基于多径分布源模型的米波雷达测高算法

针对复杂环境下的米波雷达低仰角测高问题,建立多径信号服从高斯分布源的阵列信号模型,提出一种广义约束多重信号分类(MUSIC)算法。该算法将多径信号作为约束,通过限制信号子空间包含多径导向矢量,来提高直达波的估计精确度。算法性能不受信号相干和地面反射系数的影响。与传统的测高算法相比,该方法在复杂反射地形下能有效进行目标高度估计。计算机仿真结果验证了该算法的可行性。

基于非线性变换的高分辨率距离像雷达目标识别

雷达目标识别的预处理工作是高分辨距离像领域中的重要组成部分,也是提高识别率的重点和难点。给出了一种结合信号统计特性的信号预处理方法,通过对高分辨距离像(highresolutionrangeprofiles,HRRP)的非线性变换作为特征,有效地拉大了异类目标信号之间的欧氏距离,从而提高了分类的识别率。基于ISAR雷达实测飞机数据的实验结果证明了该方法的有效性。

基于方位弯折的高分辨距离像雷达目标识别

针对高分辨雷达距离像的方位敏感性问题,将应用于语音处理的动态时间弯折技术引入高分辨距离像雷达目标识别领域,提出了一种动态方位弯折技术,该技术通过将测试数据与模板特征序列进行非线性伸缩(弯折),获得测试帧与模板之间最小匹配距离对应的最佳匹配路径,实现对测试数据的目标识别。对ISAR实测飞机数据的分类实验及与模板匹配法和RBF识别方法的比较,获得了良好的识别结果,表明了该方法的可行性和有效性。

单通道最优恒模自适应干扰抑制方法

针对民航地空通信中常见干扰具有恒定包络的特点,该文提出了一种基于单通道最优恒模算法的自适应干扰抑制方法。该方法利用干扰信号的恒模特性,采用非线性最小二乘的方法对干扰信号的幅度与相位进行估计,并将其与接收到的混合信号相减,从而实现了恒模干扰信号的抑制。该方法与现有民航地空通信系统具有较好的兼容性,无需额外增加通道,且避免了一般自适应干扰抑制算法中的收敛问题。仿真和实测数据的处理结果表明该方法具有较好的干扰抑制效果。

采用阵列天线的GPS接收机的多径抑制方法

提出一种新的用于阵列天线GPS接收机的多径抑制方法。考虑到通常GPS视线信号的来波方向与多径的来波方向不同,在每个导航数据符号位内测距(C/A)码重复,通过对阵列接收的信号矢量与它本身的延迟信号矢量互相关,提高接收机前端信噪比,再利用最大特征值法和前后向空间平滑技术准确地估计期望卫星视线信号(LOSS)的来波方向。最后综合多个GSC子阵列有效地降低了相关多径对码跟踪精度的影响。仿真结果显示,该方法能使接收机在与LOSS码同步前准确估计LOSS的角度信息,有效抑制相关多径,且鉴相结果准确。

基于LS-LMS的智能天线自适应干扰抑制方法

针对基于训练序列的智能天线自适应干扰抑制系统,提出了一种最小二乘(Least squares,LS)-最小均方(Least mean squares,LMS)智能天线自适应干扰抑制方法,该方法首先利用小快拍数LS方法为LMS方法提供初始加权矢量,然后用LMS算法更新加权矢量。对LS、LMS和LS-LMS三种算法复杂度分析比较得知新方法的计算量较小,在快拍数较大或阵元与快拍数均较大时都能有效地提高计算效率。仿真实验表明,新方法性能优于LMS算法,具有较快的收敛速度,且收敛速度与干扰环境无关。

基于非均匀采样间隔的数据关联算法研究

针对工程中普遍存在的非均匀采样目标跟踪问题,给出了基于多扫描的后向递归概率数据关联算法实现过程,讨论了判断目标丢失的准则。对分别基于一维和多维扫描数据进行数据关联判决的不同算法的性能进行了仿真分析。仿真结果表明:在采样次数不变的条件下,和应用单扫描的PDAF算法相比,多扫描非均匀采样方法能够获得更好的航迹维持性能。当目标检测概率越大、杂波密度越大、目标机动性能越大时,非均匀采样和均匀采样方法航迹维持性能的差别越大。

