反演蒸发波导的改进粒子群优化算法

雷达利用携带的海杂波信息可以反演出海面蒸发波导参数.为了提高蒸发波导反演性能,提出了一种改进的粒子群优化算法.当实测雷达海杂波功率与蒸发波导模型计算所得杂波功率之间建立的目标函数取最小值时,可反演得到最接近实测蒸发波导剖面参数.根据这一思想,在基本粒子群算法基础上通过对惯性权重和学习因子进行自适应调整,引入自适应压缩因子来确保算法快速收敛,并获得高精度的蒸发波导参数.算法仿真实验证明,改进粒子群优化算法相比于基本粒子群算法具有较好的全局收敛性,在处理较大规模数据时反演速度明显提高.     

蒸发波导环境掠射角对雷达海杂波的影响

利用雷达海杂波反演对流层波导是当前国内外研究热点,这是一个典型的电磁逆问题.为了尽可能降低反演的不确定性, 文章基于对流层波导大气修正折射率水平非均匀性, 通过分析蒸发波导环境掠射角对雷达海杂波的影响, 提出了蒸发波导条件下的海杂波功率模型, 并进行了实验验证, 有效提高了对流层波导反演效果.     

中国近海蒸发波导反演中最佳雷达参数分析

利用雷达海杂波反演大气波导折射率(Refractivity From Clutter,RFC)的技术可以实现海洋低空对流层近实时、区域性、非均匀折射率的探测反演,但其反演性能受雷达参数和折射率区域时空统计特性以及地(海)面的影响,为了使RFC技术在中国海域蒸发波导反演中体现出较好的性能,使用粒子群优化算法和自适应目标函数,利用美国圣地亚哥空海作战系统中心高级折射效应预报系统提供的中国海域蒸发波导高度区域统计数据,依据考虑区域统计特性的均方根误差评判模型,研究了中国不同海域、不同月份,不同雷达频率天线高度组合情况下的蒸发波导RFC反演性能,分析得出适用于中国近海蒸发波导RFC反演的最佳雷达频率和天线架设高度范围,所得结果对我国周边海域监测以及海上无线电系统的设计与应用具有参考价值.     

蒸发波导环境中雷达二维海杂波仿真

提出了一种大气波导环境下的K分布雷达海杂波仿真方法,仿真了二维海杂波序列.该方法采用射线描迹和抛物方程模拟蒸发波导中电磁波的传播过程,结合雷达方程计算K分布参数,利用球不变随机过程仿真产生K分布海杂波.该二维序列一维为时间,另一维为距离,时间为相关时间,频谱为高斯谱;相邻距离单元之间独立,K分布参数在距离上慢变化,可以认为距离上符合独立同分布假设.文中的二维海杂波序列可应用于雷达海杂波信号模拟中,作为海杂波反演大气波导中的杂波信号,亦可用以分析雷达在不同波导环境中的超视距探测性能.     

基于免疫算法的雷达海杂波反演蒸发波导研究

传统的遗传算法在实现雷达海杂波反演蒸发波导剖面时呈现寻优速度慢,早熟收敛的现象,本文引入了具有更强寻优能力的免疫算法实现反演过程.阐述了免疫算法实现海杂波反演蒸发波导剖面的原理,根据反演问题特点对免疫算法进行了最佳参数选取的仿真,并分析了实现RFC(Refractivity from Clutter)中免疫算法相对于遗...     

