基于波束空间的自适应波束形成算法

提出了一种稳健的波束形成算法。该算法利用干扰信号的导引向量和噪声向量对接收信号的协方差矩阵进行重构,经此处理后的协方差矩阵的信号子空间中不再包含期望信号成分,使得当期望信号功率较强时应用LCMV算法也不会对期望信号进行抑制。此外,算法还引入了锥形方差矩阵技术增强算法抑制干扰的能力。最后仿真证明了该算法的有效性。     

自适应波束形成的神经网络方法

在自适应陈列天线中，自适应波束形成的问题可以归结为带线性约束的最小二乘问题，为解决传统算法中运算量过大的问题，文章提出一种利用Ｔａｎｋ－Ｈｏｐｆｉｅｌｄ网络实现自适应波束形成的方法，由于神经网络具有大规模并行处理的能力，该方法较传统方法有更好的实时处理能力。     

神经网络在ESB自适应波束形成中的应用

基于特征空间(ESB)自适应波束形成算法性能优良,但需要进行矩阵特征分解,运算量大。提出了一种基于神经网络的ESB自适应波束形成算法。该算法仅将Toeplitz化后的采样协方差矩阵的第一列元素作为网络输入,从而降低了输入矢量的维数。利用广义回归神经网络逼近权矢量,神经网络的并行计算可提高运算速度。计算机仿真结果表明此方法是有效的。     

基于自适应波束形成的高维数据挖掘算法

提出一种基于自适应波束形成的高维声传感器网络数据挖掘算法.进行多通道声传感器网络信号的高维信息数据采集和相空间重组,进行信号模型构建,对高维数据信息流进行子空间降维和自适应陷波器降噪滤波处理,采用自适应波束形成方法进行数据的谱峰聚焦和特征提取,实现数据准确挖掘.仿真结果表明,采用该算法进行数据挖掘的准确检测概率较高,抗干扰性能较好,波束旁瓣得到有效抑制.     

共轭梯度自适应波束形成算法

本文讨论了共轭梯度算法在自适应波束形成中的应用，指出在时域和空域同时处理，与仅在时域或空域处理的方法相比，不仅在性能上得到了改进，而且放宽了对阵元数目的要求。同时提出了一种前后向平均和多层前后向处理的结构和方法，使算法在上得到了进一步的改善。     

基于特征结构的自适应波束形成新算法

基于相关矩阵的特征分解，本文提出了一种改进的线性约束最小方差波束形成（ＬＣＭＶ）新算法，当目标信号含于相关矩阵中时，新算法能有效地抑制信号对消现象，并且具有良好的波束保形能力和快速收敛特点，计算机仿真结果验证了这些优点。     

共轭梯度自适应波束形成算法

本文讨论了共轭梯度算法在自适应波束形成中的应用,指出在时域和空域同时处理,与仅在时域或空域处理的方法相比,不仅在性能上得到了改进,而且放宽了对阵元数目的要求。同时提出了一种前后向平均和多层前后向处理的结构和方法,使算法在性能上得到了进一步的改善。     

基于高阶统计量的自适应非线性波束形成新算法

本文提出了一种新的基于高阶统计量的自适应非线性波束形成器，与常规的基于２阶相关矩阵自适应数字波束形成器相比，它的有效阵列孔径得到扩展，可抑制多于阵元数个有源干扰，对主瓣干扰抑制的性能及波束保形得到明显的提高，对阵元误差具有更强的容差能力。计算机仿真结果验证了这些结论。     

基于脉动阵的自适应波束形成算法仿真

为了满足自适应波束形成技术对实时性的要求,将脉动阵应用于波束形成算法中,以实现自适应权向量的实时获取.通过对QR分解采样矩阵求逆算法、混合型QR分解采样矩阵求逆算法和逆QR分解采样矩阵求逆算法的理论分析,利用脉动阵,对输入数据矩阵进行QR分解,得到旋转因子,实现自适应权向量的实时更新.针对三种算法各自的脉动阵进行仿真,结果表明,基于脉动阵的自适应波束形成算法实现了权向量的高速获取,并为后续的工程实践提供了理论依据.     

基于神经网络的盲波束形成

利用径向基函数神经网络来实现无线通信中智能天线的波束形成. 利用了信号相关阵的对称性质,仅考虑相关阵中的上三角(或下三角)的部分元素作为网络的输入量,计算量较小.进一步提高了运算速度,具有收敛快且准确的优点.计算机模拟实例证明结果与理论相吻合,表明了该方案的有效性.     