一种通用的GPS多类干扰抑制方法

欺骗式干扰、压制式干扰、卫星多径信号干扰是GPS最常见的,也是最有威胁的干扰。本文针对这三种干扰共存的情况,将子空间技术和低副瓣常规波束形成技术相结合,提出了一种通用的抗干扰算法。该算法能够同时抑制欺骗式干扰、压制式干扰和卫星多径信号干扰,并对GPS信号提供信号处理增益。本文还分析了欺骗式干扰和GPS卫星信号的相关特性,针对不同的相关性,提出分别采用协方差矩阵特征值分解和高分辨相干子空间估计方法来计算干扰子空间。仿真结果表明本文方法可以同时抑制多类干扰,保证接收机能够准确捕获到卫星信号。

海面漂浮小目标的特征联合检测算法

该文研究了高距离分辨海杂波背景下漂浮小目标的检测问题。漂浮目标使得周围海面的散射特性发生了改变,目标所在的分辨单元的回波满足非加性模型,导致该模型中依赖于目标的参数难以统计建模。为了避开参数建模,该文将检测问题转化为二元分类问题,即确定海杂波所属于的类,目标检测就是判别回波是否属于该类。针对此分类问题,提出了基于非加性模型的特征联合检测算法,首先在回波中提取两个特征组成归一化向量,然后利用凸包训练算法获得判别区域,最后以判别区域是否包含该向量作为判别准则。实测的IPIX雷达数据实验结果表明,该文算法在高分辨海杂波下的检测性能优于对比算法,为海事雷达检测小目标提供了新的检测方案。

基于Mexican hat函数的图像特征提取和配准算法

使用Mexican hat函数作为特征检测算子,对图像进行局部区域提取和特征点提取,在此基础上,提出了一种结合局部区域和特征点的图像配准算法。使用Mexican hat检测算子和零交汇点检测的方法获得局部区域特征并进行初步匹配,然后使用基于不同尺度空间的Mexican hat检测算子进行特征点提取。将特征点按照局部区域进行分组,再对每一组内的特征点进行匹配操作。最后使用基于分组的随机采样一致性检验进行变换矩阵求解。算法使用Mexican hat特征检测算子进行两种图像特征的提取,对两种特征分别进行匹配,完成图像配准操作。实验结果表明,给出的Mexican hat特征检测算子在配准精度上不亚于当前主流检测方法,配准算法具有复现率高和运算速度快的优点。

一类离散Hopfield网络的吸引特性研究

该文以n维超立方体为大规模局域连接模型的离散Hopfield网络(简称A_n网)为研究对象,深入讨论了这种网络的吸引特性,包括吸引子/吸引环的结构和吸引半径等,得出了具有相同结构的吸引子/吸引环具有相同的吸引特性和吸引半径,并给出了它们的吸引半径;进一步地,本文将上述讨论扩展到较为一般的离散Hopfield网络,讨论了它们的吸引子/吸引环与A_n网的吸引子/吸引环相同(或部分相同)的条件,以及相应的吸引子/吸引环的吸引半径,得出了迁移越大,保留A_n网吸引子/吸引环的数目越少,且吸引半径越小的结论。

一类离散Hopfield网络吸引状态的特征分析

该文首先讨论了超立方体图所对应的连接矩阵的特征向量,进而深入系统地分析了以n维超立方体为大规模局域连接模型的离散Hopfield网络的吸引特性之一,稳定吸引状态的位置、数量及其分布。研究结果表明,网络连接权矩阵的特征向量及其拼接向量均为网络的吸引子或吸引环,且其在网络状态空间中具有均匀对称的分布格局。

稳健二进神经网络及其基本性质研究

从二进前向网络的稳健要求出发 ,提出了稳健分类的概念 ,在此基础上给出了稳健分类超平面的一般形式 ,从而如果二进前向网络的每一神经元都是稳健神经元 ,则网络的连接权仅为 - 1 ,0或 + 1 ,每一神经元的阈值也只为二分之一的基阈值加上一处于有限区域上整数的辅阈值 ,并且辅阈值为神经元各个输入对其的贡献之和 .稳健二进前向网络的这些性质使得网络不仅稳健能力强 ,而且易于做到隐节点数少、连接少。

ANMF和CM-CFAR在K分布海杂波下的性能分析

目的研究非相干积累检测器和相干积累检测器的检测性能。方法对比了单元中值恒虚警(CM-CFAR)检测器和自适应归一化匹配滤波(ANMF)检测器。结果对比了两个检测器的计算复杂度,给出了在实测K分布海杂波情况下两个算法的性能差异,分析出差异的原因与积累和样本在距离上的相关性有关。结论在弱杂波环境下,当积累10个脉冲时,ANMF检测器较CM-CFAR检测器有23dB的性能增益,在强杂波环境下,二者性能相当。

