基于循环平稳的卫星信道多普勒频移估计

基于线性调制信号的循环平稳特性,卫星信道多普勒频移的估计可以通过求解发送信号与接收信号的循环相关函数关系得到.借助循环谱函数推导出发送信号的循环相关函数,接收信号的循环相关函数则对信号本身及其有限差分进行计算.仿真结果说明了该算法对信道中的干扰与噪声不敏感,在多普勒频移较大时,该算法具有良好的估计精度;同时该算法还具有低复杂度和应用灵活的特点.     

基于小波分析的子带特征提取与选择方法

在研究了目标图像多尺度小波分解特性的基础上,提出了基于小波多尺度分解子带主成分的特征提取的算法。该算法利用图像在不同尺度的小波变换域中能量局部集中性,选择各子带能量较集中的局部小波系数构成图像目标特征向量。这种特征包含图像目标的主要边缘、纹理、灰度、结构等多种信息。由于对图像目标的特征信息的分布没有任何限制,因而适用于多种类型的图像的特征提取,可以解决单一特征提取方法中必须面对的所提取特征不明显的难点。这种特征向量对噪声有较好的鲁棒性。     

全脉冲幅度信息的分析与特征提取

全脉冲数据在电子情报分析和电子侦察信号处理中具有十分重要的意义.为了辅助雷达信号分选和识别,挖掘除频率和方位以外的脉冲信息,对全脉冲数据中幅度信息的相关变化特征进行了分析与提取.将统计分析与脉幅的教学模型相结合,分析了脉冲幅度随天线扫描的起伏规律,并提取了脉冲幅度对脉冲宽度测量值的制约特征.实验结果验证了该方法提取雷达信号特征的可行性和有效性,为信号分选提供了新的思路.     

具有全局收敛性的盲均衡算法

为了解决传统的自适应均衡技术需发送训练序列的问题,采用盲均衡技术,利用接收信号本身的特征使均衡器收敛。提出了一种新的盲均衡算法(C&D算法),该算法将CRIMNO算法和判决引导(Decision Directed,DD)算法相结合,利用信号序列间的互不相关特性,从而使其具有全局收敛性能。实验结果表明:与CRIMNO算法相比,在相同的信噪比下,该算法具有收敛快速、运算量少和残留误差小的特点。     

在任职教育中开发学员任职经验的探讨

任职教育是在受训学员有着一定的任职经验基础上,提高岗位任职能力的一种短期培训。在教学实施过程中,必须注重挖掘任职经验,交流任职经验,再把经验上升为理论从而去指导部队实践。这种任职经验的开发,有利于在教学过程中按需施教,扩大师生的视野,丰富教学资源,实现理论与实践的统一,有效达成任职教育的目标。     

一种时频混叠的欠定混合通信信号盲分离算法

针对衰减-延迟欠定混合通信信号的盲分离问题,提出了一种基于子空间最小距离的源信号估计算法,通过计算观测信号到混合矩阵列矢量张成子空间的距离,估计任意时频点同时存在的源信号数目以及当前源信号对应的混合矩阵列矢量,把欠定混合问题转化为超定问题,然后通过计算Moore-Penrose逆矩阵求解源信号,理论分析和仿真结果验证了算法的有效性。     

感应式磁性天线设计及干扰抑制算法研究

当期望信号和干扰同方向时,为了有效改善超低频频段的通信质量,提出了一种基于模拟电路预处理和改进广义旁瓣抵消的干扰抑制算法,设计了磁性天线、低噪声前置放大电路,制作了灵敏度较高的磁传感器,有效地抑制了工频及其谐波干扰。鉴于超低频频段的信号十分微弱,在广义旁瓣抵消算法的基础上做了几点改进,为主通道提供较多的参考信息,从而提高了算法的性能,有效地解决了传统算法失效的问题。为了验证所提算法的有效性,在实验室环境下搭建实验平台,设计了多组对照实验,实验结果表明:无论期望信号与干扰是否同方向,改进后的广义旁瓣抵消算法相比原来的算法,在信噪比的提升和噪声底限的降低等方面均有较大程度的改善。     

基于LabVIEW的地下震源定位系统设计

针对小区域浅层地下震源定位中,由于震动信号受传输介质复杂、传感器不稳定等因素影响,出现初至波提取困难、震源定位低精度等问题,设计了基于LabVIEW的地下震源定位系统,实现三轴信号合成、基于小波变换的阈值去噪、基于改进的长短时窗(STA/LTA)的初至提取、基于时差技术(TDOA)的联合定位算法等功能模块。结果表明,该软件在10 m×10 m×3 m的区域内,初至特征提取精确到10-4s,定位精度精确到0.1 m,可以广泛应用于爆破定位、信息侦查等领域。     

短码直接序列扩频CDMA多用户盲同步

通过研究信号自相关矩阵特征值的特性,提出一种利用信号自相关矩阵行列式作为检测量的短码扩频DS-CDMA多用户同步算法。该算法只要求已知信号的扩频周期,对信号其他参数要求较低,实现了盲同步,仿真结果显示了该算法的有效性。与文献算法相比该算法更稳健,适应范围更广。     

结合词语规则和 SVM 模型的军事命名实体关系抽取方法?

抽取作战文书中的军事命名实体关系,是实现作战文书语义理解的一种有效方法。在分析作战文书中军事命名实体词语规则的基础上,提出了一种结合词语规则和 SVM 模型的军事命名实体关系抽取方法。首先,使用词语规则整合作战文书中连续出现的军事命名实体并抽取其关系,使其更加适合 SVM 模型。然后,使用 SVM 模型对传统规则模板难以使用的词窗、词性和距离等特征进行建模,抽取军事命名实体关系。实验结果表明,优先利用词语规则能充分提高 SVM 模型抽取军事命名实体关系的效果,与单纯使用 SVM 模型相比,准确率和召回率分别提高了8．73％和41．71％。