一、信号处理中提高检测精度的一种算法（论文文献综述）
赵文静[1]（2020）在《海杂波背景下的雷达目标检测方法研究》文中认为海杂波背景下的运动目标检测在军事领域和民用领域具有重要意义,同时面临很大的困难和挑战。由于高分辨海杂波的统计特性呈现出非高斯、非线性以及非平稳特性,给运动目标检测带来极大的挑战;对于慢速移动、雷达截面积较小的隐身目标或漂浮目标,其回波信杂比较低,使得检测难度增加;此外,在有效检测样本数较少的情况下,检测信杂比难以提高,检测性能受到较大制约。因此高分辨海杂波背景下的短脉冲目标检测问题成为国内外学者关注的热点问题。针对这些检测难点,本文旨在研究短脉冲情况下高分辨海杂波背景中的运动目标检测的新理论与新方法,基于接收数据的相关性、信息几何理论及杂波抑制方法,探索了几种雷达运动目标检测方法,主要工作如下:（1）充分挖掘和利用数据样本间的信息,提高短脉冲条件下的检测性能是雷达目标检测需要解决的一个难点问题。对于海杂波的时间相关性和空间相关性特性,利用协方差矩阵的特征值捕捉相关性并提取信号特征,进而用于区分目标和杂波。从特征值域的似然比检测角度和广义似然比角度分析了检测统计量与特征值的关系,设计了一种基于最大特征值的矩阵检测器。仿真实验表明,该算法取得较优的检测性能。此外,利用不变理论分析表明所提算法对杂波协方差矩阵具有恒虚警率特性。（2）以信息几何理论为基础,深入探究矩阵信息几何理论并设计雷达目标检测方法。针对矩阵流形上的几何测度和均值矩阵估计问题,利用矩阵谱范数,给出了矩阵流形上一种新的几何测度,并分析了几何测度的各向异性,指出了所提出的几何测度与现有几何测度的区别。基于不依赖于数据统计特性的几何模式,将基于新几何测度的均值矩阵估计问题转化为矩阵流形上的凸优化问题,提出了两种有效的求解方法。利用提出的几何测度和均值矩阵估计器,设计了两种雷达目标矩阵检测器。理论分析及仿真实验表明,所提出的矩阵检测器具有有界恒虚警率特性,且获得较好的检测性能。（3）针对一些现有的矩阵检测器的检测性能不理想以及计算复杂度高的问题,提出2类新的检测算法:其一,利用Root-Euclidean距离、Power-Euclidean距离、Cholesky-Euclidean距离和新Riemannian距离衡量矩阵流形上两个点的差异性,研究了相应度量的均值和中值矩阵计算问题,并设计了基于均值和中值的矩阵检测算法;其二,为保持原算法的优势,保留现有矩阵检测算法中的中值矩阵的求解方法,但是采用最大特征值作为检测统计量,进而设计了6种不同的中值矩阵检测方法。基于多个仿真场景的实验分析表明所提算法具有较优的检测性能和鲁棒性,特别是最大特征值与Hellinger中值矩阵相结合的新算法表现出较优的性能。此外,计算复杂度分析表明,所提的两类算法比现有的几何方法具有更低的计算复杂度。（4）针对短脉冲条件下的相干积累难以提高检测信杂比的问题,研究杂波抑制手段,提出了 2种基于滤波处理的最大特征值矩阵检测器:其一,通过对接收数据执行快速傅里叶变换实现预处理过程,将频域相干积累与最大特征值方法相结合,提出基于预处理的最大特征值矩阵恒虚警率检测器。该算法利用目标导向矢量的先验信息减弱杂波的影响,进一步提高检测性能;其二,研究了子带分解的思想,利用子带分解将接收信号在多普勒域维分解为多个子带信号,有效地抑制杂波且增加相干积累时间,提出子带分解与特征值检测级联的两阶段检测算法。基于仿真数据和实测数据的实验表明,所提的两种算法均取得较好的检测性能。上述工作在检测算法方面做了有益的探索,在一定程度上丰富了高分辨率海杂波背景下的雷达运动目标检测算法的理论,提高了在实际系统中的可行性,具有很好的理论意义和实用价值。
钱炳锋[2]（2020）在《足球机器人阵列天线的自适应信号处理算法研究》文中提出大场地足球机器人比赛是人工智能、视觉与传感、通讯、控制科学等交叉学科应用的典型,需要同时监测空中和地面的足球运动轨迹,解决传统机器人存在对环境适应能力不强或者受光线影响大等问题,还需要面对复杂的电磁干扰、噪音和杂波环境。阵列天线具有波束控制灵活的独特优点,能满足多目标跟踪与识别、强自适应抗干扰能力和高可靠性等功能的要求,本文主要对阵列天线足球机器人自适应信号处理算法开展研究。自适应波束形成（ADBF）技术可以在电磁工作环境恶化和大量射频干扰存在的情况下,通过对权值的自适应控制达到增强目标信号、抑制干扰信号的目标,从而实现空域滤波。研究并提升自适应处理算法的实时与稳健性就有着极为重要的理论意义与工程价值。本文紧密围绕阵列天线抗干扰和杂波抑制的解决方法,分别对足球机器人阵列天线信号模型、快速自适应波束形成与空时自适应处理、基于敏感函数信源估计的特征干扰相消波束形成算法和基于对称多处理器（SMP）的超大点数FFT算法四个方面开展研究,具体研究了以下内容。首先,本文详细从数学模型对足球机器人阵列天线的信号模型和自适应处理准则进行了分析。研究了在一定条件下的三种准则,发现这些不同优化准则是等价的,为不同自适应结构和ADBF方法的相互转化提供了理论条件。提出了足球机器人阵列天线杂波分布特性、空时自适应处理原则与杂波抑制性能的评价体系。天线平台运动导致杂波回波信号具有颇为严重的空时耦合属性,通过采样矩阵来进行求逆运算可解决该问题。同时研究杂波抑制性能评价体系,主要是通过输出信干噪比（SINR）以及系统改善因子来实现。第二,研究了基于敏感函数信源估计的特征干扰相消波束形成算法。传统的自适应波束形成算法运算量较大,对硬件设备要求较高;而且对系统误差的稳健性较差。针对传统特征干扰相消波束形成（EC）算法在无法估计信源数目等场合的自适应波束所形成的问题,提出了使用敏感函数信源估计的稳健特征干扰相消波束形成（REC）算法。该算法能利用敏感函数对信号干扰子空间的信源数目进行有效的估计,而且可以利用空间谱搜索的方式,判断并剔除主瓣内目标信号对自适应权矢量计算的影响。因此,无论目标信号是否包含在训练样本中,该算法的抗干扰性能都得到了良好体现。第三,研究了快速自适应波束形成和空时自适应处理。本文对采样协方差矩阵进行Gram-Schmidt（GS）正交化的RGS算法进行了提高抑制干扰性能的研究,发现RGS算法可以充分利用快拍数据信息,在较少的快拍数时就能有效抑制干扰,达到理想的性能输出。此外,针对空时自适应处理（STAP）技术在实际系统中的应用存在杂波子空间泄露现象,研究了在杂波子空间泄露情况下的基于两级降维的稳健部分自适应STAP算法,该算法能有效改善STAP算法在杂波子空间泄露情况下的性能。第四,研究了使用对称多处理器的超大点数快速傅里叶变换算法。快速傅里叶变换（FFT）算法有处理器资源有限和执行效率降低两大问题。在空时自适应处理（STAP）系统中,为了最大限度提升FFT算法实现效率,FFT的实现过程要结合处理器的特性,针对特有平台来编写实现。本文通过分析对称多处理器（SMP）并行处理系统架构特点,给出一种适用于SMP的超大点数FFT算法,并解决了改进超大点数FFT算法带来的三个问题。本文在足球机器人阵列天线信号模型的基础上,提出干扰和杂波信号模型、最优波束形成准则和杂波抑制性能评价体系等;提出基于敏感函数信源估计的特征干扰相消波束形成算法,不管训练样本中是否有目标信号均能取得良好的抗干扰性能;提出快速自适应波束形成算法和空时自适应处理技术,更准确地估计干扰子空间和提高杂波子空间泄露下的性能;提出基于SMP的超大点数FFT算法,能节省近1/2的存储资源,提升大点数FFT处理速度的同时,提高了信号处理的实时性。本研究用的足球机器人阵列天线可以提升竞赛监控以及目标探测能力,还能对多目标跟踪与辨识给予很好的满足,同时满足高可靠性与自适应性、实时性等性能方面的要求。
赵阳[3]（2020）在《基于改进经验小波变换的风电机组齿轮箱故障诊断》文中指出风能是一种利用潜力巨大的清洁能源,风电机组是风力发电必不可少的设备,风电机组的装机总量逐年增加。由于风电机组多数安装在野外,容易受到外界环境的影响发生故障。其齿轮箱发生故障的概率和维修费用比其他组成部件都要高,因此研究有效的齿轮箱故障诊断方法对保证风电机组正常运行尤为重要。本文针对齿轮箱的故障诊断技术进行了研究,具体内容如下:首先研究了齿轮箱齿轮常见的故障类型和齿轮目前常用的诊断方法,分析了其优缺点,并选用振动信号来研究齿轮故障。分析了齿轮振动的主要来源和机理,介绍了齿轮振动中的常见参数和频谱的主要成分组成。根据齿轮振动的数学模型,分析了不同故障对数学模型的影响,从而明确了齿轮发生不同故障时频谱的主要特征。通过了解双馈式风电机组的工作原理以及其组成结构,根据相应的原理选择硬件型号搭建了风电机组实验平台的机械部分和控制部分,实验台可以实现变速恒频运行。选择了加速度振动传感器和信号采集仪型号,通过实验获取了实验台在不同转速下正常齿轮和断齿齿轮的振动信号,并根据第二章研究的频谱特征对实验台振动信号进行傅里叶频谱分析,对比了正常齿轮和故障齿轮的区别,验证了频谱特征的正确性。研究了时频域信号处理方法经验模态分解的分解原理以及经验小波变换的分解原理,根据齿轮箱信号类型构建了仿真信号,对比了两种方法对仿真信号的分解结果,验证了经验小波变换的优越性。引入尺度空间理论对EWT分解过程中频带划分进行了优化,对比了Means法、概率论方法、Ostu法、K-means聚类法,Empirical law法五种方法对振动信号的频带划分结果,选用Empirical law法确定频带划分的阈值,确定了优化的经验小波变换算法（SSEWT）,为实验台振动信号分析提供了理论依据。最后用改进的经验小波变换算法（SSEWT）对实验台提取的振动信号进行分解,根据峭度指标筛选出了齿轮正常和断齿故障的冲击性分量,对其进行希尔伯特包络谱分析,对比直接对傅里叶频谱分析,希尔伯特包络谱更好的区别了正常齿轮和断齿齿轮,实现了断齿齿轮的故障诊断。
