基于神经网络的ML方向估计

本文提出一种用于最大似然(ML)方向估计的神经网络模型。理论分析和模拟结果表明,这种网络一般可以在电路的时常数数量级内给出目标方向的ML估计值,而且网络结构和参数固定,阵列阵元输入直接作为网络的输入而无需任何运算。因此这种网络非常适用于实时处理。这为实时实现目标的精确定位提供了一条新途径。     

信号数目估计错误的最大似然波达方向估计的性能分析

本文分析了汝信号数目估计与真正的信号数目有出入时的波达方面（ＤＯＡ）最大似然（ＭＬ）估计的性能。中给出此时角度估计的渐近分布，也就给出这一估计的渐近方差的角析表达式，计算机模拟试验表明，理论预计结果是相当准确的。     

相干信源波达方向估计的广义最大似然算法

论文基于广义导向矢量和广义阵列流形矩阵,建立了多相干源(组)情况下的阵列数据模型,然后提出了波达方向估计的广义最大似然算法。对于广义最大似然算法,入射信源可以是多相干源(组),阵列的几何结构也没有任何约束,而且它分辨的信源数还可以大于阵元数。随后,论文将广义最大似然算法与常规最大似然算法进行了理论比较,并给出了广义最大似然竹法方位估计一致性的证明和方位估计方差的计算公式。理论分析表明,在空间只存在非相干信源时,广义最大似然算法与常规的最大似然算法是等价的,而在空间存在多相干源(组)时,它的性能较常规最大似然算法有较大的改进,方位估计的方差更小。最后论文利用遗传算法实现了广义最大似然算法,并通过MonteCarlo仿真实验证明了广义最大似然算法的有效性。     

利用多普勒信息的波达方向最大似然估计方法

为了充分利用信号的时域特性来改善信号波达方向（ＤＯＡ）的估计性能，本文从最大似然估计出发，推导出了有限快拍，低信噪比情况下多普勒信号波达方向的迭代估计计算法，为进一步减小运算量，本文还推导了一种简化算法，本文提出的两种算法对低信噪比，少快拍数下多普勒信号的ＤＯＡ估计性能比不利用时域特性的ＭＬ方法有明显改善，Ｍｏｎｔｅ－Ｃａｒｌｏ实验验证了本文方法的有效性。     

最大似然估计在搜索法测向中的应用

最大似然估计是一种高分辨的处理方法,常用在阵列测向中,但在旋转天线搜索法测向中却很少看到,本文提出一种在旋转天线搜索法测向中利用最大似然估计的数学模型,提出了利用信号检测法来判断目标数目的方法,并对此进行了计算机模拟,从模拟结果可以看出,最大似然估计法用于搜索法测向可以明显地改善测角精度和分辨力。     

神经网络用于多个空间信号方向的实时估计

文章在无约束非线性规划神经网络模型的基础上，提出了一种实时估计空间多个信号到达方向的方法，并给出了模拟结果。     

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。     

雷达低角跟踪环境下的最大似然波达方向估计方法

在时空级联最大似然算法的基础上,本文结合雷达低角跟踪的特点,提出一种新的目标仰角估计算法.该算法利用事先得到的目标距离信息和天线高度信息来得到目标直达波信号和多径信号之间的仰角关系,然后再对时空级联最大似然算法的似然函数进行一维搜索.与时空级联最大似然算法相比,新算法不仅运算量大大下降,而且还具有较好的性能.理论分析和计算机仿真结果都证实了新算法的优越性.     

一种改进型粒子群优化波达方向估计算法

对空间多个窄带信号源的高分辨波达方向估计是移动通信、雷达、声纳、电子监控和地震研究等信号处理中的重要问题之一.而现在的一些获取波达方向估计最大似然解的算法存在收敛速度慢或者局部极值问题,为了克服这些问题,本文以粒子群算法为基础,在粒子群算法的速度更新公式基础上考虑了粒子平均信息的影响,并对惯性因子进行改进,考虑了当前粒子与当前最优粒子之间的距离,并用其来寻求波达方向最大似然估计的全局最优解.仿真结果表明:与改进前的粒子群算法相比,基于改进粒子群优化算法的波达方向估计在提高搜索全局最优速度和估计精度上都有优势.     

THE ML BEARING ESTIMATION BY USING NEURAL NETWORKS

This paper proposes a neural network to implement the maximum likelihood bearingestimation algorithm in real time.We show both analytically and by simulation that this neuralnetwork is guaranteed to be stable and to provide the maximum likelihood bearing estimationwithin an elapsed time of only a few characteristic time constants of the network.As a result,this proposed neural network is satisfactory for real-time hearing estimation.     

相干信号源最大似然波达方向估计的分辨性能

本文着重讨论了在任意几何中心对称阵列条件下的最大似然方向估计函数的性质及其在信源真实方向上的微分特性。     

用退火型神经网络估计多个非相干源的迭加正弦信号参量＊

基于模拟退火方法和线性规划神经网络,本文提出了一种新的参数估计方法——退火型神经网络计算方法,并将其应用于进行叠加正弦信号参量的估计,通过构造相应的模拟电路系统,该方法可获得估计问题的实时解。模拟实验结果显示了该神经网络方法进行平面波到达方向估计与跟踪的优良性能。     

七元非典型声强向量阵对舰船的被动定向和尺度估计

该文提出了利用七元非典型声强向量阵对舰船体积目标3亮点部位定向和定位的方法。基阵的7个阵元都可以布放在水下探测平台表面,并且阵元间的间距可以根据平台尺寸进行调整,便于工程应用。舰船体积目标中部、中后部辐射的低频声源用声强向量法定向,舰船尾部辐射的高频声源用传统的时延估计法定向,两种方法可以在同一基阵上实现。利用实测舰船辐射噪声数据进行了计算机仿真。仿真结果表明：该方法能够实现舰船目标3亮点部位的高精度定向,在信噪比10dB时,定向误差在2以内。并且在探测平台深度已知的情况下,利用定向的结果能够对舰船目标进行尺度估计,估计精度小于船长的10％。     

强干扰环境下水声时延估计技术研究

水声定位系统是现代深海作业必备的高精度水下定位装备,精确的时延估计是实现高精度水声定位的基础,但由于信号远距离传输以及强干扰的影响,水声定位系统时延估计精度较低。针对此问题该文提出一种基于子空间理论的宽带强干扰抑制方法,首先通过贝叶斯信息量准则估计子空间维度,然后推导了不同信号假设下的概率密度函数,求解未知参数的最大似然估计,构造广义似然比并通过最优匹配广义似然比检测法估计与期望信号最匹配的子空间,然后以此构造空间投影算子对接收数据进行线性投影,最终抑制干扰和噪声,提高时延估计精度。仿真结果表明该方法能够有效抑制干扰和噪声的影响,提高定位系统时延估计精度。     

基于神经网络的感应电机转速估计方法

根据神经网络能够任意逼近非线性函数的功能，针对感应电机这样一个时变的非线性系统，提出了一种利用神经网络估算感应电机转速的模型，仿真结果表明，这种神经网络转速估算模型可以准确地跟踪感应电机转速的变化，具有良好的动态跟随性能。     

一种码片内多径参数的最大似然估计算法

针对码分多址卫星移动通信中码片内两径参数估计问题,该文提出了基于最大似然的2维搜索算法。算法对两径时延进行2维搜索,同时对多径复振幅分别采用解相关和线性最小均方误差(LMMSE)算法进行估计,最后通过使似然函数最大化而找出最优的一组时延、复振幅估计值。仿真证明两径时延2维搜索结合采用近似的LMMSE算法进行多径复振幅估计具有良好的性能。