频率响应软约束的宽带自适应波束形成

针对常规线性约束最小方差(LCMV)波束形成中输出信干噪比(SINR)较低问题,提出了基于频率响应软约束的宽带自适应波束形成方法,该方法在LCMV波束器的约束条件基础上,增加对期望方向阵列频率响应软约束,可以得到近似无失真信号输出,同时增加波束抑制干扰噪声能力,提高输出SINR性能.仿真结果验证了该方法的有效性.     

高阶累积量自适应波束形成的改进算法

针对线性约束最小方差(LCMV)算法在自适应波束形成时,存在的对噪声敏感、信噪比(SNR)较高时波束形成受小特征值扰动影响较大的情况。在基于高阶累积量的LCMV算法的基础上提出改进方法。该方法首先计算阵列接收数据的高阶累积量,然后对高阶累积量构造数据增广矩阵,进行奇异值分解求出伪逆,再用伪逆修正LCMV算法的权值,形成波束。仿真结果表明,相比于传统LCMV算法与基于高阶累积量的LCMV算法。算法能够有效地克服信噪比升高时小特征值扰动对波束形成的不良影响,且在较低快拍数下仍能有效形成波束。     

一种稳健的特征空间线性约束波束形成器

基于特征空间的线性约束最小方差(eigenspace-based linearly constrained minimum variance,ELCMV)算法是一种稳健的波束形成方法,但其性能只能在一定的指向误差范围内保持稳定,当指向误差较大而使期望信号落在预设波束主瓣边缘时,其性能会严重恶化。对ELCMV算法进行改进,提出一种对零点约束方向和指向误差都具有稳健性的波束形成方法。该方法首先利用矢量旋转对预设导向矢量进行校正,再将校正后的导向矢量向信号子空间投影,最后结合线性约束用线性约束最小方差(linearly constrained minimum variance,LCMV)算法来求解权矢量。计算机仿真证实了该方法的有效性。     

变步长自适应算法在GPS空时抗干扰中的应用

针对基于FROST阵列处理的最小均方算法(FROSR-least mean squares,FLMS)收敛速度较慢的缺点,将FLMS算法和变步长技术相结合,采用了一种基于Sigmoid函数的变步长快速自适应算法(variable step-size FROSR-least mean squares,VFLMS)。将该算法应用于GPS接收机空时自适应处理系统中,理论分析和计算机仿真表明,VFLMS算法能够抑制大于阵元个数的多个宽、窄带干扰,效果理想。     

高功率压制干扰模式下多个GPS干扰站联合部署问题

近年军用GPS导航系统广泛应用多阵元模块、自适应调零天线、组合导航等抗干扰技术,严重削弱了在役GPS干扰站作战效能,引起GPS导航对抗作战变化,而高功率宽带压制式联合干扰方法成为有效作战手段。结合山区复杂地形条件,建立单GPS干扰站高功率宽带压制干扰工作模型,使用基于线性约束的最小方程算法(LCMV)的4阵元自适应调零算法作为模拟干扰目标,对实战条件下多站部署中的站点数量、地形遮蔽、空间关系等问题进行研究,提出部署的指导原则,为GPS导航对抗作战的进行装备部署和优化提供技术支持,具有较强的理论和军事指导意义。     

一种基于Lorentzian函数的变步长LMS自适应滤波算法

为了改善传统的LMS类算法存在的缺点,提高算法的收敛速度和跟踪性能,提出了一种基于Lorentzian函数的变步长LMS自适应滤波算法.该算法采用Lorentzian函数来建立估计误差e(n)和步长因子μ(n)之间的非线性关系,以达到提高收敛速度和改善跟踪性能的目的.计算机仿真表明,算法与其他LMS类自适应滤波算法相比,在收敛速度和跟踪性能上都有较大的提升.     

基于正态分布曲线的分段式变步长LMS算法

针对传统最小均方误差(Least Mean Square, LMS)自适应滤波算法由于步长固定,在解决稳态误差与收敛性之间的关系时,始终处于矛盾状态的问题,在对传统的固定步长LMS自适应滤波算法分析的基础上,根据变步长LMS自适应滤波算法的步长调整原则,通过构造步长因子与误差信号的非线性函数,提出了一种基于正态分布曲线的分段式变步长LMS自适应滤波算法,并分析了参数取值对算法性能的影响。针对实际信号处理过程中参考信号难以选取的问题,提出了一种基于分裂阵的参考信号选取方法。理论和海试数据分析结果表明:该算法的收敛速度和稳态误差明显优于固定步长的LMS自适应滤波算法和基于Sigmoid函数的变步长LMS自适应滤波算法。     