基于不同天线高度雷达海杂波的蒸发波导反演

分析了影响雷达海杂波反演海洋蒸发波导的几个关键因素,建立了蒸发波导修正折射率剖面的两参数模型,提出了一种提高蒸发波导反演精度的方法。由于天线高度不同时,雷达接收的海杂波携带的波导特征信息不同,基于天线伺服系统,建立了可调天线高度雷达系统的两参数蒸发波导反演模型。通过与固定天线高度的蒸发波导两参数反演比较,验证了该反演模型具有较高的稳定性和反演精度。     

超视距低空电波传播模式研究分析

文中提出了一种电波传播模式分析方法. 通过对PJ (Paulus-Jeske)波导进行参数估计,实现蒸发波导的完备性建模;采用抛物方程法分析气象环境中的二维电波传播路径损耗分布,利用最大值池化降低数据量,并采用自适应聚类分析实现电波传播模式分析,进而建立海杂波衰减规律与电波传播模式之间的映射,统计条件概率. 结果表明,蒸发波导环境下海杂波衰减与电波传播模式之间具有相关性,分析结果能够展示蒸发波导中的电波传播模式,并且能够为海杂波反演大气波导提供先验条件概率分析.     

基于目标函数的微波超视距雷达天线高度优化方法

利用海上蒸发波导可以使舰载微波超视距雷达实现远距离低空目标探测,然而大气波导内的超折射和多径传播效应会产生不利于目标检测的雷达盲区。该文提出一种基于目标函数的微波超视距雷达天线高度优化方法,针对形成蒸发波导的海-气界面稳定层结、中性层结和不稳定层结3种情况,利用电波传播数值算法和雷达评估模型仿真分析了蒸发波导内特定区域不同目标函数时的雷达目标检测性能,给出了雷达天线高度优化结果。该文方法可以为微波超视距雷达系统设计、探测性能分析和大气环境自适应技术提供参考。     

基于遗传/模拟退火算法的蒸发波导反演研究

在实现雷达海杂波反演蒸发波导剖面的寻优运算中,应用遗传算法时把握全局的能力较强,但局部搜索能力较差,易出现早熟收敛现象;应用模拟退火算法时具有较强的局部搜索能力,但全局搜索能力较差,运算效率不高.针对此问题,将两种算法进行了融合,并分析了遗传/模拟退火混合算法的参数选取及抗噪性能.利用模拟海杂波功率进行了仿真试验,结果表明:遗传/模拟退火混合算法能够互相取长补短,适用于一定噪声干扰范围内解决反演蒸发波导剖面的问题.     

多波段雷达杂波反演大气波导方法研究

提出了一种利用多个雷达频率杂波反演蒸发波导高度的改进算法,并用基于非支配排序的多目标优化差分进化算法(MODE)进行实现。以X波段(10525MHz)和K波段(24150 MHz)的雷达频率为例,对目标函数特性进行分析,结果显示:目标函数是一个多峰函数,且不同的频率其多峰特性不同;同时用MODE算法进行多目标函数优化仿真反演,并与传统的基于单目标函数优化反演的差分进化算法(SODE)进行对比分析,证明多目标优化反演算法能具有更高的精度和稳定性。     

基于雷达海杂波的大气折射率剖面估计技术

基于雷达海杂波的海洋大气折射率剖面估计简称为RFC,RFC技术能实时地将雷达海杂波中携带的大气折射率空间分布信息提取出来,为舰载雷达和通信系统提供环境评估信息.从Bayes参数统计估计和多参数最优理论的角度简要介绍了RFC的基本原理,其次对其研究历史和研究现状作了介绍,对其有待解决的四个关键问题:传播模型、环境模型、海杂波模型及反演算法作了重点探讨,对其下一步的研究方向作了展望.     

Temperature control by chip-implemented adaptive recurrent fuzzy controller designed by evolutionary algorithm

Online adaptive temperature control by field-programmable gate array (FPGA) - implemented adaptive recurrent fuzzy controller (ARFC) chip is proposed in this paper. The RFC is realized according to the structure of Takagi-Sugeno-Kang (TSK)-type recurrent fuzzy network. Direct inverse control configuration is used. To design RFC offline, evolutionary fuzzy controller using the hybrid of the Simplex method and particle swarm optimization (SPSO) is proposed. In SPSO, each RFC corresponds to a particle, and all the free parameters in RFC are optimally searched. We use the PSO to find a good solution globally, and the incorporation of the Simplex method helps find a better solution around the local region of the best solution found by PSO so far. Then, online adaptive temperature control with ARFC chip implemented by FPGA is proposed. In the ARFC chip, the consequent parameters of all rules are all tuned online using gradient descent. To verify the performance of the ARFC chip, experiments on a water bath temperature system are performed.     

