一种新的多目标盲波束形成技术研究

该文提出了一种新的多目标盲波束形成算法。该方法在最小二乘恒模算法的基础上,通过对一种新的代价函数的最小化,来盲估计波束形成器的权矢量,从而完成对多目标的分离与定向。同时,采用一种改进的神经网络结构解决了最小二乘算法中矩阵求逆的运算,不但能有效提高运行速度,而且易于用硬件实时实现盲波束形成。仿真实验验证了该算法的有效性和正确性。     

一种改进均方误差性能的新型鲁棒性波束形成算法

结合信干噪比最大化和均方误差最小化两个优化目标,提出一种新型的鲁棒性波束形成算法.该方法考虑信号估计误差,在传统的最小方差的代价函数中引入信号协方差矩阵的估计误差,并在波达角估计误差的约束下,将鲁棒性波束形成器转换成基于支持向量机形式的波束形成器,通过一种高效的新型支持向量机训练算法计算阵列权值;然后以均方误差最小化为目标来修正阵列权值.仿真结果表明:该方法降低了波束形成器对信号估计误差的敏感度,提高了其抑制非平稳干扰的能力,且具有更好的均方误差性能.     

一种改进的恒模多目标盲波束形成算法研究

提出了一种改进的CMA多目标盲波束形成算法。该方法在最小二乘恒模算法的基础上，通过对一种新的代价函数的最小化，来盲估计波束形成器的权矢量，从而以小于最小二乘恒模的计算量完成对多目标的分离与定向，同时，为防止强干扰造成目标的错误锁定，利用梯度恒模对步长因子的敏感性，选择适当步长因子进行预处理，消除强干扰的影响。仿真实验验证了算法的正确性和有效性。     

基于峰度自然对数最大化的信号盲分拣算法和盲波束形成

该文基于峰度自然对数最大化准则,提出了一种自适应一元信号盲分拣算法,提出的算法可以用于一元信号盲分离和进行盲波束形成,与基于峰度值最大化准则的KMA算法相比,收敛速度快,有较强的稳健性,将非线性函数引入学习速率的调节,算法自动选取学习步长,避免了人工选取学习速率不当而导致算法发散。同时,提出了两种复数抽气算法,配合一元信号盲分拣算法可以依次分离多个信号源,仿真试验验证了算法的有效性。用提出的算法在四元线阵上盲分离两个水声信号,结果发现,一元信号盲分离实现的盲波束形成波束图与最优波束接近。     

一种基于互相关神经网络的声呐盲波束形成方法研究

针对水声环境和水声信号的特点，提出了一种基于神经网络的声呐盲波束形成算法。该方法利用水声信号的循环平稳特性把波束形成权向量的求解问题转化为阵列接收信号互相关函数的奇异值分解问题；引入一种互相关神经网络求解阵列接收信号相关函数的奇异值，从而减小了运算的代价，可高效实现盲波束形成。提出的改进互耦Hebbian学习规则有效地提高了神经网络权值的更新速度，为问题的实时求解提供了有效的途径。该方法还能抑制噪声和干扰的影响，表现出较强的顽健性。仿真实验验证了算法的正确性。     

CDMA系统智能天线盲自适应波束形成

给出了基于最大化信号对干扰和噪声的功率比(MSINR)准则的盲自适应波束形成在线递推算法,旨在提高DS-CDMA系统中智能天线的性能.将MSINR准则转化为一种新的等价的无约束准则函数,通过最大化此准则函数来在线估计最优波束形成向量.算法直接利用了DS-CDMA系统解扩前和解扩后的观测信号,无须训练序列.通过在线迭代估计,降低了计算波束权值的复杂度.不同通信环境中的仿真结果表明,该算法具有较高的估计精度和很好的抗多址干扰能力.     

