一种修正的矢量奇异值分解DOA估计算法

在均匀线性阵列模型下,特征矢量奇异值分解算法能够对相干信号进行DOA估计,但相干和不相关信号同时存在时,算法的估计会出现错误。针对这一问题,提出了一种修正算法(MESVD),该算法选取经过加权处理的特征向量来构造矩阵,并利用该矩阵进行子空间估计。理论分析和数值仿真证明:修正后的算法能够正确估计相干、相关和不相关信号,估计性能与空间平滑算法(FBSS)相当。     

矩阵特征分解二阶修正算法

本文研究了时变协方差矩阵特征分解的自适应更新问题,提出了矩阵特征分解二阶修正算法。首先将矩阵秩-l更新与矩阵一阶扰动问题联系起来;然后利用矩阵扰动理论将当前时刻的协方差矩阵特征值和特征向量展开为无穷级数形式,当扰动项趋于零时它们分别趋于前一时刻对应特征值和特征向量;将扰动级数二阶以后的所有项省略得到二阶修正算法;特别地研究了最小特征值重合时信号子空间的更新问题;在系统平稳和非平稳两种条件下分别进行仿真验证算法的性能,并且和一阶修正算法比较,仿真结果表明本文提出的方法具有更高的估计精度。     

一种DOA估计的实数特征值分解算法

多数DOA估计算法(如MUSIC算法和ESPRIT算法)都需要对复数协方差矩阵进行特征值分解,存在计算量大的问题,本文提出一种DOA估计的实数特征值分解算法,将协方差矩阵实部和虚部分离,利用Toeplitz矩阵和Hermitian矩阵的性质,构造新的实数矩阵,将复数协方差矩阵的特征值分解问题转化为对实数矩阵的特征值分解,减小了运算量,仿真结果表明,所提实数特征值分解算法与复数特征值分解算法精度相当。     

基于自适应重采样次数的协方差角度估计算法

针对基于Hermitian分解的协方差角度估计算法在低信噪比(SNR)时性能差的问题,提出了基于自适应重采样次数的协方差角度估计算法。该算法首先用接收信号扫描角度空间内的所有导向矢量,划定正确的角度估计区间,并给出判断角度估计结果是否可靠的标准。然后构造协方差矩阵,得到角度估计结果,接着以角度估计结果是否可靠为判断标准自适应地对原始信号进行重采样。若重采样后对应某一信号的多个角度估计结果都不可靠,则对原信号重采样并估计到达角,直到所有信号均有可靠结果为止。仿真结果表明,所提算法修正异常的角度估计结果,提高协方差角度估计算法在低信噪比时的精确度。     

星载AIS的复值FastICA算法改进

针对星载船舶自动识别系统( AIS )的含噪复值信号盲分离算法分离效果不佳的问题,提出了改进的复值快速独立分量分析算法( FastICA)。该改进算法针对混合信号数目大于源信号数目的超定情况,对含噪混合信号的协方差矩阵进行特征值分解,利用其噪声对应的几个较小特征值估计噪声方差,修正白化矩阵,再应用Huber M估计函数优化该算法的目标函数。实验结果表明,运用该算法信号均方误差( SMSE)变小,信干比( SIR)变大,提高了信号的分离性能;同时,优化后的目标函数使算法具有良好的稳健性。     

采用Lanczos算法快速估计噪声子空间

提出一种采用Lanczos算法估计噪声子空间的新方法。该方法采用传统的空间平滑技术解相干,然后由多级维纳滤波器的预滤波器的性质可知,多级维纳滤波器的冗余分解级的预滤波器可以构成一个噪声子空间。由此可以采用Lanczos算法快速估计到噪声子空间。由于不需要对协方差矩阵作特征值分解,而且所要求的冗余分解的级数较少,其运算量比基于特征值分解方法要小得多。此外,采用Lanczos算法计算降维矩阵和冗余矩阵只构成多级维纳滤波器的前向递推,从而使得算法的复杂度大大降低。最后,计算机仿真验证了该方法的有效性。     

