-
公开(公告)号：CN105306124A
公开(公告)日：2016-02-03
申请号：CN201510680775.2
申请日：2015-10-19
Applicant: 电子科技大学
IPC: H04B7/06
CPC classification number: H04B7/0617
Abstract: 本发明属于阵列信号处理领域，主要涉及基于标准Capon自适应波束形成对算法对协方差矩阵误差和期望信号导向矢量误差的稳健性。本发明基于一种具有联合鲁棒性的波束形成方法(RAB-JR)，首先提出一种修正的广义线性组合算法(Modified General Linear Combination)来重新估计协方差矩阵，以提高波束形成算法对协方差矩阵误差的鲁棒性；然后利用该协方差矩阵构造关于期望信号导向矢量误差的二次约束二次规划的优化问题求解期望信号导向矢量，以提高对期望信号导向矢量误差的鲁棒性；最后联合所得协方差矩阵和期望信号导向矢量，形成具有联合鲁棒性的波束形成算法。本发明可以大大减弱或避免期望信号自零陷现象，提高对期望信号导向矢量误差的鲁棒性，大大提高输出SINR。
-
公开(公告)号：CN104502896A
公开(公告)日：2015-04-08
申请号：CN201410854595.7
申请日：2014-12-31
Applicant: 电子科技大学
IPC: G01S7/36
CPC classification number: G01S7/36
Abstract: 本发明属于阵列信号处理领域，主要涉及干扰噪声协方差矩阵重构算法的稳健性和基于该算法的最差性能最优化Capon自适应波束形成的稳健性。本发明首先采用最差性能最佳化准则建立期望信号和干扰信号导向矢量的误差模型，然后采用鲁棒Capon波束形成(Robust Capon Beamforming,RCB)来分别估计D-1个干扰信号的功率和导向矢量同时对样本协方差矩阵进行EVD来估计阵列接收高斯白噪声功率由此得到考虑干扰信号导向矢量误差的干扰噪声协方差矩阵重构可以有效的针对求和式干扰噪声协方差矩阵重构的固有不足，有效提高波束形成算法的稳健性。
-
公开(公告)号：CN105306124B
公开(公告)日：2019-03-01
申请号：CN201510680775.2
申请日：2015-10-19
Applicant: 电子科技大学
IPC: H04B7/06
Abstract: 本发明属于阵列信号处理领域，主要涉及基于标准Capon自适应波束形成对算法对协方差矩阵误差和期望信号导向矢量误差的稳健性。本发明基于一种具有联合鲁棒性的波束形成方法(RAB‑JR)，首先提出一种修正的广义线性组合算法(Modified General Linear Combination)来重新估计协方差矩阵，以提高波束形成算法对协方差矩阵误差的鲁棒性；然后利用该协方差矩阵构造关于期望信号导向矢量误差的二次约束二次规划的优化问题求解期望信号导向矢量，以提高对期望信号导向矢量误差的鲁棒性；最后联合所得协方差矩阵和期望信号导向矢量，形成具有联合鲁棒性的波束形成算法。本发明可以大大减弱或避免期望信号自零陷现象，提高对期望信号导向矢量误差的鲁棒性，大大提高输出SINR。
-
Patent Agency Ranking
公开(公告)号：CN105335615B
公开(公告)日：2018-09-21
申请号：CN201510727905.3
申请日：2015-10-31
Applicant: 电子科技大学
IPC: G06F17/16
Abstract: 本发明提供一种低复杂度的二维角度和极化参数联合估计方法。采用交叉电偶极子在XOY坐标系中构成均匀平面方阵，对信号进行接收。首先，充分利用接收阵列的旋转不变特性，从接收数据的协方差矩阵中解出X轴的阵列流型矩阵。然后，利用矢量间Kronecker积的特性逐步解出Y轴的阵列流型矩阵和极化敏感矩阵。最后，综合三个矩阵内部元素之间的关系，解出DOA参数和极化参数。本发明在参数求解过程，利用矢量间Kronecker积的特性可以使得参数之间自动配对，无需额外算法；同时，该计算过程仅仅涉及矩阵之间的乘加运算，相对其他自动配对算法，避免了矩阵SVD等复杂操作，有效的降低了计算复杂度，便于快速实现。
