直扩通信中非线性窄带干扰抑制滤波器的性能分析

本文分析了非线性滤波在直扩通信中抑制窄带干扰的性能，推导了其性能改善的闭合表达式，并与相应的线性滤波的性能进行了比较，结果显示非线性滤波的性能要优于线性滤波。     

直扩通信中窄带干扰的时域自适应抑制算法研究

针对直扩通信系统受窄带干扰影响通信质量的问题,分析研究了几种时域自适应的窄带干扰抑制算法,并仿真比较了各算法的抑制性能。     

直扩通信中窄带干扰抑制的边带相关置换算法

论文提出了一种新的窄带干扰抑制算法,基于信号边带相关性的边带相关置换算法,通过计算接收信号频谱的边带相关函数确定载频和干扰中心频率,然后利用直扩信号频谱的对称性,用相对于窄带干扰的边带对称值代替干扰值达到消除干扰的目的。该算法对频谱具有对称性的调制方式都适用。计算机仿真结果表明边带相关置换算法的性能要优于变换域干扰置零的常规算法。     

直扩通信中基于ATF算法的窄带干扰抑制技术优化

提出了一种直扩通信中基于ATF算法的窄带干扰抑制技术的优化方法.采用自适应滤波技术取代子带剔除法,自适应地跟踪窄带干扰,改善了有用信号的丢弃情况,有效地抑制了窄带干扰.仿真结果表明,该算法在性能上更优越,干扰定位速度更快,干扰抑制能力得到较大提高.     

一种直扩通信系统的变换域抑制窄带干扰方法

讨论了一种直扩通信系统（Direct Sequence Spread System，DS-SS）的变换域抑制窄带干扰方法，并给出了频域判决滤波器的判决门限。理论分析和计算机仿真结果表明，该方法能有效地抑制直扩通信系统的窄带干扰。     

基于压缩感知的直扩通信多音干扰抑制

针对直扩通信多音干扰抑制算法应用受限于采样率较高的问题,在分别构建信号和干扰稀疏字典的基础上,利用正交匹配追踪算法,设计了一种压缩域直扩通信多音干扰抑制算法,并通过理论分析和计算机仿真验证了算法的有效性。仿真结果表明,在已知干扰稀疏度的条件下,该方法能够有效抑制多音干扰,干扰抑制效果不随干扰数量、干扰强度变化而变化,在压缩率为1/2、干信比为20 dB的条件下重构信号与加性高斯白噪声信道中传输信号解调性能相比只有约5 dB的信噪比损失。这将为在多音干扰条件下压缩采样后直扩信号的重构提供一种有效方法。     

直扩系统中抗窄带干扰技术

直扩序列扩频通信具有隐藏性，抗干扰能力强的特点，但对各种人为的大功率窄带干扰却无能为力，采用窄带干扰抑制技术，是抗各种人为干扰的一种有效手段，本文介绍各种干扰的抑制技术。     

基于RIE和IS-DT-FCME的直扩系统窄带干扰抑制方法

为了提高直扩系统中干扰抑制模块的使用效能,以降低无干扰或干扰较小时系统干扰抑制的开销、提高系统的干扰抑制能力,提出基于干扰存在性识别（RIE）和分段迭代双门限前向连续均值切除（IS-DT-FCME）算法的直扩系统窄带干扰（NBI）抑制方法。该方法利用RIE对直扩系统遭受干扰程度进行判断,确定干扰抑制器的开启;针对DT-FCME算法迭代时间长的缺点,借鉴基于均匀量化的分段迭代思想,提出IS-DT-FCME方法,提高通信效率。理论分析和实验结果表明:RIE算法对干扰类型和干扰带宽不敏感,具有很好的可靠性和有效性;存在干扰抑制时,在不改变干扰抑制性能的前提下,IS-DT-FCME的迭代次数仅为原算法的1/O(0.45N^1/2,处理速度显著提高。     

基于IIR滤波器的窄带干扰抑制技术仿真与实现

研究了直扩通信中二阶自适应格型IIR陷波滤波器在抗窄带干扰中的应用,推导了系统信噪比改善因子和误比特率的闭合表达式,分析了算法的性能,并进行了MATLAB仿真。基础上,设计了FPGA可实现的自适应解扩重扩滤波器,该滤波器实现简单,硬件测试表明,滤波器达到了预期的性能指标,有效可抗窄带干扰在大约21dB。     

直扩系统窄带干扰抑制技术研究

在介绍扩频通信原理基础上,分析了直扩系统干扰的机理.讨论了直扩系统抑制窄带干扰的主要方法.     

