平面六边形天线阵列波达方向估计

分析了智能天线自适应算法波达方向估计（DOA）问题,在一维MUSIC算法的基础上讨论了二维六边形天线阵列的空间谱并进行了Matlab仿真实验;仿真结果表明,六边形天线阵列不仅可以判断波达方向的俯仰角而且可以判断方位角;同时讨论了DOA算法的分辨率,与一维MUSIC算法相似,二维条件下六边形天线阵列具有良好的角分辨率,可以满足非相干信号的工程要求。     

一种新的基于多用户去相关的波达方向估计方法

以直接序列码分多址 (DS/CDMA)系统中的天线阵为背景 ,讨论了一种新的基于多用户去相关的波达方向 (DOA)估计方法 .该方法在基站对各用户波达时延估计的基础上 ,根据扩频序列表现出的周期性和非完全正交的性质 ,通过充分利用多址干扰部分表现出的信息 ,自相关处理后再去相关 ,进而同时实现对各用户的DOA、信号功率与噪声功率的精确估计 .该方法不是简单地将多址干扰部分当作噪声进行处理 ,而是通过去相关的方法来消除它们的影响 ,因此 ,该方法不仅在低信噪比下具有高估计精度 ,对系统中存在的远近效应的影响也有一定的抵抗能力 .仿真实验验证了该方法的有效性 .     

一种基于神经网络的宽带相干信号波达方向估计方法

相干信号子空间处理方法（ＣＳＭ）是一种通过构造聚焦（ｆｏｃｕｓｉｎｇ）矩阵来估计宽带相干源波达方向（ＤＯＡ）的有效方法．本文基于逆传播（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）学习算法，给出了一种用神经网络来实现聚焦过程的新颖方法．利用这种方法进行ＤＯＡ估计，可以无需预先知道源信号初始信息，不经预处理过程即可获得对ＤＯＡ的高性能估计     

基于神经网络的波达方向实时估计问题探讨

本文在无约束非线性规划神经网络模型的基础上,提出了一种实时估计空间多个信号到达方向即波达方向的方法,并给出了实例验证。     

阵列天线MC-CDMA系统用户波达方向估计

提出了一种阵列天线MC-CDMA系统用户波达方向估计算法.该算法首先利用MC-CDMA系统用户扩频码的正交性、子载波频域分集性,进行用户信号的分离、多址干扰的抑制和用户信号的增强,然后再通过传统波达方向估计的子空间算法实现用户信号波达方向的估计.仿真结果显示所提出算法在估计阵列天线MC-CDMA系统用户波达方向时,波达角估计误差很小,表明了算法的有效性.     

基于智能天线DOA估计方法

主要研究了基于智能天线的几种DOA估计方法，即旋转不变信号参数估计（ESPRIT）算法、多重信号分类（MUSIC）算法、加权子窨拟合9WSF）算法、最小范数（Min-norm）算法等。第三代移动通信已将智能天线技术作为其关键技术之一。通过理论和仿真实验相结合，将各算法与克拉美－罗限（Cramer-Rao Bound）比较，分析了基于智能天线DOA估计方法的性能。研究结果不仅有利于智能天线的研究与开发，而且有利于智能天线在移动通信中的应用。     

基于软件无线电的智能天线

20世纪90年代以来,随着通信技术的发展,智能天线成为一个新的研究热点。经研究发现,智能天线可将无线电的信号导向具体的方向,产生空间定向波束,使天线主波束对准用户信号到达方向DOA,旁瓣或零陷对准干扰信号的方向,达到充分高效利用移动用户信号并删除或抑制干扰信号的目的。利用各个移动用户间信号空间特征的差异,通过阵列天线技术在同一信道上接受和发射多个移动用户信号而不发生相互干扰,使无线电频谱的利用和信号的传输更有效。智能天线应用非常广泛,它在提高通信质     

基于小波变换的智能天线波达方向估计研究

对比两种经典的智能天线波达方向(Direction of Arrival,DOA)估计算法——延迟-相加算法、多重信号分类(Multiple SignalClassification,MUSIC)算法,提出了一种基于小波变换的智能天线波达方向估计算法(Smart Antennas Direction of Arrival Eseimation Based on Wavelet Transformer,SADOAWT),该算法利用小波变换,将来波信号变换在多尺度频域,针对不同频域采用不同算法以实现分辨率、计算复杂度的高度兼顾.计算机仿真结果表明,新算法复杂度较低,克服了延迟-相加算法分辨率低、副瓣较多的缺点,避免了MUSIC算法遇到相关信号分辨率降低的问题.     

