一种新的低空目标角度估计方法

针对低空、超低空目标波达角度估计受多径畸变影响的问题,提出一种基于三子阵天线无特征分解的低空波达角度估计算法。该算法首先通过空间平滑构建三子阵天线,以降低信号矩阵的维度;然后利用低空环境下三子阵天线回波信号的形式,构造接收信号的正交矢量;最后通过角度谱函数完成多径情形下目标仰角的估计。算法直接利用回波信号协方差矩阵进行角度估计,省去了信号去相关、信源估计的繁琐过程,避免了通过特征分解划分信号子空间、噪声子空间等问题。通过数值仿真分析给出波达角度估计性能,证实了在低信噪比时该算法估计精度优于传统的测角算法。     

利用空间平滑的协方差秩最小化DOA估计方法

针对传统波达方向角估计算法在相干信号及非均匀噪声下估计精度差、分辨率低的问题,基于空间平滑方法,提出一种接收信号协方差矩阵秩最小化波达方向估计方法．在传统空间平滑方法的基础上,所提算法将接收信号协方差矩阵分别左右乘交换矩阵以得到空间后向平滑协方差矩阵;而后基于平滑矩阵的低秩性,将协方差矩阵重构为无噪声协方差矩阵;最后利用传统MUSIC算法实现波达方向估计．仿真结果表明,与传统MUSIC算法、基于矩阵补全理论的MUSIC算法和秩迹最小化算法相比,所提算法能较好地抑制非均匀噪声影响,且在相干条件下具有较好的波达方向估计性能．     

非平稳噪声下稀疏表示的DOA估计算法

为提高非平稳噪声下远场非相干窄带信号波达方向（DOA）的估计精度,提出了一种基于稀疏重构的DOA估计算法.采用类协方差差分算法构造差分矩阵,抑制非平稳噪声的影响;基于类旋转不变子空间参数估计算法基本原理构造稀疏表示模型与权函数;利用加权l₁范数对模型求解,实现DOA估计.仿真结果表明,与传统的协方差差分算法、噪声协方差矩阵估计算法、秩迹最小化算法以及稀疏重构算法相比,所提算法不仅能较好地抑制非平稳噪声的影响,而且在低信噪比、低快拍数情况下具有较强的稳健性和较高的估计精度.     

基于主动时反的浅海目标DOA估计优化算法

将时反技术应用到浅海目标DOA估计中,提出基于主动时间反转(active time reversal,ATR)的浅海目标DOA估计优化方法,可有效解决多径、低信噪比条件下的目标DOA估计问题。采用经典射线模型,结合阵列信号处理理论,建立了基于均匀线列阵的常规多径DOA估计模型和主动时反多径DOA估计模型,利用Capon算法对所建模型进行了仿真验证,并做了对比分析。仿真结果表明:在低信噪比情况下,主动时反方法可以更好地估计出目标的角度,其分辨率更高,抑制旁瓣的能力更强。     

色噪声条件下基于矩阵补全的互质阵列DOA估计

针对扩展孔径的互质阵列在色噪声条件下波达方向（DOA）估计性能明显下降的问题,提出了一种基于压缩感知的互质阵列DOA估计方法。在背景噪声为色噪声的情况下,将互质阵列接收到的数据协方差矩阵重构为欠定无噪协方差矩阵,并使用Lp范数和截断核范数结合的算法对其进行低秩矩阵恢复,从而有效地抑制了色噪声对DOA估计的影响;此外,采用差分阵方法对去噪处理后的协方差矩阵进行矩阵扩展,使用交替投影算法对矩阵扩展后产生的空洞进行填补,提高DOA估计的精度。仿真实验表明：相比于现有方法,所提方法能有效地恢复数据矩阵并抑制色噪声影响,在信噪比和快拍数相同的情况下DOA估计性能分别提升了15%和7.5%,在角度间隔相同的情况下DOA分辨率也有所提升。     

独立信号与相干信号并存的任意阵列测向方法

针对现有的基于压缩感知理论的测向方法,其阵元利用率较低且对信噪比要求较高,基于压缩感知理论,提出了一种信号子空间测量模型,并将其用于独立信号与相干信号同时存在的情况,实现了任意阵列测向,有效扩展了阵列孔径并提高了低信噪比时的估计性能.该方法首先对独立信号的入射角度进行估计并消除相干信号的干扰;然后利用斜轴投影技术获得只含相干信号信息的数据矩阵,进而估计出相干信号的波达方向.理论分析和实验仿真结果表明,所提方法具有计算简便、阵列利用率高以及低信噪比时估计性能好等优点.     

