应用知识蒸馏的深度神经网络波束形成算法

自适应波束形成技术广泛应用于雷达领域的旁瓣抗干扰中。当回波数据量增多时,传统的波束形成算法无法进行快速处理,而应用深度神经网络模型通过数据的预训练则可以快速地进行波束形成,因此根据波束形成原理设计深度神经网络,并利用知识蒸馏的方式对深度神经网络进行压缩,使压缩后的模型既有原始模型良好的泛化性能而且又有更快的计算速度。仿真结果表明,相比于传统的LMS算法,在实验环境下,未经模型压缩的深度神经网络自适应波束形成算法的计算速度提高了约7倍,基于模型压缩的深度神经网络自适应波束形成算法的计算速度提高了约20倍。     

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。     

基于FPGA＋DSP的数字波束形成系统的设计

自适应数字波束形成(ADBF)是新一代相控阵雷达的核心技术.讨论了ADBF的工程实现算法,并给出了一种基于FPGA和DSP结构的数字多波束形成系统模块,该DBF模块具有高速数字波束形成、通道校正、自适应干扰置零功能,在实践中有良好的应用.     

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。     

基于阵列流型分离的稳健自适应波束形成

在较少的采样数或期望信号指向存在误差的情况下,传统的自适应波束形成算法的性能会受到较大影响。基于阵列流型分离的思想,提出一种新的自适应波束形成方法,可以在较少的采样数或期望信号指向存在误差时获得较稳健的性能。数值仿真证明了方法的有效性。     

自适应波束形成技术的发展与现状研究

介绍了自适应波束抗干扰技术的发展历程，以及各种自适应波束形成算法的原理和特点，讨论了自适应波束抗干扰技术的应用情况，探讨了该技术在工程应用上面临的主要问题以及解决途径和方法。     

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。     

最差性能最优的稳健宽带Capon波束形成算法

针对常规Capon波束形成易受期望信号导向矢量失配的影响,提出了一种基于广义特征值分解的稳健宽带Capon波束形成算法。算法利用空间响应偏差约束实现宽带频率不变波束形成,同时增加期望信号导向矢量的不确定集约束,改善了算法对导向矢量偏差的稳健性,推导出自适应权矢量的两类近似闭式解。仿真结果表明,与现有的稳健宽带波束形成算法相比,算法在改善波束频响一致性的同时,提高了阵列输出信干噪比,对期望信号导向矢量的误差具有很好的稳健性。     

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。     

基于深度神经网络的无限时域型航天器追逃策略求解

航天器追逃博弈是当前航天领域的一个研究热点,传统上多采用微分对策来获取追逃双方的最优控制策略,但是方法求解复杂、计算量大,难以满足复杂任务和对抗类任务的实时性要求。随着机器学习技术的发展,利用深度神经网络结构实现全部或部分的在线决策成为可能,因此研究了基于深度神经网络生成无限时域型追逃博弈最优控制策略问题。首先基于CW方程建立追逃博弈相对运动模型,采用微分对策理论得到追逃最优控制策略,得到训练数据集和测试数据集;基于TensorFlow环境搭建了4层神经网络,采用Adam优化算法对网络进行训练。仿真结果表明,经过训练的深度神经网络生成的控制策略与传统方法的策略基本一致,虽然长时间追逃的控制差异逐渐增大,但变化趋势相同,说明利用深度神经网络生成航天器追逃博弈的机动策略是有效的。     

飞行器气动参数智能在线辨识技术研究

气动参数辨识对于大气层内飞行器来说至关重要,通过在线气动参数辨识可规划更准确的飞行轨迹,并对控制参数进行自适应调整。传统辨识方法的模型较为复杂,运算量大,无法满足飞行器在线辨识的要求。而基于神经网络的智能参数辨识方法,不仅可以离线对网络模型进行训练,并利用历史飞行数据进行模型修正,也可在线时直接利用训练好的网络对参数进行快速调整,在保证参数估计精度的同时,保障参数估计的快速性。提出了一种基于支撑向量机(SVM)的样本扩充和神经网络参数在线快速修正方法。通过仿真和统计,证明了基于SVM的神经网络方法对飞行器气动参数进行在线快速智能辨识的可行性。     

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。     

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。     

星地混合通信系统中的天地一体波束形成技术

对星地混合通信系统中的天地一体波束形成技术进行了初步探讨。说明了研究该技术的重要意义,对地基波束形成和天基-地基混合波束形成这两种实现架构进行了分析,并讨论了上行和下行自适应波束形成算法、馈电链路传输多路复用、远程误差效应校正等关键技术。     

一种基于干扰信号特征子空间扩展的波束形成方法

针对线性约束 (LCMV)自适应波束形成算法 ,提出了一种基于加载技术和干扰信号子空间扩展技术的改进算法 (SLCMV) ,该方法克服了原有方法由于大期望信号和指向误差的存在 ,合成静态波束严重畸变的缺陷。理论分析和计算机仿真证明该方法具有良好的波束保形能力和稳健性     

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。     

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。     

自适应天线抗干扰性能研究

分析了适用于雷达抗干扰的一些自适应天线波束形成算法,将子空间正交投影算法应用于雷达抗干扰,针对子空间分解过程中特征向量不能完全正交的问题,采用约束化子空间分解算法,来保证子空间特征向量的正交性.最后通过仿真证明:子空间跟踪算法相对于传统的一些自适应算法具有更强的抗干扰性能.     

深度交叉遗传神经网络在液体火箭发动机故障检测中的应用

将遗传算法与BP神经网络深度交叉融合,即采用遗传算法对BP神经网络的权值和阈值进行多点优化,而在进化的每一代中随机取少量染色体进行单一BP网络训练,训练结果再返回染色体,经过若干代的进化后得到稳定的权值和阈值,再将它们赋给BP神经网络,作为初始值,按误差前向反馈算法沿负梯度搜索重新训练,最终得到最优解。这种算法既避免BP算法易陷入局部最优解的不足,又克服遗传算法以类似穷举的形式寻找最优解而引起的搜索时间长、速度慢的缺点。并且经过仿真分析,深度交叉遗传BP神经网络的收敛性和故障诊断能力优于传统BP神经网络和单一使用遗传算法,可有效应用于液体火箭发动机故障检测中。     

动态跳波束策略中的自适应波束功率分配算法

摘要：多波束卫星发射机的成本很高，同时地面小区的通信需求和通信优先级一直处在动态变化中。通过研究一种动态波束跳跃策略，实现在卫星资源受限和较少发射机数量约束下的广域覆盖和按需服务。区别于传统的分簇波束跳变思想，为了提高卫星系统的频谱效率，考虑在整个频率带宽上应用全局波束跳变。因此考虑在共信道干扰背景下，提出一种新型服务质量指标来衡量波束跳变结果。在卫星资源有限的情况下，各波束提供的通信容量不能满足地面小区的业务请求，基于粒子群算法选择的波束跳动图案，提出了一种自适应波束功率分配算法。该算法通过优先级加权，最小化波束业务容量需求差值，进而提高服务质量水平。最后，通过仿真验证了所提算法的性能优越性。