邰文思[4]（2020）在《基于DFT的实正弦信号参数估计算法的研究》文中进行了进一步梳理正弦信号的参数估计是数字信号处理中的一个基本问题,且已在生物医学波形分析,雷达信号跟踪,电力故障检测和语音识别等领域得到应用。现有的参数估计方法大体上可分为两类:时域方法和频域方法。时域方法一般是基于参数化建模,这种方法虽然容易理解但是计算复杂度却很高。DFT变换由于实现简单和较低的计算量成为频域估计算法的首选,但DFT变换伴有频谱泄露和栅栏效应等固有缺陷,当信号不满足相干采样或者信号频率较低时,估计性能都会受到很大的影响。为了抑制频谱泄露的影响,提高估计器的估计准确度和抗噪性能,本文展开了对于正弦信号的参数估计问题的研究,主要的研究工作包括:首先研究了基于两个DFT分量的频率估计算法,提出了一种新颖的基于DFT的自适应频率估计器。算法的基本思想是在谱峰搜索获得频率粗估计的基础上,利用两个最大的DFT系数构造了一个描述了DFT系数与系统频率之间的关系的非线性方程,然后通过迭代自适应的方法以最小的误差找到系统频率。由于所提出的算法仅使用了两个DFT系数,所以减少了计算量。仿真结果表明,所提出的算法具有很好的抗噪声和谐波干扰能力,且较对比算法的瞬时收敛性更好。然后研究了基于三个DFT分量的IpDFT频率估计算法,提出了基于正负频率频谱叠加的三点IpDFT方法。算法的基本思想是获得频率粗估计k0的基础上,利用k0,k0-1和k0（10）1处的谱线值进行插值来获得频率的精细估计。由于充分考虑并计算了从负频率泄漏的频谱,所以算法具有较强的抗频谱泄露干扰能力。仿真实验结果表明,所提出的新型IpDFT方案可以提供准确度较高的估计值,估计结果的均方误差接近CRLB。最后研究了两个实正弦波的相位差计问题,提出了一种基于DFT的相位差估计算法。算法的主要思路是利用提出的基于正负频谱叠加的三点IpDFT方法估计出信号的角频率,在这个基础上计算出两个信号之间的相位差。如果信号频率已知,所提出的方法可以获得初始相位的精确估计值。且当频率非常低或接近奈奎斯特频率时,或者当没有足够的采样数据用于DFT计算时,该算法的性能也很可观。仿真结果表明,所提出的算法具有很好的抗噪性能。
董飞彪[5]（2020）在《声阵列波达方向跟踪算法研究》文中认为随着无人机技术在军事和民用领域的迅速发展,对于反无人机技术的发展和应用需求越来越强烈,特别是随着我国低空空域的逐步开放,“低小慢”等航空器的出现使得现有低空防范体系面临新的挑战。传统雷达、光电探测技术容易受地面建筑物阻挡、多普勒效应不明显、雷达散射截面小和恶劣天气环境的影响,使得“低小慢”目标探测也成了一个世界性难题。基于声阵列的被动探测技术,因其具有很高的隐蔽性、便易性、不受电磁干扰和全天候工作特性,成为当前解决“低小慢”目标探测难题的一种有效途径和研究热点。本文结合“低小慢”声目标探测的实际应用需求,基于声阵列的不同应用场景,对空气声阵列探测系统测试平台和应用于线型声阵列、L型声阵列和互质声阵列的波达方向（Direction of Arrival,DOA）跟踪理论与方法分别开展了探索性研究,为其在运动声源目标探测领域的应用提供一定的理论参考和实验依据。为对声阵列探测算法进行有效的实验验证,设计了声阵列探测系统测试平台,对当前主流的阵列DOA跟踪算法开展了实验研究,总结归纳了各个算法的性能表现。开展对无需信源数的MUSIC-like算法实验研究,提出一种基于对角加载技术的改进MUSIC-like算法,基于线型声阵列的实测结果表明,在单声源和双声源信号场景下,所提方法可有效抑制虚假谱峰的出现,提高了算法实际应用中的稳健性。以上实验结果也验证了该测试平台的有效性和实用性。为实现二维空间中的微弱声源目标的快速波达方向跟踪,开展基于均匀线型声阵列的DOA跟踪算法研究,针对子空间跟踪方法和传统粒子滤波（Particle Filter,PF）算法,在低信噪比环境下跟踪精度下降和在动态目标波达角变化速度较快而致使实时性变差的问题,提出一种基于传播算子算法（Propagator Method,PM）算法空间谱函数的PF跟踪算法,通过将PM算法的空间谱分布应用到PF似然函数的改进中,降低了计算复杂度的同时保留子空间算法的高分辨率特性,增强了预测粒子的筛选性能。理论分析和仿真结果表明,在低信噪比环境下,该方法具有更高的运算效率和更低的跟踪误差,更能适用小型、快速运动声源目标的定位跟踪,实测结果验证了本文PF跟踪算法的有效性。为实现三维空间中相干声源目标的波达方向跟踪,开展了基于L型声阵列的二维DOA跟踪算法研究,针对传统波束形成类、子空间类方法存在需要在二维角度空间内进行谱峰搜索,导致计算量较大,且无法处理相干源的DOA跟踪问题,针对传统稀疏信号重构类方法需要在二维角度空间构造过完备原子库,导致稀疏信号重构过程中的计算量成指数增加,且无法解决多目标场景下方位角和俯仰角之间的配对问题,提出应用两种L型阵列下基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的二维DOA跟踪算法。在第一种L型阵列DOA跟踪算法中,将二维过完备原子库的稀疏信号重构问题降为两个一维过完备字典的信号重构问题,以降低算法的计算复杂度,进一步地,利用SBL算法重构出信号之间幅值的差异性,完成方位角和俯仰角之间的自动配对,该算法能够实现相干信号的DOA估计。在第二种L型阵列DOA跟踪算法中,根据阵列协方差矩阵的共轭对称特性,将L型阵二维DOA稀疏重构问题转换为了两个具有扩展孔径的线型阵列DOA稀疏重构问题,进一步地,分别应用SBL算法重构出来波信号,根据源信号之间幅值的不同,解决待估计参数之间配对问题。理论分析和数值仿真表明,所提算法具有更低的计算复杂度、更大的阵列孔径和更小的空间角度跟踪误差,实验结果验证了本文方法的有效性。为实现在特殊应用场景下的声源目标高效、高精度波达方向跟踪,开展了基于互质声阵列的DOA跟踪算法研究,针对均匀阵列无法突破空间角度分辨率受奈奎斯特采样定理限制的问题,提出了一种基于互质阵列的粒子滤波DOA跟踪算法,针对在低信噪比或快拍数较少环境下,粒子滤波似然函数对预测粒子筛选性能减弱现象,推导了互质阵列的空间平滑PM谱函数,并应用到粒子滤波的似然函数改进中。理论分析和仿真结果表明,本文方法具有更高的估计精度和更低的计算复杂度,实验结果验证了所提算法的有效性。
王锐[6]（2020）在《基于低精度量化ADC的毫米波MIMO系统信道估计方法研究》文中认为大规模多输入多输出（MIMO,multiple-input multiple-output）和毫米波通信技术由于能够提供更大的带宽,显着提升通信容量,在第五代（5G,5th generation）移动通信系统中起着至关重要的作用。但是在毫米波大规模MIMO接收机中大量的射频链和高精度的模数转换器（ADCs,analog-to-digital converters）会造成巨大的功率消耗,其中ADC的功耗大致随带宽呈线性增长,随量化比特数呈指数增长,因此在接收机中采用低精度量化的ADC是一种有效降低功耗的解决方案。然而,由于低精度量化所产生的严重非线性失真会对接收机获取准确的信道状态信息（CSI,channel state information）带来挑战。本文针对低精度量化的毫米波MIMO系统信道估计方法展开研究,旨在尽可能提高估计性能、降低所需要的导频开销,主要包括基于统计学习和基于深度学习的信道估计方法。首先,本文研究毫米波MIMO系统信道估计的方法基础。一方面,由于毫米波信道所表现出的稀疏分布特性,很多估计方法都是基于压缩感知（CS,compressive sensing）理论提出的,本文研究了CS的基本原理,然后调研了CS在大规模MIMO信道获取中的应用现状。另一方面,贝叶斯定理是许多迭代稀疏信号恢复算法运行的根本,它们通过推断信号的后验概率分布完成信号重建,本文进一步探索几种了基于贝叶斯推理框架的信号恢复算法,理解了置信传播（BP,belief propagation）算法、近似消息传递（AMP,approximate message passing）算法、期望传播（EP,expectation propagation）算法的基本原理和算法步骤,并分析了它们的优缺点和适用条件。接着,本文提出了基于统计学习的毫米波低精度量化MIMO系统信道估计方法。介绍和分析了毫米波信道的建模和稀疏特性,描述了基于低精度ADC的毫米波MIMO系统接收机数学模型。随后提出了两种解决方案,分别是基于广义近似消息传递（GAMP,generalized AMP）算法的信道估计和基于广义期望一致信号恢复（GEC-SR,generalized expectation consistent signal recovery）算法的信道估计。引入了拉普拉斯先验分布对角度域毫米波信道系数进行建模,分别在GAMP和GEC算法中植入期望最大化（EM,expectation maximization）算法学习先验分布中的未知参数。仿真结果表明,在拉普拉斯先验下两种算法的归一化均方误差（NMSE,normalized mean-square error）性能相比于高斯混合（GM,Gaussian-mixture）先验均有明显提升,并且GEC算法在正交DFT（DFT,discrete Fourier transform）导频下能够显着减少所需的导频长度。最后,本文研究了基于深度学习的毫米波低精度量化MIMO系统信道估计方法。鉴于深度神经网络在挖掘未知的信道分布特征信息方面具有显着优势,提出了基于模型驱动深度学习的LDGAMP（learned denoising GAMP）信道估计方法。将用于去噪的卷积神经网络（Dn CNN,deep denoising convolutional neural network）嵌入GAMP算法框架中,代替了原来的最小均方误差（MMSE,minimum mean-square error）估计器。仿真结果表明,LDGAMP信道估计方法表现明显优于先进的基于统计学习的迭代估计算法,并且即使采用很少的导频长度其NMSE性能也能保持良好。最后对Dn CNN在不同的毫米波信道波束簇和子路径数目下的性能进行了探索,表明其具有很好的鲁棒性。