基于信号非圆特性的源数估计改进算法

利用信号的非圆特性,提出了一种信源个数估计的改进方法。非圆信号的椭圆协方差非零,因此同时利用协方差矩阵和椭圆协方差矩阵能够获得更多的信息,可以更精确地对信源个数进行估计。仿真实验表明,这种改进算法在低信噪比情况下仍然能够准确估计信源的个数,而且角度分辨率高。     

基于矢量水听器阵的迭代稀疏协方差矩阵拟合波达方向估计方法

针对矢量水听器阵列相干信号方位估计问题,提出了迭代稀疏协方差矩阵拟合波达方向估计(direction of arrival,DOA)算法。基于加权协方差矩阵拟合准则,构建了关于稀疏信号功率的目标函数,利用Frobenius范数性质推导了稀疏信号功率迭代更新的递推式。所提算法利用迭代重构的思想计算离散网格点上信号功率,使得估计的功率更精确,从而获得更加精确的DOA估计。理论分析表明,所提算法求解网格点上信号的功率经过了滤波器的预处理,该滤波器允许指定方向的信号通过并且衰减其他方向的信号,对信号的相关性具有较低的敏感度。仿真实验结果表明,在信噪比为15 dB,非相干信号情况下,所提方法估计的平均误差为多重信号分类高分辨方法的39.4%,迭代自适应稀疏信号表示方法的73.7%;相干信号情况下,所提方法估计的平均误差为迭代自适应稀疏信号表示方法的12.9%。所提算法应用于具有高度相关性目标的DOA估计时,可有效提高目标DOA估计的精度。     

色噪声下基于差分聚焦的宽带DOA估计方法

针对色噪声下宽带阵列波达方向(DOA)估计精度差及稳健性不足的问题,本文结合协方差矩阵差分理论及特征向量空间聚焦算法提出有效解决方案.算法首先按照协方差矩阵差分理论求解差分矩阵,并对差分协方差矩阵进行特征分解,取正特征值部分对应的特征向量重构观测模型,消除色噪声及“伪峰”影响;然后,针对新观测模型,构建新的信号自相关矩阵;在此基础上,推导了不需角度预估的宽带DOA估计方法原理,即以不同频点处特征向量信号子空间为基础,求解聚焦矩阵;此外,为避免特征分解过程中零特征值所对应的特征向量对算法分辨门限的影响,依照特征值递减序列对特征向量矩阵进行重新排列,由非显著部分与信号阵列流型矩阵之间的正交性关系,重构聚焦矩阵.最后,仿真比较分析了所提算法与在噪声背景下的测向精确性、分辨能力、算法稳健性及复杂度方面的性能.理论分析及仿真结果表明,本文方法在色噪声背景下估计精度高、稳健性好,且不需要进行角度预估,复杂度低,实用性较强.     

UWB室内信道下一种低复杂度的TOA估计新算法

针对室内信道,提出一种基于UWB多径信号中最强路径检测的TOA估计算法．通过卷积运算进行最强路径搜索,进而完成TOA估计．TOA估计过程不依赖视距路径(line-of-sight path)检测,适合于NLOS(non line-of-sight)情形,且最强路径搜索避免了阈值设置过程,相比LP搜索计算复杂度低．通过对IEEE.802.15.4a标准下NLOS信道模型的仿真实验,讨论了各参数估计偏差对定位性能的影响,验证了本定位算法在室内多径信道下的适用性．     

一种自适应收缩因子的循环平稳波束形成器

针对常用循环平稳波束形成器收敛速度慢的问题,提出一种基于自适应收缩因子形式的对角加载方法的稳健循环平稳波束形成器.首先采用收缩因子对采样协方差矩阵进行修正然后得到估计的阵列协方差矩阵,通过求解真实协方差矩阵与估计协方差矩阵之间均方误差最小的最优问题,进而求出收缩因子的大小.最后利用循环自适应波束形成(cyclic adaptive beamforming,CAB)算法求取阵列权值.仿真过程中,用所提算法与传统的循环平稳波束形成算法在低功率干扰和高功率干扰两种条件下作对比,表明该算法在收敛速度方面具有较好的性能,并且在低采样快拍数目情况下所提算法的输出SINR也相对较高.     

一种采用协方差矩阵稀疏表示的DOA估计方法

提出一种新的基于样本协方差矩阵稀疏表示的联合波达方向估计方法.该方法对传统的基于协方差矩阵稀疏表示的模型进行改进,仅利用协方差矩阵的部分信息来进行波达方向估计,无须已知噪声功率,以极小的孔径损失换取算法的稳健性.虽然是基于样本统计信息(即协方差矩阵)的波达方向估计方法,但是其原理与传统的角度高分辨估计方法(MUSIC,CAPON)不同,该算法对具有任意相关性的信号源能进行有效的波达方向估计,不需要进行去相关处理,且具有很高的分辨力及估计精度.     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

Matrix reconstruction high accuracy DOA estimation algorithm on the Nested array

For the nested array, the covariance matrix of the receiving data is pulled into a column vector by using the Khatri-Rao product, which is equivalent receiving data turned into the single snapshot. In the case of the covariance matrix being vectored, a new matrix reconstruction is presented to build up the rank of the new covariance matrix and the ESPRIT algorithm of an improved matrix reconstruction is proposed in this paper. The covariance matrix on the virtual array will be restored and more matrices can be reconstructed by using this approach.Then, the DOA estimation is obtained based on the ESPRIT algorithm of matrix reconstruction. Simulation results demonstrate that the proposed method achieves accurate DOA estimation when the number of targets is larger than that of array elements.     