基于稀疏贝叶斯学习的CT图像重构

计算机断层成像是医学检查的常用方法,但是检查中过量的辐射可能对病人造成二次伤害.基于此提出了一种稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)的肺部计算机断层成像(Computed Tomography,CT)图像重构方法,首先应用高斯随机分布矩阵对肺部图像进行测量,并建立基于小波变换的稀疏...     

DOA Estimation Using Block Variational Sparse Bayesian Learning

In Direction-of-arrival (DOA) estimation, the real-valued sparse Bayesian algorithm degrades the es-timation performance by decomposing the complex value into real and imaginary components and combining them independently. We directly use complex probability density functions to model the noise and complex-valued sparse direction weights. Based on the Multiple measurement vectors (MMV), block sparse structure for the direction weights is integrated into the variational Bayesian learning to provide accurate source direction estimates. The pro-posed algorithm can be used for arbitrary array geome-tries and does not need the prior information of the in-cident signal number. Simulation results demonstrate the better performance of the proposed method compared with the real-valued sparse Bayesian algorithm, the Orthogo-nal matching pursuit (OMP) and l1 norm based complex-valued methods.     

基于稀疏贝叶斯学习的高效DOA估计方法

针对采用l1范数优化的稀疏表示DOA估计算法正则化参数选取困难、计算复杂度高的问题,该文提出一种基于稀疏贝叶斯学习的高效算法。该算法首先利用均匀线阵的结构特性,将DOA估计联合稀疏模型的构建与求解转换到实数域进行。其次,通过优化稀疏贝叶斯学习的基消除机制,使该算法具有更快的收敛速度。仿真结果表明,与l1范数优化类算法相比,该文方法具有更高的空间分辨率和估计精度且计算复杂度低。     

基于稀疏贝叶斯学习的低空测角算法

为解决米波雷达低空测角的精度问题,该文结合稀疏贝叶斯学习方法,利用相邻快拍稀疏结构的相似性,将多观测向量模型通过Kronecker积变换成具有块稀疏结构的单观测向量模型,同时通过矩阵变换解决了贝叶斯准则在复数域中的应用。通过稀疏贝叶斯学习的不断迭代恢复出了信号在感知矩阵下的系数矩阵,得到了信源的角度信息。仿真实验验证了该方法相对于广义MUSIC和M-FOCUSS算法具有更好的性能,并且分析了快拍数变化对算法性能的影响。     

利用块间耦合稀疏贝叶斯学习的建筑物布局成像方法

该文针对现有穿墙雷达建筑物布局成像中扩展目标稀疏成像方法未能有效利用墙体反射信号的结构稀疏性,导致成像中出现墙体不连贯和墙体轮廓不明显的问题,提出一种利用稀疏信号块间耦合的建筑物布局成像方法。该方法在块稀疏信号特性的高斯分层先验模型的基础上,利用块间耦合系数进一步表征场景中墙体反射信号的结构稀疏性,然后将其引入到控制稀疏信号先验概率分布的超参数中,从而把稀疏信号的结构性转化为超参数的耦合关系,最后利用期望最大化(EM)算法求解超参数的最大后验(MAP)估计。仿真和实验数据处理结果表明,该方法有效改善了墙体的成像质量。     

基于贝叶斯压缩感知的FD-MIMO雷达Off-Grid目标稀疏成像

传统压缩感知(CS,Compressive Sensing)成像方法一般假定目标精确位于事先划定的成像网格上,实际中由于散射点空间位置是连续分布的,因此偏离网格(Off-grid)问题必然存在.这会引起真实回波测量值与默认系统观测矩阵之间失配,导致传统CS成像方法性能恶化.本文基于频率分集多输入多输出(FD-MIMO,Frequency Diverse Multiple-Input Multiple-Output)雷达,针对Off-grid目标提出了一种基于贝叶斯压缩感知的稀疏自聚焦(SAF-BCS,Sparse Autofocus Imaging Method Based on Bayesian Compressive Sensing)成像算法.该算法依据最大后验(MAP,Maximum A Posteriori)准则,利用变分贝叶斯学习技术求解含有Off-grid目标的稀疏像.与传统稀疏重构方法相比,所提方法充分利用了目标先验信息,可自适应调整参数,能够更好地反演稀疏目标,同时具有校正Off-grid目标的网格位置偏差以及估计噪声功率等优势.仿真结果表明SAF-BCS算法对网格划分不敏感,具有稳健的成像性能.