基于聚谱分析的多通道盲信号自适应分离算法

该文提出一种在多传感器中多种信号混叠的分离方法。该方法通过分析传感器数据的聚谱来提取未知信号,并利用线性方程基本算法估计有限脉冲响应的耦合系统,该方法对于多通道谱重叠的有色输入信号盲解卷积十分有效。作为该算法的扩展,可以应用于包括准周期信号等非平稳信号的分离。并将该算法应用于电磁辐射的测试,仿真结果证明了其有效性和快速性。     

应用正交码组信号的传统雷达距离旁瓣抑制方法

为了抑制传统雷达的距离旁瓣和提高传统雷达抗欺骗式干扰性能,该文提出一种传统雷达随机发射一组正交信号的信号发射策略。给定一组正交性好且距离旁瓣低的相位编码信号,雷达在每次发射时从这组波形中随机选取一个波形进行发射,接收端已知该发射信号波形并基于该波形对接收信号进行脉冲压缩,最后对多次相邻脉冲的回波信号进行相干积累。理论分析和仿真结果均表明,距离主瓣信号能够有效积累,而距离旁瓣信号近似白化,因而脉冲积累后可明显降低系统的最大距离旁瓣电平。     

基于单路定时准确的低复杂度成对载波复用多址信号盲分离算法

该文分析了传统逐幸存路径处理(Per-Survivor Processing, PSP)算法模型,给出了改进的前馈非二元码软输出维特比(Soft Output Viterbi Algorithm, SOVA)PSP算法。针对单路定时准确的情况,提出了针对成对载波复用多址(Paired Carrier Multiple Access, PCMA)信号的SOVA-PSP盲分离算法。该算法相对传统的PSP算法状态数由原来的M2(L-1)减少到M(L-1)(其中M为调制阶数,L为等效信道响应长度),从而大幅度地降低了算法复杂度。仿真结果表明,改进的算法在降低复杂度的同时与传统PSP算法相比性能几乎没有损失。     

基于隐变量贝叶斯模型的稀疏信号恢复

该文基于贝叶斯分析的视角,揭示了一类算法,包括使用隐变量模型的稀疏贝叶斯学习(SBL),正则化FOCUSS算法以及Log-Sum算法之间的内在关联。分析显示,作为隐变量贝叶斯模型的一种,稀疏贝叶斯学习使用第2类最大似然(Type II ML)在隐变量空间进行运算,可以视作一种更为广义和灵活的方法,并且为不适定反问题的稀疏求解提供了改进的途径。较之于目前基于第1类最大似然(Type I ML)的稀疏方法,仿真实验证实了稀疏贝叶斯学习的优越性能。     

一种低复杂度线性调频信号参数估计算法

为降低线性调频(LFM)信号参数估计的复杂度,该文提出一种二次估计算法。首先通过短时相干积分与非相干累加对频率斜升和起始频率进行预估计;然后以预估计结果为中心,利用多路并行部分匹配滤波快速傅里叶变换(PMF-FFT)和二次插值对参数进行精确估计;最后综合预估计和精确估计结果得到参数的最终估计值。仿真结果表明,该算法信噪比门限较低,估计精度接近克拉美罗下界,其计算复杂度和资源消耗均远低于频率斜升试探算法和插值联合估计算法。     

相位响应固定幅度响应约束的稳健波束形成方法

传统的幅度约束波束形成器是一个非凸问题,需将原始模型化为线性规划进行间接求解。该文针对均匀线阵提出一种相位响应固定幅度响应约束(PFMC)的稳健波束形成方法。利用权矢量逆序列对应的传递函数与阵列响应函数只差一个相位因子这一性质,将阵列响应的相位设置为固定的线性相位,仅对阵列响应的实数幅度进行约束,从而得到一个凸的代价函数,最优权矢量可以利用内点法求出。同时考虑到协方差矩阵误差,利用最坏(WC)情况性能最优原理提出PFMC-WC算法改善PFMC的性能。与传统幅度约束波束形成器相比,减少了约束个数并省掉了恢复权矢量过程,从而降低了计算量。此外,由于相位响应得到保证,该文算法相对于传统算法具有更好的性能。仿真实验验证了该文算法的有效性。     

基于迭代线性约束最小方差的稳健自适应脉冲压缩方法

针对常规自适应脉冲压缩方法在目标散射点与采样中心失配时旁瓣抑制性能下降的问题,该文提出一种基于迭代线性约束最小方差(RLCMV)的自适应脉冲压缩方法。该方法首先将自适应波束形成器算法引入到自适应脉冲压缩滤波器设计中。其次对目标及干扰单元进行线性约束,并用对角加载技术避免矩阵出现病态。最后构造了迭代运算方法,依次抑制不同大小目标的距离旁瓣。仿真结果表明,该算法可以有效抑制散射点随机分布目标的距离旁瓣,对散射点与采样中心失配情况具有较好的稳健性,在多目标及距离扩展目标场景中达到较好的旁瓣抑制性能,并在一定程度上提高了多普勒容性。     

基于相关法的分布式全相参雷达相干参数估计及相参性能

针对一般结构的分布式全相参雷达,研究了基于相关法的时延差和相位差估计性能以及输出信噪比增益(oSNRg)。首先分别建立多输入多输出(MIMO)模式和全相参(FC)模式下的信号模型。然后重点分析估计相位差时的相位模糊问题,并提出一种有效的解模糊方法。数值实验结果表明：当输入信噪比足够高时,相关法能够获得稳健的相干参数估计,且oSNRg接近理想值。     

基于本征音子说话人子空间的说话人自适应算法

本征音子说话人自适应算法在自适应数据量充足时可以取得很好的自适应效果,但在自适应数据量不足时会出现严重的过拟合现象。为此该文提出一种基于本征音子说话人子空间的说话人自适应算法来克服这一问题。首先给出基于隐马尔可夫模型-高斯混合模型(HMM-GMM)的语音识别系统中本征音子说话人自适应的基本原理。其次通过引入说话人子空间对不同说话人的本征音子矩阵间的相关性信息进行建模;然后通过估计说话人相关坐标矢量得到一种新的本征音子说话人子空间自适应算法。最后将本征音子说话人子空间自适应算法与传统说话人子空间自适应算法进行了对比。基于微软语料库的汉语连续语音识别实验表明,与本征音子说话人自适应算法相比,该算法在自适应数据量极少时能大幅提升性能,较好地克服过拟合现象。与本征音自适应算法相比,该算法以较小的性能牺牲代价获得了更低的空间复杂度而更具实用性。     

一类非线性信号去噪的奇异值分解有效迭代方法

对于一类非线性信号的去噪问题,该文提出一种基于奇异值分解(Singular Value Decomposition, SVD)的有效迭代方法。对现有奇异值差分谱方法在两类不同非线性信号上的去噪效果进行了对比,指出在信号不具有明显特征频率、非周期性变化时这一方法并不适用,并分析了现象产生的原因;然后针对该类信号的特点重新定义了Hankel矩阵结构,给出有效奇异值的确定方式,并通过SVD多次迭代过程实现对该类信号的有效去噪。对实际飞行数据去噪的实验结果表明,该方法对提出的一类信号对象不仅去噪效果良好,而且可提高运算效率。