一种降低ACELP码书搜索复杂度的高效算法

为了降低代数码激励线性预测(algebraic code-excited linear prediction, ACELP)语音编码算法的复杂度, 以便更好地实时实现, 提出了一种有效的改进算法。在自适应码书搜索上提出了不连续的开环基音搜索算法, 利用时间抽取因子对不同时延段语音样点进行不连续抽取; 在代数码书的搜索上提出了一致脉冲替换法, 采用脉冲位置预选和循环判断机制控制码书搜索的次数。以G. 729A为实验平台进行仿真, 仿真结果表明, 改进的算法在保证语音质量的情况下, 有效降低了ACELP码书搜索的复杂度。     

一种实用的融合方法在辅助粒子滤波中的应用

研究机动目标跟踪优化问题,传统的扩展卡尔曼滤波(Extended Kalman Filtering,EKF),无迹卡尔曼滤波(UnscentedKalman Filtering,UKF)跟踪机动目标强非线性系统,滤波精度有限,并存在噪声。为了提高跟踪滤波的精准性和可靠性,提出建立一种协同转弯非线性模型,将辅助粒子滤波(Auxiliary Particle Filtering)和数据融合相结合的跟踪滤波算法。辅助粒子滤波在重采样前对各个粒子权值依据似然函数进行修正,同时采用一种将多个滤波器结合的实用的数据融合方法,可以进一步提高滤波精度。经仿真表明,算法能减小运算量,并能很好的提高跟踪滤波精度。     

基于BP神经网络的直扩信号扩频码盲识别

针对微弱直扩信号的盲检测与估计问题,在接收方未知发送方扩频序列的前提下 ,提出了一种恢复直接序列扩频（DSSS）信号扩频码的方法。该方法基于反向传播（B P）神经网络,它的输入是接收到的信号,而其期望输出是和输入相同的信号,根据误差反 向传播来有监督地调节神经网络,网络达到收敛时根据第二层权值的符号函数值即可盲估计 出扩频码序列。实验结果表明,即使是在负信噪比情况下,该方法也能得到一个很好的估计 效果。     

基于宽带聚焦矩阵和高阶累积量的OFDM信号的来波方向估计

为了解决正交频分复用(OFDM)宽带信号处理的问题,研究了基于宽带聚焦矩阵和高阶累积量的波达方向(DOA)估计方法。前者是通过傅里叶变换将宽带阵列数据分解为若干窄带信号,再利用一种聚焦矩阵将不同频带下的方向矩阵变换到同一参考频率下,然后用多重信号分类(MUSIC)算法来估计DOA;高阶累积量算法是通过聚焦操作,把各个窄带频率处的阵列输出矢量变换到聚焦频率处,然后求其累积量矩阵。对各个累积量矩阵进行加权平均并特征值分解,再应用MUSIC算法估计DOA。理论分析和仿真结果表明,两种方法都能够精确地估计OFDM信号的DOA,四阶累积量方法的空间分辨率比聚焦矩阵方法有所提高。四阶累积量算法扩展了阵列孔径,信噪比(SNR)较低的时候也有很好的适应性。     

高动态非线性调频直扩信号的伪码快捕算法

针对高动态非线性调频直接扩频(NLFM-DSS,nonlinear frequency modulation direct spread spectrum)信号伪码捕获的问题,提出一种基于离散多项式相位变换(DPT)的NLFM-DSS信号伪码快捕算法.首先通过瞬态矩确定信号的阶数,并将信号降阶成带残余频偏的直扩信号.然后采用PMF-FFT与功率谱相结合的方法实现伪码快速捕获.给出了基于该算法的信号模型和理论分析表达式,并通过计算机仿真验证了该方法的可行性,在扩频增益为1023时,利用功率谱非相关累积30次,可在信噪比为-20 dB时捕获到伪码.     

多径衰落信道下OFDM信号盲识别

针对多径衰落信道下正交频分复用(OFDM)信号调制识别难题,提出一种基于循环自相关的OFDM信号调制识别算法.通过对多径衰落信道下具有循环前缀的OFDM信号循环自相关特性的数学推导,验证了在一定延时处,OFDM信号的循环自相关会出现峰值,而单载波信号无此峰值,据此特性可以实现多径衰落信道下OFDM信号和单载波信号的调制识别.该算法消除了如符号时间估计、载波估计、波形恢复、信噪比估计等预处理过程,计算复杂度低,识别率较高.理论分析及仿真结果均验证了该算法的正确性和有效性.     

多径环境下直扩信号PN码捕获性能分析*

针对多径环境下极微弱动态长周期伪码直扩(DS-SS)信号的捕获问题,拓展了单径环境下基于部分相关值与功率谱累积平均相结合的捕获算法,提出了多径环境下直扩信号的伪码捕获算法。该算法通过部分相关,得到了反映多普勒频偏的正弦信号,然后将部分相关值的功率谱累积平均,从而达到在多径环境下检测微弱信号的目的。给出了基于该算法的多径直扩信号模型,分析了该算法在多径环境下的捕获性能,通过计算机仿真验证了多径环境下该算法的可行性,并对比了多径和单径环境下的捕获效果。     

空间光波前畸变校正中SPGD方法的自适应优化

为了提高传统随机并行梯度下降 (Stochastic Parallel Gradient Descent, SPGD) 算法校正波前畸变的性能,提出了一种基于AdaBelief优化器的新型SPGD优化算法。该算法将深度学习中AdaBelief优化器的一阶动量和二阶动量集成到SPGD算法中以提高算法的收敛速度,并使得算法能够自适应地调整增益系数。 此外,对实际增益系数进行自适应动态裁剪以避免因实际增益系数出现极端值而造成的震荡。仿真结果表明:在37单元变形镜 (Deformable Mirror, DM)下,新型SPGD优化算法能够对不同湍流强度下的波前畸变实现有效校正,不同波前畸变经过校正后的斯特列尔比(Strehl ratio, SR)分别提升至0.83、0.47和0.31。此外,该算法在不同湍流强度下的SR仅仅需要149、229和230次迭代达到阈值,与传统SPGD算法及其他优化算法相比有更快的收敛速度,且在稳定性和参数调节方面也具有一定的优越性。     

基于LEAP神经网络的同步DS-CDMA伪码序列盲估计*

针对特征分解方法在实现非等功率同步直接序列码分多址（DS-CDMA）信号伪码序列盲估计时存在的处理数据向量不能太长以及不能工作于非平稳环境中的问题,引入了一种由主分量分析实现自适应特征提取的在线无监督学习（LEAP） 神经网络（NN）。首先将已分段的一周期DS-CDMA信号作为NN的输入信号,用NN各权值向量的符号函数代表DS-CDMA信号各用户的伪码序列,然后通过不断输入信号来反复训练权值向量直至收敛,最终DS-CDMA信号各用户的伪码序列就可以通过各权值向量的符号函数重建出来。此外,采用变步长以提高收敛速度。理论分析与仿真实验表明,LEAP NN至少可以实现-20dB信噪比下10个用户的非等功率同步DS-CDMA伪码序列盲估计,并且比传统的Sanger NN具有更快的收敛速度。     

多径环境下异步长码直接序列码分多址信号伪码序列及信息序列盲估计

针对低信噪比 (SNR)下存在多径效应的传统单通道异步长码直接序列码分多址(DS-CDMA)信号伪码序列(PN)及信息序列难估计问题,该文提出一种基于平行因子的多通道盲估计方法。该方法先将接收到的多径信号建模为多通道模型,然后将长码DS-CDMA信号建模成短码DS-CDMA信号的缺失数据模型,形成观测缺失数据矩阵,并将...