排序方式: 共有39条查询结果,搜索用时 0 毫秒
31.
32.
33.
34.
STAP中采样支持问题研究 总被引:2,自引:0,他引:2
在机载雷达空时二维自适应处理 (STAP)中 ,足够数量的IID采样数据才可以构成杂波相关矩阵的有效估计 ,而实际雷达工作环境中的采样数总是有限的 针对这一问题 ,提出了将前后平均 ,对角加载 ,与降维处理相结合来降低采样数目要求 ,解决采样支持问题的方案 ,并进行了理论分析与仿真。显然 ,通过采用适当的降维处理与前后平均及对角加载相结合 ,所需采样数最多可降低到仅用 3~ 5个 相似文献
35.
36.
针对在信号特征提取与识别中使用双谱估计数据量大、维度高的问题,提出了双谱对角切片(BDS)与广义维数(GD)相结合的识别方法。通过提取信号双谱对角切片减少数据量,并利用多重分形理论中的广义维数降低数据维度,对切片内部特性进行细微描述,基于距离测度提出特征评价指标,从而选出最具有区分度的3个阶数对应的广义维数作为特征向量,输入到最小二乘支持向量机中进行分类识别。使用4种低截获概率(LPI)雷达信号作为待识别信号,仿真结果表明,本文方法提取的信号特征在特征空间中有良好的聚集性和离散性,在0 dB信噪比下,识别准确率能达到92.2%,与选取的其他方法对比说明其具有很好的识别性能。 相似文献
37.
用θ加权法离散时间域,并将四种稳定化方案与无网格Galerkin方法相耦合进行空间域的离散。在无网格Galerkin方法中,采用线性基和具有连续的权函数,基于移动最小二乘法构造了高阶导数连续的形函数,从而避免了有限元方法中采用线性元插值时,因忽略稳定项中二阶导数项而降低计算精度的问题。数值计算表明:本文构造的方法成功地消除了非定常对流扩散方程中对流项占优时的数值伪振荡现象,并具有计算精度高、稳定性好、算法实施简单、前后处理方便的优点。特别是所构造的MFLS方法非常适宜于求解非定常的对流扩散方程。 相似文献
38.
无单元Galerkin法需要在背景网格上积分,计算量大,且在求解对流占优问题时会出现非物理的数值伪振荡现象。为此,基于局部Taylor展开思想,采用节点处的局部Taylor展开计算积分,建立了局部Taylor展开积分无单元Galerkin法。该方法同时解决了标准的无单元Galerkin法计算量大和对流占优时会出现数值伪振荡的问题。一维定常对流扩散方程和二维Burgers方程的求解说明了该方法的有效性,且计算效率远高于无单元Galerkin法。 相似文献
39.
针对大多数特征表示算法在挖掘高维数据内在结构时容易受到噪声的影响,以及特征学习与分类器设计割裂导致分类性能降低的问题,提出了一种新的基于特征表示的人脸识别方法,称为块对角投影表示(BDPR)学习。首先,利用样本信息对每类样本的编码系数施加一个加权矩阵,通过局部约束来加强表示系数之间的相似性,从而降低噪声对系数学习的影响,使所提方法能够更好地保持数据的局部结构。其次,为了实现数据与编码系数相关联,降低表示系数的学习难度,构造了块对角化判别约束项来学习一个判别投影,通过投影从低维数据中提取样本表示系数,使系数包含更多的样本间全局结构信息且具有更低的计算复杂度。最后,将系数学习和分类器学习整合到同一框架下,同时增大不同类别样本间的“标签距离”,采用迭代求解的方式交替更新判别投影和分类器,最终得到最适合当前表示特征的分类器,使得所提方法能自动完成分类。多个公开的人脸数据集上的实验结果表明:较之传统的协作表示分类和多个主流的子空间学习方法,所提方法均取得了更优的识别效果。 相似文献