面向高速PAM4有线收发机的自适应和低复杂度最大似然序列检测器

高速串行收发机是中央处理器、网卡和交换机等高性能芯片的关键部件.判决反馈均衡器(decision feedback equalization,DFE)是高速串行收发机的主要判决电路.针对传统DFE在高码间干扰(intersymbol interference,ISI)信道下的高误码率制约串行收发机速率提升的问题,提出一种面向4电平调制(4 pulse amplitude modulation,PAM4)串行收发机的自适应、低复杂度的减状态序列检测器(adaptive reduced-state sequence detector,ARSSD).ARSSD基于最大似然序列检测结构降低检测误码率;结合Viterbi算法和分区算法降低运算复杂度;采用基于迫零算法的ISI参数获取方式实现检测器参数的自适应更新.所提结构最终完成了行为仿真、电路设计以及系统验证.基于模拟前端芯片和现场可编程门阵列电路的实验结果表明,与传统DFE相比,当12~64 Gbps PAM4信号经过−8~−18 dB@16 GHz衰减信道时,32×4路并行ARSSD检测误码率降低2个数量级,与行为仿真结果一致.

改进蚁群优化算法的最大似然DOA估计方法

针对将连续域蚁群优化算法应用于最大似然(maximum likelihood,ML)估计中存在计算量过大的问题,提出一种基于改进蚁群优化(modified ant colony optimization,MACO)算法的最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计方法.采用精英反向学习策略获得较优初始解群体,结合全局跨邻域搜索和高斯核函数局部搜索对蚁群的寻优方式进行优化,扩大了算法的搜索空间并加快了收敛速度,最终得到ML估计方法的非线性全局最优解.仿真结果表明,与基于粒子群优化(particle swarm optimization,PSO)算法、蚁群优化(ant colony optimization,ACO)算法的ML估计方法相比,ML-MACO算法的收敛速度是ML-ACO算法的4倍,计算量是ML-ACO算法的1/3,分辨成功率高于ML-PSO算法和ML-ACO算法,估计误差小于ML-PSO算法和ML-ACO算法.ML-MACO算法以更低的计算量保持了ML算法的优良估计性能,收敛性能更优且估计精度更高.

基于广义似然比的宽带分布式目标检测算法

针对在相干积累期间发生距离走动的分布式目标检测问题,提出了一种广义似然算法及其改进算法。该算法采用广义似然函数准则与极大似然方法对不同预设速度下各个距离单元的信号进行估计,得到了两步广义似然比检测算子。进一步利用目标相邻强散射单元特性和相邻预设速度相关性,推导出改进的三步广义似然算法,随后证明了这两种算法的恒虚警率性。对两类飞机实测数据的多个实验结果表明,当目标发生距离走动的情况下,该算法性能相对与传统的非相干积累算法有明显提高。

自适应边缘检测最大似然分割算法

由于SAR图像中存在较强的乘性斑点噪声 ,给SAR图像分割造成很大困难。研究了分割SAR图像用的最大似然区域增长分割算法 ,并提出在分割前先利用自适应边缘检测方法获得边缘图 ,然后利用边缘图对图像进行初始分割。理论分析和获得的分割结果证明 ,引入自适应边缘检测后 ,不但在图像的均匀区域能更好地抑制斑点而且可以更好地保持图像的结构信息 ,图像分割效果得到明显改善。

基于Tabu搜索算法的似然性估计在边界检测中的运用

边界检测一直是图象分析处理的重点和难点。现在的边界检测算法(如K-L变换、Sobel算子的梯度检测、模板检测等)在不同程度上存在着抗噪声能力不强、算法计算量过大的缺点,不适于实时应用。新出现的一批智能化自适应算法(如Tabu搜索算法、遗传算法等)在此方面有很大改进。本文主要介绍Tabu算法在边界检测中的运用。

一种空时分组码最大似然检测的迭代算法

为了探讨某一类型空时码的最大似然检测的迭代算法。给出了这类码基于冗余线性预编码的通用构架,包括许多空时码算法示例。用这些码的特殊线性结构导了出在估计参数和检测发送数据组中字符之间进行迭代处理的ML准则迭代算法。结果表明,两步迭代大大改善系统的SER性能,但进一步的迭代不能再提高性能。