一种基于神经网络的微波智能天线系统设计

提出一种基于神经网络的智能天线系统设计方案,通过分析神经网络模型的特征以及智能天线结构的要求,设计出了由微波插接天线和神经网络组合构成的智能天线系统结构模型,并通过训练和测试证明了该设计方案的合理性.     

智能天线在移动通信中的应用

介绍智能天线的技术基础、上下行链路的实现方法和算法以及对移动通信系统性能的改善,并对其在移动通信领域中的应用前景进行了展望。     

基于特征矢量输入的神经网络测向方法

提出了一种新的基于特征矢量的采集输入数据方法，经该方法训练的径向基函数神经网络（RBFNN）可用于码多分址（CDMA）系统中多源信号波达角（DOA）的估计。该方法对信道噪声不敏感，能以较少的训练样本就可得到推广能力较好的神经网络。仿真结果表明，以新方法训练的RBFNN对多源信号DOA估计精度较高，实时性好，适用于CDMA通信系统的高分辨率测向。     

基于支持向量机的波达方向估计

波达方向(DOA) 估计是智能天线系统中的一个关键技术之一。在本文中,通过一种基于支持向量机(SVM)的回归技术对信号的波达方向进行估计,这种方法经过训练以后,可以识别在训练样本里的和未知的信号的到达方向。仿真结果可以证明这种方法的有效性。     

基于门控循环单元神经网络的公交到站时间预测

为提高用户公交出行积极性、方便管理部门合理调度公交班次,利用大数据分析公交浮动车辆历史GPS数据,考虑不同线路、公交站点地理位置、不同驾驶员、气象情况、时间分布等多因素的影响,建立了一种基于门控循环单元(gated recurrent unit, GRU)神经网络的公交到站时间预测模型。该模型结合5 000多万条原始数据,借助分布式Hadoop集群中的Spark弹性分布式数据集进行数据清理,并运用站点匹配算法进行源数据匹配、Lasso算法优化特征选项及去除干扰。实验仿真结果表明:改进的GRU模型R-square拟合度达到94.547%,并且算法效率较传统长短期记忆(long short-term memory,LSTM)神经网络提高了近14%,为进一步提高公交到站时间的预测精度与效率提供了参考。     

域变换结合参数估计干扰对消的智能天线算法

系统中的多址干扰是影响系统性能的主要因素，提出了一种新的域变换结合参数估计抗多 址干扰的算法。同文献[1]中的方法相比，在具有相似的误码率性能的基础上，具有更快的收敛性能。     

天线方向性图的神经网络建模

为了探索多层前传神经网络模型对天线方向性图的建模能力与特性,用多层前传神经网络模型对对称振子天线及二元对称振子天线阵的方向性图进行建模试验。实验表明,多层前传神经网络模型可以有效地对天线的方向图进行建模,可用于天线的计算机辅助设计（CAD）。     

智能天线几种非盲算法性能仿真的比较

介绍了无线通信CDMA系统中智能天线非盲算法求权模型,用迭代的自适应算法进行了模拟,获得了三种常用的非盲算法在不同运动环境下的仿真结果,并进行了性能比较。     

基于深度卷积神经网络的DOA估计

针对现有均匀线阵远场窄带非相干多目标估计算法对低信噪比、少快拍情况适应性差、运算复杂度高，以及现有深度学习方法难以有效提取数据复值特征的问题，提出基于深度卷积神经网络的波达方向估计方法。该方法将波达方向估计问题转换为阵列输出协方差矩阵到目标到达角度的逆映射问题，利用阵列输出协方差矩阵的Hermitian特性，提取其上三角阵的实部、虚部及相位特征，构造网络的输入数据，搭建包含三维卷积层的深度卷积神经网络用来提取数据特征，网络的标签对应目标的到达角度，从而实现多个信源的波达方向估计。试验仿真表明:该方法可以充分提取空间特征，提高波达方向估计精度并降低算法复杂度。所提方法在低信噪比、少快拍数的情况下，其估计精度明显优于MUSIC、ESPRIT以及ML算法。