方向估计的神经网络计算

本文给出一种借助于二维神经网络构成的混合系统,用它来完成几种方向估计算法,这些算法包括：最大似然法,交替投影最大似然法,Ｍａｒｃｏｓ等人提出的无需特征分解的“传播算法”。利用神经网络对某些算法的快速性,该系统为实时实现目标的精确定位提供了一条新的,有效的途径。     

一种二维神经网络模型及其应用

本文提出一种二维神经网络模型,并将它用来实时求解一类矩阵方程.理论和模拟结果表明,该网络可以在时常数数量级(纳秒)内求出与准确解任意接近的解.     

阵元随机扰动对方向估计的影响

本文研究了阵元随机扰动对方向估计的影响。指出了在阵元随机扰动下,用MUSIC法和数据矩阵分解法得到的方向估计具有统计无偏性,即从统计意义上讲,阵元的随机扰动对如上两种方法的估计性能没有影响。但由于实际短数据的原因,阵元扰动将会使方向估计产生一定的偏差。本文也给出了这种偏差的统计分析和模拟结果。     

一种在杂波中检测目标信号的新方法

利用杂波和目标信号的频谱位置不同,在检测目标信号之前,先消除杂波是提高雷达检测性能的有效方法。但这种处理存在着“目标相消”问题。这是由于在实际设计杂波相消器的权系数时,无法准确地知道杂波的相关矩阵。本文针对这一问题,提出了一种检测目标信号的新方法,它直接对接收回波(包含杂波和目标信号)进行频谱分析,不要求采取杂波相消的处理步骤,所以不再存在由此引起的目标相消问题。     

一种基于三阶矩的方向估计方法

如何在信号源相干和噪声空间相关的情况下实现目标方向的高分辨,是当前阵列信号处理领域必须解决的问题之一。本文提出了一种基于空间三阶矩的方向估计方法。这种方法在处理时,与信号源间是否相干、接收噪声是否空间相关均没有关系。在空间三阶矩已知的情况下,它可以分辨空间任意接近的信号,从而实现了信号源相干和噪声空间相关情况下的高分辨处理。     

一种用于PCA与MCA的神经网络学习算法

主元分析（ＰＣＡ）和次元分析（ＭＣＡ）是用于特征提取、数据压缩、频率估计、曲线拟合等信号处理的基本技术．以神经网络来实现ＰＣＡ和ＭＣＡ是当今研究的一大热点，相关矩阵Ｒ的特征值重数不为１时的主、次元分析则是其中一大难题．本文提出了一种新的学习算法，使得在输入数据的相关矩阵含多重特征值时，网络权重矢量亦收敛于相关矩阵的单位正交特征矢量     

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.     

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。