基于混沌粒子群算法的宽零陷方向图综合方法

自适应阵列天线常需要采用宽零陷技术,以增强阵列天线抗干扰的稳健性。为此,提出了一种基于混沌粒子群算法（CPSO）的阵列天线宽零陷方向图综合方法。该算法首先采用混沌序列初始化粒子位置,以增强搜索多样性,并在对部分非优胜粒子的位置更新时引入混沌扰动项,在每次迭代中对全局最优位置进行变尺度混沌优化,提高了全局和局部搜索能力,加快了收敛速度。仿真结果验证了混沌粒子群算法在阵列天线宽零陷方向图综合时的收敛速度和精度方面均优于标准粒子群算法。     

一种改进的宽零陷天线方向图合成方法

在自适应阵列天线抗干扰的一些应用环境中 ,往往需要天线方向图在干扰的到达方向上形成宽的零陷以增强算法的稳健性。该文对一种宽零陷天线方向图合成方法进行了研究 ,提出了通过对零点矩阵加权处理 ,使不同干扰方向上的零点深度可以分别调节的改进方法 ,降低了方向图的畸变程度。计算机仿真结果证明了改进的效果     

基于Gram—Schmidt正交化的线阵方向图综合

将Gram-Schmidt正交化方法应用到线性阵列天线方向图综合中.此方法对阵元结构和类型都没有要求,具哌有很强的通用性.针对实际设计中阵结构不同以及对波束图的要求多种多样,该方法在具体设计过程与计算步骤上有不小的差别.通过对普通Chebyshev加权阵和Dolph-Chebyshev阵为例的详细设计,证明了此方法的有效性和高效性.     

一种基于遗传算法的唯相位宽零陷波束赋形方法

传统阵列方向图宽零陷形成技术需要对阵元施加复加权或者阵元位置扰动等复杂操作,实际实现比较困难。提出了一种基于遗传算法的唯相位波束赋形方法,针对宽零陷特点,结合均匀线阵方向图数学模型,设计一种适应度函数,优化阵元相位扰动值,最终获得符合要求的宽零陷阵列方向图。仿真结果表明,该方法可以在唯相位条件下形成较深的宽零陷,且零陷较平坦,收敛速度较快,稳健性较好。     

基于混沌遗传算法的宽零陷波束赋形方法

针对传统自适应波束形成技术形成的零陷较窄,可能引起无法准确对准干扰方向而产生抑制失效的问题,提出了一种基于混沌遗传算法（Chaos-Genetic Algorithm,CGA）的宽零陷波束赋形方法。该方法通过建立宽零陷波束赋形数学模型,采用融合混沌技术的遗传算法进行优化;利用混沌序列初始化粒子位置,并在遗传交叉算子中引入变尺度混沌扰动项,增强种群多样性和跳出局部最优的能力,实现全局和局部搜索能力的提高,有效提高收敛精度和加快收敛速度。仿真结果验证了采用新方法能够在预定位置形成较深的宽零陷,具有较好的稳健性。     

三次型权值粒子群算法用于共形阵列宽零陷综合

本文提出了一种改进的粒子群算法,并用于圆柱阵宽零陷综合的幅度对称优化。采用周期性三次型惯性权值变化策略,同时对适应度值进行实时监测判定并对粒子重新赋值,明显改善了原有算法的收敛速度,有效避免了算法收敛于局部最优。仿真实验表明,对给定条件下的有向圆柱阵列,能够实现含多个宽零陷的方向图,且迭代次数明显降低,证明了该算法的正确性和有效性。      

一种基于双正交模的新型天线阵方向图综合方法

本文提出一种新型综合阵列天线方向图的模式方法。该方法基于双正交模式理论,考虑了阵元之间的耦合作用的影响,可以对任意形状的阵列天线进行方向图综合。利用双正交模式综合方法可以快速有效地获得每个阵元的特定激励,以期阵列天线的方向图满足特定的需求。模式组之间的双正交特性保证了该方法所得天线阵列方向图与期望方向图之间良好的一致性。通过对所需电场的加权,可以将整个球面上的二维曲面积分运算转化为一维线积分运算,使得方向图综合过程的计算量大为减少。若干阵列天线方向图综合实例验证了该方法的正确性和有效性。     

基于粒子群算法的阵列波束宽零陷优化设计

作为一种新型的群智能随机优化算法,粒子群优化（PSO ）算法在解决各种非线性复杂问题上得到了广泛的应用。研究了粒子群优化算法在阵列天线方向图零陷加宽技术上的应用,通过实例表明粒子群算法能够在较宽的角度区间上形成满足要求的零陷,在抗干扰应用方面具有较高的应用前景。     

改进的快速稳健任意阵列天线方向图综合方法

针对任意阵列天线的方向图综合问题,提出了改进的基于线性约束最小方差准则方向图综合方法.该方法充分考虑综合方向图和参考方向图之间的相对幅度对方向图综合的影响,通过对迭代公式增加一比例常数,使得两者之间的相对幅度对干扰功率变化率的影响增强,不仅提高了干扰功率的迭代效率,即降低了迭代的次数,提高了方向图的综合效率,而且使得迭代系数的取值范围得到了扩展,即降低了迭代系数对方向图综合的影响,增强了方向图综合方法的应用范围和适用性.仿真分析验证了理论分析的正确性和所提方法的有效性.     