改进的变步长LMS自适应滤波算法分析

通过建立步长因子μ与误差信号e(n)之间的非线性函数关系,提出了一种改进的自适应变步长最小均方(LM S)算法。该算法克服了LM S算法在自适应稳态阶段μ取值偏大的缺陷,具有在误差e(n)接近零处缓慢变化的特点。该算法还具有初始阶段和未知系统时变阶段步长自动增大而稳态时步长很小的特点,解决了收敛时间和稳态误差的矛盾。将该算法对比一般的变步长算法,该改进算法在平稳过程中具有更小的稳态误差,同时还具有更好的跟踪时变系统的能力。     

基于子阵的频控阵自适应波束形成算法

针对经典的最小方差无畸变响应波束形成器应用在FDA-BFF(Frequency Diverse Array Based On Frequency Filter,FDA-BFF)及FDA-MIMO(Frequency Diverse Array Multiple-Input Multiple-Output,FDA-MIMO)接收机结构时,当阵元数较大或干扰与目标角度维接近时波束主瓣会产生峰值畸变或偏移,波束形成器输出性能下降,无法有效确定目标位置的问题,提出了基于双边小方差无畸变响应的子阵频控阵波束形成算法。该算法将一维均匀线性阵列划分为两个采用不同非线性频偏的中心对称子阵结构,在目标位置形成点状波束,对传统频偏固定的频控阵方向图中的距离-角度实现解耦。之后,通过双边小方差无畸变响应算法中求解克罗内克积的方式降低了算法计算量。仿真验证表明,阵元数较大时该算法在目标位置处形成点状波束的同时,可以有效抑制角度维不可分的干扰。     

平流层飞艇抗风场干扰约束Unscented卡尔曼滤波算法设计与应用

为了提高风场干扰环境下飞艇的导航精度,研究飞艇抗风场干扰导航算法。在建立风场干扰条件下飞艇速度误差约束模型的基础上,设计抗风场干扰的约束Unscented卡尔曼滤波算法。确定风场干扰条件下飞艇的速度误差约束量,将该约束与Unscented卡尔曼滤波算法相结合,对速度误差进行估计和补偿,以减小风场对飞艇定位精度的影响;证明该算法的状态估计量不仅是无偏的,而且协方差小于标准Unscented卡尔曼滤波的协方差;将提出的算法应用于捷联惯导/天文/合成孔径雷达组合导航系统中进行仿真验证,并与自适应扩展卡尔曼滤波和抗差自适应Unscented卡尔曼滤波算法进行比较。结果表明:提出的约束Unscented卡尔曼滤波算法的滤波性能明显优于自适应扩展卡尔曼滤波和抗差自适应Unscented卡尔曼滤波算法,能够有效抑制风场对飞艇定位精度的影响,提高飞艇的导航定位精度。     

平流层飞艇抗风场干扰CUKF算法设计与应用

为了提高风场干扰环境下飞艇的导航精度,研究飞艇抗风场干扰导航算法。在建立风场干扰条件下飞艇速度误差约束模型的基础上,设计抗风场干扰的约束Unscented卡尔曼滤波算法。首先确定风场干扰条件下飞艇的速度误差约束量,将该约束与Unscented卡尔曼滤波算法相结合,对速度误差进行估计和补偿,以减小风场对飞艇定位精度的影响;然后证明该算法的状态估计量不仅是无偏的,而且协方差小于标准UKF的协方差;最后将提出的算法应用于捷联惯导/天文/合成孔径雷达组合导航系统中进行仿真验证,并与自适应扩展卡尔曼滤波和抗差自适应UKF算法进行比较,结果表明：提出的约束UKF算法的滤波性能明显优于自适应EKF和抗差自适应UKF算法,能够有效抑制风场对飞艇定位精度的影响,提高飞艇的导航定位精度。     

基于估值修正的分布式传感器网络最小均方算法

为使分布式传感器网络自适应滤波算法在具有快速收敛和低稳态误差的同时,具有对脉冲干扰的鲁棒性,在扩散LMS自适应滤波算法基础上,提出一种基于参数估值p阶范数修正的变步长最小均方自适应滤波算法,算法通过使用参数估值的p阶范数增抗其对脉冲噪声的抗干扰能力,通过合理设置变步长控制因子使得算法在收敛初期的收敛速度及收敛后期的稳态误差在一个较小的范围取得一个较好的平衡。对比实验表明,相比已有算法,所提算法性能更优且具有较好的鲁棒性。     