基于样条函数Renyi熵的时间分集小波盲均衡算法

针对时间分集分数间隔判决反馈盲均衡算法(TD)计算量大、收敛速度慢的缺点,该文提出了一种基于样条函数Renyi熵的时间分集小波盲均衡算法。该算法直接把定义的样条函数Renyi熵作为代价函数用于TD的权向量更新,利用分数间隔获得更详细的信道信息;由正交小波变换降低输入信号的自相关性,以加快收敛速度;利用时间分集和判决反馈结构来降低多径衰落对通信质量的影响。水声信道盲均衡的仿真实验,验证了该算法的有效性。     

基于四阶累积量的稳健盲波束形成算法

基于四阶累积量的盲波束形成算法在估计有用信号方向向量时存在估计误差,导致其构造的最小方差无失真响应(MVDR)波束形成器性能降低.针对此问题,借鉴子空间正交投影思想,提出一种基于四阶累积量的稳健盲波束形成算法.与原算法相比,稳健算法可有效提高有用信号方向向量的估计精度,改进算法的波束形成性能.计算机仿真验证了稳健算法的有效性.     

抑制信号失配和非平稳干扰的鲁棒性自适应波束形成

本文针对信号失配和非平稳干扰问题,提出了一种鲁棒性较强的自适应波束形成方法.该方法通过考虑信号估计误差,在传统的线性约束最小方差的代价函数中引进信号协方差矩阵的估计误差并加入额外的波达角估计误差约束,通过一种高效的新型支持向量机训练算法计算权值;仿真结果表明该方法具有更好的鲁棒性.提高了波束形成器抑制信号估计失配和干扰非平稳性的能力.     

基于盲波束形成的麦克风阵列语音增强方法

考虑到语音信号方向向量估计误差对传统波束形成语音增强性能的影响,该文提出一种盲波束形成语音增强方法。由于采用阵列四阶互累积量和线性约束最小方差波束形成器相结合,使得该方法对语音信号方向向量误差具有一定韧性。此外,采用多通道后置滤波去除盲波束形成器输出端的残留噪声。仿真结果表明,在语音信号波达方向等先验信息未知的情况下,该文提出的盲波束形成语音增强方法仍具有较好的噪声抑制性能。     

基于多步分解算法的解卷积混合盲源分离新方法

该文提出一种基于二阶统计量的时域多步分解算法求解卷积混合盲源分离问题。引入白化处理,将混迭矩阵转变成酉矩阵,同时,根据源信号不同延时下相关矩阵所具有的块状对角结构,将酉矩阵分为不同的列块。针对各列块之间相互正交的特性,提出一种关于某一特定列块的最小二乘三二次代价函数。利用一种常规的基于梯度下降法的三迭代算法,交替估计代价函数中的3组待定参数,搜索其最小点,得到酉矩阵一个列块的估计。利用系统化的多步分解算法(MSA),依次估计酉矩阵的每个列块,最终得到整个酉矩阵的估计,进而恢复出源信号。仿真结果表明,新方法性能优于经典的SUB方法及新近提出的JBD-NonU方法,可有效地解决卷积混合盲源分离问题。     

针对方向图综合的MIMO雷达双边自适应矩阵算法

为了降低MIMO雷达自适应矩阵算法(Adaptive Matrix Approach,AMA)的计算复杂度和样本需求,该文提出一种双边AMA(Two-Sided AMA,TS-AMA)算法。TS-AMA算法将AMA算法的权矩阵分解成两个低维权矩阵的Kronecker积,从而将AMA算法的代价函数转化为一个双二次的代价函数。新的代价函数可以通过结合半正定规划(Semi-Definite Programming,SDP)和双迭代算法(Bi-Iterative Algorithm,BIA)有效地求解。相比AMA算法,TS-AMA算法的收敛速度更快,样本需求更低,运算量更小。仿真结果说明了该算法的有效性。     

快速QAM信号多模盲均衡算法

该文提出一种改进的QAM信号的多模盲均衡算法,其利用发送信号的实部(或虚部)信息构造代价函数.并且,提出了通过共轭梯度算法得到均衡器最优权的算法,该算法具有二次收敛性,与传统恒模算法和多模算法相比较,有非常快的收敛速度和非常少的计算量,并且均衡效果相当.最后,通过误码率和收敛速度分析该算法的可靠性和有效性,通过计算机仿真证明了该算法的有效性.     

