直接序列扩频通信中窄带干扰抑制的奇异值分解方法

在很强的单音干扰存在时,传统的线性预测滤波方法不能达到很好的抗干扰性能.该文提出了一种用奇异值分解方法(SVD)来抑制扩频通信中的单音干扰的问题,建立了利用SVD技术抑制直接序列扩频通信(DSSS)中的窄带干扰的系统模型.并与传统的双边LMS滤波器进行了误码率比较.仿真表明,SVD方法对干扰有很强的抑制能力,当BER=10-2时,SVD方法的增益要高于LMS方法3dB.而且同传统的LMS算法相比,SVD方法避免了算法收敛的问题.     

基于矩阵奇异值分解的高频雷达瞬态干扰抑制

雷电等瞬态干扰严重影响了高频雷达的工作性能,必须加以抑制。本文提出了基于矩阵奇异值分解的高频雷达瞬态干扰抑制方法。该方法将高频雷达回波信号分段构造成矩阵并进行奇异值分解,首先根据矩阵有效秩的大小判断雷达回波中是否存在瞬态干扰,然后利用奇异值分解的正交性实现雷达回波的正交分解,使瞬态干扰分离出来,以利于检测,最后通过建立线性预测的全极点AR模型对瞬态干扰位置处的回波信号予以恢复。实测数据处理结果表明本文方法是有效的。     

基于矩阵奇异值分解的高频雷达瞬态干扰抑制

雷电等瞬态干扰严重影响了高频雷达的工作性能,必须加以抑制。该文提出了基于矩阵奇异值分解的高频雷达瞬态干扰抑制方法。该方法将高频雷达回波信号分段构造成矩阵并进行奇异值分解,首先根据矩阵有效秩的大小判断雷达回波中是否存在瞬态干扰,然后利用奇异值分解的正交性实现雷达回波的正交分解,使瞬态干扰分离出来,以利于检测,最后通过建立线性预测的全极点自回归模型对瞬态干扰位置处的回波信号予以恢复。实测数据处理结果表明该方法是有效的。     

基于奇异值分解的图像匹配方法

传统的图像匹配方法中, 由于实时图和参考图之间存在着灰度差异和几何形变,仅用灰度作为特征进行匹配算法的性能很容易受到影响。文中提出了一种基于奇异值分解的图像匹配方法。该方法首先利用奇异值分解方法,求出模板图像矩阵的奇异值及奇异值向量,用它们作为模板图像的特征代替传统算法中的灰度对两幅待匹配图像进行全局搜索定位。由于奇异分解方法所特有的优越性,匹配实验取得了良好效果。实验结果验证了该方法的有效性。     

基于奇异值分解与神经网络的干扰识别

无线通信中的抗干扰技术对通信的稳定性和安全性都具有重要意义,干扰识别作为抗干扰技术的重要环节一直是研究的热点。该文提出一种基于奇异值分解与神经网络的干扰识别方法,该方法只计算信号矩阵的奇异值即完成特征提取,与传统方法相比节省了多个谱特性的计算量。仿真结果表明：基于奇异值分解与神经网络的干扰识别方法与传统方法相比在干信比为0 dB左右的条件下识别准确率有10%～25%的提高。     

基于奇异值分解的图像去噪

提出了利用奇异值分解去除图像噪声的方法。从矩阵的角度出发,通过对图像矩阵进行奇异值分解,将包含图像信息的矩阵分解到一系列奇异值和奇异值矢量对应的子空间中,然后通过有效奇异值重构图像矩阵达到去噪目的。试验利用MATLAB通过对MRI(核磁共振)医学图像进行去噪处理,验证了奇异值分解的去噪效果,并且通过对多幅图像的试验结果进行分析,得到了去噪重构图像时所需有效奇异值数目的统计值。     

基于奇异值分解的数字图像水印方法

随着计算机和网络技术的飞速发展,数字图像、音频和视频产品愈来愈需要一种有效的版权保护方法,另外通信系统在网络环境下的信息安全问题也日益显露出来.数字图像水印技术为上述问题提供了一个潜在的解决方案.所谓水印技术就是将数字、序列号、文字、图像标志等版权信息嵌入到多媒体数据中,以起到版权保护、秘密通信、数据文件的真伪鉴别和产品标志等作用.本文提出了一种新的基于奇异值分解的数字水印算法并且对该方法的理论基础给出分析.实验结果表明这种方法要比目前提出的流行算法鲁棒.     