孙瀚[7]（2019）在《基于多模态生物电信号人机交互技术研究》文中认为基于生物电信号的人机接口是一种新型的人机交互技术,使用人体自身的生物电信号构建与外部设备直接相连的通道。目前主要采用的生物电信号有脑电信号（EEG）及表面肌电信号（sEMG）。EEG信号记录了头皮脑电信号,不依赖肌肉组织,具有响应速度快、使用安全方便、无创性等优点;sEMG信号可以直接反映肌肉活动情况和运动意图,操作方便自然,信号相对较稳定、幅值较大。本研究对基于多模态生物电信号的人机接口进行了深入研究,并充分分析了单模态信号处理方法。本研究提出了少量电极共空间模式算法及基于所有样本对信息的相关性距离度量算法,这两种算法的组合可以用于电极/特征提取及选择;还结合深度度量学习,创新性地提出了基于二分图最大权完美匹配的多模态信号处理算法MWP-EMG-EEGNet。将这些算法用于多种任务,可以测试分类性能,其中,论文重点分析了ERP范式诱发的多模态生物电信号的单试次识别,并将相关结论运用于研究基于生物电信号的反应时间缩短程度。算法结果验证了生物电信号可以在更短的时间内得到更高的反应动作识别准确率。在这些算法研究基础上,本论文工作还搭建了在线人机接口系统,实现在线测试及应用。本论文工作设计了可穿戴式设备,该设备可以记录进行四种腕部活动时上臂肌肉组织诱发的sEMG信号。信号的时域、频域和时频域可提取共42维特征向量。本研究提出的DM算法利用所有样本对信息重新定义了类间距离和类内距离,将二者的比值作为可分性度量标准。四种不同分类器算法用于评价通过DM算法得到的普适性最优特征子集。在线任务是通过可穿戴式设备采集实时sEMG信号,并在有简单障碍物的环境下通过四种不同范式操纵改装设计的遥控车完成指定路径。任务完成时间和动作识别正确率是在线测试的两个性能评估指标。硬件测试结果说明采集系统SNR指标达到68.91 dB。特征选择结果表明DM算法可以使用23维特征达到96.77%的分类性能。在线测试结果表明,信号窗口长度为125 ms的状态机范式最接近实际控制情况,在线任务完成时间为48.08 s。将脑机接口系统应用在日常生活中的一个关键难点是如何减少电极数量,因此本研究提出了少量电极共空间模式算法（Fewer-channel Common Spatial Patterns,FCSP）及基于模拟退火策略的相关性距离度量（Corr-DM）算法来选取普适性最优化电极组合。采集被试者进行心算任务和想象空间旋转任务时的认知行为EEG信号验证算法性能。本论文研究提出的算法组合平均仅需7个电极就可以区分上述两种认知行为任务,达到90%的二分类正确率阈值,并结合截断加权算法确定了普适性的最优化电极组合。通过相关性和可分性分析验证最优化电极组合在训练组被试者数据上的有效性,相关性分析表明该电极组合与全部电极组合有显着性相关关系,可分性分析表明当使用最优化电极组合时,两种认知行为任务的信号有显着性差异。对测试集被试者进行跨被试分析,结果说明使用普适性电极组合的平均分类正确率可达到93.18%。基于上述生物电信号处理算法及结果,本论文还研究了生物电信号对于反应时间的缩短情况。本文设计了基于反应时间的实验范式,使用Corr-DM算法选取10个电极,并通过滑动窗及拓展时间窗方法分别分析EEG和sEMG信号。结果表明两种模态的反应时间相对于实际鼠标反应时间分别缩短了159.04 ms和75.22 ms。生物电信号可以在较短的反应时间内得到较高的反应动作识别准确率。本研究使用人工神经网络分析0400 ms的EEG信号,反应动作识别准确率（单试次ERP信号分类正确率）可以达到93.39%;使用手工特征工程结合SVM算法分析0400 ms的sEMG信号,反应动作识别准确率为88.65%;两种生物电信号的反应准确率相对于真实鼠标点击准确率的提升幅度分别为60.2%及55.46%。基于单模态反应时间的分析结果,本论文研究提出了基于最大权完美匹配（Maximum-Weight Perfect,MWP）的多模态生物电处理算法MWP-EMG-EEGNet,算法的核心思想是在加权完备二分图中找到最大权完美匹配,这样可以为批量数据中的每个样本找到最优匹配的同类/异类难样本,从而缓解训练过程中的过训练及样本不平衡问题。在此基础上,本论文将MWP匹配引入深度度量学习框架,研究设计了一种新型的损失目标函数,联合该损失函数与二值交叉熵损失实现端到端训练。多模态处理算法可以结合单模态分析的优势,保证了生物电信号反应时间（307.22 ms）的同时,可以获得较优的反应动作识别准确率,具体实验结果说明:在0400 ms时段多模态处理算法可以达到96.38%的识别准确率,高于实际反应动作准确率63.19%;联合训练MWP匹配和交叉熵损失优化目标可以同时考虑异类样本可分性及同类样本紧凑性,优化试次样本在特征空间中的分布;基于MWP匹配可以完成难样本加权,提升神经网络模型的收敛速度和分类精度。在上述离线数据分析的基础上,本论文工作设计了两种多模态生物电信号的在线人机接口系统。第一种联合了NeuroScan、BCI2000及FieldTrip工具箱,邀请与离线实验中相同的被试组进行了两次在线实验,第一次在线实验（仅使用离线实验数据训练的模型）及第二次在线实验（使用离线实验数据和第一次有反馈在线实验数据联合训练）得到的平均分类正确率分别为94.62%和97.16%。但是该系统还存在便携性问题,因此本论文还设计了一种便携式多模态生物电信号采集系统,实现多操作系统及多编程环境下的实时数据采集及图形可视化界面设计;本研究还将该系统应用于虚拟轮椅控制,设计的系统和算法能够准确识别出转向和前进状态,转向状态中还可以具体识别出左转和右转状态。
张学敬[8]（2019）在《阵列方向图控制理论与算法研究》文中研究说明阵列信号处理是信号处理的一个重要分支,在雷达、通信等领域,以及无人驾驶、物联网等方向均有广泛的应用。阵列方向图综合是阵列处理中一个重要研究方向,是一种使用传感器阵列定向发送和接收信号的信号处理技术。方向图设计与综合对阵列系统的高性能发挥起着重要作用。实际应用中,在不同场景中需要有针对性地对阵列方向图进行控制。本文研究阵列方向图控制理论与算法,所涉及的理论与方法主要包括:线性空间理论、正交投影理论、斜投影理论、优化理论、几何方法、欧拉公式等。具体应用包括:灵活的方向图控制新方法、稳健旁瓣方向图综合方法、唯相位方向图调整方法、低功耗的相控阵保密通信方法、稳健的阵列参数估计方法。本文的主要贡献和创新总结如下:（1）针对阵列响应控制和方向图综合灵活性差的问题,提出了一种简单有效的单点精确阵列响应控制方法（Accurate Array Response Control,A2RC）,该方法具有解析表达式同时可以有效避免方向图畸变现象。通过迭代应用所提方法,实现了方向图的快速合成。该方法突破了传统的方向图整体设计的框架,利用单点精确控制的概念实现方向图合成。基于A2RC方法,提出了一种简单有效的多点阵列响应控制方法（Multi-point Accurate Array Response Control,MA2RC）。对MA2RC进行改进,提出一种可以有效避免波束中心偏移的多点方向图控制算法。利用所提算法实现了快速方向图设计。还提出了一种最优阵列响应控制算法（Optimal and Precise Array Response Control,OPARC）。基于OPARC,提出了协方差矩阵加载的概念。算法可以应用在静态和自适应波束形成中。另外研究最优阵列响应控制算法以及协方差矩阵加载的具体应用,应用背景包括数据独立和数据依赖两种场景。仿真结果显示,所提算法大大改善了传统波束形成器的性能。（2）A2RC算法以经验方式进行参数寻优,为了克服该缺点,本文提出一种权向量正交分解算法（Weight vector ORthogonal Decomposition,WORD）,实现了在给定初始权向量条件下对单个方向响应电平的精确控制。将WORD算法与斜投影概念结合,提出一种灵活的多点控制算法。通过对所提算法进一步改进,提出一种不会产生波束中心偏移的灵活方向图控制算法。（3）提出了一种基于斜投影理论的灵活方向图控制算法（Flexible Array Re-sponse Control via Oblique Projection,FARCOP）。FARCOP算法从自适应阵列理论出发,将最优权进行重新表示,由此得到一种新的权向量更新模型。所提算法实质上将虚拟干扰功率与阵列波束响应电平进行解耦,算法灵活简单,对于对称阵列可以得到解析表达式。（4）研究存在阵列误差时的方向图控制。首先对存在误差时阵列方向图的上界进行分析,基于此提出了一种稳健的方向图控制方法,可以对上界方向图电平进行精确调整。通过对方向图上界进行迭代控制,可以实现阵列存在误差时的稳健方向图综合。（5）研究高性能阵列方向图综合。将方向图综合问题建模为非凸问题,利用拟凸优化和半正定松弛方法来解决该非凸问题。算法可以得到较高的阵列增益。（6）将唯相位方向图控制问题转换为多边形构造几何问题。为了避免方向图畸变,提出一种简单有效的相位确定方法。所提算法具有解析解,是几何方法在阵列处理领域的首次应用。（7）针对毫米波通信安全问题,创造性地利用多边形构造方法实现保密通信,提出一种符号级的权向量更新方法,是几何方法在保密通信中的首次应用。算法有解析表达式,且硬件设计简单。（8）研究等距线阵下的波达方向（Direction-Of-Arrival,DOA）与相位误差估计问题。针对部分校正阵列,提出了一种基于欧拉公式的单源DOA与阵列相位误差联合估计方法。参数估计最终建模为最小二乘问题,从而可以解析地得到DOA以及相位误差值。针对任意结构的部分校正阵列,提出一种DOA与相位误差联合估计方法。可以实现阵列存在相位误差时的单信号源DOA估计。
