基于Chebyshev法实现LPC与LSF相互转换

在语音信号的处理中,常需要将线性预测系数(LPC)与线谱对频率参数(LSF)相互转换.利用余弦函数特性改进的Chebyshev多项式求根算法,将余弦函数转换为高次幂函数再进行搜索求根来实现语音特征的LPC参数与LSF参数的转化.     

基于知识蒸馏与注意力图的雷达信号识别方法

针对传统雷达信号识别方法无法有效进行识别类型扩展问题,该文提出一种基于知识蒸馏与注意力图的雷达信号识别方法。首先将雷达信号的平滑伪Wigner-Ville分布(SPWVD)作为输入;然后设计了基于残差网络的增量学习网络结构,利用基于知识蒸馏与注意力图的损失函数,缓解类别增量过程中的灾难性遗忘;最后采用基于样本特征均值距离的方法对数据集进行管理,有效降低存储资源占用空间。实验表明,该方法能在存储资源有限的情况下,对扩展分类的信号快速完成训练,且对原有分类和扩展分类信号均有良好的识别准确率。     

基于改进迭代扩展卡尔曼滤波的3星时频差测向融合动目标跟踪方法

针对传统3星时频差定位系统在未知高程情况下,对运动辐射源会产生由目标速度引发的定位误差的问题,该文提出一种利用主星的干涉仪测向信息的改进迭代扩展卡尔曼滤波(IEKF),结合3星时差、频差信息的无源融合动目标跟踪新方法。首先,在坐标系转换的基础上建立了定位模型,并在此基础上利用改进的迭代扩展卡尔曼滤波算法对未知高程的运动目标进行跟踪。仿真结果表明,该方法无需获知目标的高程信息即可实现对运动辐射源的定位、跟踪和测速,且对目标的位置、速度估计性能有较大的提高。     

基于改进迭代扩展卡尔曼滤波的3星时频差测向融合动目标跟踪方法

针对传统3星时频差定位系统在未知高程情况下,对运动辐射源会产生由目标速度引发的定位误差的问题,该文提出一种利用主星的干涉仪测向信息的改进迭代扩展卡尔曼滤波(IEKF),结合3星时差、频差信息的无源融合动目标跟踪新方法.首先,在坐标系转换的基础上建立了定位模型,并在此基础上利用改进的迭代扩展卡尔曼滤波算法对未知高程的运动目标进行跟踪.仿真结果表明,该方法无需获知目标的高程信息即可实现对运动辐射源的定位、跟踪和测速,且对目标的位置、速度估计性能有较大的提高.     

稀疏极化敏感阵列的波达方向和极化参数联合估计

该文采用稀疏分布极化敏感阵列(SD-PSA),研究了多目标波达方向(DOA)和极化参数的估计问题。首先建立稀疏极化敏感阵列信号模型;然后利用阵列的空间旋转不变性运用ESPRIT算法得出信号的高精度周期性模糊多值DOA估计;同时利用子阵列导向矢量之间的关系得出信号的极化信息和DOA的无模糊粗估计;最后利用DOA粗估计值解模糊,得到信号的高精度无模糊DOA估计。该文所提阵列的阵元间距大于半个波长距离,扩展了阵列2维物理孔径,一定程度上降低了阵元间的互耦影响,相应的信号DOA估计精度大大提高。仿真实验结果验证了该算法对信号DOA和极化参数估计的有效性。