修正的奇异值分解并行实现

本文综述了有关修正的奇异值分解的算法和Systolic阵列实现的一些最新结果,讨论了普通奇异值分解(OSVD)、积奇异值分解(PSVD)和商奇异值分解(QSVD)。修正算法是指交叉使用QR更新和三角约化Jacobi SVD算法,在其每步计算中采用有限次操作(O(n~2)),由前一次近似分解结果计算新的近似分解。这些算法与指数加权相结合,显然对跟踪问题极为适用,而且只要对熟知的矩阵何量积、QR更新和SVD的Systo1ic阵列稍加修改,就能把它们完美地映射到Systolic阵列上去。     

基于奇异值分解动态寻找最佳压缩比的方法

针对奇异值分解变换在对图像进行压缩时,其压缩比是动态可调的,从而提出了一种新的方法,在图像压缩过程中能自适应的寻找最佳压缩比。文章引入能量差Q的概念,利用Q与奇异值个数q之间的关系,通过确定合适的Q值,动态寻找最佳的q值,从而达到动态图像压缩的目的。经过对多幅灰度图像的压缩实验证明,该方法切实可行,具有一定的应用前景。     

DS-UWB系统中二种抑制窄带干扰的多天线接收机

直接序列扩频超宽带(DS-UWB)系统采用窄脉冲和扩频技术能够与其它无线电系统共存,但是,在进行系统设计时,必须对同频段系统的干扰加以抑制.文中在存在窄带干扰的情况下,提出一种自适应多天线Rake接收机,通过自适应调整天线合并权向量来抑制窄带干扰对系统的影响,并通过仿真实验与现有抑制窄带干扰接收机进行比较.理论分析与仿真结果表明,该接收机具有较好的环境鲁棒性,并且能够一定程度上抑制窄带系统对DS-UWB系统的干扰,保证系统接收性能.     

解扩重扩算法在直扩系统中抗窄带干扰的应用

直接序列扩频系统本身具有较强的抗窄带干扰能力,但是,仅依靠直接序列扩频系统本身的抗窄带干扰能力并不能满足系统要求.因此,就需要在扩频系统的基础上,引入自适应信号处理技术来进一步提高系统抗窄带干扰的能力.文中对解扩重扩频算法进行了软件仿真,仿真结果表明,此算法具有较强的窄带干扰抑制能力.     

SVD-based MIMO Precoding and Equalization Schemes for Realistic Channel Knowledge: Design Criteria and Performance Evaluation

Multiple-input multiple-output (MIMO) based communication systems with precoding, bit-loading and equalization procedures are considered in this paper. Applications of precoding schemes, which are based on Singular Value Decomposition (SVD) of the channel matrix H assume almost always ideal channel knowledge at the transmitter and/or receiver site. This paper investigates an SVD based MIMO approach considering non ideal radio channel estimation results. In any case the MIMO channel matrix H is decomposed into Eigenmodes. In case of an ideal radio channel knowledge the SVD based precoding procedure, which is applied at the transmitter site, is going to consider all possible Eigenmodes which results in a perfect separation of all signals at the receive antenna output and into a minimum bit-error-rate (BER). It will be shown in this paper that in case of non ideal channel knowledge and a limited accuracy in the channel matrix H estimation a reduced number of Eigenmodes in the precoding process will become an optimum and will lead into an increased BER performance.

基于特征子空间滤波的SAR窄带干扰抑制方法

随着合成孔径雷达(SAR)飞速地发展和广泛地应用,针对合成孔径雷达的干扰手段也越来越多.提高合成孔径雷达抑制干扰能力,是保证SAR成像性能的重要条件.该文分析了常见的窄带干扰(NBI)的特性,并提出了一种基于回波数据特征子空间滤波的干扰抑制方法.结合仿真数据和实测数据的处理表明该方法可有效地抑制窄带干扰.     