自适应降低复杂度的预均衡最大似然序列检测

通过缩减最大似然序列检测算法中的状态空间,预均衡可以大幅降低检测算法的复杂度,为克服深衰落环境中预均衡性能较差导致的算法性能降低,引入预均衡模糊度的量度,自适应控制在不同衰落和信噪比条件下预均衡状态缩减的深度,从而获得稳定的似然均衡性能。

基于Viterbi设计最大似然序列检测器

有记忆信号的观测值是相互关联的,传统检测方法不能达到最佳效果。本文提出一种基于维特比算法的最大似然序列检测器,Viterbi算法将ML序列检测器执行的网格路径搜索的数量减到最小,采用全并行方案,用FPGA作为硬件载体,从而获得更快的速度和更小的电路规模。

IQ不平衡OFDM系统两种逼近最大似然性能的亚最大似然补偿算法

针对在同相正交IQ不平衡的正交频分复用(OFDM)系统中用传统的最大似然(ML)补偿算法需要二维复向量的搜索,从而导致计算复杂度较高的问题,提出了两种逼近ML算法性能的补偿算法,即一维实向量迭代搜索算法和二维实向量迭代搜索算法,它们通过在空间中迭代搜索一维或二维实向量来降低计算复杂度。仿真结果表明,上述改进的亚ML补偿算法的性能优于现有的频域和时域最小二乘补偿方法,逼近ML算法,其计算复杂度明显低于传统的ML算法,误比特性能与ML算法相当。

用最大似然法检测数字通信中的信号

最大似然检测方法广泛应用于工程之中。本文从通信系统的角度介绍了似然比检测的原理,利用最大似然检测的原理,实现无线通信系统中的似然检测的方法。与目前已有的其他常规方法相比,最大似然检测明显提高了系统的检测性能。

MSK信号的最大似然检测

最小频移键控(Minimum Shift Keying,MSK)是一种连续相位的频移键控。MSK信号包络恒定,相干检测时的误码率性能比一般的频移键控要好。MSK在引入倾斜相位的概念后,其相位格图类似于卷积码的时不变网格图,因此能用Viterbi算法实现最优解调。理论分析和数值模拟表明,在相位与时间严格同步的条件下,MSK基于Viterbi算法的最大似然检测法性能更好,是最优的解调方法。这里仅考虑在加性高斯白噪声信道下信号传输的相干检测。

基于CORDIC算法的最大似然频差估计

针对频率偏移对低速散射通信中相干检测性能的影响,提出了基于CORDIC算法的最大似然频差估计;详细推导了最大似然频差估计的原理和CORDIC算法的基本原理;提出了具体的设计过程以及试验结果。

基于非凸惩罚似然法的混合回归模型离群值检测与变量选择

在有限回归混合模型的应用中,用于变量选择的惩罚似然方法在统计学中发挥了重要作用。然而,普通的惩罚似然方法对离群值很敏感。文章提出了一种稳健的惩罚似然方法,可同时进行离群值检测和变量选择。并提出一种数据自适应的选择调谐参数程序和EM算法用以稳定、有效的计算。通过在模拟分析中与普通的惩罚似然方法做比较,表明了本文提出的新方法的有效性。

基于最大似然估计的优化盲检测方案

提出了一种应用于空时分组编码系统的优化盲检测方案,可以达到降低计算复杂度之目的。文章首先建立了空时分组编码的系统模型,并且介绍了最大似然估计的理论。在此基础上,提出盲检测迭代算法终止时机因子的概念,通过调节终止时机因子,可以平衡降低误码率和减少运算量之间的关系,以满足实际情况的需要。理论分析表明,此方法具有可行性,而通过Matlab仿真得到在计算量有限的情况下,通过减小终止时机因子并且增加级联在一起的空时分组码矩阵个数,可以降低比特误码率。

