认知雷达中基于Q学习的自适应波形选择算法

自适应波形选择器是认知雷达中智能发射器的重要组成部分。有效的波形选择能够在不同的环境下选择发射最优的波形序列,从而以更高的精度追踪目标。针对雷达目标转移概率未知这一特点,把自适应波形选择问题建模为随机动态规划模型,提出应用Q学习的方法来解决这个问题。仿真结果说明,该算法接近于最优波形选择方案,并且状态估计的不确定性低于固定波形。

基于联合稀疏压缩感知的频-空二维谱空穴检测

针对单维谱空穴检测过程中存在较大漏检率、易损失频谱接入机会等问题,提出了1种基于结构化压缩感知理论的频-空二维谱空穴检测算法。首先给出了接收无线电信号的频-空二维数据模型,然后利用联合稀疏结构化压缩感知理论给出频-空二维谱空穴检测模型,求解二维稀疏矩阵,并利用此矩阵中的元素检测主用户信道的占用状态,从而进一步获得各认知用户与活跃主用户之间的距离。最后,给出了频-空二维谱空穴判决准则。仿真结果表明:与标准压缩感知方法相比,所提方法不仅能够有效减少认知用户配备的滤波器数目,进一步证实了,当网络中认知用户的数目增加时,适当减少单个认知用户配备的滤波器个数,仍然能够达到预计的检测精度。

基于Bayesian方法的鲁棒约束最小二乘恒模算法

在实际通信环境中,信号方向向量偏差会导致线性约束最小二乘恒模算法(LSCMA)的性能急剧下降,针对这一问题,提出了基于Bayesian方法的鲁棒约束LSCMA.该算法根据接收到的采样信号和信号的先验信息对实际信号方向向量进行估计,利用权重向量的模值约束条件推导出其迭代公式,降低了信号波达方向的不确定性,对信号方向向量偏差具有较强的鲁棒性,从而可以保证阵列输出的信干噪比接近最优值.所提鲁棒波束形成算法采用递推方法来计算逆矩阵,大大地降低了计算复杂度,能够满足实时处理的要求.仿真实验结果表明,与线性约束LSCMA相比,所提鲁棒自适应波束形成算法具有更好的性能,且能适应实际复杂的通信环境.

基于二次型约束的鲁棒最小二乘恒模算法

阵列指向性偏差会导致线性约束最小二乘恒模算法(LSCMA)的性能急剧下降,为此提出了一种基于二次型约束的鲁棒LSCMA算法。该算法通过对期望信号波达方向附近小区域内的方向向量的误差模值进行约束来构造一种新的代价函数,并在此函数下迭代更新权重向量,以提高算法的鲁棒性。该算法收敛速度快,稳态性能好,能够有效地解决干扰捕获问题,对阵列指向性偏差具有很强的鲁棒性,从而改善了阵列输出的信干噪比,使其更接近最优值。仿真结果表明:与线性约束最小二乘恒模算法相比,所提鲁棒算法提高了输出性能,降低了计算量,易于实时实现,且能适应实际复杂的通信环境。

基于粒子群优化的大规模传感器网络节点调度策略

针对资源受限条件下大规模无线传感器网络中协作目标跟踪问题,提出一个基于粒子群优化的节点调度方案.该方案利用高斯粒子滤波算法和方差交叉融合算法获得目标状态预测信息,进而选择下一时刻簇成员节点,并构造了通信能耗的代价函数,利用粒子群优化方法选择最佳的簇头节点,减少了节点调度的计算复杂度,同时保持了较好的跟踪精度.仿真结果验证了所提出方案的有效性.