一种局部最优的非高斯接收机设计

在超低频通信中,由于非高斯噪声的严重干扰,传统的基于高斯噪声的接收机的性能恶化.本文提出了一种在非高斯噪声环境下局部最优的接收机设计,具体推导了局部最优检测在非高斯噪声模型下的FFT快速实现算法,该算法充分利用了FFT算法在运算速度上的优势,大大降低了运算复杂度.非高斯噪声模型采用广泛应用的Class B统计物理模型.仿真实验表明,局部最优接收机性能明显优于传统的匹配滤波检测器,运算速度快且易于硬件设计实现,有很高的实用价值.     

基于群Monte Carlo的大气噪声二维模型参数估计

为解决多天线最佳接收下的多维非高斯噪声参数估计问题,提出了基于群蒙特卡洛的大气噪声二维模型参数估计方案,通过联合设计蒙特卡洛马尔科夫链和优化重要性重采样算法,实现噪声模型的全局最优参数估计。针对该算法高强度运算需求,在GPU平台上对核心运算作细粒度并行计算处理并优化设计,使运算速度大幅提升,以满足实时处理要求。仿真实验结果表明,该算法迭代收敛快,精度高,各参数估计相对误差普遍小于0.02,最大相对误差可控制在0.05以内,运算速度较传统计算有大幅度的提高,可充分满足低频通信系统中实时计算的要求。     

高斯尺度混合大气噪声模型的参数估计

非高斯大气噪声的参数估计对甚低频、超低频信号的最佳接收有重要意义。对大气噪声采用基于逆高斯分布的高斯尺度混合分布模型建模,研究了基于逆高斯分布的高斯尺度混合分布模型参数的性质,设计了高斯尺度混合大气噪声模型参数的马尔可夫链蒙特卡罗（ MCMC）算法。算法在贝叶斯层次模型下,采用Gibbs抽样和M-H抽样更新参数。仿真结果表明,该模型对大气噪声有很好的适用性,MCMC算法迭代效率和精度高,具有实际的应用价值。     

多子阵合成孔径声纳系统中的侧摆运动误差补偿

针对低频合成孔径声纳系统中的侧摆运动误差,提出一种基于冗余阵元回波数据的运动误差补偿方法。该方法首先沿距离向对相邻重叠相位中心的数据求统计平均获得缠绕的平均相位误差,然后通过滑动累加得到解缠绕的相位误差,运用估计的相位误差就能实现多子阵合成孔径声纳回波数据的运动误差补偿。仿真结果表明,该方法能够准确地估计侧摆误差,估计偏差均小于0.002 m;误差补偿后能够取得与无误差情况基本一致的成像结果,极大地改善了目标聚焦质量,能满足低频合成孔径声纳系统的运动误差补偿要求。实测数据处理结果进一步验证了该方法的有效性。     

基于FPGA的低杂散小容量DDFS设计

研究传统的DDFS频谱杂散分量,分析了杂散分量的来源和传统相位抖动除噪技术的缺点,提出了对相位舍入分解进行Taylor展开的DDFS改进结构。同时该结构采用循环相位累加器等结构,降低了杂散分量,提高了频率精度,压缩了ROM的容量。FPGA上的实现表明该结构能有效降低杂散,能使SDFR比采用相位抖动除噪的方法扩大30 dB,同时ROM的容量比传统结构压缩了4倍以上。     

基于ResNet_NSCS的通信信号调制识别

针对通信信号调制识别的特征提取问题,为进一步提高识别准确率,提出了一种基于嵌套式跳跃连接结构的残差网络(ResNet of Nested Shortcut Connection Structure,ResNet_NSCS)调制识别算法。该算法在残差神经网络(Residual Neural Network,ResNet)基础上,通过借鉴ResNet多通路选择思路,引入嵌套式恒等跳跃连接结构,利用提取的特征实现不同调制方式的分类。仿真结果表明,面向RadioML2016.10a数据集,较卷积神经网络(Convolutional Neural Network,CNN)算法和卷积神经网络_长短时记忆网络(Convolutional Neural Network_Long Short Term Memory Network,CNN_LSTM)算法,以增加网络复杂度为代价,ResNet_NSCS算法收敛速度快,识别准确率高。     

大气噪声模型参数的非线性回归估计

Class B噪声模型是描述大气噪声的一种很好的统计物理模型。该文采用非线性回归算法估计Class B模型的参数。该算法从Class B噪声模型的特征函数出发,推导非线性回归模型,并优化算法迭代过程。同时设计了初始值估计方案,加速了算法的收敛。并采用特殊设计的序列计算对数特征函数,解决了特征函数估计的零点波动的问题。仿真和实测结果表明,该算法收敛快,精度高,有很高的实用价值。