基于深度神经网络的自适应波束形成算法

自适应波束形成技术是航天领域中的旁瓣抗干扰关键技术之一。当回波数据量增多时,传统的波束形成算法无法进行快速的处理,而应用深度神经网络模型对数据进行预训练可以快速的进行波束形成,因此根据波束形成原理利用分段训练方式设计深度神经网络,应用Leaky-ReLU激活函数、Adam优化算法和Dropout正则化方法提升深度神经网络的性能,提出了基于深度神经网络的自适应波束形成算法。仿真结果表明,相比于传统的LMS算法,在实验环境下,基于深度神经网络的自适应波束形成算法的计算速度约有7～8倍的提高。     

集群航天器鲁棒自适应快速任务分配

针对集群航天器协同观测任务分配问题，提出一种基于深度神经网络和鲁棒自适应拍卖算法的快速任务分配策略。为提高燃料消耗指标的计算效率，利用深度神经网络直接预测连续推力转移轨迹的燃料消耗，避免在线规划相对运动轨迹。通过构造虚拟收益矩阵和分配向量使得拍卖算法适用于航天器数与任务数目不一致的分配问题。为提高拍卖算法的收敛速度，提出报价增量自适应调整策略。考虑到通信失联、航天器故障等不确定因素，通过在线调整故障航天器的收益和报价矩阵以提高算法鲁棒性。数值仿真表明深度神经网络对燃料消耗指标预测精度高，基于深度神经网络和鲁棒自适应拍卖算法的快速任务分配策略可在保持计算精度的同时，将计算效率提升约两个数量级。     

多重闪烁干扰下高精度卫星导航算法研究

传统卫星导航抗干扰高精度算法只适用于处理平稳的干扰信号,难以适应无序脉冲组成的多重闪烁干扰环境。本文基于干扰协方差矩阵重建思想,提出一种新的适用于多重闪烁干扰环境下的卫星导航高精度抗干扰算法并进行仿真对比分析。通过压缩感知完成单采样点干扰测向,使用干扰噪声矩阵重建理论构造协方差矩阵,使用自适应波束约束算法实现单采样点天线阵列波束赋形,最终实现在干扰方向形成固定零陷,在卫星方向形成波束指向。与传统波束约束高精度抗干扰算法相比,该算法可以实现单采样点抗干扰权值计算,适用于快时变多重闪烁干扰环境。仿真结果证明：该算法可以在有效滤除多重闪烁干扰信号的同时在卫星导航信号方向维持波束指向,保障卫星导航信号观测精度,满足高精度卫星导航需求。     

一种改进的正交投影自适应波束形成算法

为减少雷达正交投影自适应波束形成算法中采样协方差矩阵特征分解的运算量，提出了一种改进的正交投影自适应波束形成算法。改进算法利用总体最小二乘法得到噪声子空间。推导了算法的公式，并给出了计算步骤。该算法的计算量小于正交投影算法而性能相当。理论分析和计算机仿真结果表明此算法有效。     

基于深度学习的组合体航天器模型预测控制

利用模型预测算法先预测控制结果后控制的类人行为特点，借助深度学习在多参数寻优上的优势，提出了一种基于卷积神经网络的模型预测控制算法，满足航天工程低硬件需求，实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态，然后将控制过程中状态量用于3层3核卷积神经网络的训练，训练完成后，用该卷积神经网络代替模型预测对组合航天器进行控制，从而降低计算资源需求。仿真校验表明：该算法可预测5个控制周期内的控制参数，相比传统模型预测算法所需硬件计算时间降低约5倍，在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制，控制精度在10 -4 量级。     

基于广义回归神经网络集成的宽带波束形成算法

首先构造宽带波束成形所需要的协方差矩阵,利用基于粒子群优化算法对核主成分分析方法和广义回归神经网络进行了优化。在对神经网络的输入变量进行降维处理后,生成多个复杂度低的泛回归神经网络模型。利用提出的基于聚类启发式集成算法求出波束成形时的权系数,既考虑了网络的差异性,又考虑了网络的正确性。仿真结果表明,提出的基于聚类启发式神经网络集成的波束形成算法在网络结构十分简单的情况下,仍然具有较好的性能。     