基于频域特性的时间交替模数转换系统采样时间误差校正算法

时间交替模数转换器(Time-Interleaved ADC,TIADC)通道间的采样时间相对误差严重影响了系统的无杂散动态范围(Spurious-Free Dynamic Range,SFDR).为校正采样时间相对误差,本文基于TIADC输出与模拟输入信号之间的频域关系,提出一种通过消除输出信号中的误差来校准TIADC的算法.该算法在对输出信号频率表达式进行泰勒近似的基础上构建理想输出信号,并采用最小均方差(LMS)算法来估算时间误差,旨在降低硬件设计的复杂度,提高误差校正的精确度.仿真和验证结果表明该校正算法很容易扩展到多通道,并且可以将输出频谱的SFDR提高约47dB.     

自适应最小二乘格型算法在天线阵列中的应用

在天线阵列中对天线阵列信号分析的算法有LMS和RLS等，主要介绍了自适应最小二乘格型算法LSL对天线信号进行分析，并对算法过程展开介绍。     

Sparse LMS/F algorithms with application to adaptive system identification

Standard least mean square/fourth (LMS/F) is a classical adaptive algorithm that combined the advantages of both least mean square (LMS) and least mean fourth (LMF). The advantage of LMS is fast convergence speed while its shortcoming is suboptimal solution in low signal‐to‐noise ratio (SNR) environment. On the contrary, the advantage of LMF algorithm is robust in low SNR while its drawback is slow convergence speed in high SNR case. Many finite impulse response systems are modeled as sparse rather than traditionally dense. To take advantage of system sparsity, different sparse LMS algorithms with l_p‐LMS and l₀‐LMS have been proposed to improve adaptive identification performance. However, sparse LMS algorithms have the same drawback as standard LMS. Different from LMS filter, standard LMS/F filter can achieve better performance. Hence, the aim of this paper is to introduce sparse penalties to the LMS/F algorithm so that it can further improve identification performance. We propose two sparse LMS/F algorithms using two sparse constraints to improve adaptive identification performance. Two experiments are performed to show the effectiveness of the proposed algorithms by computer simulation. In the first experiment, the number of nonzero coefficients is changing, and the proposed algorithms can achieve better mean square deviation performance than sparse LMS algorithms. In the second experiment, the number of nonzero coefficient is fixed, and mean square deviation performance of sparse LMS/F algorithms is still better than that of sparse LMS algorithms. Copyright © 2013 John Wiley & Sons, Ltd.     

Adaptive sparse system identification using normalized least mean fourth algorithm

Normalized least mean square (NLMS) was considered as one of the classical adaptive system identification algorithms. Because most of systems are often modeled as sparse, sparse NLMS algorithm was also applied to improve identification performance by taking the advantage of system sparsity. However, identification performances of NLMS type algorithms cannot achieve high‐identification performance, especially in low signal‐to‐noise ratio regime. It was well known that least mean fourth (LMF) can achieve high‐identification performance by utilizing fourth‐order identification error updating rather than second‐order. However, the main drawback of LMF is its instability and it cannot be applied to adaptive sparse system identifications. In this paper, we propose a stable sparse normalized LMF algorithm to exploit the sparse structure information to improve identification performance. Its stability is shown to be equivalent to sparse NLMS type algorithm. Simulation results show that the proposed normalized LMF algorithm can achieve better identification performance than sparse NLMS one. Copyright © 2013 John Wiley & Sons, Ltd.     

改进的抗窄带干扰非线性预测方法

为了有效抑制直接序列扩频通信中的窄带干扰,提出了2种改进的非线性预测方法（NLMSN和LNLMSN）。NLMSN是在原非线性预测方法的基础上,针对NLMS算法在强干扰条件下抑制性能不理想的缺点,运用修正LMS Newton算法对其进行改进而得到的方法。LNLMSN是在NLMSN的基础上,引入Laguerre时延单元,使得这两种方法在取得相同信噪比改善量的同时,减少了滤波器阶数,降低了方法实现的复杂度。仿真结果表明,与原方法相比,改进方法的抗干扰性能有了较大提高。     

不相关高斯输入情况下LMS滤波器的收敛性分析

在分析最小均方自适应滤波器(LMS AF)均方误差(MSE)的收敛性时,文献常用统计自相关矩阵代替瞬时自相关矩阵以简化分析,由此得出的收敛条件比较粗糙。本文指出:不相关高斯输入情况下,无需如上简化,可依据高斯阶矩因式分解定理得到确切的MSE收敛条件,相应的失调表式能更准确地预报失调。