基于人工蜂群算法的波达方向和多普勒频率联合估计

将人工蜂群算法应用于似然函数的优化,实现了阵列信号波达方向(DOA)和多普勒频率的联合估计。利用状态空间模型构造包含DOA和多普勒频率信息的广义可观测矩阵,并构造包含该广义可观测矩阵的似然函数,将参数估计问题转化为多维非线性函数优化问题。进而利用人工蜂群算法对似然函数的求解过程进行优化,得到DOA和多普勒频率的估计值。算法保留了最大似然估计的渐近无偏估计性能,降低了似然函数求解的计算量,且参数能够自动配对。     

基于池计算的线性调频信号实时识别与参数估计

为实现对线性调频(LFM)信号的实时波形识别和瞬时频率估计,引入采样池计算(RC)进行逐点运算.将生成的初始频率和啁啾率不同的两组LFM信号组合成随机序列,并对200个节点的储备池进行训练.通过测试得到,池计算可以快速、准确地识别和区分出两组LFM信号,并可对未知LFM信号的瞬时频率进行估计.     

线性调频雷达信号参数估计算法的多片ADSP实现

针对线性调频(LFM)雷达信号的参数估计问题,采用4片ADSP-TS101S构成的雷达信号参数估计平台,实现了一种基于改进三次相位函数的LFM信号参数估计算法.该算法只需要通过二阶非线性变换在信号参数空间形成最大值来估计LFM信号参数.在多分量的情况下,讨论了信号自项和交叉项与时间的关系,提出使用加权平均的方法来改进算法,有效抑制了交叉项干扰.实验表明,在较低信噪比下,该算法可以有效地估计多分量LFM信号参数.     

基于新型DFrFT的LFM信号参数估计算法

针对传统算法对高调频率线性调频(linear frequency modulation,LFM)信号进行参数估计时误差较大的问题,提出了一种基于新型离散分数阶傅里叶变换(discrete fractional Fourier transform,DFrFT)的LFM信号参数估计算法.新型DFrFT在传统离散算法的基础上...     

线性调频信号增强的自适应滤波算法研究

在对基本LMS算法进行修改的基础上，提出了基于高阶累积量极性一动量迭代的自适应线性调颇（Linear Frquency Modulation,LFM)信号增强新算法，该算法有抑制高斯噪声效果好。计算量小，收敛快且输出信号平稳等特点，仿真结果证实了该算法的有效性和可靠性。因此，具有较强的实用性和较好的应用前景。     

基于Laguerre变换的线性调频信号检测

提出了一种基于Laguerre变换的线性调频信号检测新方法，通过恰当设定Laguerre参数，能够对消线性调频信号的频率变化，得到一个近似周期的信号。由于线性调频信号的能量集中到一条谱线(frequency bin)上，因此能在低信噪比下实现有效检测，仿真实验证明了这种方法的有效性。     

基于EM算法的联合调制识别与参数估计

针对低信噪比情况下单节点接收调制识别率低的问题,提出了一种基于多节点接收与混合最大似然的调制识别算法。多节点同步接收后将基带信号发送到融合中心,使用混合最大似然实现全局分类判决,通过空间分集提高低信噪比下调制识别的性能。为了解决联合似然函数中多维未知参数难以直接求解的问题,将未知发送符号序列表示成隐藏变量后采用EM算法实现未知参数的最大似然估计。给出的算法在平坦衰落信道下实现了BPSK、QPSK、8PSK、16QAM信号的调制识别与参数估计。与基于矩的算法相比,基于EM迭代的最大似然估计提高了未知参数的估计精度。仿真实验结果表明,当采用四节点同步接收,在信噪比大于-2dB时,平均正确识别率能够达到95%以上。     

线性调频信号的时域加权技术

本文针对线性调频信号的时域加权问题，做了大量的计算机模拟，并对各类数据加以汇总和分析。在分析典型窗函数的基础上，笔者提出了一种适合于线性调频信号加权的新型窗函数──梯形窗函数。     

高精度LFM信号参数估计

解线性调频方法是实际工程中常采用的一种估计LFM信号参数的方法,然而该方法需要对调频斜率在一定范围内搜索,运算量大。针对这个问题本文提出了一种改进算法,首先通过计算LFM信号瞬时自相关的FFT得到调频斜率的估计值,然后在此值附近作小范围精细搜索,从而获得高精度的参数估计值。该方法缩小了搜索的范围,在运算量减少的同时,提高了参数的估计精度。仿真结果表明了此方法的有效性。     

基于人工鱼群算法的参数估计方法

利用人工鱼群算法的基本特性，提出了一种新的参数估计方法，并进行了仿真实验研究．结果表明，具有良好的跟踪性能和实时性。     

基于马尔可夫链的人工蜂群算法

分析了人工蜂群算法及部分国内外学者提出的改进算法,针对局部搜索能力差和容易陷入局部最优解的缺点,根据马尔可夫链预测已知解空间的发展趋势,提出了一种基于马尔可夫链的改进人工蜂群算法（MABC）,通过伪代码给出了算法的运行过程,从收敛性能和算法复杂度2个方面分析了人工蜂群算法、一种典型的改进算法和MABC算法的性能.最后以10个典型函数为测试用例,从结果精度、收敛速度、分割参数和运行时间4个方面进行验证,实验结果表明,MABC算法在求解精度和收敛速度上高于ABC算法,但运行时间略长,验证了理论分析的结果.     

