一种基于周期平稳的鲁棒盲神经网络波束形成器

本文提出了一种鲁棒的盲神经网络波束形成算法。该算法利用信号的周期平稳性佑计阵列的导引矢量，利用ＬＣＭＶ方法抑制噪声干扰，利用对角加载技术增强算法的鲁棒性，利用神经网络的网状计算结构特点便于其实现。理论分析和计算仿真表明，该算法实现简单，鲁棒性强，易于实时应用。     

一种改进的迭代型鲁棒波束形成算法

为有效克服模型失配误差对自适应波束形成器的影响,该文提出了一种改进的迭代型鲁棒波束形成算法.该算法以导向矢量在期望信号来波方向区间宽度内、外的积分关系式构造新的终止条件,克服了迭代对角加载算法对终止条件参数鲁棒性不强的问题,从而进一步提高了波束形成器的输出信干噪比.仿真实验表明,提出的算法可以有效克服不同类型的模型失配误差带来的影响,能够处理较大范围的方向失配误差,且对算法中的来波方向区间宽度这一关键参数设置具有较强的鲁棒性.     

一种稳健的周期平稳信号的盲波束形成算法

因为不需信号个数和导向向量等任何参考信息,基于周期平稳信号的盲波束形成算法在信号处理领域得到非常广泛的应用,然而这类方法是建立在循环频率准确已知基础上的,在实际应用中往往不是如此,循环频率的估计误差将导致算法性能变差,为了改进这点不足,在传统的循环自适应波束形成(CAB)算法的基础上,提出了一种改进的 CAB 盲波束形成算法,经理论分析和计算机仿真,证明了该算法是有效的.     

周期平稳信号特性在盲波束形成中的应用

本文综述周期平稳信号的基本理论及其在盲波束形成领域中的应用。在此基础上,并结合我们的工作,对基于信号周期平稳特性的盲波束形成的发展作一展望。     

一种基于互相关神经网络的声呐盲波束形成方法研究

针对水声环境和水声信号的特点，提出了一种基于神经网络的声呐盲波束形成算法。该方法利用水声信号的循环平稳特性把波束形成权向量的求解问题转化为阵列接收信号互相关函数的奇异值分解问题；引入一种互相关神经网络求解阵列接收信号相关函数的奇异值，从而减小了运算的代价，可高效实现盲波束形成。提出的改进互耦Hebbian学习规则有效地提高了神经网络权值的更新速度，为问题的实时求解提供了有效的途径。该方法还能抑制噪声和干扰的影响，表现出较强的顽健性。仿真实验验证了算法的正确性。     

一种具有快速收敛特性的盲自适应波束形成算法

本文提出了一种基于信号的周期平稳特性的具有快速收敛特性的盲波束形成新方法。该盲算法应用了ＲＬＳ技术,仿真实验证明该算法的收敛速度快于Ｃａｓｔｅｄｏ 等人提出的随机梯度算法     

基于神经网络的盲波束形成

利用径向基函数神经网络来实现无线通信中智能天线的波束形成. 利用了信号相关阵的对称性质,仅考虑相关阵中的上三角(或下三角)的部分元素作为网络的输入量,计算量较小.进一步提高了运算速度,具有收敛快且准确的优点.计算机模拟实例证明结果与理论相吻合,表明了该方案的有效性.     

用Hopfield网络实现盲波束形成

本文提出了一种基于改进Ｈｏｐｆｉｅｌｄ 网络的盲波束形成算法。利用神经网络的计算结构,避免了矩阵求逆运算,同时利用对角加载技术加快了收敛速度、保证了算法的鲁棒性     

基于可变对角载入的鲁棒自适应波束形成算法

针对传统算法对方向向量偏差敏感的缺点,提出了一种基于可变对角载入的鲁棒自适应波束形成算法.为了提高算法的鲁棒性,采用非线性约束条件下的最优化阵列输出功率对信号方向向量进行优化求解,且优化解中的参量能够准确求出.为了减少计算量,采用递推算法求逆矩阵并利用泰勒级数展开,推导出基于可变对角载入的权重向量公式.该算法可有效地抑制方向向量偏差所带来的影响,降低了计算量易于实时实现,提高了系统的鲁棒性,改善了阵列输出的信干噪比,使其更接近最优值.仿真结果表明,该算法相对传统算法可以获得更好的性能.     