王韩浩[9]（2019）在《基于GPU的MIMO雷达接收处理和并行实现》文中指出相对于相控阵雷达,集中式MIMO雷达具有发射端自由度高,工作模式灵活多变的特点,适用于多目标、复杂环境情况下的目标探测任务,是雷达技术发展的重要方向。与此同时,MIMO雷达接收处理中采用的算法复杂度和计算量较大,对于信号处理系统的计算能力提出了更高的挑战。近年来,图形处理器（GPU）芯片在计算性能方面突飞猛进,在能耗比、核心数、核心频率、显存带宽和显存容量等重要指标方面不断取得突破,其CUDA开发平台效率高,软件的维护也更加便捷,因此,研究基于GPU的MIMO雷达接收处理实现方案具有重要的意义。本文对基于GPU的MIMO雷达接收处理和并行实现进行了深入研究,并结合实测数据进行了验证,归纳为如下内容:1、研究了MIMO雷达回波信号的处理流程,简述了两种MIMO雷达的信号处理结构,并对两种信号处理的计算量进行了分析,对两种信号处理结构中所涉及算法的并行计算进行了分析,包括匹配滤波、数字波束形成、杂波抑制和恒虚警检测等算法的并行计算,同时使用实测数据,使用两种处理结构分别进行了实验。2、简要介绍了基于GPU的并行计算,分析了基于GPU的并行计算的发展对雷达信号处理的意义。首先从GPU底层的硬件构造,讲述了其并行计算的原理,进一步讲述CUDA编程模型,再从相互依赖的应用程序编程接口（API）库讲述硬件接口,最后讲述了和雷达信号处理最紧密相关的几个函数库,如CUFFT库、CUBLAS库和CURAND库。3、深入研究了基于GPU的MIMO雷达的回波信号并行处理实现,使用模块化设计思想,将MIMO雷达信号处理流程分成脉冲压缩模块、全波位数字波束形成模块、杂波抑制模块和恒虚警检测模块。对每一个模块的并行化实现,分别介绍了其实现流程图和相关核函数,并在GPU和MATLAB平台进行计算性能的对比。4、研究了多种雷达目标跟踪算法,包括概率数据互联滤波算法、基于动态规划的TBD算法和基于霍夫变换的TBD算法,在算法仿真的基础上,研究了其并行加速的必要性,给出了基于GPU的并行实现方法,并对算法并行实现的效果加以实验验证。
贾逢德[10]（2019）在《导引头相控阵与MIMO雷达自适应杂波抑制研究》文中进行了进一步梳理随着隐身涂装材料、低空突防等装备技术的发展,战场的电磁环境变得日益复杂,精确的导弹制导技术也变得尤为迫切。相控阵雷达具有波束扫描灵活、波位驻留时间短、探测多目标能力、主瓣增益高等特点;MIMO雷达具有全空域波束覆盖、抗截获能力强、虚拟孔径大等优点。将相控阵与MIMO雷达两种工作模式应用于导引头必然给制导技术带来新的突破和技术革新。本文围绕导引头相控阵与MIMO雷达,对不同场景下的信号模型、杂波特性与杂波抑制算法展开研究,主要工作与贡献如下:1.俯冲运动平台下杂波秩估计算法研究针对导引头相控阵与MIMO雷达俯冲运动平台下的杂波场景提出了一种杂波秩估计算法。根据雷达导引头前下视几何模型,推导了空间频率和多普勒频率与俯冲角度的关系。将空间频率与多普勒频率信息投影到地面惯性坐标系的坐标轴上,得到三个维度下的虚拟孔径。利用不同维度波位间的耦合关系和由虚拟孔径产生的空间分辨单元推导出杂波秩估算公式。2.杂波距离依赖性补偿算法研究针对雷达导引头近距离目标探测场景下的杂波距离依赖性问题给出了两种杂波补偿算法。根据空间-多普勒频率特点阐述了距离样本的杂波距离依赖特性和杂波脊扩散问题。利用平面阵方位-俯仰-多普勒维回波数据构造了三维子孔径平滑窗,对各距离样本的协方差矩阵和杂波空时频率信息进行估计,通过补偿距离样本与待检测样本的频率差来消除杂波的距离依赖性。利用MIMO雷达虚拟孔径的概念将收发联合阵列等效为一个孔径更大的均匀线阵,构造更大维数的子孔径平滑窗,从而提高杂波频率估计精度,改善杂波补偿效果。3.距离模糊下的近距离杂波抑制算法研究针对距离模糊下远距离探测场景提出了两种俯仰波束设计算法来抑制近距离杂波。第一种算法以最小化近距离杂波区的旁瓣电平能量为目标函数,同时兼顾目标信号无损失输出、主瓣不发生畸变和整体旁瓣电平控制等需求,构造了可利用凸函数求解的二次规划问题（Quadratic Program,QP）。第二种算法在近距离杂波区构造数个辅助通道,对近距离杂波进行覆盖和采样,然后构造基于MVDR稳健波束形成的俯仰波束权值优化问题。算法具有较强的系统稳健性,同时还降低了系统处理维度。4.均匀子阵结构高栅瓣杂波抑制算法研究针对相控阵雷达导引头均匀子阵结构下的高栅瓣杂波问题提出了两种发射波束权值优化设计算法。第一种算法以最小化高栅瓣杂波区的旁瓣电平能量为目标函数,同时兼顾发射权值矢量二范数为1、整体旁瓣电平控制等需求,构造了非凸的二次约束二次规划问题（Quadratically Constrained Quadratic Program,QCQP）,该问题可以采用半正定松弛（Semidefinite Relaxation,SDR）技术进行求解。第二种算法假定目标与杂波的先验信息已知,以最大化输出信杂噪比（Signal-to-Clutter-plus-Noise Ratio,SCNR）为准则,对发射波束形成与接收空时滤波器联合优化,该优化问题同样可以采用SDR技术转换为凸问题,并通过交替优化进行求解。5.非均匀子阵划分与辅助通道构造算法研究针对MIMO雷达导引头子阵结构给出了一种基于遗传算法（Genetic Algorithm,GA）的非均匀子阵划分方法,以适应度函数为准则,对种群个体进行交叉、遗传和变异等运算,寻求合理的子阵划分方式。针对非均匀子阵下的降维STAP处理提出了一种基于知识的辅助通道构造方法。根据杂波谱的能量分布,找到影响目标检测的强杂波频率点,构造辅助通道,对消主通道杂波。该方法可以用更少的降维通道获得更好的杂波抑制效果。
二、信号处理中提高检测精度的一种算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、信号处理中提高检测精度的一种算法（论文提纲范文）
（1）海杂波背景下的雷达目标检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号表 |
| 英文缩略词对照表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 海杂波研究现状 |
| 1.2.2 雷达目标检测算法研究现状 |
| 1.3 研究内容与结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 2 海杂波与雷达目标检测基础知识 |
| 2.1 引言 |
| 2.2 雷达目标检测基本模型 |
| 2.3 海杂波的统计特性 |
| 2.3.1 海杂波幅度统计特性 |
| 2.3.2 海杂波相关特性 |
| 2.3.3 海杂波仿真方法 |
| 2.3.4 实测数据介绍 |
| 2.4 经典检测方法 |
| 2.4.1 单元平均检测算法 |
| 2.4.2 自适应匹配滤波检测算法 |
| 2.4.3 基于信息几何的检测算法 |
| 2.5 本章小结 |
| 3 基于最大特征值的雷达目标检测方法 |
| 3.1 引言 |
| 3.2 基于最大特征值的检测方法 |
| 3.2.1 算法设计及原理 |
| 3.2.2 性能分析 |
| 3.3 仿真结果及分析 |
| 3.3.1 基于仿真杂波数据的仿真实验 |
| 3.3.2 基于实测杂波数据的仿真实验 |
| 3.4 本章小结 |
| 4 基于谱范数的均值矩阵估计与雷达目标检测 |
| 4.1 引言 |
| 4.2 信息几何基础及新的几何测度 |
| 4.3 均值矩阵估计的几何方法 |
| 4.3.1 均值矩阵估计问题 |
| 4.3.2 基于谱范数测度的均值矩阵估计 |
| 4.3.3 基于谱范数测度的近似均值矩阵估计 |
| 4.4 基于谱范数测度的矩阵检测器 |
| 4.4.1 矩阵检测器设计及原理 |
| 4.4.2 性能分析 |
| 4.5 仿真结果及分析 |
| 4.5.1 基于仿真杂波数据的实验 |
| 4.5.2 基于实测杂波数据的实验 |
| 4.6 本章小结 |
| 5 基于不同几何测度和特征值的雷达目标检测方法 |
| 5.1 引言 |
| 5.2 基于几何重心的矩阵检测器 |
| 5.2.1 几何距离及矩阵估计器 |
| 5.2.2 算法设计及原理 |
| 5.2.3 仿真结果及分析 |
| 5.3 基于最大特征值的中值矩阵检测器 |
| 5.3.1 中值矩阵 |
| 5.3.2 算法设计及原理 |
| 5.3.3 仿真结果及分析 |
| 5.4 本章小结 |
| 6 基于滤波处理和特征值的雷达目标检测方法 |
| 6.1 引言 |
| 6.2 基于预处理的最大特征值矩阵检测器 |
| 6.2.1 问题描述及FFT-CA检测算法 |
| 6.2.2 算法设计及原理 |
| 6.2.3 性能分析 |
| 6.2.4 仿真结果及分析 |
| 6.3 子带最大特征值检测算法 |
| 6.3.1 算法设计及原理 |
| 6.3.2 仿真结果及分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（2）足球机器人阵列天线的自适应信号处理算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究情况 |
| 1.2.1 稳健自适应波束形成算法 |
| 1.2.2 部分自适应STAP算法 |
| 1.2.3 稳健空时自适应处理算法 |
| 1.2.4 快速傅里叶变换 |
| 1.3 本文结构及主要内容 |
| 第2章 足球机器人阵列天线信号模型及处理原理 |
| 2.1 引言 |
| 2.2 竞赛足球机器人平台介绍 |
| 2.2.1 足球机器人机械结构 |
| 2.2.2 足球机器人电控系统 |
| 2.2.3 足球机器人阵列天线场景 |
| 2.3 自适应波束形成信号模型及处理原理 |
| 2.3.1 自适应波束形成信号模型 |
| 2.3.2 自适应波束形成处理原理 |