一种基于GA的混合属性特征大数据集聚类算法

在数据挖掘中,经常会遇到和分析大量具有数值和类属特征的数据。然而,现有的大多数算法只能单独处理数值特征数据或类属特征数据,而不能分析具有混合属性的数据。为此,该文提出了一种基于GA的模糊聚类新算法,通过改进聚类目标函数将数值特征与类属特征相结合,从而实现具有混合属性特征数据的聚类分析;通过引入GA算法能够快速得到全局最优解,而且不依赖于原型初始化。实验结果表明,基于GA的新聚类算法对于处理具有混合特征的大数据集聚类问题是相当有效的。     

用SAR原始数据对雷达脉冲信号失真的校正

该文提出了一种对雷达发射脉冲进行相位估计的算法。该算法利用Chirp Scaling原理对SAR信号进行距离迁移校正,但仅在方位向波束锐化,然后利用自聚焦的方法(Map Drift,PGA),在距离向进行自聚焦处理,提取距离向的相位误差信息。文中分析了影响相位估计精度的各种因素,并在算法中加入了迭代补偿方法,仿真结果验证了算法的正确性。     

基于免疫克隆与核匹配追踪的快速图像目标识别

为了避免核匹配追踪通过贪婪算法在基函数字典中寻找一组基函数的线性组合来逼近目标函数的计算量大的缺陷,本文利用免疫克隆选择算法全局最优和局部快速收敛的特性,加快对核匹配追踪算法每次的匹配过程进行优化,提出了一种免疫克隆核匹配追踪图像目标识别算法,该算法有效降低了核匹配追踪算法的计算量,对UCI数据集和遥感图像进行的仿真实验结果表明,相比标准核匹配追踪,该算法保持相当识别率情况下可以明显缩短一次匹配追踪的时间,尤其当字典规模较大时效果更为明显;同基于遗传算法优化相比,本文方法目标识别速度快,精度高。     

Novel quantum-inspired genetic algorithm based on immunity

A novel algorithm, the Immune Quantum-inspired Genetic Algorithm (IQGA), is proposed by introducing immune concepts and methods into Quantum-inspired Genetic Algorithm (QGA). With the condition of preserving QGA‘s advantages, IQGA utilizes the characteristics and knowledge in the pending problems for restraining the repeated and ineffective operations duringevolution, so as to improve the algorithm efficiency. The experimental results of the knapsack problem show that the performance of IQGA is superior to the Conventional Genetic Algorithm (CGA), the Immune Genetic Algorithm (IGA) and QGA.     

分类判别的覆盖算法研究

基于数据的机器学习是研究从观测数据出发寻找规律,并利用这些规律对未来数据进行预测.该文提出一种新的分类判别方法--覆盖算法,其主要过程是利用某种覆盖规则算法寻找一些训练样本集的支撑点(代表点),在决策的时候仅需计算待分类样本与支撑覆盖点之间的距离并进行比较,与之最近的支撑点所在类别即为代分类样本的类别.而支撑点仅占全部训练样本的一部分,所以相比最近邻方法具有较小运算量和存储量的优点.另一方面,覆盖算法主要是样本之间的距离运算,不需要像SVM那样考虑核函数的选择问题,因此更适用于大数据量的自动分类问题.对正常星系和恒星两类光谱数据进行实验,结果表明,覆盖算法具有较好的鲁棒性、较高的分类正确率.     

对折置乱算法及置乱度分析

论文通过对准逆序置乱算法的研究,提出了一种新颖的置乱处理算法—对折置乱算法。针对一维序列置乱算法分别按行列对图像置乱所固有的弊端进行了改进,获得了良好的置乱效果,并具有保密功能。同时提出了一个置乱度评估指标,该指标实现了严格意义上的归一化,计算简单而有效。     

Clustering via dimensional reduction method for the projection pursuit based on the ICSA

The performance of the classical clustering algorithm is not always satisfied with the high-dimensional datasets, which make clustering method limited in many application. To solve this problem, clustering method with Projection Pursuit dimension reduction based on Immune Clonal Selection Algorithm (ICSA-PP) is proposed in this paper. Projection pursuit strategy can maintain consistent Euclidean distances between points in the low-dimensional embeddings where the ICSA is used to search optimizing projection direction. The proposed algorithm can converge quickly with less iteration to reduce dimension of some high-dimensional datasets, and in which space, K-mean clustering algorithm is used to partition the reduced data. The experiment results on UCI data show that the presented method can search quicker to optimize projection direction than Genetic Algorithm (GA) and it has better clustering results compared with traditional linear dimension reduction method for Principle Component Analysis (PCA).