一种改进的稳健自适应波束形成算法

当快拍数较小时,自适应波束形成算法的性能将会降低,而对角加载算法是提高这类自适应波束形成算法稳健性的简单而有效的方法,但是至今没有一种比较有效的方法来确定对角加载值。本文提出了一种确定加载值的方法,这种方法在加载值和协方差矩阵的估计误差之间建立联系,它能够根据阵列的输出数据动态的调整加载值。计算机仿真证实了该算法的有效性。     

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。     

一种基于神经网络的超稳定自适应控制算法

提出了一种用于控制复杂非线性系统的超稳定自适应控制算法。使用波波夫超稳定性原理设计控制器。用神经网络在线辨识系统的建模误差及不确定性因素，辨识结果作为补偿信号以实现系统的鲁棒控制。对一双输入双输出非线性系统的仿真结果表明，所提出的超稳定自适应控制算法具有较好的性能。     

基于深度神经网络的高校贫困生认定模型

高校贫困生认定工作是当前高校学生管理的重要工作之一。校园一卡通产生了大量的数据,记录着在校大学生消费和学习情况。以深度神经网络为技术依托,建立高校贫困生认定模型。实验证明,该模型具有较高的准确度,为科学构建高校贫困生认定管理体系提供技术支持。     

基于投影对消处理技术的稳健自适应波束形成

针对传统自适应波束形成算法中目标波达方向(Direction of Arrival,DOA)估计不准确引起的波束形成性能下降问题,提出了一种采用投影对消矩阵的稳健自适应波束形成算法.首先,寻找与估计波达方向有最大相关性的特征矢量作为目标信号特征矢量,然后构建对消矩阵消除协方差矩阵中的信号分量,最后通过增加零点约束实现干...     

基于谱分析的稳健自适应波束形成算法

针对在导向矢量存在误差情况下,自适应波束形成算法性能下降问题,提出一种基于谱分析的稳健自适应波束形成(SA-RAB)算法。算法利用空域与频域的对称性,根据真实导向矢量与理想导向矢量之间的误差,运用谱分析(SA)技术确定波束主瓣宽度,最后利用二阶锥规划(SOCP)技术在主瓣宽度内形成平顶响应,并在副瓣区域内进行干扰抑制。仿真结果表明:该算法可有效地抑制干扰,并输出理想的信号干扰噪声比(SINR),且提高了波束形成针对导向矢量误差的稳健性,验证了算法的有效性和优越性。     

一种改进的深度神经网络应用于推荐系统

推荐系统是信息过滤的一种重要工具。随着互联网和大数据的介入,推荐系统的技术革新面临着新的挑战。近年来,深度学习的革命性进步在语音识别、图像分析和自然语言处理方面都受到了广泛关注。与此同时,一种应用于许多复杂任务的最先进的机器学习技术被用于推荐系统,以提高推荐的质量。由于其一流的性能表现和高质量的推荐结果,深度学习可以更好地理解用户需求、项目特征及其之间的历史性互动。文章提出将一种改进的深度神经网络应用于推荐系统。实验结果表明,该方法的效果令人瞩目。     

基于导向矢量估计的鲁棒自适应波束形成算法

针对在导向矢量存在误差情况下自适应波束形成算法性能严重下降的问题,提出一种基于导向矢量估计的鲁棒自适应波束形成(Steering Vector Estimation Based Robust Adaptive Beamforming,SVE-RAB)算法.算法用导向矢量不确定范围估计真实导向矢量,利用范数约束通过二阶锥规划技术提高波束形成的鲁棒性.算法可在导向矢量存在误差的情况下,对期望信号保持最大增益并有效抑制干扰,且有效提高了波束形成输出的信干噪比(Signal to Interference plus Noise Ratio,SINR).仿真结果验证了算法的有效性和优越性.     

一种改进的盲自适应波束形成算法

本文在最小二乘恒模（LSCMA）和梯度下降法（SDCMA）的基础上，提出了一种基于预解扩的判决反馈盲自适应波束形成算法，称为LS—SDCMA。本文分别在加性白高斯和多径衰落信道的环境中进行了仿真，仿真结果表明，本文提出的LS—SDCMA算法比传统的LSCMA、OCMA和SDCMA算法具有较强的抗多址干扰能力。