一种新的认知无线电宽带盲频谱感知方法

基于信息论准则的宽带频谱感知方法由于很好地克服了噪声不确定性问题而获得了广泛研究.但该类算法的推导需要假定接收数据向量在统计上独立同分布、背景噪声须为高斯白噪声,且其实现复杂度较高.针对这些不足,本文提出一种基于秩准则的宽带盲频谱感知算法.该算法将接收信号的取样协方差矩阵分解成秩为q的"理想"矩阵和"扰动"矩阵之和,利用秩准则函数寻求q值的最优解,然后根据该最优值确定被占用信道的个数及位置.新方法无需依赖噪声功率、信道及主用户信号的统计特征参与感知判决过程,具有广泛的适用性;同时相对于基于信息论准则的宽带频谱感知方法,新方法具有感知判决量表达式简单、计算复杂度低的优点,同时新方法在色噪声场景下表现出优良的感知性能.仿真结果表明了新方法的有效性.     

基于压缩感知的智能天线 DOA 估计算法

波达方向（direction of arrival,DOA）估计是利用具有一定空间结构的天线阵元对空间信源的来波方向进行估计。为解决MUSIC算法和ESPRIT算法在智能天线DOA估计中空间谱分辨率和抗噪声性能方面的不足,依据压缩感知理论的贪婪算法思想,将匹配追踪（matching pursuit,MP）算法和子空间追踪（subspace pursuit,SP）算法应用在DOA估计中,即提出2种新的算法MP-DOA和SP-DOA。这2种算法主要包括原子库建立、信号投影、最佳匹配原子筛选及信号特征提取等过程。4种算法的仿真实验与对比分析结果表明,MP-DOA算法在低信噪比情况下较其他3种算法性能更优越,SP-DOA算法在角度分辨率和对信源数的包容方面的性能较其他3种算法优越,也验证了应用压缩感知理论的优越性。     

l_1-总变分图像恢复的一种快速解法

总变分正则对具有清晰边缘的图像有较高的恢复性能.鉴于其不可微,交替方向法被广泛用来求解该类问题.然而,交替优化子问题常常使得搜索方向不精确.针对交替方向法在l_1-总变分图像恢复模型中的应用,提出了一种利用子空间优化矫正其当前搜索方向的方法.数值实验结果表明推出的方法可以有效地提升图像恢复性能.     

二维粘性不可压缩流动的Fourier-Chebyshev拟谱逼近

该文构造了计算二维粘性不可压缩流动的Fourier-Chebyshev拟谱格式,严格证明了其广义稳定性和收敛性,并给出了数值结果,该文的理论分析为此类混合逼近的误差估计提供了一个框架。     

线性空间的分解与若当标准形

本文证明了下面两点:(1)设A 是n×n 矩阵,那么A 相似于(?)为若当块矩阵,它仅有一个特征值和一个线性无关的特征向量.(2)者|λI-A|=(λ-λ_1)~(r_1)-(λ-λ_2)~(r_2)…(λ-λ_3)~(r_3),其中λ_1,λ_2,…,λ_3两两不同,那么dimN(A-λI)~(r(?))=r_(?)(i=1,2,…,8)其中Ⅳ(A-λ_1I)~(r(?))={α|α∈U~n,(A-λI)~(r(?))·α=0}.U~n 是n 维列向量.     

伪辛群作用下子空间轨道生成的格的同构条件

文章讨论了伪辛群作用下子空间轨道生成的格的同构条件。首先给出3个引理,说明格L(m,2s+1,s,1;2υ+1)和L(m,2s,s,1;2υ+2)与L(m-1,s;2υ)同构。进而进行推广,得出了格L(m,2s,s,1;2υ+2)与格L(m,2s+1,s,1;2υ+1)的同构条件。     

李超代数的Jacobson幂零性定理

本文将李代数的Jacobson定理推广到李超代数中,得到李超代数的Jacobson幂零性定理,证明了如下结论,如果一般线性李超代数中的诣零的李超闭子集张成的李超代数是有限维的,那么此李超代数在其底空间上必是严格上三角的。     

基于宽窗口和PAST算法的扩频序列盲估计

针对DSSS信号的盲估计问题,结合投影逼近子空间追踪算法(PAST)和滑动窗技术,对接收信号进行宽窗口划分,实现了非同步接收信号的扩频码的恢复。该方法只需要提取信号的主特征向量,然后利用滑动窗的方法实现码同步。PAST方法避免了特征值的求解,降低了计算量,易于硬件实现,解决了传统的特征分解方法实时处理的困难以及相位模糊的问题,并且能在低信噪比下实现扩频码的估计。     

线性空间中的2-型模糊集

讨论线性空间中2型模糊子集,给出其为特殊2型模糊子集的充要条件,推广了线性空间中一般模糊子集的相应结果.     

基于支持向量机的多特征选择目标跟踪

目标判别跟踪方法一般以单一跟踪结果(正样本)和部分负样本训练分类器,并只用单一的特征描述目标,因此在目标发生遮挡、光照变化、形变等情况下很容易导致跟踪的失败. 为了克服单一正样本和单一特征训练的分类器导致跟踪不稳定的问题,提出一种基于支持向量机的多特征描述、多个正负样本进行分类器训练的目标跟踪方法,用训练分类器对所有候选粒子的不同特征进行判别和选择,并将具有最大置信概率的粒子确定为跟踪结果. 在跟踪过程中,利用子空间学习的方法实现正样本的更新,并以更新后的正负样本训练分类器. 实验结果表明,该方法在目标存在遮挡、光照变化、形变等情况下均可以取得较好的跟踪效果.