改进基于记忆的人工蜂群算法

基于记忆的人工蜂群算法(ABCM)通过记住成功使用的邻居和系数指导人工蜂群下一步的搜索,需消耗多次函数评价收敛到吸引子,且始终使用与上次相同的排斥系数,造成收敛速度不快、多样性不足,易陷入局部最优解.提出一种改进ABCM(IABCM),当使用吸引系数时,候选解只消耗一次函数评价收敛到吸引子,如果候选解好于当前解,则替换当前解,否则直接删除该记忆,这样可以利用尽量小的代价得到尽量大的收益.当使用排斥系数时,该系数的数值部分重新随机生成,以增加多样性和随机性,有利于算法跳出局部最优解.在22个不同类型函数上的实验表明,IABCM在收敛速度和精度方面明显优于ABCM.     

基于多项式变换的自适应Chirp信号参数估计

提出了一种新的基于多项式变换的RLS(recursiveleastsquare)算法。利用多项式变换将多项式相位信号(PPS)转变为具有线性相位的谐波信号,这一谐波信号满足AR(Autoregressive)模型且其频率对应于多项式相位的最高次项系数。然后利用RLS算法对AR模型的AR系数进行自适应估计,通过AR系数求解谐波信号频率,便可以获得多项式相位中最高次项的系数。本算法速度快,计算量小,并且在较低的信噪比(SNR)下估计性能依然良好。Monte Carlo仿真实验证明了本方法的有效性。     

基于人工鱼群算法的参数估计方法

利用人工鱼群算法的基本特性 ,提出了一种新的参数估计方法 ,并进行了仿真实验研究 .结果表明 ,具有良好的跟踪性能和实时性     

基于改进人工蜂群算法的负载均衡感知研究

云计算的并行计算能力是实现大数据高效处理的基础,多任务部署策略对云计算下高效并行计算有重要影响。提出一种新的任务部署方案LB-BC,将聚类分析与贝叶斯定理相结合,实现了长时间的负载均衡。为了提高节能优化的强度,接着提出了一种具有节能感知功能的启发式虚拟机动态迁移位置选取方案,以人工蜂群算法为基础与动态虚拟机迁移资源的调度过程相配合,有效地解决了当前虚拟机动态迁移方案的问题,同时还能对虚拟机的动态迁移性能提供保障。     

单比特自适应参数估计算法

在多径环境下,将传感器网络中各个节点的采样信号压缩为单比特二值数据,并传输给融合中心进行集中处理,提出一种单比特自适应参数估计的最大似然算法,实现了慢时变参数的实时估计,有效解决了乘性噪声和加性噪声的干扰问题。实验分析结果表明:提出的算法有较好的鲁棒性,且参数的估计误差接近于利用非压缩采样信号(无限比特)的同类算法。     

基于AF切片与FrFT的STLFM信号检测与参数估计算法

针对基于Radon-Ambiguity变换(RAT)和分数阶Fourier变换(FrFT)的对称三角线性调频(STLFM)信号参数估计算法运算量较大的问题,在分析RAT变换估计调频斜率和STLFM信号模糊函数特征基础上提出了一种基于模糊函数(AF)切片和FrFT的STLFM信号参数估计新算法。该算法首先通过对观测信号固定时延点AF切片的计算估计出调频斜率,然后得到相应的FrFT最优变换阶数,最后利用两次FrFT估计出STLFM信号的调频带宽、调频周期和中心频率等参数。整个算法只需3次FFT的计算量即可估计出STLFM信号的所有参数。仿真实验表明了该算法能实现STLFM信号参数的快速有效估计。     

目标二维像散射中心模型中的参数估计

为了从目标二维像中获得目标更为丰富的信息 ,本文利用基于几何绕射理论 ( GTD)的参数化散射模型 ,确定了模型中参数的估计是一个对于连续和离散混合参量的非线性、非凸面的高维最小化问题 ;并提出了迭代最大似然 ( ML )估计算法、CLEAN算法和 RELAX算法以及改进的迭代 ML估计算法。最后给出了仿真计算结果。