信号频率-方向联合估计中的双旋转子空间法

提出了一种基于子空间2次旋转变换的频率-方向联合估计方法．该方法可同时估计空间信号频率和到达方向，其阵列由M个阵元组成，避免了复杂的阵列结构．计算机模拟结果表明，该方法不仅阵列结构简单，在中等SNR时具有良好的分辨性能，而且运算速度较快。     

Sigma点卡尔曼滤波及其应用

针对扩展卡尔曼滤波(EKF)不易调整、难于应用、只对更新时间步长内局部线性假设成立的非线性系统适用等不足,近年来提出了一些卡尔曼滤波向非线性系统扩展的新方法。根据均值与协方差信息按非线性映射传播的特点,将它们归类为Sigma点卡尔曼滤波(SPKF)方法。在简要说明加权统计线性回归技术的基础上,系统介绍了SPKF的形式及算法,对其应用情况进行了总结和展望,指出可采用SPKF替代EKF以获得更好的性能。     

线性调频信号参数快速估计

针对采用线性调频(linearfrequencymodulation,LFM)信号体制的参数估计的应用场合,提出了一种消除最大似然估计时带来旁瓣的算法。该算法利用雷达回波信号的对称性上来获取统计样本,因而在无需对雷达系统作任何改进的情况下,可获得对LFM信号参数较好的估计。通过结合解线调估计运算量少的特点,有效地减少了估计的运算量,提高了估计精度。给出了应用该方法的具体步骤,通过仿真实验证明该算法的有效性。     

自适应OFDM系统中调制识别算法研究

提出了一种适用于快衰落信道下自适应OFDM系统的调制识别算法。在信道估计和频域补偿的基础上,利用子载波组样本的6阶和8阶累积量识别5种调制信号。仿真结果表明,该算法具有良好的识别性能和稳健性,在SNR=16 dB,移动台速度小于40 km/h的条件下,调制方式的正确识别率可在到95%以上。     

频率捷变的相控阵雷达目标多径DOA估计算法

介绍了频率捷变在相控阵雷达目标多径DOA估计中的应用,并采用修正的MUSIC算法(MMU-SIC)以提高多径信号DOA估计性能。频率捷变不仅可以去掉直射信号与反射信号的相关成分,而且可以消除严重的信号对消现象。而修正的MUSIC算法则可以将相关信号源的相关性大大降低,从而改善了传统MUSIC算法对相关信号源的DOA估计性能。     

基于模糊神经网络的自适应滤波方法仿真研究

提出了一种模糊自适应卡尔曼滤波算法。该算法基于模糊规则，根据新息相关性，自适应调整测量噪声方差R，有效的解决了噪声的统计特性与实际不符时，滤波器发散的现象。同时，利用Elman网络作为误差估计器，补偿模糊自适应卡尔曼滤波器的估计误差。仿真结果表明，两种方法结合，可以有效地防止滤波器发散，缩小实际的滤波误差，提高滤波精度，实现滤波器参数的在线改进。     

基于LMI的多传感器H∞融合滤波器设计

在实际多传感器数据融合系统中,往往过程噪声及测量噪声统计特性未知,但能量有限。此时一些在已知精确系统模型与噪声统计特性情况下保持优良融合性能的方法,不仅无法保持良好性能,甚至会出现崩溃情况。H∞融合滤波方法可以有效地解决此类多传感器融合系统的滤波问题,但存在求解困难问题。基于LMI给出并证明了H∞融合滤波器的解,给出了数值仿真实例。结果表明提出的方法可以解决过程噪声及测量噪声统计特性未知,但能量有限情况下的多传感器数据融合问题。     

多载波CDMA上行链路中的盲信道估计算法

介绍了OFDM 的多载波CDMA系统上行链路中的一种盲信道估计算法。通过分析接收端的信号， 利用接受信号和已知扩频码的二阶统计性估计出目标用户的信道脉冲响应。最后的仿真结果表明，该算法 比把目标用户以外的用户信息当作噪声的算法具有更好的性能。     

《周易》与信息融合一致性的研究

从基本思想、思维方法、模型结构及应用领域等角度对《周易》与信息融合技术进行了分析比较·将《周易》方法中信息采集、信息分类、信息处理、做出决策以及分类调整与信息融合技术中传感器信息采集、一级处理(目标优化、定位、识别)、态势评估、威胁估计以及过程优化进行了逐层比较·得出《周易》与信息融合在处理问题的方法上有内在的一致性,在预测和决策方面有其独特的方法,但不能精确、定量地给出判别·将《周易》宏观考察问题的方法与具体融合算法相结合,将会对信息融合技术起到指导作用·     

空间自回归模型中的强相合性

(n,n)表示在空间自回归模型Zij=αZi-1,j βZi,j-1-αβZi-1,j-1 εij中参数(α,β)的Guass-Newton估计,根据已知的结论:当α=β=1时,{n3/2)((^αn)-α,(^β)n-β)}收敛于二元正态随机向量分布即limn{n3/2(^αn)-α,(^β)n-β))′}(D→)N2(0,Γ),其中Γ=diag(2,2).利用双参数强鞅收敛定理,可以证明,当r<(3)/(2)时,nr(n-α,n-β)→(-0).a.e.