基于神经网络的低信噪比直扩信号扩频码的盲估计方法

针对低信噪比直扩信号扩频码的盲估计问题,本文首先用离散卡-洛(K-L)变换的方法对直扩信号进行了研究,得出了在已知信号伪码参数的前提下对低信噪比直扩信号的伪码序列进行盲估计是可行的,并将该问题抽象为一个信号主分量提取问题。然而该K-L变换在伪码序列很长时的计算存储量和计算量都比较大,于是进一步提出了一种主分量神经网络(N.N.或Neural Networks)的解决方法,该方法充分利用了无监督N.N.的自适应主分量提取特性,能较好完成直扩信号伪码序列的盲估计,从而使直扩信号的盲解扩成为可能。理论分析和数值结果都表明本方案能工作在较低的输入信噪比条件下。

MEA信号锋电位的主成分分类

分类是MEA信号锋电位研究的重要任务。卡—洛变换(KLT)是所有正交变换中方差分布最佳者。按大小排列的信号协方差矩阵的本征值,即信号的主分量,用主分量的和超过信号总量90%的最大的8个数据为分类根据,对MEA信号锋电位采用沃德法进行系统聚类,获得了较好的结果。

关于地球物理勘探数据压缩算法的研究

本文在系统分析目前地球物理勘探中常用的地震勘探技术的特点及产生的数据量庞大性、采集处理时间烦长性等问题。并针对该类问题提出了一种使用的压缩算法，且以通过实际实验结果确认该算法的可行性。

低信噪比直扩信号扩频码的盲估计方法

为了解决低信噪比直扩信号扩频码的盲估计问题,提出了一种直扩信号的协方差矩阵累加平均和离散卡洛(Karhunen-Loève,K-L)变换的方法。该方法是在已知直扩信号的扩频码周期、码速率等参数的前提下,将接收到的直扩信号以一随机确定值为起点进行周期分段以形成连续多个观察向量,求协方差矩阵并累加平均,实施离散K-L变换以得到信号所含主成分,由主成分特征向量估计观察信号的扩频码。而后对观察信号进行解扩处理,从而实现直序扩频信号的盲解扩处理。理论分析和数值结果表明了该方法非常鲁棒不易受噪声影响,在通常情况下可以工作于低于-20dB信噪比的环境下。