双变因子LMS自适应滤波算法

为提高最小均方(LMS)自适应滤波算法的性能,在步长因子与误差信号满足一种改进的Sigmoid函数关系式的基础上,提出了一种双变因子控制下的变步长LMS自适应滤波算法。该算法具有初始状态收敛速度快、稳定状态均方误差小、抗噪声性能好、适应系统跃变能力强的优点。计算机仿真结果验证了该算法的优越性。     

应用极化聚类中心设计快速自适应极化滤波器

针对传统自适应极化滤波算法存在收敛速度慢、迭代步长因子选取困难等问题,采用极化聚类中心估计理论设计了一种快速自适应极化滤波器,实现了对极化雷达回波中的干扰信号逐脉冲地自适应精确对消。滤波器通过距离单元选通获取干扰信号样本,对样本极化聚类中心的直接计算能够快速估计干扰信号在当前脉冲内极化状态,依据干扰输出功率最小原则最终实现快速滤波过程,相比于传统极化滤波算法有更快的收敛速度和更稳定的干扰抑制性能。仿真对比实验结果验证了该方法的快速有效性。     

通信侦察中基于神经网络的伪码序列估计

针对直接序列扩频通信信号伪噪声(PN)码的干扰侦察问题,在已知信号伪码参数的前提下对直扩信号进行特征分析,用基于变步长的PCA神经网络方法来实现伪码序列的盲估计。该方法利用基于Hebb学习规则的无监督多主分量神经网络,结合自适应变步长学习算法,在估计在线特征值的基础上来控制步长的变化,以使神经网络最终达到较好的稳态收敛。理论分析和仿真结果表明,本方法能在较低信噪比的情况下对较长伪码进行准确的估计。     

简化的块变步长自适应算法

本文提出了一项特别适用于进行实时信号处理、可作为评估自适应算法性能的新指标——收敛时间。然后依据此指标,提出了一种简化的块变步长(SBVS)自适应算法,并导出了它的频域实现。计算机模拟结果表明,该算法在性能上优于BLMS 算法。     

基于对称非线性函数的变步长LMS自适应滤波算法

为解决自适应最小均方误差（least mean squares,LMS）滤波算法难以平衡稳态误差和收敛速度的问题,提出了基于对称非线性函数的变步长LMS自适应滤波算法。通过自变量取绝对值、叠加非线性拉伸量改进Sigmoid函数,构造一个对称非线性函数用于刻画步长因子与稳态误差的非线性关系。该对称非线性函数具有能够根据误差动态调整步长、更快达到收敛状态的特点。根据构造的对称非线性函数和输入信号功率生成归一化变步长因子,解决噪声逐级放大的问题,进一步提高算法的滤波效果同时,加速收敛。实验表明：该算法在低信噪比、信噪比变化、信号频率变化、滤波器阶数变化、延迟采样点数变化条件下均具有更好的滤波效果、更优的稳定性和更快的收敛速度。     

低快拍下模糊径向基神经网络波束形成算法

针对低快拍情况下自适应波束形成算法性能下降,以及权矢量解算过程中协方差矩阵求逆运算量大的问题,针对最小方差无失真响应(MVDR)算法,采用单位阵和采样协方差矩阵的凸线性组合对低快拍下的协方差矩阵进行修正,在此基础上,引入模糊径向基(RBF)神经网络逼近算法权矢量,通过模糊RBF神经网络实现从阵列协方差矩阵到最优权矢量的非线性映射,避免了矩阵求逆运算。仿真结果表明,当低快拍情况下最小方差无失真响应(MVDR)及最小能量无畸变响应(MPDR)算法出现性能下降时,基于模糊RBF神经网络的波束形成算法仍能快速逼近算法权矢量,波束赋形效果较好,同时可实现算法复杂度的降低及计算量的减少。     

应用于有源消声的变换域LMS算法

针对自适应有源消声最常用的滤波—XLMS算法(FLMS)运算量小、收敛缓慢、宽带消声效果差等不足之处,利用误差通道滤波特性,提出了变换域滤波—XLMS算法。新算法的突出优点是收敛速度较快、宽带消声效果较好。     

基于加速鱼群算法的锂离子电池剩余寿命预测

针对极端学习机(ELM)方法在预测建模过程中因参数随机生成导致的结果不确定性,提出了一种加速鱼群算法(AAFSA)优化极端学习机的锂离子电池剩余寿命预测方法.针对基本人工鱼群算法(AFSA)存在的收敛速度慢、易陷入局部最优解,通过自适应确定感知距离和移动步长加快收敛速度,并在随机移动时增加混沌扰动提高种群多样性改善AF...