-
公开(公告)号：CN105388461B
公开(公告)日：2017-12-01
申请号：CN201510729398.7
申请日：2015-10-31
Applicant: 电子科技大学
IPC: G01S7/02
Abstract: 本发明属于雷达信号处理领域，尤其涉及基于贝叶斯表更新的Q学习方法对雷达自适应行为的学习、辨识问题。本发明提供一种雷达自适应行为Q学习方法，用改进的Q学习算法针对时域波形选择行为(最小互信息量准则)进行学习，在传统只根据接收端得到的直接信息进行干扰的基础上跃进一大步，利用所提出的机器学习算法对雷达时域自适应行为进行辩识，并给出一定的学习结果。本发明的方法首次将基于贝叶斯表更新的Q学习算法应用到雷达行为学习与辨识问题中，相对于现有技术在时域波形选择(最小互信息量准则)下的学习效果更优。
-
公开(公告)号：CN104502896B
公开(公告)日：2017-03-29
申请号：CN201410854595.7
申请日：2014-12-31
Applicant: 电子科技大学
IPC: G01S7/36
Abstract: 本发明属于阵列信号处理领域，主要涉及干扰噪声协方差矩阵重构算法的稳健性和基于该算法的最差性能最优化Capon自适应波束形成的稳健性。本发明首先采用最差性能最佳化准则建立期望信号和干扰信号导向矢量的误差模型，然后采用鲁棒Capon波束形成(Robust Capon Beamforming,RCB)来分别估计D-1个干扰信号的功率 和导向矢量 同时对样本协方差矩阵 进行EVD来估计阵列接收高斯白噪声功率 由此得到考虑干扰信号导向矢量误差的干扰噪声协方差矩阵重构 可以有效的针对求和式干扰噪声协方差矩阵重构的固有不足，有效提高波束形成算法的稳健性。
-
公开(公告)号：CN105388461A
公开(公告)日：2016-03-09
申请号：CN201510729398.7
申请日：2015-10-31
Applicant: 电子科技大学
IPC: G01S7/02
CPC classification number: G01S7/02
Abstract: 本发明属于雷达信号处理领域，尤其涉及基于贝叶斯表更新的Q学习方法对雷达自适应行为的学习、辨识问题。本发明提供一种雷达自适应行为Q学习方法，用改进的Q学习算法针对时域波形选择行为(最小互信息量准则)进行学习，在传统只根据接收端得到的直接信息进行干扰的基础上跃进一大步，利用所提出的机器学习算法对雷达时域自适应行为进行辩识，并给出一定的学习结果。本发明的方法首次将基于贝叶斯表更新的Q学习算法应用到雷达行为学习与辨识问题中，相对于现有技术在时域波形选择(最小互信息量准则)下的学习效果更优。
-
公开(公告)号：CN105182298A
公开(公告)日：2015-12-23
申请号：CN201510681462.9
申请日：2015-10-19
Applicant: 电子科技大学
Abstract: 本发明属于阵列信号处理领域，主要涉及基于协方差矩阵重构的标准Capon自适应波束形成算法对干扰信号来波方向误差的稳健性。一种针对来波方向误差的干扰噪声协方差矩阵重构方法，首先利用阵列接收数据来估计所有D个信号的导向矢量d＝1,2,…,D及D-1个干扰信号的功率d＝2,3,…,D，同时估计噪声功率然后按照干扰噪声协方差矩阵的定义来重新构造干扰噪声协方差矩阵联合估计的导向矢量和重构的得到新的波束形成加权矢量本发明可以提高干扰噪声协方差矩阵的估计精度，有效减少期望信号成分，可以大大减弱或避免期望信号“自消”现象，大大提高输出SINR。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.018 seconds)
