一种稳健的盲稀疏度压缩感知雷达目标参数估计方法

针对压缩感知雷达(Compressive Sensing Radar, CSR)在感知矩阵和目标信息矢量失配时距离-多普勒参数估计性能下降的问题,该文提出一种稳健的盲稀疏度CSR目标参数估计方法。首先建立了CSR系统模型失配时的距离-多普勒2维参数稀疏感知模型,推导了以最小化感知矩阵相干系数(Coherence of Sensing Matrix, CSM)为准则的波形优化目标函数。其次提出了一种新的盲稀疏度CSR目标参数估计方法,通过发射波形,系统模型失配误差和目标信息矢量的相互迭代,逐步校正系统感知矩阵,最终以较高精度估计目标距离-多普勒参数。与传统CSR目标参数估计方法相比,该方法显著降低了CSR系统距离-多普勒参数的估计误差,改善了CSR目标参数估计的准确性和鲁棒性。计算机仿真验证了该方法的有效性。     

利用广义内积值迭代加权的空时协方差矩阵估计方法

精确估计协方差矩阵是空时自适应处理(STAP)的核心问题,基于最大似然的样本协方差矩阵估计方法仅适用于均匀检测环境。为了提高非均匀场景下协方差矩阵的估计精度,该文提出迭代加权的空时协方差矩阵估计方法。该方法依据广义内积值(GIP)与其统计均值的距离确定样本的加权系数,并通过建立广义内积直方图及迭代处理的方式进一步提高协方差矩阵的估计精度。仿真结果表明,该方法能够提高非均匀环境下协方差矩阵的估计性能。     

基于Logistic函数的贝叶斯概率矩阵分解算法

在协同过滤推荐系统中,矩阵分解是一种非常有效的工具。贝叶斯概率矩阵分解模型具有预测精度高的优点,但不能表示潜在因子之间的非线性关系。针对该问题,该文提出一种基于Logistic函数的改进贝叶斯概率矩阵分解模型,并使用马尔科夫链蒙特卡罗方法进行训练。在两组真实数据集合上的实验表明,基于Logistic函数的贝叶斯概率矩阵分解算法能够明显提高预测准确性,有效缓解数据稀疏性问题。     

冲击噪声背景下基于稀疏表示的双基地MIMO雷达多目标定位

该文研究了对称稳定分布(SS)冲击噪声下双基地MIMO雷达的多目标定位问题。针对SS噪声下因二阶矩不存在而造成子空间类算法估计性能下降的不足,提出了矩阵行2范数最大的预处理方法对接收数据进行归一化,使得归一化后的协方差矩阵有界,并以拉直后的协方差矩阵构造稀疏线性模型,提出了基于协方差矩阵-近似零范数(Covariance Matrix Smoothed L0 norm, CMSL0)算法进行目标的发射角和接收角估计。仿真实验表明:通过矩阵行2范数最大化预处理之后,MUSIC(Multiple Signal Classification)和CMSL0算法均能有效地估计出目标的角度,并且CMSL0算法的估计精度及对冲击噪声的稳健性均优于MUSIC算法。此外,与MUSIC算法相比,CMSL0算法不要预先估计目标源的数目,且收发阵元不受半波长间隔的限制。     

U形水平井连通过程中的相对位置不确定性分析

为了更好地使用旋转磁场测距导向系统(RMRS)来引导两井的精确连通,进行了U形水平井连通过程中的相对位置不确定性分析.根据RMRS在连通中的引导过程,将相对位置不确定性分为由RMRS引起的测点相对正钻井井底的位置不确定性和由测斜仪引起的连通点相对测点的位置不确定性.采用井位不确定模型,得到由RMRS和测斜仪引起的相对位置不确定性的协方差矩阵.通过坐标转换,得到同一坐标系下的总协方差矩阵,并给出由总协方差矩阵确定的误差椭球(圆).从实例计算可以看出,连通点与正钻井井底相距101.84 m时,误差椭球的半轴长度为3.75,1.90和2.66 m;随着钻进的进行,相距10.00 m时,误差椭球的半轴长度为0.25,0.56和0.07 m.研究结果表明,由RMRS测得的相对位置误差随钻头的钻进不再积累而是逐渐减小,同时进行相对位置不确定性分析有利于实现两井的连通,并有效地指导RMRS的使用.      

离散马尔可夫跳跃系统的鲁棒H∞滤波

研究了离散时滞不确定马尔可夫跳跃系统的鲁棒H_∞滤波器设计,其中系统的参数为范数有界不确定且时滞相关。基于李雅普诺夫函数的方法和引入附加矩阵,得到新的稳定条件,具有较小的保守性。根据得到的稳定条件,通过求解LMI得到滤波器参数,并最终通过数据示例验证方法的可行性。     

利用稀疏非负矩阵分解的大转角SAR成像方法

提出了一种采用稀疏非负矩阵分解(NMF)的大转角成像方法．首先将全孔径划分为若干相互重叠的子孔径,然后分别使用极坐标格式算法获得不同视角下的子图像,最终采用加入稀疏增强正则项的NMF算法在图像域对子图像进行迭代融合,获得目标增强和信噪比更高的全孔径综合图像．仿真实验结果验证了该方法的有效性．     

一种改进的势函数欠定盲源分离算法

针对原有的拉普拉斯混合模型势函数法复杂度高、随机选取部分观测数据点作为初始聚类中心的算法聚类结果不稳定、准确率低的问题,提出了一种改进的势函数欠定盲源分离算法．该算法在基于密度概念的基础上,以簇内距离小、簇间距离大为原则,选取部分高密度点作为势函数的初始聚类中心．理论分析与仿真实验表明,改进算法的复杂度大大降低,而估计准确度降低很少．在信噪比为10dB时,该算法仿真时间降为原始势函数法的5％;相对随机选取算法,在计算复杂度基本一致的前提下,该算法的估计准确度大大提高,源信号个数估计准确率由61％提高到85％,混合矩阵估计误差由0.47下降为0.27．     

基于双边滤波的极化SAR 相干斑抑制

在对极化SAR 数据进行相干斑抑制过程中,保持其极化信息是首要考虑的问题,而对极化SAR 数据各元素进行独立的滤波是不可取。依据极化SAR 数据形式及噪声模型,该文将双边滤波推广至极化SAR 数据处理,推导出一种新的相似性距离度量公式,所提方法可以直接对极化协方差矩阵C 或极化相干矩阵T 进行处理。该方法能够保持极化信息,有效地抑制相干斑,同时能够更好地保持点目标、纹理结构等,在处理大幅面的极化SAR数据时简单、快速、有效。      

求解无限域动力刚度矩阵的双渐近算法

采用连分式算法可以有效地求解无限域动力刚度表示的比例边界有限元方程, 它具有收敛范围广、收敛速度快等优点. 该文在高频渐近连分式算法的基础上考虑了低频渐近, 发展了一种针对矢量波动方程的双渐近算法. 随着展开阶数的增加, 双渐近算法可以在全频域范围内快速逼近准确解. 引入了系数矩阵?X(i)来增强连分式算法的数值稳定性. 通过在高频极限、低频极限时满足动力刚度表示的比例边界有限元方程, 建立了递推关系以求得动力刚度矩阵. 通过二维半无限楔形体、三维均质弹性半空间数值算例表明, 双渐近算法比单渐近算法更稳定、优越.