基于虚拟孔径扩展的子带信息融合宽带DOA估计

如何有效地利用宽带信号各频点所提供的信息实现高精度波达角(direction of arrival, DOA)估计一直是热点问题,针对宽带DOA估计问题,提出一种基于孔径扩展的子带信息融合(subband information fusion, SIF)DOA估计方法。该方法在宽带信号的频域模型基础上,结合虚拟阵列方法实现孔径扩展,并联合各子带信息统一处理,从而提高DOA估计的精度。与其他SIF方法相比,该方法利用二阶统计量将数据转化为单快拍模型,不仅提高了可估计信源数目,而且极大程度地降低了运算复杂度,同时在小快拍、低信噪比条件下仍能得到DOA估计结果。仿真实验验证了所提方法的有效性。     

变速平台STAP的数据域补偿方法

空时自适应处理(space-time adaptive processing,STAP)是抑制因平台运动导致谱展宽的地物杂波的有效技术,近三十年来受到广泛关注,其中平台运动通常假设为匀速。分析了变速平台情况下地物回波多普勒谱特性,相比传统匀速平台情况,杂波回波的多普勒谱展宽更严重,且展宽程度与阵列面向、散射点位置以及脉冲积累均有关;因此,变速平台情况下,直接采用传统的STAP方法,其杂波抑制性能,尤其是在主杂波区的性能变差,严重降低慢速目标检测性能。对此,提出一种基于数据域的补偿方法,通过构造补偿矩阵抑制加速度在相位上产生的增量,从而抑制杂波的多普勒谱展宽。仿真结果表明,所提方法可使杂波多普勒谱变窄、STAP的杂波抑制改善因子提高,尤其慢速目标的检测性能明显提高。     

变概率混合细菌觅食优化算法

针对细菌觅食优化算法寻优过程中精度差、易陷入早熟收敛等缺点,提出一种变概率混合细菌觅食优化算法。借鉴粒子群算法的信息共享机制,采用能综合反映细菌自身学习及群体合作的趋化方向,以提高算法的寻优精度和效率;基于群体适应度方差理论引入变概率迁徙策略,帮助细菌快速跳出局部极值,避免了早熟收敛和精英细菌逃逸;采用改进型佳点集方法构造初始种群及迁徙后的新个体,保证了种群多样性和解空间随机性。实验结果表明,本文提出的算法在全局收敛能力及优化精度和速度方面均表现更优。     

基于多信息字典学习及稀疏表示的SAR目标识别

为了提高合成孔径雷达（synthetic aperture radar,SAR）图像中目标变体的识别性能,在鉴别字典学习及联合动态稀疏表示模型的基础上,提出一种基于多信息字典学习及稀疏表示的SAR目标识别方法。在训练阶段,采用鉴别字典学习LC-KSVD方法分别对目标图像域幅度信息及目标频域幅度信息进行字典学习。在测试阶段,结合训练阶段学到的2种信息的字典及测试目标的2种信息,采用联合动态稀疏表示模型求解2种信息下的稀疏表示系数。最后,根据2种信息下的重构误差实现对测试目标的识别。使用MSTAR数据集对算法进行验证,结果表明,新方法相对于现有的方法能够达到更好的识别性能。     

基于部分周期的扫描雷达目标微多普勒参数估计

针对雷达单次扫描时间小于目标转动周期的情况,提出了一种基于部分周期的扫描雷达目标微多普勒参数估计方法。转动目标的微多普勒信号可以通过正弦信号的形式表示。该方法从回波信号的时频域中提取出部分周期的微多普勒信号,利用正弦函数的性质,估计出目标转动频率和转动幅度,从而可以估计出目标转动半径。转动半径作为目标的固有特性,反映目标的结构信息和运动特征,为目标识别和分类提供有力依据,通过仿真实验和实测数据验证了该方法的鲁棒性和有效性。     

机载雷达自适应发射技术抗相干转发式干扰

相干转发式干扰会导致雷达在接收端产生大量虚假目标,降低雷达对真实目标的检测性能。为了解决这个问题,提出一种自适应发射技术对抗相干转发式干扰。该方法首先利用雷达预先发射的高重频脉冲串对转发式干扰进行检测和参数估计;然后在正常工作模式时利用估计得到的干扰参数优化阵列发射方向图,使其在干扰侦察方向形成凹口,从而达到降低干扰机截获雷达发射信号的概率的目的。仿真实验结果证明了所提方法的有效性。     

单通道干涉相位无模糊估计快速动目标速度

为了解决合成孔径雷达-地面动目标检测系统中快速运动目标径向速度过大导致模糊的问题,提出一种基于单通道两视干涉相位无模糊估计方法。该方法首先在距离频率构造两视数据,再将两视数据进行干涉处理。利用两视干涉相位与方位慢时间的关系无模糊估计径向速度,该方法具有不受相位缠绕影响的优点。分析了所提算法在杂波背景和多目标情况下的应用,并研究了所提算法应用条件和最大不模糊速度。通过仿真和实测数据处理验证了所提方法的有效性。与基于包络的单通道方法对比分析,所提算法具有估计精度高和运算复杂度低的优点。     

基于root-RARE算法的非同构分布式阵列高精度方向估计

针对非同构分布式阵列无法使用旋转不变子空间算法(estimation of signal parameters via rotation invariant technique algorithm, ESPRIT),同时为了提高非同构分布式阵列的角度估计精度,提出基于求根降秩算法(root rank reduction estimator, root-RARE)的目标波达方向估计方法。由于分布式阵列的基线长度远大于半波长,合成方向图出现栅瓣,导致测角模糊。算法以root-RARE与多重信号分类算法(multiple signal classification, MUSIC)联合解模糊,以root-RARE得到的粗估计为参考,解整个非同构分布式阵列MUSIC谱估计的模糊,从而得到高精度无模糊的估计。推导非同构分布式阵列方向估计的克拉美罗界,分析算法的波达方向估计性能,同时分析分布式阵列方向估计时的基线模糊门限与信噪比门限之间的关系。仿真结果验证所提算法方向估计的正确性及有效性。     

多隐层输出矩阵极限学习机

得益于隐层节点学习参数的随机选择,极限学习机（extreme learning machine, ELM）在学习速度极快的基础上,可以达到较为良好的分类性能。但是,当隐层节点参数完全随机选择时,ELM的性能并不总能达到最优。本文提出多隐层输出矩阵极限学习机（multiple hidden layer output matrices extreme learning machine, M-ELM）方法解决这一问题,该方法通过对不同输出矩阵加权运算以优化隐层节点结构,其中权系数与输出权值在学习过程中同时分析确定。另外,利用该方法可以实现特征级融合ELM。实验证明,对于真实分类问题,M-ELM可以提供比ELM更为准确的分类结果。     

基于Rijndael算法的研究和应用

Rijndael作为下一代分组密码算法标准,是一种最新流行的加密算法。本文对这一算法进行了较深入地研究和分析,阐述了该算法的实现原理和过程,并给出了Rijndael算法在文件加解密过程实现的关键代码。