一种改进的基于压缩感知的稀疏信道估计算法

分析了突发信号的结构特征,提出了一种改进的基于压缩感知的稀疏信道估计方法。在信道初始估计中,利用前导伪随机序列的自相关特性,估计信道的路径时延,以此初始化稀疏重构算法,增加了信道估计的先验信息。在后续处理中,利用前一时刻已估计出的信道信息,跟踪估计当前时刻的信道信息。仿真证明,与最小二乘估计算法、正交匹配追踪算法和分离近似稀疏重构算法相比,本文提出的算法提高了信道估计的精度,降低了接收系统的误码率。     

基于功率检测和选择性集成的无线MAC协议识别技术

通过检测无线网络的功率变化识别介质访问控制(Medium access control, MAC)协议在认知无线电和认知电子战领域具有重要意义。为提高识别能力,本文在现有特征的基础上,提出碰撞概率估计特征和Fisher统计量特征。针对识别目标的网络配置与训练样本不同时识别效果较差的问题,提出利用基于Q学习的选择性集成方法,从训练的多个基分类器中选择一部分组成分类系统,提高算法的泛化能力。利用OPNET仿真软件采集4种MAC协议的功率变化数据进行验证。实验结果表明,所提特征能够提升对不同MAC协议的区分度,当目标网络与训练网络的配置不同时,选择性集成方法的识别效果优于单分类器和全部集成方法。     

一种改进的RBF神经网络DOA估计方法

提出一种优化径向基函数神经网络来波方位(DOA)估计模型结构和参数的方法。利用误差准则函数的收敛性,合理确定模型的隐层神经元数目,根据阵列信号相位差特征的空间分布特点,选择具有代表性的隐层神经元的中心,构建的RBF神经网络更能反映阵列的测向能力。相比于目前的径向基函数神经网络测向模型的构建方法,改进的DOA估计模型具有更好的泛化性能,能够提高测向精度。实验结果验证了该方法的有效性。     

三站无源时差定位系统噪声干扰效果分析

依据噪声干扰原理,对时差定位系统中同一侦察站受到不同强度的噪声干扰以及对不同侦察站受到同样强度的噪声干扰进行分析,并对干扰效果依次进行仿真.仿真结果表明,噪声干扰对三站无源时差定位系统的干扰效果随着侦察站接收到的干信比的增大而增大,并且干扰主站的效果优于干扰副站的效果.这为以后主动保护辐射源位置提供了一个新的思路.     

基于码重信息熵低码率线性分组码的盲识别

为解决较高误码条件下的低码率二进制线性分组码的盲识别问题,论文提出了基于码重分布信息熵的码长识别方法,而且,它还通过优化传统的矩阵化简方法求解生成矩阵,从而实现对低码率二进制线性分组码的盲识别。理论分析及仿真验证均表明:该方法能实现低码率线性分组码较正确的识别。论文最后进一步对不同码长线性分组码在不同误码率条件下进行了多次仿真,仿真结果验证了该识别方法具有较好的容错性能。     

一种基于数据融合的合作频谱感知技术

认知无线电是为了提高频谱利用率而提出的一种智能频谱共享技术,快速可靠的检测到主用户和频谱空穴是认知无线电实现的关键和前提.由于阴影和多径衰落的影响,单认知用户检测可靠性低.基于数据融合的合作感知可以大大提高对主用户的检测概率.文中提出基于数据融合的等权重增益结合准则.仿真结果表明:当融合中心采用等权重增益结合准则时的检测性能要优于采用硬判决融合准则时的检测性能.     

基于“新息”与双重Kalman滤波的测量数据的野值点去除

在工程实践中,Kalman滤波采用了递归滤波的方法和线性无偏最小方差准则,因而在理论上是一种最优估计,并因为这一良好的数学性质得到了广泛的应用。但是在实际测量中,在野值的影响下,Kalman滤波新息的特性遭到破坏,滤波不再准确甚至发散。针对此一现象,提出了基于“新息”序列和对新息序列进行Kalman预测的方法对测量数据进行处理的新算法。该算法利用“新息”序列进行野值点判别,利用Kalman预测的方法对野值点处的“新息”进行预测修复。仿真证明,该算法可使状态估计、野值点判别和野值点修复同时进行,并能很好地抑制滤波的发散。     

通过模拟多普勒频移实现对GPS时间系统的干扰

针对GPS系统对时间的敏感性,提出了一种对GPS时间系统进行干扰的方法。此种方法采用转发式干扰的模式,模拟动态条件下多普勒频移对信号造成的码率偏移,对GPS信号的相关函数峰值做出连续的牵引。仿真表明:采用该方法能够对GPS信号进行有效干扰,且相对于传统的转发式干扰而言,在隐蔽性和相关峰可控性两个方面大大增强。     

极值斜率经验模式分解结合独立分量分析的单通道盲分离

针对单通道盲分离领域先验信息不足的问题,提出了一种基于极值斜率经验模式分解和独立分量分析的单通道盲分离算法。首先通过极值斜率经验模式分解算法以不同尺度逐次分解混合信号的波动和趋势,得到一组固有模态函数。然后将其作为独立分量分析算法的输入信号,从得到的独立分量中萃取出与源信号相似的独立分量,通过重构算法恢复源信号,达到分离目的。实验信号采取仿真信号和实际信号,实验结果表明,该算法不需任何先验信息,鲁棒性强,能较快地得到良好的分离效果。     

基于选择性集成径向基神经网络的来波方向估计

本文提出了一种基于选择性集成径向基函数神经网络(SE-RBFNN)的来波方向(DOA)估计方法,解决单个神经网络建模进行DOA估计精度低的问题。首先利用Bagging方法训练生成一定数量的RBFNN弱分类器,其估计精度低但泛化能力强;然后提出并运用等宽分箱—投票选择性集成方法剔除估计误差大的奇异值个体,优选部分RBFNN输出结果进行平均处理,从而获得了高精度的DOA估计。仿真结果表明了算法的有效性,相对单个RBFNN建模,构建的选择性集成模型能适应方向特征的变化,算法的来波估计精度显著提高。