基于多信号分类-改进早晚功率锁相环的5G机会信号定位算法

随着5G技术的不断发展,5G蜂窝网络已被广泛应用于城市地区。然而,基于5G的机会信号定位技术中存在着测距精度不高的问题。针对此问题,提出一种改进型5G机会信号定位算法,该算法将多信号分类(multiple signal classification,MUSIC)算法与改进的早-晚功率锁相环(phase-locked loop,PLL)结合,不仅简化了锁相环结构,更保证了测距精度;同时搭建了基于5G机会信号定位的原理样机,并对改进算法方法的有效性和可行性进行了验证,试验结果表明伪距均方误差为3.03 m。本文所提出的算法不仅结构简单、系统稳定,而且在测距精度上也有一定的优势。

CS损伤成像中的时间逆转多重信号分类算法

将时间逆转多重信号分类算法应用于混凝土结构内部损伤检测中,由换能器单元发射的信号和接收的损伤回波信号构建传递矩阵,并通过对传递矩阵奇异值分解后得到的奇异值反映了损伤的数量与损伤的程度,奇异向量则包含了损伤信息,基于多重信号分类算法结合奇异向量对CS内部结构成像并实现损伤定位,通过数值仿真和实验验证了时间逆转成像方法用于CS损伤检测的可行性,实现了损伤的准确定位。

基于电磁时间反演算法的复合材料无损检测成像

随着非金属复合材料的应用场景日益增加,对其进行无损检测的需求也日渐迫切,针对以上问题提出了一种基于电磁时间反演原理,使用时间反演多信号分类法进行非金属复合材料无损检测成像的技术。通过将无损待测物和有损待测物的S参数信息做差,得到缺陷所提供的信道响应信息,对其进行特征值分解,得到所需要的天线激励幅度与相位,回发后使得场集中于缺陷位置,利用时间反演多信号分类法得到成像结果。实验结果表明,所提出的方法可以实现对非金属复合材料的高精度、高分辨率的无损检测成像,缺陷大小0.13λ,误差仅为0.06λ,技术新颖,具有极大的应用价值。

基于时间反演的无损检测成像初探

时间反演理论自上世纪90年代提出就引起了研究人员的兴趣,于2004年由声学拓展到电磁学,并被应用于无损检测、通信和医疗成像等多个领域。文中微波的时间反演多信号分类法被首次用于介质材料的无损检测,通过测量电磁波分别在有损样本和标准无损样本传播的信道响应,并取其差值获得用信道响应矩阵表示的样本缺陷对电磁波的散射作用,进而利用特征值分解对信道响应进行降维,并根据已知信道格林函数进行成像。根据在时域有限积分软件的仿真结果可知,该方法能够分辨样品中尺寸远小于波长的单个微小缺陷,且误差较小,是一种超分辨率的方法。

时间反演系统中基于Barzilai-Borwein的共轭梯度检测算法

针对时间反演多址系统中信道的相关性会导致多用户干扰的问题,以降低用户间干扰和算法复杂度为目标,提出基于Barzilai-Borwein的共轭梯度迭代检测算法。首先通过共轭梯度迭代两次找到最速下降方向,然后通过Barzilai-Borwein沿着共轭梯度搜索的方向继续迭代。仿真表明,所提算法收敛速度快于Barzilai-Borwein和共轭梯度算法,且复杂度低于共轭梯度算法和最小均方误差(minimum mean square error,MMSE)算法,保持在O(N2)。

对比源反演算法对二维混合目标重建成像的应用

针对线性成像精确性有限的缺点,提出了在非线性算法—对比源反演算法中采用正则化和并行频率方重建在暗室内的金属和电介质柱体构成的混合目标。二维实测微波散射数据采用了多频率、多收发设置的测量方式。通过目标的位置、形状及对比度值得展示,验证了扩展后的对比源反演算法对复杂的二维混合目标重建成像的精确性。

时间反转超声成像检测乳腺微钙化的仿真

为了研究时间反转超声成像对乳腺微钙化检测的有效性,通过FieldⅡ超声仿真软件,分析相关参数设置对时间反转超声成像分辨率的影响,设置点散射子模拟乳腺微钙化,对比研究理想条件及不同噪声条件下时间反转超声成像算法对乳腺微钙化检测的有效性.无论是理想条件下或是不同噪声条件下,时间反转超声成像均能突破传统B超成像分辨率极限,能够分辨出距离较近的点散射子,有效抑制噪声,而传统B超成像则对噪声较为敏感.时间反转超声成像可提高传统B超成像检测乳腺微钙化点的成像分辨率和抗噪能力.其中,时间反转多信号分类(time reversal with multiple signal classification,TR-MUSIC)成像能准确定位点散射子,但纵向分辨率低;相位相干时间反转多信号分类(phase-coherent with multiple signal classification,PC-MUSIC)提高了TR-MUSIC的纵向分辨率,但不能准确定位,需进行相位补偿.

OFDM系统中基于BP神经网络的定位算法

为了减小正交频分复用(OFDM)系统中多径干扰对定位精度的影响,提出一种基于后向传播(BP)神经网络的定位算法。该算法采用多重信号分类(MUSIC)算法估计OFDM信号首径的到达时间(TOA),再计算出到达时间差(TDOA),然后利用BP神经网络对其进行修正,最后使用Chan算法确定移动台的位置。在多径环境下对算法进行仿真,仿真结果表明该算法能够有效地降低多径干扰的影响,性能优于最小二乘(LS)算法、Chan算法和泰勒算法。