基于最小二乘自适应迭代的宽带波束形成算法

大部分时域恒定束宽宽带波束形成算法的权值拟合运算量较大,导致实用性大大降低.本文给出一种基于最小二来自适应迭代的恒定束宽波束形成器设计方法,同时将RLS迭代算法应用于滤波器组设计中.本文方法易于实现,不受阵形及阵元指向性限制,不受迭代步长影响,且能快速收敛.理论推导及仿真实验验证了本文方法的有效性.     

基于鲁棒波束形成的麦克风阵列系统

为了提高噪声消除的鲁棒性,传统的通用旁瓣消除器采用固定波束形成作为输出的系数约束自适应滤波器,采用CCAF的输出作为输入的标准约束自适应滤波器.此系统的跟踪性能随信号频率变化而改变,并且由于波束带宽的影响使得目标语音在低频发生畸变.采用优化波束形成方法来得到较宽的带宽,对输出进行后滤波处理来消除残余噪声.试验表明本方法可明显提高语音信噪比.     

频域宽带阵列波束形成技术优化设计

为提高宽带相控阵系统的波束合成性能,该文针对宽带相控阵系统中的延时补偿问题,采用频域宽带阵列波束形成的方法,分析了宽带相控阵中应用交叠FFT进行时延补偿的原理和误差造成的原因;基于一个接收信号带宽为600MHz的64阵元的宽带相控阵系统,研究了子阵规模、FFT点数、交叠率、位宽、采样率等交叠FFT参数对延时精度、信号保真度和波束性能的影响,在满足工程应用的要求的同时对频域宽带阵列波束合成技术进行了优化;经研究确定子阵规模不超过9个天线阵元、FFT点数不小于512、交叠率不小于1/16、位宽不小于采用12bit时可以达到指标的要求,为交叠FFT方法应用在实际工程中提供了依据与参考,并使其工程实现复杂度降低。     

认知无线电中发射端多波束形成算法及接收端低旁瓣波束形成算法

在认知用户基站发射端,针对多用户产生多波束使每个波束的主瓣方向对准目标信号 而零陷对准干扰方向,实现多用户同频通信从而提高频谱的利用率。而接收端需要波束形成 算法具有抗干扰的能力,因此,本文提出了适用于授权用户基站接收端的低旁瓣波束形成算 法,在主用户面对干扰时,其接收信号质量不会大幅下降。仿真实验验证了本文的算法。     

频域宽带波束形成器设计

研究无线网络传感器,采用宽带信号波束技术,为了使宽带信号在整个频段内保持稳健的波束,以及克服快拍数有限对空间谱估计带来的不利影响,采用频域波束形成算法形成宽带波束,利用对角加载技术补偿所估计的空间谱,并通过矩阵求逆定理推导出对角加载值的取值范围.最后的仿真结果表明通过选择合适的对角加载值可以克服快拍数目不足带来的影响,从而实现具有较高阵列增益的稳健宽带波束,有效地完成对信号的空域处理,提高了传输性能.     

小型阵列宽带恒定束宽波束形成器仿真研究

关于优化宽带恒定束宽波束形成,是阵列小型化和对低频宽带信号探测的核心问题.为了研究阵元间距小于四分之一波长的线列阵的宽带恒定束宽波束形成器设计,提出了FIR滤波器的适用于小型传感器阵列的时域恒定束宽波束形成方法,分析了频域和时域宽带波束形成的特点,进行了时域宽带恒定束宽波束形成器的设计.根据最小均方准则,求出了频域子带波束形成加权向量,使工作频带内各子带波束主瓣趋近于期望波束,同时控制工作频带内波束旁瓣响应幅度,波束图主瓣形状设计与期望频率响应FIR滤波器的设计问题都转化为二阶锥规划方法,从而实现工作频带内的恒定主瓣束宽.通过仿真证明,改进方法可使密排阵列在2000Hz ～ 4000Hz工作频段范围内具有恒定束宽的方向特性.     