| 2.4 空时自适应处理信号模型及处理原理 |
| 2.4.1 空时自适应处理信号模型 |
| 2.4.2 空时自适应信号处理 |
| 2.5 本章小结 |
| 第3章 基于敏感函数信源估计的特征干扰相消波束形成算法 |
| 3.1 引言 |
| 3.2 经典的稳健自适应波束形成算法 |
| 3.2.1 对角加载算法 |
| 3.2.2 特征子空间算法 |
| 3.2.3 权矢量模约束算法 |
| 3.2.4 导向矢量不确定集约束算法 |
| 3.3 基于敏感函数的稳健特征干扰相消波束算法 |
| 3.3.1 波束形成器的敏感性 |
| 3.3.2 基于敏感函数信源估计的REC算法 |
| 3.4 计算机仿真验证 |
| 3.5 本章小结 |
| 第4章 快速自适应波束形成与空时自适应处理 |
| 4.1 引言 |
| 4.2 GS正交化的快速自适应波束形成 |
| 4.2.1 常规GS正交化算法 |
| 4.2.2 基于数据预处理的协方差矩阵GS正交化算法 |
| 4.3 稳健部分自适应STAP算法 |
| 4.3.1 杂波子空间泄露 |
| 4.3.2 杂波子空间稳健处理算法 |
| 4.3.3 基于两级降维的稳健部分自适应STAP算法 |
| 4.4 计算机仿真验证 |
| 4.5 本章小结 |
| 第5章 使用SMP的超大点数FFT算法 |
| 5.1 引言 |
| 5.2 SMP并行处理系统 |
| 5.3 改进型超大点数FFT算法 |
| 5.3.1 序列划分规则优化 |
| 5.3.2 铰链因子计算优化 |
| 5.3.3 数据分布和存储访问优化 |
| 5.4 实验验证 |
| 5.5 本章小结 |
| 第6章 总结和展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者攻读博士学位期间的研究成果 |
| 致谢 |
（3）基于改进经验小波变换的风电机组齿轮箱故障诊断（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 课题背景 |
| 1.2 课题意义 |
| 1.3 风电机组齿轮箱故障研究现状 |
| 1.3.1 齿轮箱故障诊断方法现状 |
| 1.3.2 齿轮箱振动信号分析方法现状 |
| 1.4 论文主要研究内容 |
| 2 齿轮振动机理及特征分析 |
| 2.1 齿轮的失效形式 |
| 2.2 齿轮的振动机理 |
| 2.2.1 齿轮振动的原因 |
| 2.2.2 齿轮振动的基本参数 |
| 2.2.3 齿轮振动的数学模型 |
| 2.3 齿轮振动信号频谱特征分析 |
| 2.3.1 齿轮振动信号频谱的主要成分 |
| 2.3.2 齿轮典型故障对应的频谱特征 |
| 2.4 本章小结 |
| 3 风电机组实验台搭建及振动信号分析 |
| 3.1 双馈风力发电机组原理 |
| 3.1.1 双馈风力发电机组的基本结构 |
| 3.1.2 变速恒频运行原理 |
| 3.2 风电机组实验台搭建 |
| 3.2.1 实验台机械部分结构及功能 |
| 3.2.2 实验台控制部分结构 |
| 3.2.3 齿轮箱振动信号的采集 |
| 3.3 振动信号傅里叶频谱分析 |
| 3.3.1 齿轮箱主要参数 |
| 3.3.2 频谱分析 |
| 3.4 本章小结 |
| 4 改进经验小波变换算法的研究 |
| 4.1 EWT与EMD的对比分析 |
| 4.1.1 EMD算法的原理 |
| 4.1.2 EWT算法的原理 |
| 4.1.3 EWT与EMD仿真信号对比分析 |
| 4.2 EWT频带划分算法改进 |
| 4.2.1 EWT频带划分方法 |
| 4.2.2 尺度空间理论 |
| 4.2.3 尺度空间阈值的确定 |
| 4.3 基于尺度空间的改进EWT算法研究 |
| 4.3.1 不同尺度空间算法对比分析 |
| 4.3.2 频带划分结果对比 |
| 4.4 本章小结 |
| 5 基于SSEWT和希尔伯特变换的齿轮故障诊断 |
| 5.1 希尔伯特包络谱分析法 |
| 5.2 实验台振动信号包络谱分析 |
| 5.2.1 主动电机 200r/min时振动信号分析 |
| 5.2.2 主动电机 500r/min时振动信号分析 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于DFT的实正弦信号参数估计算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 频率估计研究现状 |
| 1.2.2 相位差估计研究现状 |
| 1.3 研究内容 |
| 1.4 论文结构安排 |
| 第二章 参数估计的理论基础 |
| 2.1 正弦信号模型 |
| 2.1.1 实正弦信号模型 |
| 2.1.2 复正弦信号模型 |
| 2.2 正弦信号频谱分析 |
| 2.2.1 频谱泄露分析 |
| 2.2.2 栅栏效应分析 |
| 2.3 衡量估计性能的常用参数 |
| 2.4 参数估估计性能边界CRLB |
| 2.4.1 CRLB的推导 |
| 2.4.2 实正弦信号的CRLB界 |
| 2.5 本章小结 |
| 第三章 基于DFT的现有参数估计算法 |
| 3.1 基于IpDFT的频率估计算法 |
| 3.1.1 经典IpDFT算法 |
| 3.1.2 加窗IpDFT算法 |
| 3.1.3 迭代IpDFT算法 |
| 3.2 基于SDFT的频率估计算法 |
| 3.2.1 经典SDFT算法 |
| 3.2.2 改进SDFT算法 |
| 3.3 基于DFT的相位差估计算法 |
| 3.3.1 传统DFT相位差估计算法 |
| 3.3.2 改进DFT相位差估计算法 |
| 3.4 本章小结 |
| 第四章 一种新的基于DFT的自适应频率估计算法 |
| 4.1 算法描述 |
| 4.2 算法仿真分析 |
| 4.2.1 频率估计性能对比 |
| 4.2.2 谐波干扰下性能对比 |
| 4.2.3 算法收敛性对比 |
| 4.2.4 实际三相电力系统仿真 |
| 4.3 本章小节 |
| 第五章 基于正负频率频谱叠加的三点IpDFT频率估计算法 |
| 5.1 算法描述 |
| 5.2 算法性能分析 |
| 5.3 算法仿真分析 |
| 5.3.1 畸点消除策略验证 |
| 5.3.2 理论方差验证 |
| 5.3.3 频率估计性能对比 |
| 5.3.4 谐波干扰下的性能对比 |
| 5.4 本章小结 |
| 第六章 一种新的基于DFT的相位差估计算法 |
| 6.1 算法描述与实现 |
| 6.2 算法性能分析 |
| 6.3 算法仿真与分析 |
| 6.3.1 理论方差验证 |
| 6.3.2 相位差估计性能对比 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 论文展望 |
| 致谢 |
| 参考文献 |
| 硕士期间发表的论文和研究成果 |
（5）声阵列波达方向跟踪算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 静止目标DOA估计算法研究现状 |
| 1.2.2 运动目标DOA估计算法研究现状 |
| 1.2.3 声阵列DOA估计研究现状 |
| 1.3 论文研究目标、内容及贡献 |
| 1.3.1 论文研究目标 |
| 1.3.2 论文主要内容与贡献 |
| 1.4 论文的结构安排 |
| 第二章 阵列信号处理相关基础 |
| 2.1 引言 |
| 2.2 DOA估计信号模型及其分析 |
| 2.2.1 均匀线阵信号模型 |
| 2.2.2 L型阵列信号模型 |
| 2.2.3 互质阵列信号模型 |
| 2.3 矩阵代数相关知识 |
| 2.3.1 特征分解和奇异值分解 |
| 2.3.2 Toeplitz矩阵 |
| 2.3.3 Vandermonde矩阵 |
| 2.3.4 矩阵的Kronecker积 |
| 2.3.5 矩阵的向量化 |
| 2.4 本章小结 |
| 第三章 声探测系统测试平台设计与实现及算法验证 |
| 3.1 引言 |
| 3.2 声阵列探测系统测试平台设计 |
| 3.2.1 系统总体结构 |
| 3.2.2 系统主要模块 |
| 3.3 阵列波达方向估计算法 |
| 3.3.1 Capon算法 |
| 3.3.2 MUSIC算法 |
| 3.3.3 PM算法 |
| 3.3.4 PASTd算法 |
| 3.3.5 ?_(p,q)范数重构算法 |
| 3.3.6 SBL算法 |
| 3.3.7 SPICE算法 |
| 3.4 基于线型声阵列的单源DOA跟踪实验 |
| 3.4.1 试验概况 |
| 3.4.2 实验结果与分析 |
| 3.5 基于线型声阵列的双源DOA跟踪实验 |
| 3.5.1 试验概况 |
| 3.5.2 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 均匀线阵DOA跟踪算法研究及实验验证 |
| 4.1 引言 |
| 4.2 基于粒子滤波的DOA跟踪估计算法 |
| 4.2.1 阵列观测模型建立 |
| 4.2.2 目标状态模型建立 |
| 4.2.3 基于粒子滤波的DOA跟踪算法 |
| 4.2.4 似然函数推导 |
| 4.3 基于改进的粒子滤波的DOA跟踪估计算法 |
| 4.3.1 计算复杂度分析 |
| 4.3.2 仿真结果与分析 |
| 4.4 基于线型声阵列的DOA跟踪实验 |
| 4.4.1 试验概况 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 L型阵二维DOA跟踪算法研究及实验验证 |
| 5.1 引言 |
| 5.2 贝叶斯学习理论推导 |
| 5.2.1 观测模型 |
| 5.2.2 信号先验稀疏模型 |
| 5.2.3 贝叶斯后验理论 |
