利用分数阶傅里叶变换(fractional Fourier transform,FRFT)对线性调频(linear frequency modulation,LFM)信号的能量匹配聚焦特性来简化共形阵列的数据模型,根据子空间拟合原理提出一种信源DOA和极化参数的去耦联合估计方法.直接进行DO...利用分数阶傅里叶变换(fractional Fourier transform,FRFT)对线性调频(linear frequency modulation,LFM)信号的能量匹配聚焦特性来简化共形阵列的数据模型,根据子空间拟合原理提出一种信源DOA和极化参数的去耦联合估计方法.直接进行DOA估计涉及求解难度较大的多维多峰参数搜索过程,于是通过重构噪声子空间和流形矩阵建立了单峰的目标函数,然后用PSO算法估计信源方位角和俯仰角,在此基础上利用ESPRIT实现极化参数估计.仿真实验表明,去耦参数估计方法能在保证算法性能的前提下简化问题复杂度。展开更多
波束内目标与诱饵的参数估计是导引头正确实现目标分选、完成波束指向调整与精确跟踪的必要条件。目标与诱饵的"紧密接近"导致接收回波混叠,使得常规参数测量与估计方法失效。基于实际采样处理中目标回波能量会"溢出&qu...波束内目标与诱饵的参数估计是导引头正确实现目标分选、完成波束指向调整与精确跟踪的必要条件。目标与诱饵的"紧密接近"导致接收回波混叠,使得常规参数测量与估计方法失效。基于实际采样处理中目标回波能量会"溢出"到相邻匹配滤波采样点这一信号模型,通过贝叶斯原理从观测的条件似然以及未知参数的先验分布获取待估计参数的后验概率分布,采用Markov Chain Monte Carlo(MCMC)方法中的Metropolis-Hastings(M-H)抽样算法联合估计目标与诱饵的相关参数,并根据拖曳式诱饵干扰对抗的特点对M-H抽样进行了改进。各种典型干扰条件及动态攻击场景下的仿真试验表明了本文方法的有效性。展开更多
由于RFID设备固有特性的限制和环境噪声的影响,造成RFID原始数据的不确定,进一步引起标签位置信息的不准确,严重影响目标对象识别、定位以及跟踪与追溯等业务功能。在物流仓库中基于实际采样处理的电子标签可能溢出到相邻阅读器识别区...由于RFID设备固有特性的限制和环境噪声的影响,造成RFID原始数据的不确定,进一步引起标签位置信息的不准确,严重影响目标对象识别、定位以及跟踪与追溯等业务功能。在物流仓库中基于实际采样处理的电子标签可能溢出到相邻阅读器识别区域这一冗余特点,利用贝叶斯概率推断模型并辅以最小熵的阅读器识别模型,从RFID不确定数据流中捕获标签数据的位置概率分布,采用自适应Markov Chain Monte Carlo(MCMC)方法联合估计物流仓库中RFID数据与标签符号位置参数。最后,利用仿真实验对本算法的有效性和准确性进行了验证。展开更多
文摘针对信号相位匹配奇异值分解(SVDSPM)算法中参数联合估计耗时长的问题,提出了免疫记忆量子克隆算法(IMQCA).该优化算法引入模拟退火机制修正量子旋转门函数的旋转角度值,构建记忆单元保留进化历史最佳抗体,并结合克隆算子加速种群收敛.由SVDSPM平面阵算法构造了IMQCA的目标函数,提出了同时估计信号方位角、俯仰角和频率的SVDSPM联合估计算法.仿真结果表明,IMQCA算法的方位估计精度与传统的SVDSPM算法相当,但计算耗时仅约为后者的10%,且低信噪比下的性能优于MUSIC方法.在-10 dB信噪比下,IMQCA所得方位角、俯仰角和频率的标准差分别比标准遗传算法小6.659°、9.645°和28.634 Hz,比量子免疫克隆算法小0.789°、1.075°和0.864 Hz.
文摘利用分数阶傅里叶变换(fractional Fourier transform,FRFT)对线性调频(linear frequency modulation,LFM)信号的能量匹配聚焦特性来简化共形阵列的数据模型,根据子空间拟合原理提出一种信源DOA和极化参数的去耦联合估计方法.直接进行DOA估计涉及求解难度较大的多维多峰参数搜索过程,于是通过重构噪声子空间和流形矩阵建立了单峰的目标函数,然后用PSO算法估计信源方位角和俯仰角,在此基础上利用ESPRIT实现极化参数估计.仿真实验表明,去耦参数估计方法能在保证算法性能的前提下简化问题复杂度。
文摘波束内目标与诱饵的参数估计是导引头正确实现目标分选、完成波束指向调整与精确跟踪的必要条件。目标与诱饵的"紧密接近"导致接收回波混叠,使得常规参数测量与估计方法失效。基于实际采样处理中目标回波能量会"溢出"到相邻匹配滤波采样点这一信号模型,通过贝叶斯原理从观测的条件似然以及未知参数的先验分布获取待估计参数的后验概率分布,采用Markov Chain Monte Carlo(MCMC)方法中的Metropolis-Hastings(M-H)抽样算法联合估计目标与诱饵的相关参数,并根据拖曳式诱饵干扰对抗的特点对M-H抽样进行了改进。各种典型干扰条件及动态攻击场景下的仿真试验表明了本文方法的有效性。
文摘由于RFID设备固有特性的限制和环境噪声的影响,造成RFID原始数据的不确定,进一步引起标签位置信息的不准确,严重影响目标对象识别、定位以及跟踪与追溯等业务功能。在物流仓库中基于实际采样处理的电子标签可能溢出到相邻阅读器识别区域这一冗余特点,利用贝叶斯概率推断模型并辅以最小熵的阅读器识别模型,从RFID不确定数据流中捕获标签数据的位置概率分布,采用自适应Markov Chain Monte Carlo(MCMC)方法联合估计物流仓库中RFID数据与标签符号位置参数。最后,利用仿真实验对本算法的有效性和准确性进行了验证。