OFDM系统中的信道自适应估计与跟踪算法比较

传统的QR分解和投影逼近子空间（PAST）分解算法,可用于矩阵的奇异值分解和秩数的估计。讨论了在正交频分复用（OFDM）通信系统中基于这两种分解方法对导引信号的子空间进行分解,实现信道矩阵的自适应跟踪估计。采用这种算法,降低了矩阵运算的维数,使每个符号期间信道估计的运算量减少,信道估计的均方误差减小,接收机的误码性能得到改善,同时利用计算机模拟,对两种算法运用到信道估计中的跟踪性能进行了比较。     

估计间隔较近信源的修正MUSIC算法

针对信源间隔比较近情况下波达方向(DOA)估计性能下降的问题,提出一种修正MUSIC(MMUSIC)算法。该算法通过利用协方差矩阵的共轭信息,重构协方差矩阵,再由奇异值分解(SVD),构造低秩矩阵,用这两个矩阵噪声子空间的平均构造空间谱,通过谱峰搜索估计出信源的DOA。相比于经典MUSIC算法和空间平滑类算法,该算法能有效解相干,且不损失阵列孔径,而且提高了在信源间隔比较近且信噪比低条件下DOA分辨能力。计算机仿真验证了该算法的有效性。     

一种双基地嵌套MIMO雷达快速角度估计算法北大核心CSCD

针对双基地嵌套多输入多输出雷达现有算法复杂度较高的问题,文中提出了一种基于泰勒展开离散傅里叶变换(DFT)的快速角度估计算法。该算法首先将匹配滤波输出转化为等效虚拟阵列接收信号的DFT空间谱,随后通过谱峰搜索得到波离方向(DOD)和波达方向(DOA)的初始角度估计,然后通过相位旋转技术在角度初始估计值附近搜索得到DOD和DOA的二次角度估计,最后根据虚拟阵列等效方向矩阵的一阶泰勒级数展开式对角度二次估计值进行误差修正,计算得到修正后的DOD和DOA的精确角度估计。与子空间算法相比,该算法避免了协方差矩阵计算和特征值分解,不仅提高了估计性能,而且显著降低了计算复杂度。仿真结果验证了所提算法的有效性和优越性。     

基于ICA的雷达信号欠定盲分离算法

该文针对源信号时域和频域不充分稀疏的情况,提出了欠定盲源分离中估计混合矩阵的一种新方法。该方法对等间隔分段的观测信号应用独立分量分析(ICA)的盲分离算法获得多个子混合矩阵,然后对其分选剔除了不属于原混合矩阵的元素,最后利用C均值聚类的学习算法获得对混合矩阵的精确估计,解决了源信号在时域和频域不充分稀疏的情况下准确估计混合矩阵的问题。在估计出混合矩阵的基础上,利用基于稀疏分解的统计量算法分离出源信号。由仿真结果,以及与传统的K均值聚类,时域检索平均算法对比的实验结果说明了该文算法的有效性和鲁棒性。     

基于QR分解的广义辨别分析用于雷达目标识别

提出了一种基于QR分解的广义辨别分析算法,并将其用于雷达目标一维距离像识别.与传统用奇异值分解获取目标特征子空间的方式不同,新算法运用核修正格兰-施密特正交化过程直接提取最优投影变换矩阵,不仅有效地地保留了类内散度矩阵最具辨别力的零空间信息,同时使所求解在数值上更稳定.对3种实测飞机数据的分类结果表明,所提方法不仅在识别性能上优于传统方法,而且在一定程度上降低了算法的计算复杂度,提高了系统的实时性能.     