基于Matlab的Capon波束形成和空域谱算法仿真分析

采用Matlab语言分别仿真了Capon波束形成,Bartlett和Music空域谱估计算法,仿真结果展示了阵列天线参数与天线波束图之间的关系,使复杂的天线参数直观化,算法的理论结果可视化.通过改变信号和噪声的方向,幅度以及调整阵列天线的参数,对比前后的天线波束图仿真结果的变化.通过分析仿真的结果,指出了这几种算法上的优缺点,为将来算法的改进和适用范围的扩大以及新的算法的提出打下了铺垫.     

时域和频域宽带数字波束形成方法研究

为了进一步体现数字波束形成系统的优越性,讨论了宽带数字波束形成(DBF)系统,包括时域波束形成和频域波束形成2种方法,通过设计实例,给出了2种方法的性能比较。理论分析与仿真结果表明:时域方法降低了数据存储量及计算复杂度,而频域方法更具备通用性,适用于并行多波束系统。     

基于相位约束的低复杂度稳健宽带波束形成算法

针对传统空时结构宽带波束形成器结构复杂、计算量大和稳健性差的问题,提出低复杂度的稳健宽带波束形成算法。首先给出频率变化时阵列响应相位,分析频率变化与角度变化对阵列响应相位的影响。通过对期望信号不同频点施加阵列响应幅度和相位约束,补偿不同频率间的阵列响应相位差来实现无需延迟线或FIR/IIR滤波器结构的稳健宽带波束形成。然后分析频率和角度同时变化对阵列响应相位的影响,在期望信号来向附近引入辅助方位角,进一步提高期望信号来向趋于零度和相对带宽较小时算法的稳健性。理论分析与仿真实验表明,本文算法结构简单,计算复杂度较低且具有较好的稳健性。     

基于MATLAB GUI的主动声纳波束形成仿真平台

介绍了一种主动声纳通道信号仿真方法,回顾了自适应波束形成算法的发展历程,利用matlab GUI开发了一个主动声纳基阵波束形成仿真平台,集成了主动声纳通道信号仿真及多种波束形成算法,方便不同研究人员对主动声纳信号仿真及波束形成算法的研究,是研究自适应波束形成的一个有力工具.     

共形球面天线阵列的宽凹陷波束赋形与凹陷测量技术

针对干扰方向在某个角度区域内不能精确估计的工程实际问题,可应用宽凹陷波束赋形技术提高信噪比。根据共形球面天线阵列的阵元位置分布,提出了一种适用的宽凹陷波束赋形和凹陷宽度计算机测量技术。建立了该优化问题的适应度函数模型并应用遗传算法优化设计了赋形波束,仿真结果论证了遗传算法进行波束赋形和测量的有效性和稳健性,并拟订了波束凹陷宽度的计算机测量系统。     

解决Job Shop调度问题的模拟退火算法改进

模拟退火算法是较常用和较理想的解决车间作业调度问题的方法,但由于算法本身的限制和JSP问题的特殊性,其效能难以很好地发挥。该文提出了2种针对JSP问题的改进模拟退火算法：回火退火算法和快速模拟退火算法,前者可以提高最终解质量,后者可以提高算法的运行速度;并以Matlab为工具进行了仿真实验,获得了较好效果。     

并行遗行／模拟退火混合算法及其应用

1 引言人们常常应用随机优化方法,例如:遗传算法GA(Genetic Algorithms),模拟退火算法SA(Simulated Annealing),爬山算法HC(Hill Climbing),Tabu算法等,解决复杂的非线性函数优化问题。这些方法通常需要大量的计算,从而导致运行时间开销较大。随着计算机及网络技术的高速发展,在高性能计算平台上并行化随机优化方法成为当今研究领域的热门。特别是Beowulf PCs Cluster技术的成熟,为研究人员提供了     

