短波电台无线数据传输网络的组建

提出了一种适合于使用短波电台组建无线数据传输网络的方案，并根据此方案设计了基于DSP芯片的系统硬件和软件。实验证明该系统完成了组网的功能。     

一种新的嵌入式Linux高性能定时器实现方法

本文提出了一种高性能Linux定时器ETimer(Enhanced Timer)的实现方法.通过对标准Linux内核的时钟中断处理程序进行修改,ETimer具有比标准Linux内核定时器更细的定时粒度和更高的中断优先级,因此可实现更精确的定时并避免硬件10中断的影响.本方法增强了嵌入式Linux系统的定时性能,并且不需改动Linux系统的其它组成部分如进程调度、文件系统、网络系统和驱动程序,适用于有较高定时性能要求的嵌入式应用场合.在ADSP-BF533处理器系统平台上的实验结果表明本方法可以显著地改进定时器性能.     

基于模糊神经网络的目标识别

提出了一种用于常规雷达目标识别的模糊神经网络．先将目标回波用树状小波变换进行特征抽取，然后用该网络进行识别．最后，给出了５类空中目标的识别实验结果     

基于Group—By原语接口的分类树挖掘算法的应用

一般的传统数据挖掘是,先将与挖掘有关的数据库中的各属性(字段)的值抽取出来,并将其存入平式文件中(即只有单一关系的文件),然后将这些平式文件装入内存,再把数据挖掘算法施加于该平式文件,以达到挖掘模式的目的。这样做有很多不完善的地方:①世界上的数据每20个月增加一倍,数据库的大小和数量与日俱增,对数据的复制工作往往要占用大量的磁盘空间、时间,并且由于数据的复制而带来一个无法     

基于DSP的短波电台无线数据传输网络实现

针对短波信道的特点,提出一种适合于短波电台组建无线数据传输网络的方案,该方案采用时分多址、时分双工、多进制频率键控调制的方式和非相干解调的方法.根据此方案设计了基于DSP芯片的系统硬件和软件,论述了软、硬件设计中的关键技术.实验测试表明,组建的网络收发数据准确高效,工作稳定可靠.     

脉冲噪声下加权稀疏约束稳健波束形成方法

针对脉冲噪声下现有稀疏约束波束形成方法,对不同角度信号施加相同稀疏约束而带来干扰抑制能力有限的问题,本文提出了一种干扰抑制能力更优的加权稀疏约束稳健波束形成方法。该方法首先利用波束方向图的稀疏特性,在最小散度无畸变响应波束形成的目标函数中加入波束方向图l1范数约束;然后采用基于无穷范数归一化方法对阵列接收到的所有快拍信号做自适应预处理,以使预处理后的阵列接收信号协方差矩阵有限;最后运用传统的基于协方差矩阵特征分解的子空间法构造加权矩阵并应用到稀疏约束项中,使得波束方向图中不同角度的信号得到不同程度的约束。实验仿真表明,所提出方法不仅保持相对较低的旁瓣增益,而且显著加深了干扰方向的零陷,提高了输出信干噪比。      

基于无线电波纹图的雷达目标识别方法

基于雷达回波调制效应了一种常规低分辨雷达目标识别方法，这种方法是先对回波数据进行预处理，构造出目标的无线电波纺图像，再利用纹理特征撮的方法进行纹量特征抽取，然后采用神经网络对目标进行分类，某型号雷达６类目标实录数据的处理结果表明，该方法是成功的。     

一种新的基于概率理论的概率数据互联滤波器

该文从理论上分析了用于目标跟踪的概率数据互联滤波器(PDAF)和联合概率数据互联滤波器(JPDAF)存在的不足,提出了一种新的概率数据互联滤波器(NPDAF)。NPDAF在数据关联时基于概率理论:一个测量可能源于目标,也可能源于杂波,但其源于目标的概率与其源于杂波的概率之和应为1。同时,给出了跟踪过程中NPDAF的数据互联模型及滤波器的实现方法。该实现方法首先计算测量与各目标的关联概率,然后用概率对跟踪滤波器的增益加以修正。仿真实验表明,在对多目标进行跟踪时NPDAF的性能优于JPDAF。     

防空雷达飞机回波的扩展分形特性分析与目标分类研究

低分辨雷达飞机回波的扩展分形特性提供了对目标回波在不同尺度下的粗糙度的精细描述,为防空雷达飞机目标的分类和识别提供了一种新的途径。该文在介绍扩展分形理论的基础上,首先利用扩展分形分析手段,对从某VHF波段防空警戒雷达上录取的飞机目标回波数据的扩展分形特性进行了分析,然后从模式识别的角度出发,提出了基于扩展分形特征的防空雷达飞机目标分类方法,最后采用不同类型飞机目标的实测回波数据进行分类识别实验,对该方法的性能进行了对比和分析。分类识别实验的结果表明,广义Hurst指数等扩展分形特征参数可以作为飞机目标分类和识别的有效特征,所提出的方法具有良好的分类识别性能,是一种有效的目标分类方法。      

基于SIS框架和蚁群算法的非线性多目标跟踪

该文提出一种新的非线性多目标跟踪方法用蚁群算法实现数据关联和SIS(Sequential Importance Sampling)实现对单目标的跟踪。首先根据数据关联问题对蚁群算法进行修改,考虑目标运动中的约束条件对关联概率的影响,重新定义蚁群算法中的路径和路径长度,从而利用蚁群算法寻找最短路径的能力实现对数据关联。由于SIS框架是针对非线性系统的一种较好的状态估计方法,该文将其作为对单目标进行跟踪的框架,和蚁群算法共同解决非线性情况下的多目标跟踪问题。实验对一维平面和二维平面中的多个目标进行了仿真,结果表明,将蚁群算法应用于解决数据关联问题是行之有效的。