利用信号与系统概念分析线天线的互阻抗

基于信号与系统理论 ,并利用数字信号处理技术 ,提出了一种分析线天线互阻抗的新方法 .在这种方法中 ,借用信号与系统的概念 ,将天线阵中天线单元的电流视为激励信号 ,将天线阵的空间结构视为系统函数 (或传递函数 ) ,而将单元天线间的互阻抗 (或其它电磁特性 )视为整个系统的响应 .通过这种等效 ,可将天线阵中天线单元间相互耦合看作信号与系统中的系统响应 ,进而可利用数字信号处理方法进行分析 .最后给出了利用该方法计算对称振子天线互阻抗的实例 ,计算结果证明了该方法的有效性 .     

一种稳健的自适应波束形成方法

基于线性约束最小方差(linearlyconstrainedminimumvariance,LCMV)波束形成原理,根据贝叶斯估计理论,提出了一种基于加权的波束形成方法。该波束形成方法能够很好地克服LCMV波束形成对期望信号DOA误差特别敏感的弱点。仿真试验表明,该方法性能稳定,对期望信号DOA误差具有很好的稳健性。     

多天线OFDM系统的线性优化

从Jakes信道模型出发,用KKT优化方法,从信道部分特性已知的情况推导了多天线OFDM系统中发射机与接收机的线性最优化设计问题。仿真比较了多天线OFDM系统的各个子载波之间采用合作的线性优化与非合作的线性优化两种方法在不同最大多普勒频移和反馈时延下发送符号的均方误差。仿真结果表明,当信道特性部分已知时,子载波之间合作的线性优化较之非合作的线性优化有更小的均方误差。可为存在反馈时延的多天线OFDM系统设计提供指导     

基于DPCA、ATI和MUSIC的动目标检测方法

针对SAR(合成孔径雷达)动目标检测,提出一种DPCA(中心相位偏置天线)、ATI(沿迹干涉)和MUSIC(多信号分类)相结合的三孔径动目标检测方法。该方法首先采用DPCA技术消除杂波干扰、检测运动目标,然后用ATI和MUSIC方法确定目标的位置和速度。理论分析和计算机仿真表明,该方法是有效的,不仅能够检测运动目标,而且能够精确估计其运动参数。     

星际链路天线的建模与仿真

理论结合工程实践，介绍了卫星通信网络中的星际链路的特点及各种关键因素，重点讨论了星际链路天线的仿真模型，分别建立了天线方向图模型和天线增益模型，并给出了NS下的仿真分析方法，提高了NS下卫星通信网络的仿真精度。     

CeO_2纳米线阵列的制备

以阳极氧化铝膜(AAO)为模板通过溶胶-凝胶法合成了CeO2 纳米线阵列,并通过扫描电子显微镜(SEM)、透射电子显微镜(TEM)以及X射线光电子能谱(XPS)等对CeO2 纳米线进行了表征.     

对羊八井ASγ三期阵列性能的分析

利用Monte Carlo模拟分析了在西藏羊八井进行的三期阵列的性能．模拟数据同实验数据的天顶角分布能吻合，并进一步论述了原初粒子能量同快时间探测器探测到的粒子数密度之和的关系．另外利用模拟数据给出了阵列的角度误差和角分辨。     

基于超级电容器的TiN@CNTF电极制备及性能研究

超级电容器因其独特的性能在便携式、可穿戴电子器件领域有着很大的应用潜力。目前对超级电容器的研究主要集中在对超级电容器电极材料的研究上。碳纳米管纤维具有电导率高、力学性能好、柔韧性高等优点,是超级电容器的理想电极材料。但是,碳纳米管纤维电容量的提升被其较小的比表面积所限制。通过在碳纳米管纤维表面生长三维阵列能够有效提高碳管纤维的比表面积,从而增大电容量。因此,采用水热法,在碳纳米管纤维表面成功生长TiO2纳米阵列,并通过氨气氮化获得了TiN@CNTF电极材料。采用三电极测试TiN@CNTF电极在Na2SO4溶液中的比电容达到215.5mF/cm2,有望作为一种柔性超级电容器的负极材料得到应用。     

采用传播图论建模方法的Massive MIMO室内场景传播特性

大规模多天线(Massive MIMO)技术在基站端配置大规模天线阵列,能够大幅度提升数据传输速度和系统容量,实现无线传播信道中的空间和时间资源的最大化利用.有关Massive MIMO无线传播信道的研究,对大规模多天线的应用、系统的设计与部署具有重要意义.本文采用传播图论信道建模的方法,研究Massive MIMO在实际传播信道中的性能表现,既能很好的避免信道实测带来的繁重工作,又能有效反映Massive MIMO的无线信道衰落特性.分别在高频点6GHz和低频点1.472 5GHz对选定的室内传播场景进行了信道建模与仿真,由传播图论建模方法得到了信道冲激响应,并进行参数提取,分别从角度域和时延域分析了大规模多天线系统的信道传播特性,并通过分析信道奇异值扩展的分布,证明了实际传播环境中天线数目增多信道的正交性显著增强.     

基于卷积神经网络的多天线Polar码联合解调-解码方案

为了验证运用神经网络进行信道解码的可行性,利用其提高短码长Polar码的译码准确率,提出了一种基于卷积神经网络(convolutional neural network,CNN)的多天线(multiple-input multiple-output)Polar码新颖联合解调-解码方案.搭建了一种包括4个卷积层,2个全连接层和1个输出层的卷积神经网络,采用最小均方误差作为损失函数,通过计算机生成了Polar码编码的多天线数据并对网络进行训练,使训练得到的神经网络能很好地提取出Polar码比特间的关系特征,从而拟合出Polar码译码函数.仿真结果表明,在相同信噪比条件下,基于CNN的Po-lar码联合解调-解码方案的误码率优于已有的基于全连接神经网络方案;所提方案在不同码率的仿真实验中的误码率皆优于基于全连接神经网络方案,损失曲线的收敛速度更快,显示了基于CNN的Polar码联合解调-解码方案具有更好的泛化能力和学习能力.