New method for estimating 2-D DOA in the coherent source environment based on data matrix reconstruction

The performance of classical two dimensional (2-D) Direction-Of-Arrival (DOA) estimation algorithms degrade substantially in the presence of coherent environment. A new DOA matrix method——DOA matrix method based on data matrix reconstruction (DMR-DOAM) is proposed for 2-D DOA estimation in the coherent source environment. The proposed algorithm reconstructs two Toeplitz equivalent covariance matrices by using cross-correlation information among receiving data from arrays. Decorrelation and 2-D DOA estimation can be realized via the eigen-decomposition of the new DOA matrix. The algorithm can retain the advantages of the traditional DOA matrix method, such as automatical parameter alignment and no need of 2-D search spectrum peak. The equivalent covariance matrices only use the middle column of classical covariance matrices, so the calculation amount is reduced, and the algorithm can be realized easily. Furthermore, the paper analyzes the estimation performance and influencing factors of the proposed algorithm. Theoretical analyses and simulation results both show that the proposed algorithm is effective.     

一种改进的群目标自适应跟踪算法

为提高对群目标在机动情况下的跟踪性能,提出一种改进的群目标自适应跟踪算法．在群质心状态估计中,在修正“当前”统计模型的基础上,利用群质心的速度预测和速度估计的偏差进行过程噪声方差自适应调整,并引入强跟踪滤波中的渐消因子,实时调节群质心的状态预测协方差．在扩展状态估计中,将其对应的椭圆面积预测值和估计值的偏差以及偏差变化率作为模糊输入量,采用模糊推理法自适应输出扩展状态的预测参数．此外,提供了群目标分裂机动的判决方法．仿真结果表明,与现有方法相比,本文算法增强了对群目标在突发机动时的自适应跟踪能力,并能有效检测出群的分裂机动．     

基于多任务学习的MIMO-OFDM信号联合信噪比估计与调制识别

针对当前非协作通信中MIMO-OFDM信号信噪比盲估计与子载波的调制识别研究仅集中在单个任务中的问题,提出了一种将深度神经网络与多任务学习(MTL)框架相结合从而同时完成信噪比盲估计与调制识别的算法。首先利用特征值矩阵联合近似对角化算法(JADE)恢复发送信号,并提取恢复信号的同向正交(I/Q)分量作为浅层特征;然后搭建基于一维卷积神经网络(CNN)的多任务学习模型,通过联合训练信噪比(SNR)估计和调制识别两个任务,实现优势互补。仿真结果表明,所提算法可获得比单任务学习(STL)更优的性能,当信噪比为-10dB时,信噪比估计的均方误差降低了66.21%,调制识别精度提高了4.75%。另外,多任务学习模型在信噪比大于-1dB时,信噪比估计的均方误差小于0.1;信噪比为3dB时,调制识别的精度可达到100%。     

一种用于矩形阵列的二维波达方向估计方法

针对现有使用均匀矩形阵列或稀疏矩形阵列的二维无格波达方向估计方法的性能欠佳的问题,提出一种基于二阶特普利茨矩阵重构和二维旋转不变参数估计技术的无格波达方向估计方法。使用均匀矩形阵列或稀疏矩形阵列,对其接收信号的协方差矩阵进行二阶特普利茨结构表达,通过log-det稀疏测度与正定约束构造约束优化问题,并使用优化最小算法求解,最后通过二维旋转不变参数估计技术估计源的二维波达方向,即方位角与俯仰角。这种方法需要多次求解半定规划问题,计算复杂度相对较高,但能获得更好的波达方向估计性能。在仿真实验中,这种方法在均匀矩形阵列或稀疏矩形阵列条件下均有非常低的均方根误差,接近克拉美罗界,证明了其良好的波达方向估计性能。     

基于深度学习的多载波系统信道估计与检测

为了提升滤波器组多载波（FBMC）系统的通信质量,针对符号检测与信道估计问题,研究系统框架和虚部干扰问题,提出基于深度学习的FBMC系统信道估计与检测方法. 搭建完整的FBMC-偏移正交幅度调制（OQAM）系统与深度学习模型结合的仿真系统,设计接收数据的特征与标签处理;采用ResNet-DNN神经网络对信道符号检测模块建模,改进原模型网络结构和优化模型参数,和传统的分类器相比,提高了符号检测的准确性;采用CNN+NN模型对信道估计、均衡、符号检测模块进行建模和集成,理论分析和仿真结果表明,新方法的抗噪声能力、鲁棒性和误比特率（BER）性能均优于正交频分复用（OFDM）系统和基于导频估计的FBMC系统性能.     

非合作通信中MQAM的定时载波联合同步

针对非合作通信系统中多径信道下含有大符号率偏差的M进制正交振幅调制信号定时载波的同步问题,提出了一种基于改进加德纳算法的M进制正交振幅调制信号定时载波联合同步方法．该方法首先利用加德纳算法中频偏与算法输出值之间的关系,进行定时偏移估计与载波偏移粗估计;然后利用与其相差半个码元的定时误差检测输出值的绝对值差进行锁定;最后利用锁相环跟踪细微的频偏和相偏．仿真结果表明,在多径信道下,所提的定时偏移和载波偏移的联合估计方法具有良好的估计性能．