一种自适应迭代宽带数字波束成形算法

为了克服传统宽带波束合成要求期望信号垂直入射阵面的苛刻要求,新算法首先利用数字时延滤波器对接收数据的时延进行补偿,使其等效为期望信号垂直入射,然后采用无需计算矩阵求逆的基于LMS的空时自适应滤波算法完成波束形成。方向图仿真表明,新算法能够实现宽带抑制,可高分辨率地使主瓣对准期望,零陷对准干扰;同时通过计算量分析,相对于DMI算法,新算法很大程度地降低了计算复杂度,减小了计算量,易于工程 实现。     

基于改进的Toeplitz化处理的相干源非均匀线阵自适应波束形成算法

针对相干源非均匀线阵的波束形成,提出了Toeplitz化的基于特征空间的线性约束最小方差自适应波束形成算法(TELCMV)。该算法利用阵列接收信号的相关性进行Toeplitz化处理、把期望信号方向向量向信号子空间投影、进行线性约束最小方差波束形成来得到TELCMV权向量;TELCMV权向量没有包含噪声子空间的分量,而期望信号和干扰信号的输出不变,所以提高了输出信干噪比(SINR),收敛速度也快,在低信噪比和小快拍数下能取得较好的波束形成性能。仿真试验结果证明了TELCMV算法的优越性能。     

基于BP神经网络组合导航融合算法

文章针对卡尔曼滤波算法的缺陷,建立了组合导航系统模型,提出了基于BP神经网络修正卡尔曼量噪权值的自适应卡尔曼滤波法,对量测噪声统计特性进行了自适应调整,并与传统卡尔曼算法进行计算机仿真比较。结果表明,基于BP神经网络的卡尔曼滤波器在一定程度上抑制了数据的发散,提高了导航精度。     

非圆信号虚拟阵列波束形成算法

利用非圆信号的实值特性,提出了一种利用信号共轭扩展阵列孔径的虚拟阵列构成方法,将其应用在自适应波束形成中,对其波束形成的性能进行了分析和改进,并提出了一种快速的实现方法。该虚拟阵列的构造方法能同时保留时间信息和方位信息,用于自适应波束形成中,可以改善波束图形状,提高阵列增益,对抗超自由度干扰。计算机仿真验证了该方法的优越性。     

基于CNN-LSTM神经网络的前视成像算法

雷达前视成像作为雷达成像领域的难点与重点,在自动驾驶、导航、精确制导等方面具有广阔的应用前景。传统的前视成像算法受限于天线孔径的宽度,无法实现高分辨率的成像,本文使用卷积神经网络（Convolutional Neural Networks, CNN）与长短期记忆（Long Short-Term Memory,LSTM）网络相结合实现前视成像中方位向的预测,首先介绍了扫描前视成像信号的类卷积模型及其病态性,利用脉冲压缩以及距离徙动校正对回波信号预处理,输入CNN-LSTM神经网络逐距离单元进行方位向估计。仿真结果表明：算法能有效提高前视成像的方位分辨率,实现前视成像的超分辨。     

基于环路滤波器的低复杂度LMS算法设计

研究利用多天线结构对测控信号内存在的干扰进行对消和信号增强的技术。首先介绍传统空域干扰对消算法LMS，以及LMS的诸多改进算法，分析当前这些LMS算法在强干扰存在时收敛稳定性和收敛速度之间的折中关系以及参数调节的难度，分析了定步长和变步长LMS算法的优劣。针对变步长LMS由于动态环境以及大功率干扰的存在引起的收敛速度变慢和步长计算复杂的问题，提出了一种基于二阶环路滤波器累计误差的低复杂度LMS算法LF-LMS，该算法弱化单次误差的不稳定性并提高累计误差的稳定性，利用大步长和可变误差以实现快速收敛并缩小进入稳定状态后的误差波动，且计算量较小，可以有效应用于DSP工程实现，并通过仿真验证了算法在收敛速度和动态环境下的鲁棒性。     

