几种自适应波束形成方法的对比

波束形成在无线通信、雷达、声呐等阵列系统中具有广泛应用。数字波束形成通常是基于接收信号的阵列响应和协方差矩阵的估计设计。由于天线增益、相位、波达方向(Direction-of-Arrival,DOA)和协方差矩阵估计的误差会导致导向矢量(Steering Vector,SV)产生模型失配,而这种模型失配会导致波束形成性能的下降。针对以上问题,给出了基于精度矩阵收缩估计的方法,采用了线性脊估计结构且用数据驱动和留一交叉验证来选择参数。通过Matlab仿真,研究了当存在模型不确定性时,基于精度矩阵收缩估计的方法以及基于协方差矩阵收缩估计和干扰加噪声协方差矩阵重构等方法的鲁棒性。结果显示,当存在模型失配时,基于精度矩阵收缩的波束形成方法在低信噪比时具有更优的鲁棒性。

基于矩阵感知的毫米波MIMO系统信道估计方法

在使用混合波束形成的毫米波大规模多输入多输出系统中,射频链路少于天线数,信道估计非常具有挑战性。当天线阵列缺陷导致未知相位和增益误差时,压缩感知信道估计器的性能会下降。为提高系统鲁棒性,提出了一种新型的基于矩阵感知的信道估计方案。该方案利用毫米波信道的低秩特性,采用凸函数差框架设计信道估计器。理论分析及仿真结果证明,所提方案不受阵列相位和增益误差的影响,与压缩感知方案比较增强了系统的鲁棒性,可获得比矩阵补全方案更好的估计性能。

基于多散斑图组合-调制的鬼成像优化方法

利用多个散斑图组合的方式提出了一种新的鬼成像优化方法.利用桶探测器值的大小对照射到目标物体上的多个散斑图进行排序,使相邻散斑图间差异性减小;通过对相邻散斑图间的叠加以及对应桶探测器值的调制,有效降低待关联数据间冗余和数量,并利用不同的关联运算规则实现对目标物体的重构.数值仿真结果表明,对于目标图像,在总采样次数4000次、4个相邻散斑图组合方式下,所提方法与未组合-调制下传统鬼成像、差分鬼成像和正负调制鬼成像相比,其峰值信噪比/对比度分别提升了21.7%/27.3%、8.3%/17.8%和14.7%/25.7%;通过对20幅目标图像的数值模拟与结果分析,发现峰值信噪比/对比度提升率在15%和30%以上的占比分别为90%/85%和50%/55%,说明该方法具有较好的普适性和推广价值.

基于压缩感知和三次相位变换的低复杂度空中机动目标参数估计

该文提出一种基于压缩感知(Compressive Sensing,CS)和三次相位变换(Cubic Phase Transform,CPT)的低复杂度空中机动目标参数估计方法。首先利用CPT将机动目标回波信号中的两个参数进行分离,然后采用压缩感知技术完成机动目标参数的估计。在机载雷达发射脉冲数有限的情况下,该方法能够获得准确的参数估计结果;仿真实验验证了该方法有效性。

基于WVD的机载相控阵雷达机动目标检测及参数估计方法

该文提出了一种基于魏格纳分布(Wigner-Ville Distributed,WVD)和重构时间采样(Reconstruction time sample,RTS)的空中机动目标检测和参数估计方法。该方法首先利用雷达回波的空域采样来重构时域采样,相当于增加了单个阵元的脉冲采样点数,然后再对重构后的数据进行WVD变换来估计目标的参数。该方法能够在方位信息未知,脉冲数较少的情况下有效地实现对机动目标的检测与参数估计。仿真结果验证了该方法的有效性。

