子带分解在ESPRIT算法中的应用

ESPRIT算法是一种用于信号到来角(DOA)估计的直接求解方法,其性能在低信噪比(SNR)和信号相关时会严重削弱.基于此提出了一种多分辨率DOA估计算法基于子带分解的ESPRIT算法(SB-ESPRIT),通过对全带信号进行子带分解,并对每个叶节点分别应用ESPRIT算法,最后通过映射算法将估计所得的DOA映射到全带信号.对于子带分解后旋转不变性的证明为其应用提供了理论依据.仿真结果证明,SB-ESPRIT不仅提高了特征子空间方法的分辨率,而且在子带划分适当的情况下,具有一定的信号去相关能力,并且其均方误差(RMSE)小于ESPRIT算法.     

利用Laplace小波和粒子群算法实现阻尼和频率精确计算

提出一种利用Laplace小波求自由衰减信号阻尼和频率的新方法.该方法利用Laplace小波实部的衰减特性来识别信号中的自由衰减波形,从而实现阻尼、频率的正确识别.同时为了提高识别效率,引入了粒子群算法来实现Laplace小波的参数寻优.仿真试验表明:这一方法具有较高的计算精度,且计算精度不受相邻模态耦合的影响.     

TD-SCDMA系统中的载波频率估计方法

提出了一种用于TDSCDMA系统的频率估计方法,该算法利用TDSCDMA系统中的导频序列,通过最大似然函数进行数值估计,并且利用一系列的频率自动调整策略使估计值较为准确、较为收敛。在AWGN和多径条件下的仿真结果均表明,该算法具有比较理想的估计准确度和稳定性,尤其是结合使用自动调整策略算法后,该算法具有更优的估计性能,这说明该算法十分适合应用于TDSCDMA通信系统中     

基于参考独立分量分析的语音增强方法

参考独立分量分析（independent component analysis with reference,ICA—R）将源信号的先验知识以参考信号的形式引入学习算法中,可以从混合信号中仅抽取期望的源信号．基于ICA—R提出了一种语音增强新方法．通过比较语音信号和多种噪声信号的特点,合理地构造了具有语音信号重要特性的参考信号,进而应用ICA—R从多种加性噪声中抽取了期望增强的语音信号．计算机仿真和性能分析结果均表明了该方法的有效性．     

自突触下光敏神经元网络的动力学行为

以HR神经元模型为例,模拟了环链网络及平面网络中光敏神经元的电活动行为.研究发现恰当的电压源振幅可以促进神经元放电,使整个网络处于有序态,更大的自突触耦合强度更有利于激发神经元放电.在全光照下,适当调整电压源振幅A、频率ω,可以观察到神经元网络丰富的放电行为.但在固定电压源振幅A下,使用较小的频率ω,神经元很难诱发放电,整个网络处于静息态.在非均匀光照下,网络中更容易产生靶波.     

相参频率捷变雷达目标稀疏重建性能边界综述

相比频率固定的脉冲多普勒体制, 频率捷变体制在抗干扰方面具有显著优势。但在该体制下, 基于匹配滤波的信号处理算法存在旁瓣平台问题, 难以与动目标检测兼容。压缩感知理论将目标参数估计建模作为欠定方程求解, 为该问题提供了解决思路。在相参频率捷变雷达中, 压缩感知能否准确重建目标是一个基础性问题。本文梳理了针对该问题的相关研究, 借助相变理论与相变曲线的解析表达式, 定量描述了捷变频雷达重建目标的成功概率与主要系统和目标参数之间的关系; 该理论性能边界与仿真实际所能达到的性能相接近。此外, 还探讨了现有成果在实际应用中的价值, 展望了未来研究方向。     

SystemView实现通信系统中锁相环电路的仿真

现代通信系统中,为确保通信的稳定与可靠,对通信设备的频率准确率和稳定度提出了极高的要求.本文论述了数字锁相环频率合成的原理,利用SystemView实现通信系统中锁相环电路的仿真,并对结果进行分析.     

有限元建模对结构自振频率计算的影响

以室外大比例框架结构(1∶2)模型自振频率测试结果为基础,采用Nastran程序分5种有限元模型4种工况计算了结构的自振频率,工况中包括了单元类型、单元位置偏置、地基条件和结构配筋等因素的影响.计算表明,考虑土结构相互作用(SSI)的计算结果比考虑刚性地基的结果低;较为准确的有限元计算模型应采用实体单元,并考虑配筋及上下部共同作用;在小震情况下,采用现行框架结构设计方法建模计算偏于不安全,这与通常的设计结论不一致.     

重图的T-染色

重图的T-染色是图的T-染色的一个较为实用的部分,这是因为在研究频率分配时,干扰可能会在不同的水平上发生.由于一个重图G能够被剖分成K个不同部分,用G(y,G0,G1,……,GK-1)来表示G.重图G(V,G0,G1,…,GK-1)的一个T-染色是指一个函数f,f满足同时是Gi的T(i)染色,即:对(A)i=0,1,……,K-1,{x,y}∈E(Gi)(→)|f(x)-f(y)|(∈/)T(i).G的f染色的色数是指值不同的f(x)的个数,记作:XT(f).其中x∈V(G).G的f染色的跨度等于max|f(x)-f(y)|,记作:spT(f),其中{x,y}∈E(G).G的T-染色的色数和跨度分别记作XT(G)和spT(G),当f取遍所有G的T-染色时,XT(G)=minXT(f),spT(G)=minspT(f).本文将给出一些关于重图的T-染色的已知结论,同时还将给出一种计算重图的spT的新算法.     

LSF标量格型混合量化

为了降低线谱频率(LSF)参数矢量量化器的搜索复杂度和码字存储单元,利用格型矢量量化的优点,设计了一种适合LSF参数量化的标量格型混合量化器。该量化器对LSF参数的预测残差矢量的第一、二个参数进行标量量化,余下的参数则利用格型矢量量化,从而降低了搜索复杂度和码字存储单元,与G.729协议所使用的LSF量化技术相比,有一定的改进。