基于Mumford-Shah模型的参数估计和两阶段图像分割方法

Mumford-Shah两相分片常数模型是一个有效的图像分割模型,但当模型用于带有噪声的图像时,其水平集解法存在对初始解和长度参数敏感这两个问题.文中给出一种两阶段分割方法,首先利用传统的简单分割方法获得一个粗分割,再将其作为变分模型的初始解,从而实现自动选取初始解.文中还给出一个有效的自适应长度参数估计模型,该模型依据图像中噪声方差大小来确定参数.两阶段分割方法和自适应参数估计结合起来使得算法大大减弱了对参量的敏感性,而且可以正确、快速地分割.针对一些计算机生成图像和实际图像的实验结果验证了算法是有效的.

用于高动态GPS接收机的微分约束最小功率抗干扰方法

本文提出了一种基于微分约束最小功率法的高动态全球定位系统(GPS)接收机的自适应抗干扰方法.该方法对最小功率法在干扰的来向上加微分约束,能够加宽天线波束在干扰来向上形成零陷的宽度,用以应对高动态环境中干扰波达方向随时间的快速变化.和常规的基于微分约束的加宽零陷方法相比,本文方法不需要知道或估计信号和干扰来向信息.本文不仅在空域探讨了该方法,还将该方法推广到空时二维自适应处理来抑制宽带色散多径干扰.仿真结果证明了该方法的有效性.

基于Kalman滤波的GPS/INS接收机自适应干扰抑制方法

考虑到惯导信息辅助GPS(GPS/INS)接收机对干扰抑制实时性的要求,提出一种基于Kalman滤波的GPS/INS接收机自适应干扰抑制方法。自适应广义旁瓣相消(GSC)多采用低复杂度最小均方(LMS)算法更新权矢量,收敛速率较低,严重时会导致接收机定位中断。首先利用Householder变换构建GSC下支路的阻塞矩阵,用于阻塞任意二维阵型阵列接收的期望信号;再用Kalman滤波自适应更新下支路权矢量,从而有效提高阵列输出信干噪比(SINR)。理论分析和仿真结果说明本文方法可有效抑制干扰对接收机的影响,且具有实时性高的特点。

结合图像信息和几何关系的配准算法

对图像配准中的特征点检测方法和描述方法进行了研究,提出了一种快速准确的图像配准算法.使用尺度空间理论进行特征点的检测,通过两种不同的特征点描述子对特征点进行描述:一种是基于图像信息的描述子,该描述子使用尺度空间理论上的尺度不变Harris算子的自相关矩阵来描述特征点;第二种是基于空间上的几何关系的描述子,提出了一种融合局部结构特征和全局信息的描述子.在图像配准的目标函数里,将特征点匹配矩阵和图像变换矩阵分解,分别使用两种不同的描述子对二者进行迭代求解.该算法结合了两种特征点描述方法的优点,实验结果表明该方法快速、准确,具有配准精度高和计算时间短的优点.

输出-阈值耦合神经网络及基于此的最短路问题求解

通过建立神经元输出和与其相邻神经元阈值之间的相互耦合,提出了一种输出-阈值耦合神经网络,实现了对在通常脉冲耦合神经网络中所存在的自动波现象的模拟,并基于它的自动波现象,提出了一种用输出-阈值耦合神经网络求解最短路问题的方法,该方法具有所需神经元数目少、神经元和网络的结构简单、大规模并行计算等特点,可用于求解非对称赋权图单起点多终点的最短路问题,其所需的计算量(迭代次数)仅正比于最短路的长度,而与图的复杂程度、所存在的通路总数等无关。最后给出了最短路求解的例子。

基于类别空间的基因选择

基因选择通常是在基因空间中进行的.由于基因空间的维数(基因数目)比该空间中的样本数要多得多,这种做法存在严重的维数发难(curse of dimensionality)问题,其结果是在基因空间中所建立数据模型难于获得满意的精度,基于所建立模型的基因选择结果可信度低.如何对具有极少样本的极高维空间进行特征选择(基因选择)是一个极具挑战性的课题.将基因空间变换为它的对偶空间,称为类别空间,从而空间的维数仅为基因空间中样本的类别数,空间中的样本数则为基因空间的维数.显然,在类别空间中不存在任何维数发难现象;提出了在类别空间中基于将不同的类尽可能分开的原则、并借助主分量分析的基于类别空间基因选择方法.对真实基因数据的基因选择实验,并通过Fisher指标、加权Fisher指标以及leave-one-out cross validation等可分性指标,与其他两种基因选择方法进行了深入的比较,结果表明该方法是十分有效的.