一种空间色噪声环境下的鲁棒自适应波束

该文提出了一种基于对角加载的鲁棒自适应波束形成算法,以提高空间色噪声环境中自适应波束对方向矢量误差的鲁棒性。该算法首先利用噪声协方差矩阵对阵列相关矩阵进行预白化,同时定义了一个与噪声矩阵相对应的椭圆方向矢量模糊集,然后,通过在该模糊集内进行最坏情况性能优化来确定对角加载因子。和现有的通过迭代求解加载因子的方法不同,该文给出了最优加载因子的近似解析表达式,降低了运算量,揭示了哪些因素可以影响最优加载因子,以及如何影响。仿真结果表明,在空间色噪声环境中,该算法具有很好的鲁棒性,并且,给出的加载因子表达式是其真实最优解的一个准确近似。     

用细胞神经网络实现盲均衡的一种新方法

本文提出并讨论了用细胞神经网络实现通信信号盲均衡的可能性,并基于对盲均衡算法的分析推出了相应细胞神经网络模板的设计方法,针对存在多径干扰的二值信号处理问题进行了计算机仿真,结果证明了这一想法是合理的。     

基于二阶统计量的盲波束形成方法

为了恢复二阶统计独立的源信号,本文给出一种基于二阶统计量的盲波束形成方法。这个方法是基于二阶统计独立的源信号之间统计互不相关的特性．此方法适用于任意流形阵列 的盲波束形成．除了要求噪声是白色的外,源信号必须是有色的随机信号或确定信号。没有必要估计波达方向．在源信号估计中,此方法使信号与干扰加上噪声之比达到了最大。与累积量基方法相比,这个方法的最突出优点有：方法简单,运算量少以及二阶相关矩阵易鲁棒地估计,因此更适合于在移动通信中应用。     

基于模糊神经网络的声母识别

模板匹配法技术是汉语声母识别中较为成功的算法,但它的缺陷影响了其恢复错误、改善识别性能。神经网络(NN)和模糊系统的结合,保留了双方的优点,充分利用了模糊神经网良好的容错性能、计算性能、分类性能和决策性能。本文重点研究了两种基于模糊神经网的声母识别方案,通过对其结构、识别率和特点的分析,可看出模糊神经网的声母识别性能明显优于模板匹配法,是更适于语音识别的网络。     

基于神经网络的雷达目标识别

本文讨论了基于径向基函数网络(RBFN)的雷达目标识別问题。在分析了一维距离象特点的基础上,提出了采用非相关幅度平均一维距离象以获取稳定模式这一有效方法。在指出传统经验公式局限性后,给出了一种基于训练样本空间分布来估计高斯核函数形状参数的方法。用微波暗室试验数据进行转台成象并对一维距离象三种模式进行识别分类的结果表明,本文所提出的方法用于研究雷达目标识别是有效的。     

针对循环频率误差的稳健CAB算法

当循环频率估计存在误差时,循环自适应波束形成算法的性能会显著下降。针对这一不足,本文提出了对循环频率误差稳健的循环自适应波束形成算法。仿真实验表明,当存在循环频率误差时,本文提出的算法性能接近没有循环频率误差时循环自适应波束形成算法的性能。     

一个基于神经网络的航空照片自动目标识别算法

针对航空照片中自动目标识别的复杂性,该文提出了一种基于神经网络的自动目标识别算法,算法包括检测和虚警排除两个阶段。检测阶段是在整幅区域中进行快速搜寻,找出所有可能的目标;虚警排除阶段是对检测阶段得到的结果进行进一步的验证,在尽可能保留全部真目标的前提下,将伪目标排除。实验结果证明了算法的可行性。     

一种基于神经网络分形模型的一维信号表示方法

本文提出了一种基于神经网络的分形模型,讨论了映射收缩条件,并对湖底回波进行了实验。实验结果表明,在此基础上求解分形逆问题,得到的吸引子能很好地逼近指定信号。     

神经记忆的电阻网络综合

本文提出了从神经系统功能进行网络综合的观点。对神经网络的记忆功能进行了研究,建立了数学模型,并用分段线性电阻网络进行综合。所得到的非线性电阻网络除具有并行性、实时性、分布性和自适应等一系列人工神经网络的特点外,网络中各参数由网络所应记忆模式和特征向量的解析式给出,这比传统的人工神经网络具有较强的直观性,便于实际应用。     

基于遗传算法和BP算法的多层感知机杂交训练算法

基于梯度下降的神经网络训练算法易于陷入局部最小,从而使网络不能对输入模式进行准确分类。本文提出综合遗传算法和BP算法的杂交算法GA-QP,它结合遗传算法的全局搜索特性和BP的局部收敛特性,实现对神经网络的有效训练。实验表明该算法优于BP算法,实验结果令人满意。     

关于非线性规划神经网络的稳定性

本文用新的方法进一步证明了Kennedy和Chua(1988)的神经网络在无界解集和不充分大的惩罚参数情形下仍是全局稳定的,因此推广了Maa和Shanblatt(1992)对有界解集和充分大惩罚参数的结果。