结合CPT的相控阵空中高机动目标参数估计

针对高机动目标多谱勒走动使得传统方法检测和参数估计性能下降的问题,提出了一种最优处理器框架下的结合三次相位变换(Cubic Phase Transform,CPT)的相控阵雷达空中高机动目标参数估计方法,该方法将三次相位变换引入相控阵体制雷达,利用相控阵体制下回波相位的相关性,补偿接收信号空间相位,实现接收信号的相干积累,然后通过求取补偿后信号的相位函数矩阵,实现信号的参数分离,最后进行参数估计。仿真结果证明,该算法能够在输入信噪比较低、采样脉冲较少的情况下,获得较高的参数估计结果。

基于CPT和RPF的空中高机动目标检测与参数估计

提出了一种基于三次相位变换(cubic phase transform,CPT)和重构相位函数(reconstructing phase function,RPF)的空中高机动目标参数估计方法。为了实现目标高阶参数的估计,该方法首先通过双线性变换求得接收信号的相位函数,实现信号降阶和待估参数的分离;然后利用多阵元采样重构参考阵元的相位函数,等效增加了参考阵元相位函数的时间采样,实现了参考相位函数的相干积累;最后进行参数估计。仿真结果表明,在输入信噪比较低、采样脉冲较少的情况下,该算法能够以较高的精度实现对高机动目标的参数估计。

基于交叉验证的MVDR波束形成对角线加载因子选择

最小方差无失真响应(MVDR:Minimum variance distortionless response)波束形成器在阵列信号处理中具有广泛的应用。在样本数少的情况下,MVDR波束形成器设计中的协方差矩阵的估计是一个挑战。已经证明对角加载(DL)是解决该问题的有效方法,但是对角加载因子(DLF:Diagonal loading factor)的选择是困难的。本文中,我们提出了一种基于留一交叉验证的(LOOCV:Leave-one-out cross-validation)数据驱动方法,用于为MVDR波束形成器选择DLF。我们还对算法做了简化使得DLF的选择可以在低复杂度下实现。数值结果表明,该方法可以实现DLF的近乎最优的选择。

基于鬼成像的手写字体分类方法

针对手写字体特征提取难、识别效率低甚至错误的问题,提出一种结合鬼成像原理和分类网络的思想用于手写字体的识别。首先,使用激光器、数字微镜阵列、单像素探测器等搭建鬼成像探测系统,利用系列哈达玛散斑场分别实现对17 239幅手写字体的照射;其次,利用单像素探测器对手写字体透射的总光强值进行采集,并将其转换为一维向量作为网络训练的输入;最后基于卷积神经网络在图像分类的优势搭建网络架构且为解决训练过程中的网络退化问题加入残差块。实验结果表明:对于手写数字来说,全连接神经网络与卷积神经网络的精密度、召回率、F1值分别提高86.50%/97.25%、86.40%/98.03%、86.31%/97.60%;对于手写字母来说,卷积神经网络在全采样下的精密度、召回率、F1值分别为91.87%、90%、90.23%。该方法利用鬼成像原理,仅通过手写字体透射的总光强值而无需对手写字体的特征进行提取与识别便可进行快速分类,大幅提升了手写字体的识别效率。

基于经验模态分解的激光散斑噪声抑制方法

为抑制激光散斑噪声对定量相位重建精度的影响,本文基于经验模态分解提出了一种激光散斑噪声抑制方法。该方法只需采集一张全息图像且无需添加额外硬件设备,避免了寻找最优处理参数的复杂过程。首先,采用经验模态分解突出图像细节信息。其次,使用边缘检测克服各向异性扩散方程中梯度算子抗噪声能力不强、不能识别伪边缘等问题,对细节突出的图像进行边缘检测。最后,由高精度的边缘检测结果引导扩散去噪过程达到更好的散斑抑制效果。实验结果表明,经过本文方法处理后,重建相位的结构相似性提高了12.9000%,边缘保持指数提高了14.3861%,散斑抑制指数降低了8.1299%,并且相位截面曲线与原始相位最接近。本文所提出的方法不仅具备更好的去噪效果,而且更有效地保留了细节信息,相位重建的精度更高。