基于SIAR体制的单基地MIMO雷达方向综合及测角性能分析

针对同时辐射多载频的正交信号、收发天线稀布且不共用的单基地MIMO雷达,以及在低仰角目标回波存在多径现象的情况下,提出一种基于SIAR体制的单基地MIMO雷达的方向综合方法,即综合利用MIMO的发射天线和接收天线孔径,在方位和俯仰两维数字波束形成（DBF）;并结合多载频工作的MIMO雷达,研究了基于多径相干信号分离的面阵广义MUSIC算法．该方法将发射天线、接收天线的相位延迟同时补偿,在接收端对发射波束进行两维方向综合,提高了雷达的角分辨力和测角精度;并通过降维处理减少了运算量．最后给出了多径情况下,单基地MIMO雷达方位、俯仰二维角度估计的克拉美·罗界（CRB）．计算机仿真证实了该方法的有效性．     

基于ROAMP-Net的大规模MIMO系统智能信号检测方法

针对大规模多输入多输出(multiple-input multiple-output,MIMO)系统存在的信号检测计算复杂度高、检测精度不足等问题,参考OAMP-Net算法思想,引入残差结构,提出了一种新的智能信号检测网络模型ROAMP-Net。将正交近似消息传递(orthogonal approximate message passing,OAMP)估算信号的迭代过程展开为深度学习网络,同时引入残差结构,分别对各网络层的线性和非线性估计值进行逐层修正,有效防止估计误差的前向传播和过程积累,避免网络模型随着网络层数增加而发生性能退化,从而提高最终信号检测的准确度。针对不同调制方式和不同天线阵列的系列仿真实验结果表明,不同调制方式和天线阵列下ROAMP-Net在检测准确度上均有不错的性能表现。     

曲线分类建模方法及其在多地区GDP预测中的应用

传统方法解决大规模时序曲线的预测建模问题,需要对每条曲线逐一建模,这使得建模工作量相当庞大,在实际应用中缺乏可操作性.为此,提出了一种解决此问题的新方法--曲线分类建模方法.该方法先减少曲线的模型种类,再进行曲线分类和分类建模,在尽可能保留原始信息的前提下大大降低了建模的工作量.文中阐述了该方法的原理和计算过程,并应用于多国家和地区GDP曲线的预测案例,说明该方法的实用性和有效性.     

考虑BOM的FMS生产线能力规划问题

针对印刷装配板(Printed Wiring Board, PWB)的制造过程,建立了一个基于多种需求状态的多计划期多种产品类的能力规划模型.该模型考虑了机器的柔性、产品类的BOM(Bill of Materials)约束(物料需求约束)以及进行生产能力调整的风险.考虑该模型是一个大规模的混和整数规划问题,无法用一般的数学软件直接进行求解,提出了一种求解近似最优解的方法,首先应用启发式算法减少装配线能力调整决策变量的搜索空间,然后应用遗传算法进行搜索.最后通过实例分析验证了该方法的可行性及其在管理学上的意义.     

大规模定制模式下的顾客需求管理：获取、识别和聚类分析

为了有效处理不同客户的需求以保证大规模定制生产的规模性和经济性,提出了一种以聚类分析思想为核心的定制需求管理方法。该方法在获取客户需求信息并进行有效化处理的基础上,采取模糊聚类的方法将数量众多的单个客户转化为具有相似需求的客户群体,指导企业产品的标准化、生产的模块化以及产品族的规划设计并提升客户满意度。文章最后,结合笔记本电脑的应用实例说明了该方法的可行性和有效性。     

基于MAPC-RISR的MIMO雷达距离——角度二维超分辨率成像算法

MIMO雷达作为一种新型的雷达体制,其成像兼具实时性和高分辨率的特点,为了充分发挥MIMO雷达在成像方面的优势,提出一种高分辨率的MIMO雷达成像算法.首先将MIMO雷达成像过程分为距离向脉冲压缩和方位向聚焦成像两个过程,采用多波形自适应脉冲压缩技术(MAPC)实现距离向脉冲压缩和发射波形分离,然后在MIMO雷达虚拟阵列端利用超分辨率空间谱估计方法(RISR)进行方位向聚焦成像,得到了观测区域的距离—角度二维高分辨率的成像结果.理论分析表明,与已有的MIMO雷达自适应成像算法相比,所提方法降低了算法复杂度,提高了运算效率.仿真实验验证了所提MIMO雷达成像算法的有效性与优越性.     

多用户MIMO下行系统中的仿射投影解码方法

针对多用户下行MIMO系统,基站端有M根传输天线,用户端有1根接收天线的情况,该文提出了一种名为仿射投影译码器的译码方法.该方法采用对角空时码,在发送端不知道信道状态信息的情况下同时给所有用户发送信息.应用仿射投影技术,用户端可以完全地消除用户间的干扰.该文还对这个新译码器的性能,包括可达速率域和自由度进行了分析.最后,仿真证实了分析结果.     

基于深度学习的MIMO系统联合信号检测与信道译码

为进一步提高多输入多输出(multiple-input multiple-output,MIMO)系统性能,研究了深度学习方法来联合解决MIMO系统信号检测与信道译码问题.通过将深度神经网络、自动编码器神经网络与传统MIMO通信系统的物理层架构进行有机融合,构建了基于神经网络的MIMO系统模型,可获取系统发射端的信息比...     

基于神经网络的高并行大规模MIMO信号检测算法

随着5G和未来移动无线网络的不断发展,大规模多输入多输出(multiple input multiple output, MIMO)是其中的关键技术之一。随着天线数目的不断增加,给接收机的设计带来更高的挑战,复杂度过高的检测算法在实际中难以应用。本文将一种高并行(high-parallelism, HP)检测算法展开到神经网络中,单层神经网络基于该算法的每次迭代,并将其与可训练的权重参数和非线性神经单元相结合,提出基于网络结构HP-Net的方法。通过训练HP-Net得到最优可训练参数,进而提高检测性能。实验结果表明,所提方法相对传统最小均方误差(minimum mean square error, MMSE)算法复杂度更低,并能够得到更低的误码率;同时相对HP并行检测算法误码率性能更优。     

基于差分进化邻域自适应的大规模多目标算法

对于大规模决策变量给求解大规模多目标优化问题带来的难以收敛及解集分布不均匀问题,通过分析变量特征将其分类再分别优化是当前较为有效的求解方法,但存在变量分类不够准确、变量处理不够有针对性等不足。对此,提出一种基于差分进化邻域自适应策略的大规模多目标优化算法。首先,通过分析扰动解的支配关系将混合变量分为多样性变量和收敛性变量,使变量分类更为准确。其次,通过对收敛性变量主成分分析降噪,降低计算成本,并设计种群的交替进化策略及差分进化的邻域自适应更新操作以提升种群进化过程中的收敛性。实验结果表明,所提算法在收敛速度和解集的分布均匀性上表现出良好的性能。