干扰条件下的“北斗”信号解扩重构DOA估计

在干扰条件下，卫星导航抗干扰波束形成算法往往需要卫星信号波达方向（Direction-of-Arrival，DOA）的先验信息。但当存在低信噪比信号或主动干扰源时，常规的DOA估计算法性能急剧下降甚至失效。针对此问题，提出了一种被干扰信号压制的低信噪比“北斗”信号的DOA估计算法。该算法首先通过对接收信号进行子空间投影抑制干扰信号，然后对抑制干扰后的信号进行解扩重构处理，最后通过多重信号分类算法完成对“北斗”信号的DOA估计。仿真结果表明，在干扰信号干信比80 dB条件下，“北斗”信号DOA估计误差在5°以内，为下一步进行波束形成计算提供了高精度的入射角信息。     

基于非圆信号波达方向估计的最大似然算法

现有的非圆信号波达方向(DOA)估计算法基本都是子空间分解类的,如NC-MUSIC、NC-ESPRIT算法等。基于子空间拟合类的非圆信号DOA估计算法研究的不多。文中依据非圆信号的DOA估计数学模型,提出了基于非圆信号的DOA估计最大似然算法。通过计算机仿真,将基于非圆信号的最大似然算法与常规最大似然算法及基于非圆信号的MUSIC算法进行了性能比较。结果表明,该算法提高了方位估计的估计性能,对于估计精度要求很高、用户比较密集的场合,能发挥很大的作用。     

基于PSO-BP神经网络的DOA估计方法

提出利用粒子群算法优化BP神经网络来改善来波到达角估计性能的方法。传统的BP神经网络 易 陷入局部最优,因此采用粒子群算法对网络的权值和阈值进行优化,并将其应用到来波到达 角估计中。所提方法仅利用阵列协方差矩阵的第一行作为来波方位特征,与常用的 协方差矩阵 上三角特征相比,在不损失有效方位信息的基础上使特征维数极大降低。仿真实验 证明：同经典的RBF神经网络方法相比,基于所提方法的神经网络结构更简洁,泛化性能更 好,来波方位估计精度更高。     

基于Matching Pursuit算法的阵列信号降噪方法

提出了一种基于Matching Pursuit算法的阵列信号降噪方法,有效改进了DOA估计的性能。该算法首先依据信号模型构建过完备原子库,然后通过梯度跟踪的稀疏分解方法找到最优原子。利用最优原子重构的信号在有效消除噪声的同时保留了信号的全部空间方位特征。计算机仿真证明,新方法与传统的DOA估计方法相结合有效地提高了阵列信号DOA估计的精度和准确度。     

均匀线阵互耦矩阵非Toeplitz条件下的DOA估计

理想条件下,均匀线阵的互耦矩阵可用一带状、对称Toeplitz矩阵进行建模。然而实测数据表明,均匀线阵的互耦矩阵具有对称性,但不具有Toeplitz性,此时仍按理想情况建模,会导致DOA估计不准甚至完全失效。基于RBF神经网络,提出了互耦矩阵非Toeplitz条件下的DOA估计方法。算法利用了信号协方差矩阵的对称性和对角线元素不含信号DOA信息的特点,取协方差矩阵的上三角的元素作为网络输入,不仅减少了网络的输入数,同时还提高了与阵列法线夹角60°外的DOA估计精度。实验仿真结果验证了算法的有效性。     

基于改进广义回归神经网络和主成分分析的宽带DOA估计

为了获取较高的宽带信号的DOA(direction-of-arrival)估计精度,提出了基于改进的广义回归神经网络(IGRNN,improved generalized regression neural network)和主成分分析(PCA,principalcomponent analysis)的宽带DOA估计算法。选用PCA方法对训练样本进行降维,以降低神经网络的复杂度;利用粒子群算法优化GRNN的参数;根据选取不同的聚焦角度确定粗估计、精估计的训练模型,通过粗估计得出目标的大致方位后,利用精估计模型得出最终的估计结果,避免了聚焦角度对估计精度的影响。仿真结果表明,本文提出的算法具有较好的估计精度和较高的工作效率。     

强干扰背景下相干弱目标DOA估计算法

针对强相干干扰环境下弱信号的DOA估计问题,提出了一种小采样数的相干信源DOA估计算法。该算法首先通过修正的Toeplitz算法实现了对相干目标的解相干,然后基于干扰阻塞法剔除了强干扰的影响,从而可获得真实的弱信号空间方位。所提算法对非平稳噪声有较好的抑制性能,可适用于小采样数的环境。此外,该算法相对松弛算法、高阶累积量算法等信号分离方法,具有运算量小的优势。计算机仿真结果表明,新算法具有较好的测向性能,能在电子战环境下有效估计出目标信源的空间方位。     

基于RBF神经网络的相关干涉仪测向方法

提出了一种新的基于径向基(RBF)神经网络的相关干涉仪测向方法,实现了自组织学习选取中心、正交最小二乘法及基于遗传算法的进化优选算法等训练方法,经训练后的RBF神经网络可用于多源信号波达角(DOA)估计。仿真结果表明,在一定范围内,该方法对信道噪声不敏感,测向精度与传统相关干涉仪相当,且测向处理时间和测向设备的存储量大大降低。     

基于四阶循环累积量的DOA估计方法

提出了一种新的波达方向估计算法,该算法构造了一个“谱相关DOA矩阵”,并基于此矩阵进行DOA估计。理论分析表明,通过谱相关矩阵的特征值分解,就可以得到源信号的DOA,该方法不需要进行谱峰搜索,同时利用循环平稳特性,可以有效抑制平稳噪声和滤除与信号循环频率不同的干扰信号,从而大大提高了算法的检测能力。另外还给出了相干信号DOA解决方法。     

人工智能在移动通信网络中的应用:基于机器学习理论的信道估计与信号检测算法

机器学习是人工智能的重要方向之一,文章介绍两种机器学习理论应用于移动通信网络的案例。首先介绍一种基于期望最大化算法的信道估计器,不需要导频也可实现对信道的盲估计,提高了系统的吞吐率。随后介绍了一种基于深度神经网络的信道估计和信号恢复算法,该算法能够隐性地分析信道的特性,直接将信号恢复出来,当导频数据减少时其性能优于传统算法。神经网络估计器虽然训练模型复杂,但后续可直接将信号恢复,降低了信号处理的复杂度。