Fast estimation of continuous Karhunen-Loeve eigenfunctions usingwavelets

This paper develops a new wavelet method for the fast estimation of continuous Karhunen-Loeve eigenfunctions. The method of snapshots is modified by projecting the ensemble functions onto orthogonal or biorthogonal interpolating function spaces. Under well-behaved piecewise smooth polynomial ensemble functions, the size of the covariance matrix produced is greatly reduced, without sacrificing much accuracy. Moreover, the covariance matrix C˜ may be easily decomposed such that C˜ = A^T A, and thus, the more stable singular value decomposition (SVD) algorithm may be applied. An interpolating scheme that reduces the computation of projecting the ensemble functions onto the biorthogonal subspace to a single sample is also developed. Furthermore, by projecting the ensemble functions onto wavelet spaces, the covariance matrix may be sparsified by a multiresolution decomposition. Error bounds for the eigenvalues between the sparsified and nonsparsified covariance matrix are also derived     

修正Hankel矩阵SVD用于多模环境杂波对消研究

针对超视距雷达多模传播下杂波展宽导致的慢速目标掩盖问题,直接在多模情况下进行杂波对消与目标检测。分析了基于Hankel矩阵奇异值分解(SVD)的海杂波对消方法,指出了该方法存在的不足,并通过设置判决门限进行修正。实验结果显示,采用基于修正的Hankel矩阵SVD的海杂波对消技术,能够实现对目标的检测。     

Fast dual-MGS block-factorization algorithm for dense MoM matrices

A robust method is introduced for efficiently compressing dense method of moments (MoM) matrices using a dual modified Gram-Schmidt block-QR-factorization algorithm based on low-rank singular value decomposition. The compression is achieved without generating the full matrix or even full subblocks of the matrix. The compressed matrix may then be used in the iterative solution of the MoM problem. The method is very robust because it uses a reduced set of the original matrix entries to perform the compression. Furthermore, it does not depend on the analytic form of the Green's function, so it may be applied to arbitrarily complex media.     

一种基于DSP实现的改进Cholesky分解方法

论文先对R矩阵采用一种新颖的Cholesky分解方法,再根据定点DSP的特点对其递归公式进行相应的改进,然后与传统的Cholesky分解方法相比较。仿真表明,改进的Cholesky分解方法具有良好的数据精度和可行性。     

一种基于FPGA的文字识别系统

根据目前文字识别系统的特点,提出了一种用FPGA实现文字识别系统的方案。该方案主要是利用FPGA对文字识别中识别率较高的改进的轮廓方向角方向分解的方法进行特征提取和文字识别,在进行方向分解时,直接利用水平方向分量和垂直方向分量的比值来代替原来改进的轮廓方向角中的求正切运算。通过实验发现,与传统的用软件实现的方案比较,该方案更能适合便携式文字识别设备,在保持较高的识别准确度的同时,大大提高了文字识别的处理速度。     

一种改进的时-空二维超分辨分维估计方法

介绍了一种应用在多普勒频率估计和DOA估计分维处理情况下，利用数据矩阵及其共轭重构得到新的数据矩阵，借助数据矩阵奇异值分解方法和时域投影变换的空时二维超分辨方法。仿真试验证明了该算法具有较高的分辨性能和较好的稳健性。     

Delay correlation subspace decomposition algorithm and its application in fMRI

This paper reports a new delay subspace decomposition (DSD) algorithm. Instead of using the canonical zero-delay correlation matrix, the new DSD algorithm introduces a delay into the correlation matrix of the subspace decomposition to suppress noises in the data. The algorithm is applied to functional magnetic resonance imaging (fMRI) to detect the regions of focal activities in the brain. The efficiency is evaluated by comparing with independent component analysis and principal component analysis method of fMRI.     

基于矩阵LU分解的数字水印算法

该文提出了一种新的基于矩阵LU分解的数字水印算法。该方法首先将数字图像的非负矩阵表示转化为G-对角占优矩阵,再进行LU分解,通过量化函数进行数字水印的嵌入,恢复水印时不需要原始图像。将矩阵的LU分解数字水印算法与DCT的中频系数比较法进行了对比实验。实验结果表明这种方法运算速度快并且具有很好的鲁棒性。     

Generalization of the matrix inversion lemma

A generalized form of the matrix inversion lemma is shown which allows particular forms of this lemma to be derived simply. The relationships between this direct method for solving linear matrix equations, lower-diagonal-upper decomposition, and iterative methods such as point-Jacobi and Hotelling's method are established. The generalized form is used to derive a new factorization scheme and a new matrix inversion algorithm with a high degree of parallelism.