| 5.3 L型阵列高效DOA跟踪算法 |
| 5.3.1 算法描述 |
| 5.3.2 角度配对 |
| 5.3.3 仿真结果与分析 |
| 5.4 L型阵列孔径扩展DOA跟踪算法 |
| 5.4.1 算法描述 |
| 5.4.2 仿真结果与分析 |
| 5.5 基于L型声阵列的双源DOA跟踪实验 |
| 5.5.1 试验概况 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 互质阵列DOA跟踪算法研究及实验验证 |
| 6.1 引言 |
| 6.2 互质阵列信号模型 |
| 6.2.1 互质阵观测模型 |
| 6.2.2 目标运动模型 |
| 6.3 互质阵DOA跟踪估计算法 |
| 6.3.1 算法描述 |
| 6.3.2 计算复杂度分析 |
| 6.3.3 仿真结果与分析 |
| 6.4 基于互质线型声阵列的DOA跟踪实验 |
| 6.4.1 实验概况 |
| 6.4.2 实验结果与分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
| 攻读博士学位期间取得的成果 |
（6）基于低精度量化ADC的毫米波MIMO系统信道估计方法研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 本论文专用术语注释表 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 毫米波大规模MIMO系统与低精度ADC |
| 1.3 基于低精度ADC的MIMO系统信道估计研究现状 |
| 1.4 论文的内容安排 |
| 1.5 符号说明 |
| 第二章 毫米波MIMO系统的信道估计方法基础 |
| 2.1 引言 |
| 2.2 稀疏表示与压缩感知 |
| 2.2.1 压缩感知的基本原理 |
| 2.2.2 基于压缩感知的大规模MIMO信道获取 |
| 2.3 基于贝叶斯统计学习的信号恢复方法 |
| 2.3.1 置信传播算法 |
| 2.3.2 近似消息传递算法 |
| 2.3.3 期望传播算法 |
| 2.4 本章小结 |
| 第三章 基于统计学习的毫米波低精度量化系统信道估计 |
| 3.1 引言 |
| 3.2 系统与信道模型 |
| 3.2.1 毫米波信道及稀疏性分析 |
| 3.2.2 低精度量化ADC接收机 |
| 3.3 基于广义近似消息传递算法的信道估计 |
| 3.3.1 算法背景和原理 |
| 3.3.2 非线性模型与解量化 |
| 3.3.3 角度域毫米波信道系数建模 |
| 3.3.4 MMSE最优估计器 |
| 3.4 基于广义期望一致信号恢复算法的信道估计 |
| 3.4.1 算法背景和原理 |
| 3.4.2 期望最大化与未知参数学习 |
| 3.5 性能比较与分析 |
| 3.5.1 不同先验假设性能分析 |
| 3.5.2 不同导频类型性能分析 |
| 3.5.3 不同导频长度性能分析 |
| 3.6 本章小结 |
| 第四章 基于深度学习的毫米波低精度量化系统信道估计 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.3 基于LDGAMP的信道估计 |
| 4.3.1 基于模型驱动的LDGAMP网络 |
| 4.3.2 卷积神经网络与图像去噪 |
| 4.4 数据集与训练方案 |
| 4.4.1 训练数据生成 |
| 4.4.2 训练方法及参数设置 |
| 4.5 性能分析 |
| 4.5.1 与基于统计学习的算法性能比较 |
| 4.5.2 鲁棒性分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 作者攻读硕士学位期间的研究成果 |
| 致谢 |
（7）基于多模态生物电信号人机交互技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 脑机接口研究背景与现状 |
| 1.1.1 脑机接口研究背景 |
| 1.1.2 脑机接口研究现状 |
| 1.2 基于肌电的人机接口研究背景和现状 |
| 1.2.1 基于肌电的人机接口研究背景 |
| 1.2.2 基于肌电的人机接口研究现状 |
| 1.3 多模态生物电人机接口研究背景和现状 |
| 1.3.1 多模态生物电人机接口研究背景 |
| 1.3.2 多模态生物电人机接口研究现状 |
| 1.4 生物电人机接口存在的问题及课题研究思路 |
| 1.4.1 系统的问题 |
| 1.4.2 课题研究思路 |
| 1.5 论文内容安排 |
| 第二章 基于生物电信号人机接口的研究基础 |
| 2.1 人机接口系统构成 |
| 2.2 脑机接口研究基础 |
| 2.2.1 EEG信号采集 |
| 2.2.2 脑电节律 |
| 2.2.3 基于EEG信号的BCI系统类型 |
| 2.2.4 信号处理算法 |
| 2.3 基于sEMG人机接口研究基础 |
| 2.3.1 EMG信号的产生 |
| 2.3.2 sEMG信号采集与处理 |
| 2.4 本章小结 |
| 第三章 基于新型特征优化技术的可穿戴式表面肌电信号人机接口 |
| 3.1 引言 |
| 3.2 采集系统电路结构 |
| 3.2.1 离线sEMG信号采集系统 |
| 3.2.2 可穿戴式sEMG信号采集系统 |
| 3.2.3 采集系统硬件测试结果分析 |
| 3.3 实验方案设计 |
| 3.4 信号预处理 |
| 3.4.1 预处理算法 |
| 3.4.2 预处理算法结果分析 |
| 3.5 特征选择及分析结果 |
| 3.5.1 特征提取 |
| 3.5.2 特征选择 |
| 3.5.3 特征分类 |
| 3.5.4 电极和特征选择算法结果分析 |
| 3.5.5 特征分类算法结果分析 |
| 3.6 基于sEMG信号的人机接口控制范式 |
| 3.6.1 控制范式 |
| 3.6.2 基于s EMG信号的可穿戴式HCI系统在线性能评估 |
| 3.7 讨论 |
| 3.7.1 基于s EMG信号的可穿戴式HCI系统设计 |
| 3.7.2 特征选择和分类 |
| 3.7.3 实时控制性能 |
| 3.7.4 系统局限性及未来工作 |
| 3.8 本章小结 |
| 第四章 基于最优化少量电极的认知行为想象脑机接口 |
| 4.1 引言 |
| 4.2 样本量确定及实验数据集描述 |
| 4.2.1 样本量确定 |
| 4.2.2 BCI系统被试者数量确定 |
| 4.2.3 实验范式设计 |
| 4.2.4 数据采集与数据集描述 |
| 4.3 信号预处理 |
| 4.3.1 信号预处理算法 |
| 4.3.2 特征可视化 |
| 4.3.3 信号预处理及可视化结果分析 |
| 4.3.4 ERD/S结果分析 |
| 4.4 实验方案及算法 |
| 4.4.1 CSP算法 |
| 4.4.2 传统CSP算法在EEG信号分析中的应用 |
| 4.4.3 改进的CSP算法在EEG信号分析中的应用 |
| 4.4.4 通用电极选择算法 |
| 4.4.5 基于相关性的新型DM电极选择方法 |
| 4.5 算法结果分析 |
| 4.5.1 特征提取算法结果分析 |
| 4.5.2 电极选择算法分析 |
| 4.5.3 最优电极组合选择 |
| 4.5.4 最优电极组合普适性与有效性验证 |
| 4.5.5 跨被试者普适性及鲁棒性分析 |
| 4.6 讨论 |
| 4.7 本章小结 |
| 第五章 多模态生物电信号对反应时间缩短情况的研究 |
| 5.1 引言 |
| 5.2 事件相关电位物理意义 |
| 5.3 实验范式设计与数据采集 |
| 5.4 EEG信号整体评估及范式选择实验结果 |
| 5.4.1 真实反应时间分析 |
| 5.4.2 ERP信号可视化结果分析 |
| 5.4.3 ERP波形分类性能评估 |
| 5.4.4 浅层神经网络分类结果 |
| 5.5 基于EEG信号的反应时间分析 |
| 5.5.1 基于滑动窗算法的反应时间确定 |
| 5.5.2 普适性最优电极组合选择 |
| 5.5.3 与实际鼠标点击反应时间对比 |
| 5.5.4 基于滑动窗金字塔加权修正的无约束识别 |
| 5.6 sEMG信号分析及结果 |
| 5.6.1 可视化结果 |
| 5.6.2 不同特征向量提取方式比较 |
| 5.6.3 基于拓展时间窗的反应时间分析 |
| 5.7 讨论与本章小结 |
| 第六章 基于最大权完美匹配的多模态生物电信号人机接口 |
| 6.1 引言 |
| 6.2 深层卷积神经网络架构背景介绍 |
| 6.2.1 深层卷积神经网络架构基本组件 |
| 6.2.2 CNN的改进优化方法 |
| 6.2.3 损失目标函数 |
| 6.3 数据集描述 |
| 6.4 算法流程 |
| 6.4.1 处理ERP波形的CNN网络结构 |
| 6.4.2 基于最大权完美匹配的难样本选择 |
| 6.4.3 关于MWP匹配方法及损失函数对比讨论 |
| 6.5 实验结果分析 |
| 6.5.1 运行环境及参数设置 |
| 6.5.2 EEGNet与传统方法对比结果 |
| 6.5.3 MWP-EEGNet对系统性能的提升 |
| 6.5.4 基于MWP-EMG-EEGNet多模态融合结果分析 |
| 6.6 本章小结 |
| 第七章 基于多模态生物电信号的在线人机接口系统 |
| 7.1 引言 |
| 7.2 基于NeuroScan的在线人机接口系统设计 |
| 7.2.1 基础模块 |
| 7.2.2 在线系统整体框架 |
| 7.2.3 在线实验方法 |
| 7.2.4 在线信号处理及结果分析 |
| 7.3 便携式多功能生物电采集系统 |
| 7.3.1 硬件电路设计 |
| 7.3.2 硬件采集系统测试结果 |
| 7.3.3 软件平台设计 |
| 7.3.4 数据分析算法 |
