针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。I...针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。IMBO算法通过精英反向学习策略对初始帝王蝶种群进行优化,得到适应度值较优的初始帝王蝶个体,进而能够改善帝王蝶种群的多样性;引入差分进化算法启发的变异操作以及自适应策略对帝王蝶个体的寻优方式进行改进,扩大了算法的搜索空间;引入了高斯-柯西变异算子,自适应调整变异步长,避免算法陷入局部最优。将IMBO应用于ML-DOA,实验表明,与传统的DOA估计算法相比,在不同信源数目、信噪比以及种群数量下,本文提出的算法收敛性能更好,均方根误差更低,运算量更小。展开更多
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-...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.展开更多
电大尺寸目标的宽带散射回波可看成多个强散射中心的共同作用结果,回波表现为高分辨距离像(high-resolution range profiles,HRRP)的特点。如何利用多个散射中心的回波能量,以提升单脉冲测角的性能是值得深入研究的问题。本文给出的宽...电大尺寸目标的宽带散射回波可看成多个强散射中心的共同作用结果,回波表现为高分辨距离像(high-resolution range profiles,HRRP)的特点。如何利用多个散射中心的回波能量,以提升单脉冲测角的性能是值得深入研究的问题。本文给出的宽带雷达单脉冲测角的最大似然估计(maximum likelihood estimate,MLE)算法,该方法能够积累扩散到多个距离单元的回波能量,从HRRP中获得信噪比(signal to noise ratio,SNR)增益。提出了一种基于回波本身来确定目标距离支集的方法,并在距离支集上实施MLE算法。仿真研究表明:本文所提方法相比于加权平均法和最强点法,能够有效利用距离方向多个散射点的回波能量。MLE算法的均方根误差(root mean square error,RMSE)性能逼近克拉美罗下界(Carmer Rao low bound,CRLB)。展开更多
文摘针对传统最大似然波达方向(maximum likelihood direction of arrival,ML-DOA)估计存在计算量大、估计精度差等问题,本文提出一种采用改进帝王蝶优化算法(improved monarch butterfly optimization algorithm,IMBO)的ML-DOA估计方法。IMBO算法通过精英反向学习策略对初始帝王蝶种群进行优化,得到适应度值较优的初始帝王蝶个体,进而能够改善帝王蝶种群的多样性;引入差分进化算法启发的变异操作以及自适应策略对帝王蝶个体的寻优方式进行改进,扩大了算法的搜索空间;引入了高斯-柯西变异算子,自适应调整变异步长,避免算法陷入局部最优。将IMBO应用于ML-DOA,实验表明,与传统的DOA估计算法相比,在不同信源数目、信噪比以及种群数量下,本文提出的算法收敛性能更好,均方根误差更低,运算量更小。
文摘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.
文摘电大尺寸目标的宽带散射回波可看成多个强散射中心的共同作用结果,回波表现为高分辨距离像(high-resolution range profiles,HRRP)的特点。如何利用多个散射中心的回波能量,以提升单脉冲测角的性能是值得深入研究的问题。本文给出的宽带雷达单脉冲测角的最大似然估计(maximum likelihood estimate,MLE)算法,该方法能够积累扩散到多个距离单元的回波能量,从HRRP中获得信噪比(signal to noise ratio,SNR)增益。提出了一种基于回波本身来确定目标距离支集的方法,并在距离支集上实施MLE算法。仿真研究表明:本文所提方法相比于加权平均法和最强点法,能够有效利用距离方向多个散射点的回波能量。MLE算法的均方根误差(root mean square error,RMSE)性能逼近克拉美罗下界(Carmer Rao low bound,CRLB)。