基于自适应差分进化和BP网络的罗盘误差补偿

To improve the acuuracy of heading angle measured by electronic compass, a new error compensation method is proposed based on adaptive differential evolution algorithm and BP neural network. In the method, the 3 layer BP neural network is used to model heading angle error, and adaptive differential evolution algorithm is adopted to train the weights of network, thus obtaining a more exact error model, and compensating the heading angle error measured by electronic compass. Compared with other compensation methods such as 8 position least squares, BP neural network, differential evolution algorithm for optimizing BP neural network, and so on, its error compensation accuracy is significantly improved, the method has strong global optimization ability, great convergence rate, good stability, and so on. The experimental results show that after compensation, the error range of heading angle is decreased from -16°~30.7° to -0.22° ~0.2°, which satisfies the needs of higher accuracy navigation systems.     

适合空间应用的高速图像压缩核设计

针对空间遥感图像压缩的具体应用,给出了基于CCSDS ［1］ 算法的 高速图像压缩核的设计和实现。对CCSDS算法的实现方法进行了优化,算法的VLSI架构 设计充分利用了流水和并行技术,使处理速度相比串行方式平均提高了40倍。压缩验证系统 实验结果表明压缩核在编码效率、处理速度和容错能力上均具有较高的性能,50MHz频 率下压缩核的数据处理速度可达12.5Mpixels／s。     

基于深度学习的毫米波和亚毫米波成像仪的图像增强技术

风云四号卫星毫米波和亚毫米波成像仪(MMSI)数据根据采样方式分为过采样和非过采样数据。由于采样方式的影响,非过采样数据在采样过程中会有一定的信息损失。为解决采用简单的线性插值方法做精细化处理时提升精度有限问题,采用基于深度学习的方法增强MMSI亮温图像,设计卷积神经网络重建风云四号卫星MMSI的亮温图像和风云三号卫星微波成像仪亮温图像。实验结果显示:相比传统的双三次插值方法,在风云三号卫星微波成像仪亮温图像样本上峰值信噪比提升了1.13dB,结构相似度提升了0.01。实验结果表明:对于非过采样亮温数据,采用基于深度学习的方法增强图像具有更高的精度,同时可在其他微波探测仪数据中使用,具有很强的普适性。     

一种改进的BAQ算法仿真及分析

在实际应用中,合成孔径雷达（ SAR）的回波数据中往往含有饱和数据。针对传统分块自适应（ BAQ）算法处理含有饱和成分的数据时存在较大误差的不足,在对SAR实际回波数据分析的基础上,文章对传统BAQ算法进行了改进,并将改进的BAQ算法应用于SAR信号处理系统中。仿真结果表明：对于含有饱和数据的原始回波数据,改进的BAQ算法比传统BAQ算法具有更好的性能,且该算法易于实现,可很好地压缩处理含有饱和成分的SAR回波数据。     

改进PointNetLK的点云智能配准与位姿图优化方法

针对空间在轨服务任务中的非合作目标相对位姿测量问题,提出一种目标可测部位点云的智能配准方法。首先,通过Straight Through滤波算法对半物理仿真平台采集得到的点云进行目标提取,以消除背景数据等杂乱信息;其次,改进PointNetLK神经网络点云配准算法,将提取后的点云数据作为输入,从而获得初步配准结果,解决非合作目标先验信息缺失导致的无法配准问题;最后,建立基于位姿图的优化模型,以降低配准误差,提高配准精度。实验结果表明,与传统迭代最近点(ICP)算法相比,配准综合误差从6.3598降低到1.7291,精度提高约 72.81% 单次耗时从33.16 s降低到4.2 s,效率提升约87.33%,与当前SM ICP等其他算法相比,也具有一定的优势。