| 7.3.5 软件平台结果测试 |
| 7.3.6 基于PSUEEG平台的虚拟智能轮椅系统 |
| 7.4 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 附录 A 主要代码流程及执行结果 |
| 致谢 |
| 作者简介 |
（8）阵列方向图控制理论与算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 阵列信号处理若干问题研究现状 |
| 1.2.1 方向图控制与综合研究现状 |
| 1.2.1.1 方向图综合研究现状 |
| 1.2.1.2 稳健方向图控制研究现状 |
| 1.2.1.3 唯相位方向图控制研究现状 |
| 1.2.2 相控阵保密通信研究现状 |
| 1.2.3 稳健阵列参数估计研究现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 基于线性空间理论的方向图控制算法 |
| 2.1 方向图控制与自适应阵列理论 |
| 2.1.1 方向图控制问题描述 |
| 2.1.2 自适应阵列理论 |
| 2.2 A~2RC算法 |
| 2.2.1 最优权向量分析 |
| 2.2.2 基于特征值分解的权向量确定 |
| 2.2.3 基于几何方法的权向量确定 |
| 2.2.4 μk的选择 |
| 2.2.5 应用A~2RC算法实现方向图综合 |
| 2.2.5.1 应用方向图综合时的几项注意 |
| 2.2.5.2 利用A~2RC算法实现方向图综合 |
| 2.2.5.3 与菲利普方法比较 |
| 2.2.6 仿真实验 |
| 2.2.6.1 等电平旁瓣方向图综合 |
| 2.2.6.2 非等电平旁瓣方向图综合 |
| 2.3 MA~2RC算法和M2A~2RC算法 |
| 2.3.1 MA~2RC算法 |
| 2.3.2 M2A~2RC算法 |
| 2.3.3 M2A~2RC算法最优权向量确定 |
| 2.3.4 基于M2A~2RC的方向图综合 |
| 2.3.5 仿真实验 |
| 2.3.5.1 多点方向图控制 |
| 2.3.5.2 基于M2A~2RC的方向图综合 |
| 2.4 OPARC算法 |
| 2.4.1 自适应阵列理论 |
| 2.4.2 最优权的更新 |
| 2.4.3 rk的最优选取 |
| 2.4.4 VCM逆矩阵的更新 |
| 2.4.5 OPARC性质 |
| 2.4.5.1 β_k的几何分布 |
| 2.4.5.2 最优β_k的确定 |
| 2.4.5.3 虚拟协方差矩阵的正定性 |
| 2.4.6 与A~2RC算法对比 |
| 2.4.6.1 权向量更新形式对比 |
| 2.4.6.2 虚拟干扰干噪比对比 |
| 2.4.7 多点OPARC算法 |
| 2.4.7.1 多干扰最优波束形成器 |
| 2.4.7.2 多点OPARC问题描述 |
| 2.4.8 多点OPARC算法的应用 |
| 2.4.8.1 阵列方向图综合 |
| 2.4.8.2 多约束自适应波束形成 |
| 2.4.8.3 静态方向图控制 |
| 2.4.9 实验仿真 |
| 2.4.9.1 方向图变化仿真 |
| 2.4.9.2 基于多点OPARC的阵列方向图综合仿真 |
| 2.4.9.3 基于多点OPARC的多约束自适应波束形成算法 |
| 2.4.9.4 基于多点OPARC方法的静态方向图控制 |
| 2.5 本章小结 |
| 第三章 基于正交投影理论的方向图控制 |
| 3.1 WORD算法 |
| 3.1.1 最优权向量的正交投影解释 |
| 3.1.2 阵列方向图响应与的关系 |
| 3.1.3 基于WORD算法的方向图控制 |
| 3.1.4 β的选择 |
| 3.1.5 基于WORD的方向图综合 |
| 3.1.6 实验仿真 |
| 3.1.6.1 等距线阵方向图响应控制仿真 |
| 3.1.6.2 非等距线性阵列多波束方向图综合 |
| 3.1.6.3 等距线阵平顶方向图综合 |
| 3.1.6.4 二维阵列方向图综合 |
| 3.2 C~2-WORD算法与稳健C~2-WORD算法 |
| 3.2.1 C~2-WORD算法 |
| 3.2.1.1 C~2-WORD |
| 3.2.1.2 β_k的选取 |
| 3.2.2 C~2-WORD与A~2RC的关系 |
| 3.2.3 稳健旁瓣控制问题描述 |
| 3.2.4 阵列波束响应的界限分析 |
| 3.2.5 稳健的单点旁瓣响应控制问题描述 |
| 3.2.6 稳健C~2-WORD算法 |
| 3.2.7 V_d(θ_k)与ε(θ_k)的限制关系 |
| 3.2.8 实际考虑 |
| 3.2.8.1 通道幅相误差 |
| 3.2.8.2 阵元位置误差 |
| 3.2.8.3 互耦误差 |
| 3.2.9 稳健的旁瓣方向图综合 |
| 3.2.10 仿真实验 |
| 3.2.10.1 稳健旁瓣方向图控制 |
| 3.2.10.2 基于稳健C~2-WORD算法的旁瓣方向图综合 |
| 3.3 本章小结 |
| 第四章 基于斜投影理论的灵活方向图控制算法 |
| 4.1 斜投影定义 |
| 4.2 FARCOP算法 |
| 4.2.1 自适应阵列理论 |
| 4.2.2 最优权的等价表示 |
| 4.2.2.1 FARCOP算法 |
| 4.2.2.2 参数确定 |
| 4.2.2.3 计算复杂度 |
| 4.2.3 MA~2RC与FARCOP比较 |
| 4.2.4 基于FARCOP的方向图综合 |
| 4.2.5 实验仿真 |
| 4.2.5.1 FARCOP算法方向图控制性能验证 |
| 4.2.5.2 基于FARCOP的方向图综合仿真 |
| 4.3 基于斜投影的多点方向图控制算法 |
| 4.3.1 基于斜投影的多点方向图控制算法 |
| 4.3.2 基于斜投影的波束中心无偏移多点控制算法 |
| 4.3.3 斜投影多点方向图控制算法的性质 |
| 4.3.4 仿真实验 |
| 4.3.4.1 所提算法的方向图控制效果 |
| 4.3.4.2 方向图综合仿真 |
| 4.4 本章小结 |
| 第五章 基于拟凸优化的高性能方向图综合 |
| 5.1 问题描述 |
| 5.2 线性分式半正定松弛和拟凸优化 |
| 5.2.1 线性分式半正定松弛 |
| 5.2.2 拟凸函数和拟凸优化问题 |
| 5.3 基于线性分式半正定松弛和拟凸优化的高性能波束综合 |
| 5.3.1 主瓣损失最小化 |
| 5.3.2 凹口电平最小化 |
| 5.4 仿真实验 |
| 5.4.1 主瓣损失最小化 |
| 5.4.2 凹口电平最小化 |
| 5.5 本章小结 |
| 第六章 唯相位方向图控制的几何方法 |
| 6.1 唯相位阵列响应调整的几何解释 |
| 6.2 基于三角形构造的几何解 |
| 6.3 基于多边形构造的解分析 |
| 6.4 相位确定 |
| 6.5 计算复杂度 |
| 6.6 实验仿真 |
| 6.6.1 等距线阵旁瓣调整 |
| 6.6.2 唯相位两波束合成 |
| 6.6.3 随机化阵列配置性能仿真 |
| 6.7 本章小结 |
| 第七章 基于多边形构造的相控阵保密通信方法 |
| 7.1 系统模型与问题描述 |
| 7.1.1 系统描述 |
| 7.1.2 问题描述 |
| 7.2 基于多边形构造的相位方程求解 |
| 7.2.1 权向量求解的几何解释 |
| 7.2.2 基于多边形构造的相位求解 |
| 7.2.3 解分析 |
| 7.3 保密通信算法 |
| 7.3.1 基于多边形构造的保密通信 |
| 7.3.2 基于松弛符号区域的改进保密通信方法 |
| 7.3.3 计算复杂度 |
| 7.4 实验仿真 |
| 7.4.1 固定β取值星座图合成结果 |
| 7.4.2 变化β时的性能测试 |
| 7.4.3 所提算法的合成结果 |
| 7.4.3.1 QPSK调制 |
| 7.4.3.2 8-PSK调制 |
| 7.4.3.3 16-QAM |
| 7.4.4 所提算法的保密性能 |
| 7.4.5 单路径信道保密性仿真 |
| 7.5 本章小结 |
| 第八章 基于欧拉公式的DOA与相位误差联合估计 |
| 8.1 基于欧拉公式的DOA与相位误差联合估计–等距线阵情况 |
| 8.1.1 信号模型 |
| 8.1.2 所提方法 |
| 8.1.2.1 DOA和相位误差估计 |
| 8.1.2.2 提高实用性 |
| 8.1.3 实验仿真 |
| 8.1.3.1 空间谱对比 |
| 8.1.3.2 不同相位误差方差时的估计性能对比 |
| 8.1.3.3 不同信噪比时的估计性能对比 |
| 8.2 基于欧拉公式的DOA与相位误差联合估计–任意阵列情况 |
| 8.2.1 信号模型 |
| 8.2.2 所提方法 |
| 8.2.2.1 DOA和相位误差估计 |
| 8.2.2.2 提高实用性 |
| 8.2.2.3 包含二次约束的最小二乘问题 |
| 8.2.2.4 利用凹凸过程进行问题求解 |
| 8.2.3 克莱美罗界 |
| 8.2.4 实验仿真 |
| 8.2.4.1 不同相位误差标准差时的估计性能 |
| 8.2.4.2 不同信噪比时的估计性能 |
| 8.2.4.3 不同快拍数时的估计性能 |
| 8.3 本章小结 |
| 第九章 全文总结与展望 |
| 9.1 全文总结 |
| 9.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A.1 定理2.2.1的证明 |
| A.2 定理2.2.2的证明 |
| A.3 式(2-86)-(2-89)推导 |
| A.4 方程(2-108)相容性的证明 |
| A.5 定理2.4.2的证明 |
| A.6 定理2.4.3的证明 |
| A.7 定理2.4.5的证明 |
| A.8 定理2.4.7的证明 |
