

提出了基于自相关协方差矩阵同时对角化的两个盲源信号分离算法. 利用广义奇异值分解(GSVD)算法,将源信号观测数据预白化后的零阶和一阶自相关协方差矩阵同时对角化,估算出两路源信号. 与二阶盲识别(SOBI)算法进行了比较,该算法具有计算简单且运算精度高的优点. 在线性混合加噪模型下,计算机仿真表明该算法的有效性.     

多级并行部分干扰抵消算法的CDMA系统性能

分析了多级并行部分干扰抵消算法应用于CDMA系统的性能。建立了系统信号模型，给出计算误码率的公式。对多级并行完全干扰抵消算法与多级并行部分干扰抵消算法进行了比较，认为部分干扰抵算法比完全干扰抵消算法性能优越。     

多级并行干扰抵消算法的CDMA系统性能分析

分析了多级并行完全干扰抵消算法和多级并行部分干扰抵消算法应用于存在定时误差的CDMA系统中的性能。建立了系统信号模型,给出计算误码率的公式。作了在有远近效应情况下的性能比较。得出多级并行干扰抵消算法比传统的单用户检测性能优越,部分干扰抵消算法比完全干扰抵消算法性能优越的结论。     

高维协方差矩阵估计方法的比较

通过模拟比较门限估计方法和收缩估计方法之间的差异,得出2种方法在实际应用中的使用范围.由模拟结果可知,若有确切的证据表明总体协方差矩阵是稀疏矩阵,则采用门限估计方法,否则,采用稳健的收缩估计方法比较恰当.     

用V形阵列估计二维波达方向

提出了一种Ｖ形阵列,它可以分解为两个一致位移子阵列．由子阵列信息可以形成混合波达方向矩阵．在无需谱峰搜索的条件下,对混合方向矩阵进行特征分解,可以获得信号的混合方向矢量和方向元素．因此可以估计出信号的二维波达方向．本文方法不仅保持波达方向矩阵方法的优点,而且在一定程度上可以分辨来自于同一方位角或同一高低角的信号．     

基于信号前后向循环相关函数的伪快拍构造

许多通信信号具有循环平稳特性。Cyclic-MUSIC算法利用此特性在传统MUSIC算法的基础上提高了对信号波达方向的检测能力和估计精度。在Cyclic-MUSIC的基础上,SC-SSF算法将适用模型从窄带信号扩展到了包括宽带信号的广义信号模型上,并在其中构造了伪快拍以及相应的伪数据矩阵。从广义信号模型出发,对其前后向循环相关函数进行离散傅立叶变换和频域聚焦变换——利用宽带相干信号子空间算法(CSM)中的聚焦矩阵,从而得到一个频域上的伪快拍形式;并由此获得了一个孔径扩展一倍的虚拟阵列。对此伪快拍应用传统的MuSIC算法时,可分别比SC-SSF和Cyclic-MUSIC算法检测多一倍的信号和获得更高的估计分辨率。仿真结果表明方法的有效性。     

一阶矩Hankel矩阵测向方法

以阵列信号处理为背景讨论了一维超分辨测向问题，提出了一阶矩Ｈａｎｋｅｌ矩阵测向方法．它运算量小、与信号源相关性无关．计算机模拟结果表明一阶矩Ｈａｎｋｅｌ矩阵测向方法是可行的．     

一种新的混合多径干扰抵消方法

在CDMA上行链路中,由于信号的异步传输和多径传播,会引起多址干扰和多径干扰,使得传统的RAKE接收机性能变差．并行干扰抵消和串行干扰抵消可在一定程度上抑止干扰,但并行干扰抵消抗远近效应能力较差,串行干扰抵消会引入较大的处理延时．提出了一种新的混合干扰抵消接收机结构,具有低复杂度,低延时,抗远近效应等优点,可以有效克服多址干扰和多径干扰,性能明显优于上述两种干扰抵消方法．     

常规雷达航迹干扰参数分析

对雷达的有源欺骗干扰是电子对抗中经常应用的重要手段。文中介绍了对常规雷达进行航迹欺骗时,干扰功率、角度干扰时延、距离干扰时延和多普勒频移等干扰参数的设置方法,给出了相关公式。利用这些公式,可描绘出虚假航迹,达到欺骗敌方雷达的目的。以此为依据设置干扰机参数,对雷达网进行干扰,可在组网雷达的每部雷达上产生空间相关的航迹,达到干扰敌方雷达网的目的。     

一种基于神经网络的宽带相干信号波达方向估计方法

相干信号子空间处理方法（ＣＳＭ）是一种通过构造聚焦（ｆｏｃｕｓｉｎｇ）矩阵来估计宽带相干源波达方向（ＤＯＡ）的有效方法．本文基于逆传播（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）学习算法，给出了一种用神经网络来实现聚焦过程的新颖方法．利用这种方法进行ＤＯＡ估计，可以无需预先知道源信号初始信息，不经预处理过程即可获得对ＤＯＡ的高性能估计     

多级并行干扰抵消算法的CDMA系统性能分析

分析了多级并行完全干扰抵消算法和多级并行部分干扰抵消算法应用于存在定时误差的CDMA系统中的性能。建立了系统信号模型,给出计算误码率的公式。作了在有远近效应情况下的性能比较。得出多级并行干扰抵消算法比传统的单用户检测性能优越,部分干扰抵消算法比完全干扰抵消算法性能优越的结论。     

强干扰背景下基于局部空间差分算法的相干目标DOA估计

针对传统算法对强干扰背景下相干目标的波达方向(direction of arrival, DOA)估计效率低、精度不高等问题,在构造干扰阻塞矩阵消除特定方向强干扰的基础上,基于局部空间差分算法进行相干目标的DOA估计。首先通过接收信号矩阵的角度信息构造阻塞矩阵来剔除协方差矩阵的强干扰信息,然后利用局部空间差分算法将协方差矩阵划分为若干子阵,从而充分提取有效信息并实现解相干,最后利用线性算子算法完成对目标的DOA估计,避免高复杂度的谱峰搜索。结果表明：该算法有效提高了数据利用率,有较好的解相干效果,能够在不同的信噪比和快拍数条件下获得比传统算法更低的估计偏差和更高的成功概率。