给定方向图的圆形阵列综合方法

本文对基于给定方向图的圆形阵列方向图综合方法进行了系统的分析和研究.以给定方向图与被综合方向图之间的均方距离最小化为优化准则,在无约束、零点约束以及波束扫描约束的情况下,分别给出了相应最优激励向量的求解方法.各种仿真结果表明,这种方法对改善圆形阵列方向图的特性既简洁又有效.     

干扰子空间正交投影快速零陷跟踪波束赋形算法

该文针对LEO星载阵列天线抑制角度动态变化的有源干扰的需要,提出一种干扰子空间正交投影的快速零陷跟踪波束赋形优化算法。算法采用干扰子空间动态更新与迭代正交投影,不断快速修正零陷位置,并通过迭代傅里叶变换(IFT)技术进行优化加速。所提出的快速算法在整个干扰零陷跟踪过程中,具有稳健和精确的控制方向图主瓣赋形区形状和阵元电流激励系数动态范围的能力,同时具备自适应最小化方向图旁瓣电平的能力,适用于星载系统在线实时计算。仿真实验验证了算法的快速性、有效性和稳健性。     

一种根据干扰方向综合方向图的方法

从天线阵阵因子的表达式出发，将阵因子展开成由阵因子的根构成的因式的乘积，然后根据干扰的来波方向改变方向图零点，使其对准干扰，从而达到抑制干扰的目的。文中以等间距直线阵为例计算了多个方向存在干扰时的阵元电流系数，综合出方向图，并对结果进行了讨论。     

基于改进GA-FFT综合含互耦效应的不等间隔阵列赋形方向图

该文提出了一种虚拟的最小均方有源单元方向图展开方法,将不等间隔阵列的有源方向图展开为一个虚拟的均匀间隔阵列的若干单元辐射的叠加。通过该方法,对包含阵元耦合效应的不等间隔阵列方向图,可以使用快速傅里叶变换进行加速计算。并且,该文将这个方法与遗传算法(GA)相结合,得到一种改进的GA-FFT方法,可以应用于解决含阵元互耦的不均匀间隔阵列的赋形波束综合问题。最后,分别对不等间隔的偶极子阵列平顶方向图及微带阵列的余割平方方向图进行了综合,结果表明所提方法的有效性和优势。     

基于脉冲耦合神经网络和施密特正交基的一种新型图像压缩编码算法

自从脉冲耦合神经网络(PCNN)被提出以来,在图像处理、模式识别、人工智能等领域得到了广泛应用.由于其生物学背景的特性,使得其能够对灰度图像进行完美的分割:PCNN局部连接域的作用及阈值指数衰减特性,使得具有近似灰度特性的邻近像素能够同时处于激活状态,这就构成了PCNN分割特性的基础,使得图像分割结果既能较好地包含原始图像细节信息,又能避免一些无意义的小分割块的产生.借鉴施密特正交化思想,利用自然初始基对每一分割区域进行变换,得到一组正交基的变换系数,相对于分割前图像的数据量大为减少,存储空间需求小,从而实现了压缩.相对于JPEG算法,该方法使重建图像的质量得到显著提高,同时也使得逐步重建图像成为可能.     

基于精确响应控制的子阵波束赋形算法

相控阵多采用子阵划分来减少通道数,针对均匀划分子阵的波束赋形问题进行研究,提出了一种基于精确响应控制的波束赋形方法。具体来讲,首先由输出期望方向图和单个子阵静态方向图得到子阵级期望方向图;在此基础上利用精确阵列响应控制方法计算出最优权向量,使子阵级静态方向图满足于子阵级期望方向图;最终成功实现了均匀划分子阵的波束赋形。所提算法具有实现简单、灵活性强、适用范围广的优点。文中对所提算法进行了仿真验证,充分证实了所提算法的有效性,可以为子阵的实际工程应用提供重要的理论支撑。     

基于辅助相位优化的交替投影阵列综合算法

本文提出一种新的方向图快速综合算法.该方法基于交替投影算法（AP）,首先对目标方向图幅度进行限制,其次引入了目标方向图相位变量并对其进行优化,得到最佳目标方向图相位,最后结合临近分裂方法来求解有约束的最小二乘问题（CLMS）以获得满足要求的激励.相比于其他AP类算法只对方向图幅度进行限制的处理,本文对方向图相位的优化处理有助于提高算法的收敛速度和性能.实验结果表明,无论有无激励约束的情况下,该算法均能取得良好的优化效果,且适用于任意阵列,具有很好的推广能力.     

一种基于线性约束的自适应方向图控制方法

提出了一种基于线性约束最小方差波束形成（LCMV）的自适应方向图控制方法。该方法通过在原有线性约束基础上构造新的线性约束,然后根据新组成的线性约束进行LCMV自适应波束形成,所得到的自适应方向图在固定零点方向和干扰方向形成零陷的同时保留了期望静态方向图的副瓣电平特性,从而能够减小快变干扰的影响,并且计算十分简便。计算机仿真证明了本文方法的有效性。     

一种基于遗传算法的阵列天线方向图综合

基于排序的实数码遗传算法实现对阵列天线方向图综合,并对遗传参数作了一些改进.该算法使得搜索效率有很大的提高,有效避免了早期收敛.通过计算机仿真实验,该算法成功地实现了阵列天线的方向图综合.通过对阵列天线的阵元电流幅值进行优化,同样可以达到传统方法所能实现的效果.良好的仿真结果体现了遗传算法在阵列天线方向图综合中的优越性能.