| A.9 式(2-184)的推导 |
| A.10 推论2.4.1的证明 |
| A.11 式(2-187)和式(2-189)的推导 |
| B.1 式(3-16)的推导 |
| B.2 式(3-24)的推导 |
| B.3 引理3.2.1的证明 |
| B.4 定理3.2.2的证明 |
| B.5 定理3.2.3的证明 |
| B.6 定理3.2.4的证明 |
| B.7 推论3.2.1的证明 |
| B.8 推论3.2.2的证明 |
| B.9 式(3-70)推导 |
| B.10 方程(3-70)可行性的推导 |
| C.1 定理4.2.1的证明 |
| C.2 式(4-100)推导 |
| C.3 式(4-101)的推导 |
| C.4 式(4-103)推导 |
| C.5 式(4-104)推导 |
| C.6 式(4-105)推导 |
| D.1 引理6.2.1的证明 |
| D.2 定理6.3.1的证明 |
| E.1 引理7.2.2的证明 |
| E.2 定理7.2.1的证明 |
| F.1 式(8-33)的证明 |
| 攻读博士学位期间取得的成果 |
（9）基于GPU的MIMO雷达接收处理和并行实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状和发展趋势 |
| 1.2.1 MIMO雷达接收处理研究现状和发展趋势 |
| 1.2.2 基于GPU的雷达信号处理研究现状 |
| 1.3 论文结构及其章节安排 |
| 第二章 MIMO雷达信号处理流程 |
| 2.1 MIMO雷达的信号模型 |
| 2.2 MIMO雷达的两种信号处理结构 |
| 2.2.1 信号处理结构I |
| 2.2.2 信号处理结构II |
| 2.3 MIMO雷达两种处理结构的计算量分析 |
| 2.4 MIMO雷达回波信号处理的并行性分析 |
| 2.4.1 匹配滤波的并行性分析 |
| 2.4.2 数字波束形成的并行性分析 |
| 2.4.3 杂波抑制的并行性分析 |
| 2.4.4 恒虚警检测的并行性分析 |
| 2.5 MIMO雷达实测数据处理 |
| 2.6 本章小结 |
| 第三章 基于GPU的MIMO雷达信号处理方法实现 |
| 3.1 GPU编程模型 |
| 3.1.1 GPU硬件结构 |
| 3.1.2 CUDA编程模型 |
| 3.2 CUDA编程简介 |
| 3.2.1 CUDA开发语言 |
| 3.2.2 CUDA驱动应用程序接口 |
| 3.2.3 CDUA运行时应用程序接口 |
| 3.2.4 CUDA库函数 |
| 3.3 MIMO雷达信号处理流程图及硬件介绍 |
| 3.4 基于GPU的脉冲压缩算法的并行实现 |
| 3.4.1 脉冲压缩算法的并行实现流程图 |
| 3.4.2 脉冲压缩算法并行实现的子模块 |
| 3.4.3 脉冲压缩并行实现结果及分析 |
| 3.5 基于GPU的全波位数字波束形成的并行实现 |
| 3.5.1 全波位数字波束形成的并行实现流程图 |
| 3.5.2 全波位数字波束形成的并行实现中的主要子模块 |
| 3.5.3 全波位数字波束形成的并行实现结果及分析 |
| 3.6 基于GPU的杂波抑制的并行实现 |
| 3.6.1 杂波抑制的并行实现流程图 |
| 3.6.2 杂波抑制的并行实现的主要子模块 |
| 3.6.3 杂波抑制并行实现的结果及分析 |
| 3.7 基于GPU的恒虚警检测的并行实现 |
| 3.7.1 使用多线程方式实现CA-CFAR的并行方法 |
| 3.7.2 使用FFT方式实现CA-CFAR的并行方法 |
| 3.7.3 恒虚警检测结果及分析 |
| 3.8 本章小结 |
| 第四章 目标跟踪方法及其GPU并行实现的研究 |
| 4.1 概率数据互联滤波算法 |
| 4.1.1 概率数据互联滤波算法描述 |
| 4.1.2 基于GPU的算法并行实现 |
| 4.2 基于动态规划的检测前跟踪算法 |
| 4.2.1 基于动态规划的TBD算法描述 |
| 4.2.2 基于GPU的算法并行实现 |
| 4.3 基于霍夫变换的检测前跟踪算法 |
| 4.3.1 基于二维霍夫变换的TBD算法描述 |
| 4.3.2 基于GPU的算法并行实现 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）导引头相控阵与MIMO雷达自适应杂波抑制研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究动态与发展现状 |
| 1.2.1 相控阵与MIMO雷达研究动态 |
| 1.2.2 空时STAP处理研究动态 |
| 1.2.3 杂波距离依赖性补偿研究动态 |
| 1.2.4 距离模糊杂波抑制研究动态 |
| 1.2.5 子阵结构信号处理研究动态 |
| 1.3 主要研究内容与章节安排 |
| 第二章 雷达导引头信号处理与杂波秩估计 |
| 2.1 导引头相控阵与MIMO雷达信号模型 |
| 2.1.1 相控阵雷达信号模型 |
| 2.1.2 MIMO雷达信号模型 |
| 2.2 雷达导引头空时信号处理 |
| 2.2.1 非自适应处理 |
| 2.2.2 基于MVDR的空时自适应处理 |
| 2.2.3 杂波协方差矩阵估计 |
| 2.3 杂波秩估计 |
| 2.3.1 一维阵列虚拟孔径与杂波秩估计 |
| 2.3.2 平面阵雷达杂波秩估计 |
| 2.3.3 MIMO雷达杂波秩估计 |
| 2.3.4杂波秩仿真实验 |
| 2.4 本章小结 |
| 第三章 雷达导引头杂波距离依赖性补偿算法 |
| 3.1 杂波距离依赖特性 |
| 3.1.1 角度-多普勒关系 |
| 3.1.2 杂波谱扩散分析 |
| 3.1.3 杂波距离依赖性仿真 |
| 3.2 不同阵列形式下的自适应杂波补偿算法 |
| 3.2.1 线阵相控阵体制自适应杂波补偿算法 |
| 3.2.2 平面阵相控阵体制雷达杂波补偿算法 |
| 3.2.3 线阵MIMO雷达体制杂波补偿 |
| 3.3 仿真实验 |
| 3.4 本章小结 |
| 第四章 雷达导引头近距离杂波抑制算法 |
| 4.1 距离模糊杂波特性分析 |
| 4.1.1 距离模糊信号模型 |
| 4.1.2 杂波谱分析 |
| 4.1.3 距离模糊仿真 |
| 4.2 基于俯仰滤波器设计的近距离杂波抑制 |
| 4.2.1 近距离区俯仰角度计算 |
| 4.2.2 优化问题建立 |
| 4.3 基于ACC算法的近距离杂波抑制 |
| 4.3.1 JDL降维STAP算法 |
| 4.3.2 俯仰维辅助通道构造 |
| 4.4 仿真实验 |
| 4.4.1 不考虑阵列误差 |
| 4.4.2 考虑俯仰阵列通道误差 |
| 4.5 本章小结 |
| 第五章 雷达导引头均匀子阵高栅瓣杂波抑制算法 |
| 5.1 相控阵与MIMO雷达子阵结构特点 |
| 5.1.1 方位空间频率与多普勒频率的关系 |
| 5.1.2 子阵阵列方向图 |
| 5.1.3 子阵条件下相控阵雷达信号模型 |
| 5.1.4 子阵条件下MIMO雷达信号模型 |
| 5.1.5 均匀子阵特性仿真 |
| 5.2 基于PK算法的高栅瓣杂波抑制 |
| 5.2.1 基于先验知识的相控阵雷达 |
| 5.2.2 高栅瓣杂波位置计算 |
| 5.2.3 发射权值优化设计 |
| 5.3 基于TB-STAP算法的高栅瓣杂波抑制 |
| 5.3.1 优化问题建立 |
| 5.3.2 算法求解步骤 |
| 5.3.3 算法流程与复杂度分析 |
| 5.4 仿真实验 |
| 5.4.1 所提两种算法性能对比 |
| 5.4.2 TB-STAP算法的收敛性仿真 |
| 5.5 本章小结 |
| 第六章 MIMO雷达导引头非均匀子阵信号处理 |
| 6.1 非均匀子阵设计 |
| 6.1.1 非均匀子阵方向图函数 |
| 6.1.2 适应度函数与优化问题构造 |
| 6.1.3 遗传算法原理 |
| 6.2 MIMO雷达辅助通道构造与优选 |
| 6.2.1 非均匀子阵杂波谱解析 |
| 6.2.2 非均匀阵列辅助通道构造 |
| 6.2.3 基于知识的辅助通道优选 |
| 6.3 仿真实验 |
| 6.3.1 非均匀子阵划分仿真 |
| 6.3.2 降维辅助通道构造仿真 |
| 6.4 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 附录A 第四章阵元脉冲域与角度多普勒域STAP等价性分析 |
| 附录B 第五章子阵条件下相控阵雷达杂波谱解析 |
| 攻读博士学位期间取得的成果 |
四、信号处理中提高检测精度的一种算法（论文参考文献）
- [1]海杂波背景下的雷达目标检测方法研究[D]. 赵文静. 大连理工大学, 2020(01)
- [2]足球机器人阵列天线的自适应信号处理算法研究[D]. 钱炳锋. 东华大学, 2020(01)
- [3]基于改进经验小波变换的风电机组齿轮箱故障诊断[D]. 赵阳. 北京交通大学, 2020(03)
- [4]基于DFT的实正弦信号参数估计算法的研究[D]. 邰文思. 东南大学, 2020(01)
- [5]声阵列波达方向跟踪算法研究[D]. 董飞彪. 电子科技大学, 2020(07)
- [6]基于低精度量化ADC的毫米波MIMO系统信道估计方法研究[D]. 王锐. 东南大学, 2020(01)
- [7]基于多模态生物电信号人机交互技术研究[D]. 孙瀚. 东南大学, 2019(01)
- [8]阵列方向图控制理论与算法研究[D]. 张学敬. 电子科技大学, 2019(04)
- [9]基于GPU的MIMO雷达接收处理和并行实现[D]. 王韩浩. 西安电子科技大学, 2019(02)
- [10]导引头相控阵与MIMO雷达自适应杂波抑制研究[D]. 贾逢德. 电子科技大学, 2019(01)