混合遗传算法与模拟退火法

论文将适合全局搜索的遗传算法(GA)和适合局部搜索的模拟退火算法(SA)相结合,提出了混合GA-SA计算方法。一方面,算法采用混沌初始化,提高了初始群体的质量;另一方面,算法采用Gray编码以及动态自适应调节交叉概率和变异概率,提高了收敛速度,并有效防止种群早熟现象。实例验证了该算法的可行性和有效性。     

基于模拟退火遗传算法的控制系统优化设计

提出了一种基于模拟退火遗传算法的线性系统优化设计方法。该方法以控制系统的性能指标,包括瞬态指标和稳态指标及其组合为目标函数,实现了由传递函数描述的控制器的自动设计,而不必预选择特定的控制方案。遗传算法使用十进制数编码,配合使用模拟退火技术来得到更精细的调整。使用这种方法,不需要手工计算,就可以获得控制系统的最优性能。该设计方法还可以应用于非线性对象。     

基于免疫规划的模拟退火算法

通过对模拟退火算法优缺点的分析,提出了一种新型的模拟退火算法——基于免疫规划的模拟退火算法。该算法借鉴了生物免疫概念与理论,将免疫规划的全局寻优能力与模拟退火算法的局部寻优能力相结合,克服了模拟退火算法运算效率低的缺点。理论分析和仿真结果表明,该算法不仅能够有效地保持种群的多样性,而且收敛速度和稳定性都有了明显提高,收敛到最优值的比例可达到91%。     

基于模拟退火的混合遗传算法研究

针对常规遗传算法会出现早熟现象、局部寻优能力较差等不足,在遗传算法运行中融入模拟退火算法算子,实现了模拟退火的良好局部搜索能力与遗传算法的全局搜索能力的结合。经验证,该混合算法可以显著提高遗传算法的运行效率和优化性能。     

利用模拟退火算法设计方向图的原理和方法

在声纳系统中,基阵方向图的作用是用来指示目标方位的,它是一个声纳系统的核心和重要部分.由于声纳系统的使用环境比较复杂,如何快速、有效、多角度地设计基阵方向图是一个很值得关注的问题.为了解决这个问题,引入了模拟退火算法来进行方向图的辅助设计.模拟退火算法是近些年发展起来的一种全局优化算法,它最大的特点是可以根据不同的标准来进行优化.利用它来设计基阵方向图,可以省去很多繁琐的步骤,有效地简化方向图的设计.计算机仿真结果表明,模拟退火算法可以很好的完成在不同情况下设计基阵方向图的任务.     

基于模拟退火算法的改进极限学习机

传统的极限学习机作为一种有监督的学习模型,任意对隐藏层神经元的输入权值和偏置进行赋值,通过计算隐藏层神经元的输出权值完成学习过程.针对传统的极限学习机在数据分析预测研究中存在预测精度不足的问题,提出一种基于模拟退火算法改进的极限学习机.首先,利用传统的极限学习机对训练集进行学习,得到隐藏层神经元的输出权值,选取预测结果评价标准.然后利用模拟退火算法,将传统的极限学习机隐藏层输入权值和偏置视为初始解,预测结果评价标准视为目标函数,通过模拟退火的降温过程,找到最优解即学习过程中预测误差最小的极限学习机的隐藏层神经元输入权值和偏置,最后通过传统的极限学习机计算得到隐藏层输出权值.实验选取鸢尾花分类数据和波士顿房价预测数据进行分析.实验发现与传统的极限学习机相比,基于模拟退火改进的极限学习机在分类和回归性能上都更优.     

基于遗传模拟退火算法的模糊聚类方法

首先对模糊C-均值聚类算法做了简要分析和评论,根据其特点,提出了一种基于遗传模拟退火算法的聚类分析方法,从而提高了遗传算法的全局搜索能力。算法中采用了适合于模糊聚类的树型编码方案,实验表明,该算法可克服系统对数据集及初始聚类中心的敏感性,避免陷入局部极小,具有良好的准确性与可靠性,在模式识别、数据挖掘等领域有着广泛的应用前景。