动态规划算法进行弱目标检测的机理研究

低信杂噪比环境中对弱小目标的检测,已经在信号处理、红外图像序列检测等领域中引起人们的广泛关注。动态规划实际上是一个多阶段决策的优化问题,它是检测前跟踪(TBD)处理过程中提出的一种有效检测弱小运动目标的方法。该文分析了动态规划算法进行弱小目标检测的机理,在此基础上对两类动态规划算法进行了革新,并给出了一个统一的递推关系式。仿真结果表明此算法对弱小目标具有较强的检测能力,比一般的弱目标的检测方法SNR性能上约提高3～5dB。

伽利略搜救信号检测算法设计

根据伽利略搜救信标信号的特点,利用纯载波段和位帧同步段信息,提出采用广义似然比检验（GLRT）和极大似然（ML）估计方法实现搜救信号检测,同时得到信号到达频率（FOA）、信号到达时间（TOA）和信息位宽的粗略估计值.仿真与硬件实现后的测试结果表明,当接收信号载噪比为34.8dB·Hz时,无虚警且正确检测概率可达0.97以上,指标优于系统要求的0.95.

基于Laurent分解的多指数CPM低复杂度序列检测算法

针对现有的多指数连续相位调制(CPM)信号解调中存在的运算量大,工程实现难度高等问题,本文提出了一种基于Laurent分解的低复杂度序列检测算法。该算法采用两个近似处理过程来有效减少解调中所使用的匹配滤波器的个数以及维特比译码器中所使用的网格状态数,并结合基于判决反馈的减少状态序列检测(RSSD)算法进一步减少后端处理中使用的网格状态。为了估计本文提出的接收机的性能,把该算法应用到一个实际中使用的多指数调制方案。仿真结果给出了与传统的最大似然序列检测(MLSD)相比,该调制方案中译码器的网格状态数从32个减少到4个,匹配滤波器的数目从8个减少到2个,然而仅仅带来0.9dB的性能损失。表明该算法能有效的降低多指数CPM接收机的复杂度,适合于实际应用。

基于最大期望算法的列车完整性检测方法

面向中国中西部低密度线路条件,基于GNSS的列车完整性检测系统是一种经济有效的列车完整性解决手段,也可作为制动管风压检测的辅助冗余检测方式,以进一步保障列车运行安全。针对列车运行过程中基于GNSS列车完整性检测系统问题建立完整性检测模型,模型包含列车完整状态及断裂状态下的系统时间动态转换过程。基于系统参数先验统计特性未知情况下的模型参数估计,提出基于最大期望算法的离线训练学习方法,得到列车完整性检测系统模型后验参数的极大似然估计。在列车完整性检测过程中,针对当前时刻的观测值,进行列车完整性所有状态的概率推理估计,采用高斯和滤波的方法实现状态的概率推理计算,选取最大概率下的列车完整性状态,实现列车完整性检测。结合现场测试及仿真数据,针对本文提出的列车完整性检测方法进行测试验证,结果证明了该方法的有效性。

一种低复杂度MIMO球形检测算法

针对球形译码检测算法在信噪比较低时复杂度大的问题,提出一种新型球形检测算法。通过使用一个压缩因子对低信噪比时的球半径进行抑制,同时结合最小均方误差检测算法降低算法复杂度。仿真结果表明,在信噪比低于10 dB时,该算法相对传统球形译码算法,复杂度平均降低10%左右,并且性能损失较少。

自适应SAR图像边缘检测算法

边缘检测是图像分析的基础,在对SAR图像进行边缘检测时,由于SAR图像存在很强的相干乘性斑点噪声,几乎没有一种方法既能有效地检测边缘又能排除斑点噪声的影响而不产生较多的虚假边缘,特别是在低视数SAR的情况下,该文指出了在低视数情况下应当如何对Touzi ratio边缘检测方法和最大似然(ML)边缘方法的检测窗口进行改进,在对SAR图像进行边缘检测时,引入了自适应窗口的方法,并将其应用到Touzi ratio边缘检测和最大似然 (ML)两个恒虚警边缘检测算法中,取得了很好的改进效果,引入自适应窗口的方法也适用于其它的SAR图像边缘检测算法。