基于加权最大范数的SAR自聚焦方法

基于最大似然估计的特征向量分解自聚焦算法利用最大特征值对应的特征向量实现对相位误差的估计。该方法虽然具备精确和稳健的性能,但需要对协方差矩阵进行特征分解,导致实际数据在处理中运算量巨大,对内存要求也很高,难以在实时合成孔径雷达(SAR)成像处理中应用。该文提出一种基于加权最大范数的自聚焦方法,通过求解二范数最大化的优化函数对目标特征向量进行估计,避免了特征值的分解过程,有效提升了运算效率;利用信噪比加权的思想,对不同距离单元赋予不同的权值,增强了优质特显点样本对相位误差的估计贡献,有效改善了自聚焦精度。通过实测SAR和ISAR数据处理验证了算法的有效性。

基于最大范数准则与矩阵特征分解的PN码估计方法

针对直扩信号伪随机序列(PN码)的估计问题,在基于协方差矩阵特征分解算法的基础上,利用最大范数准则加以改进,提出了基于最大范数准则与矩阵特征分解的伪码序列估计方法,并对其进行了理论分析和实验仿真。仿真结果表明,该算法能适用于低信噪比情况,并且与直接特征分解方法相比,估计性能更好。

双线性椭圆最优控制问题混合有限元方法的最大范数误差估计

考虑了一个双线性椭圆最优控制问题的混合有限元方法逼近,状态与对偶状态变量采用最低阶RaviartThomas混合有限元离散,控制变量采用分片常数函数逼近.获得了控制变量、状态变量和对偶状态变量的最大范数误差估计.

利用Encoder-Decoder框架的深度学习网络实现绕射波分离及成像

利用单纯绕射波场实现地下地质异常体的识别具有坚实的理论基础,对应的实施方法得到了广泛研究,且有效地应用于实际勘探。但现有技术在微小尺度异常体成像方面收效甚微,相关研究多数以射线传播理论为基础,对于影响绕射波分离成像精度的因素分析并不完备。相较于反射波,由于存在不连续构造而产生的绕射波能量微弱并且相互干涉,同时环境干扰使得绕射波进一步湮没。因此,更高精度的波场分离及单独成像是现阶段基于绕射波超高分辨率处理、解释的重点研究方向。为此,首先针对地球物理勘探中地质异常体的准确定位,以携带高分辨率信息的绕射波为研究对象,系统分析在不同尺度、不同物性参数的异常体情况下绕射波的能量大小及形态特征,掌握绕射波与其他类型波叠加的具体形式;然后根据相应特征性质提出基于深度学习技术的绕射波分离成像方法,即利用Encoder-Decoder框架的空洞卷积网络捕获绕射波场特征,从而实现绕射波分离,基于速度连续性原则构建单纯绕射波场的偏移速度模型并完成最终成像。数据测试表明,该方法最终可满足微小地质异常体高精度识别的需求。

抛物型方程的Schwarz交替法及其误差分析

考虑一般线性抛物型方程的 Schwarz交替法 ,就重叠子域的情形给出两种区域分解格式 。

MISO系统信道估计误差的影响比较

信道估计是多输入单输出系统中的一项重要工作,分析比较了信道估计误差对于三种多输入单输出系统(空时分组码系统、频域预均衡系统及最大范数复合信道传输分集系统)性能的影响.模拟结果表明最大范数复合信道传输分集系统可以有效抑制干扰,降低误码率,因此对信道估计的误差比较灵敏.

一类奇异非线性两点边值问题的Galerkin解的误差估计

本文对一类奇异两点边值问题采用了对称的Galerkin方法.通过利用Green函数,对线性问题得到了拟最优的最大范数误差估计并将这一结果推广到了非线性问题.本文最后列举了一些数值试验结果,这些结果很好地验证了理论结果.