无源探测中微弱目标的多步检测算法研究

针对在无源探测中掩膜效应严重影响远处微弱目标的检测问题,提出了一种多步检测算法。该算法采用广义对消算法去除目标回波中由于掩膜效应造成的直达波和杂波,并利用优化的CLEAN算法消除近处强目标回波,通过逐步消除强目标回波,达到提高检测微弱目标性能的目的。仿真结果表明,该算法能够较准确地估计出微弱目标的位置,计算量较小,在复杂背景下同样能够较好地检测出目标。     

改进的快速独立分量分析方法研究

快速独立分量分析算法硬件实现困难,基于Huber M估计函数的独立分量算法硬件实现容易,但是该算法稳健性有待提高。针对这一问题,提出了一种硬件实现容易,而且具有很好稳健性的改进的快速独立分量分析算法。该算法硬件实现容易,且具有很好稳健性的Tukey双权函数作为原算法代价函数中的非线性函数,通过牛顿迭代方法对代价函数进行优化,得到改进的快速独立分量分析算法。仿真实验证明,该算法是有效的,且稳健性较好。     

基于BloomH标分类的通信工程专业课程群建设

通信工程专业是信息科学技术发展迅速的一个领域,为了满足社会对人才知识水平的需求,本科教育必须不断调整教学计划,优化课程结构。本文利用Blooml~标方法对通信工程专业课程进行整合、分类,建立了通信工程专业课程群。实践表明该方法构建了合理、规范的通信工程专业课程群,培养了满足社会需求的高素质人才。     

全日制研究生培养质量评价考核研究

研究生培养质量需要以客观、精确的形式将培养成果体现出来,因此将研究生培养阶段中需要考核的内容量化成分数,制订量化计分办法是一种更直观,更精确的方法。该方法也可以应用到不同专业学科的研究生培养管理中,能够方便的进行信息传递和反馈,以及研究生培养质量的对比、分析,为研究生培养质量评价体系的改进和完善,建立更科学、更合理、更具专业性的研究生培养质量评价指标体系提供客观依据。     

双主体互动教学模式中多元化教学评价的研究

为了提高双主体互动教学模式的教学效果,提高学生的自主学习以及创新能力,更加全面客观的评价学生的学习情况,提出了多元化教学评价方法。该方法打破传统单一的笔纸测验,将多种评价方式有机结合,促进学生更好的发展,最终实现学生的全面发展。     

《高频电子线路》优秀课程建设

《高频电子线路》是电子与信息类专业的一门主干专业课程,在电子通信人才培养的课程体系中起着重要的承上启下的作用,本文通过调整课程内容、改革实验教学、开展课外科技创新活动等一系列举措,对《高频电子线路》教学起到促进作用。     

自适应复数信号独立分量分析算法

针对强不相关变化算法不适用于谱系数相同的非圆信号的问题,提出了一种自适应复数独立分量分析算法.利用非圆信号的二阶统计量都不为零的特点构造代价函数,在复数域中直接优化代价函数,推导出一种针对非圆信号的自适应算法.该算法不仅对谱系数相同的非圆信号有效,而且适用于任意包含有非圆信号的统计独立的信源信号,不需要计算特征向量和奇异向量,算法的结构简单.实验仿真结果验证了算法的有效性.     

复值信号盲分离固定点迭代算法

复值非高斯最大化算法是一种针对任意复值非高斯混合信号的自适应盲源分离算法,算法需要人为设置步长调节参数.在信号源和信道参数未知的条件下,很难选择合适的步长调节参数,步长过小,则收敛过慢,步长过大,则容易发散.针对这一问题,在该算法中引入归一化惩罚函数构造出新的代价函数,直接对复值变量的代价函数求导优化,得到2种新的不需要步长调节参数的固定点复值混合信号盲源分离算法.该算法不但可以同时分离常态和非常态信号,而且计算量小,分离误差小,算法稳定时需要的采样点数少,尤其是不需要设置步长调节参数,使该算法更加具有实用价值.仿真实验验证了算法的有效性.     

扩展的快速独立分量分析算法

针对复值快速独立分量分析算法仅适用于非高斯圆信号,而对常用的非高斯非圆信号不适用的问题,提出了扩展的复值快速独立分量分析算法.该算法通过解除原算法假设条件构造新的代价函数,采用现有的近似复数牛顿迭代方法优化该代价函数,推导出适用范围更广的复数快速独立分量分析算法.该算法同原算法一样都是固定点算法,都有很快的收敛速度,而且该算法不但适用于原算法所适用的非高斯圆信号,对原算法所不适用的非高斯非圆信号也是有效的.理论分析和仿真实验验证了算法的有效性.     

基于FP算法的AVE局部模型划分

局部模型的划分是简化敏捷虚拟企业(Agile Virtual Enterprise,AVE)决策问题的重要方法,划分结果可能直接影响到敏捷虚拟企业的建立方式、AVE模型的优化以及合作伙伴的选择等。为了很好地完成AVE局部模型的划分问题,提出一种基于多层反馈神经网络的局部模型划分方法。该方法采用三层网络结构,各层完成指定的任务,第一层完成各输入向量的相似度是否大于给定值的判别;第二层则将相似度大于给定值的输入向量映射到同一类值,从而完成预分类;再利用反馈网络的反馈作用完成最后的分类。其结构清晰、分类灵活、学习的复杂性最低且网络的性能良好。