基于蚁群算法的区域覆盖卫星星座优化设计

首先建立了以区域覆盖性能为目标的卫星星座参数优化模型,通过在连续域定义新的蚂蚁分类与转移策略改进了蚁群算法,使算法能够兼顾多目标优化时目标不兼容的情况,给出了基于该算法实现星座参数优化的框架。优化仿真实验验证了该算法的有效性,可为星座方案决策提供有力的支持。     

基于组件式蚁群算法的车辆路径问题研究

现有方法仅从蚁群算法的基本结构出发设计软件,缺少软件设计模型的有效指导,很难用来求解不同种类的优化问题.鉴于此,应用组件软件设计方法,提出了一种组件武蚁群算法.该方法力求在结构上直接反映蚁群的本质思想和关键概念;最大程度降低与问题的相关性;强调以接口为中心的设计理念.大量车辆路径问题的验证结果表明,组件式蚁群算法性能优良,能够有效地求解车辆路径问题.该方法易于理解和使用,具有很强的可重用性和可扩展性,为求解各类优化问题提供了很好的起点和可持续发展的框架.     

一种基于蚁群算法的多目标跟踪数据关联方法

针对多目标跟踪问题,提出基于蚁群算法的数据关联方法.首先将多目标跟踪问题描述为组合优化问题.利用蚁群算法解决组合优化问题的优势,在对其路径和路径长度概念重新定义的基础上,将其应用于选择多目标跟踪中的轨迹-观测关联集合.详细介绍了蚁群算法应用于数据关联问题的具体方法,建立了基于蚁群算法的数据关联模型.实验结果表明,论文提出的基于蚁群算法的数据关联方法是行之有效的.     

The adaptive cross approximation algorithm for accelerated method of moments computations of EMC problems

This paper presents the adaptive cross approximation (ACA) algorithm to reduce memory and CPU time overhead in the method of moments (MoM) solution of surface integral equations. The present algorithm is purely algebraic; hence, its formulation and implementation are integral equation kernel (Green's function) independent. The algorithm starts with a multilevel partitioning of the computational domain. The interactions of well-separated partitioning clusters are accounted through a rank-revealing LU decomposition. The acceleration and memory savings of ACA come from the partial assembly of the rank-deficient interaction submatrices. It has been demonstrated that the ACA algorithm results in O(NlogN) complexity (where N is the number of unknowns) when applied to static and electrically small electromagnetic problems. In this paper the ACA algorithm is extended to electromagnetic compatibility-related problems of moderate electrical size. Specifically, the ACA algorithm is used to study compact-range ground planes and electromagnetic interference and shielding in vehicles. Through numerical experiments, it is concluded that for moderate electrical size problems the memory and CPU time requirements for the ACA algorithm scale as N/sup 4/3/logN.     

基于连续空间优化的蚁群算法

通过对蚁群算法基本理论的研究,从经典的蚁群算法模型中,抽象出解决问题的一般方法,提出了在连续空间优化问题中蚁群算法的模型,在算法中加入了自适应策略用以提高算法的性能,并通过实例分析了连续空间优化问题中蚁群算法的性能,通过仿真实验证明了算法的可行性与实用性。     

一种新的混合并行蚁群算法研究应用

提出了一种新的混合并行蚁群算法,在单机多核机及多核集群机下分别实现了MPI并行蚁群算法及MPI+TBB并行蚁群算法,应用于真实路网车辆路径问题(Vehicle Routing Problem,VRP),对两者进行了实验对比,实验结果表明MPI并行蚁群算法具有较高的加速比,和问题规模关系不大,刚开始呈现线性加速比。较MPI并行蚁群算法,MPI+TBB混合并行蚁群算法具有更好的可扩展性,在进程数较多时仍具有较高的加速比。