受恶劣电磁环境和元器件老化等因素影响,多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达的天线阵元发生故障的概率增加,而阵元故障会严重降低目标波达方向(Direction of Arrival,DOA)估计性能。现有的大多数基于深度学习的DOA...受恶劣电磁环境和元器件老化等因素影响,多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达的天线阵元发生故障的概率增加,而阵元故障会严重降低目标波达方向(Direction of Arrival,DOA)估计性能。现有的大多数基于深度学习的DOA估计方法未能充分利用阵列模型的先验信息,导致其建立的映射关系极为复杂,从而使得网络拟合难度较大。为此,提出一种基于先验驱动残差注意力网络的阵元故障MIMO雷达DOA估计方法。首先,利用MIMO雷达协方差矩阵的双重Toeplitz先验特性,构建了基于先验驱动的残差注意力网络,并引入残差注意力块对协方差矩阵的特征进行加权处理,旨在学习阵元故障下存在数据缺失的协方差矩阵和完整协方差矩阵生成向量之间的映射关系。然后,根据残差注意力网络输出的生成向量估计值得到完整的协方差矩阵。最后,利用RD-ESPRIT(Reduced Dimension ESPRIT)算法估计目标DOA。仿真结果表明,所提算法在阵元故障下的DOA估计性能优于现有算法,在信噪比为15 dB时,其DOA估计精度比效果最好的现有算法提高了43.26%。展开更多
为解决嵌套阵列在低信噪比、小快拍的情况下,波达方向(direction of arrival, DOA)估计精度下降的问题,提出了一种基于平均化去冗余的嵌套阵列无网格实值DOA估计算法。首先,通过接收数据建立嵌套阵列虚拟域信号接收模型;其次,利用平均...为解决嵌套阵列在低信噪比、小快拍的情况下,波达方向(direction of arrival, DOA)估计精度下降的问题,提出了一种基于平均化去冗余的嵌套阵列无网格实值DOA估计算法。首先,通过接收数据建立嵌套阵列虚拟域信号接收模型;其次,利用平均化去冗余的方法,设计一个变换矩阵对冗余的虚拟阵元进行去冗余,并通过原子范数最小化(atomic norm minimization, ANM)方法重构接收信号协方差矩阵;最后,结合实值化处理进行DOA估计。理论分析和仿真结果表明,所提算法在小快拍和低信噪比情况下,不仅具有良好的鲁棒性与较高估计精度,而且提升了估计方法的实时性能。展开更多
近年来随着经济的发展,室内定位系统的需求越来越迫切.传统的室内定位系统如WIFI定位和蓝牙定位面临着定位精度低、易受非视距(non-line-of-sight,NLOS)和噪声干扰等挑战.针对这些问题,提出了一种基于融合集成学习的近超声室内定位方法...近年来随着经济的发展,室内定位系统的需求越来越迫切.传统的室内定位系统如WIFI定位和蓝牙定位面临着定位精度低、易受非视距(non-line-of-sight,NLOS)和噪声干扰等挑战.针对这些问题,提出了一种基于融合集成学习的近超声室内定位方法.首先,使用优化的增强互相关方法有效地抵消多径干扰.与传统基于峰值提取或固定阈值的方法相比,此法在混响环境中明显提升了测距的精度.然后,利用到达时间差(time difference of arrival,TDOA)作为特征进行提取.最终,采用了融合集成学习模型,对设定好的训练集进行交叉融合训练,并输入特征,从而得到修正的定位结果.仿真和实验测试结果表明,所提出的方法可以在室内NLOS和噪声干扰的情况下克服较大误差实现精确定位,并且精度优于对比方法50%~90%.本文核心数据公布在https://github.com/ChirsJia/JSJYF上.展开更多
针对互耦效应和脉冲噪声并存环境下的波达方向(direction of arrival,DOA)估计问题,提出一种结合M估计与稀疏重构的算法。首先,为了消除互耦效应的影响,依据互耦矩阵的托普利兹结构进行恒等变形,得到了不含未知互耦系数的字典。随后,为...针对互耦效应和脉冲噪声并存环境下的波达方向(direction of arrival,DOA)估计问题,提出一种结合M估计与稀疏重构的算法。首先,为了消除互耦效应的影响,依据互耦矩阵的托普利兹结构进行恒等变形,得到了不含未知互耦系数的字典。随后,为了使算法能适应高斯噪声和不同强度的脉冲噪声,将位置得分函数表示为高斯位置得分函数和一系列非线性函数的线性组合,利用噪声样本估计线性组合系数从而建立损失函数。最后,采用迭代硬阈值算法进行稀疏重构,并通过改进信号更新策略提高正确收敛的概率。仿真结果表明,所提算法能有效抑制互耦效应和脉冲(高斯)噪声的干扰,同时相较已有算法在低信噪比、强脉冲特性下的性能有显著提升。展开更多
针对IEEE 802.11p标准中导频数量有限,难以准确追踪车联万物(Vehicle-to-Everything,V2X)通信中时变信道的问题,学者们研究了数据导频辅助(Data Pilot Aided,DPA)信道估计方案。然而,这些经典DPA方案不能在完整的信噪比(Signal to Noise...针对IEEE 802.11p标准中导频数量有限,难以准确追踪车联万物(Vehicle-to-Everything,V2X)通信中时变信道的问题,学者们研究了数据导频辅助(Data Pilot Aided,DPA)信道估计方案。然而,这些经典DPA方案不能在完整的信噪比(Signal to Noise Ratio,SNR)范围内给出令人满意的效果,并且其估计结果的可靠性易受误差传播的影响。研究了一种新的信道估计方案,基于使用虚拟子载波的最小均方误差(Minimum Mean Square Error Using Virtual Pilots,MMSE-VP)方案,提出一种带有时间平均操作的改进MMSE(Improved MMSE,IMMSE)方案。IMMSE方案通过利用相邻正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)符号间信道的相关性来提高MMSE-VP方案在低SNR区域的性能,达到在整个SNR区域有良好表现的目的。联合深度学习技术,采用全连接神经网络(Fully Connected Neural Network,FCNN)作为IMMSE方案的非线性后处理模块,减少误差并获得更好的估计性能。在不同实验条件下的仿真结果表明,提出的信道估计方案可以适应调制方式和车辆速度的变化,能有效应对V2X通信中的信道估计问题。展开更多
文摘双基地多输入多输出(Multiple-Input Multiple-Output, MIMO)雷达阵元故障会导致三阶观测张量中出现缺失切片数据,严重影响目标角度估计性能。为此,提出一种基于原子范数的阵元故障MIMO雷达差分共阵角度估计方法。首先,对MIMO雷达三阶观测张量进行PARAFAC分解得到收发阵列的不完整因子矩阵;然后,利用收发阵列的因子矩阵分别获得发射和接收差分共阵的导向矩阵,并利用差分共阵的冗余度对故障阵元缺失数据进行填充,从而得到等效虚拟收发阵列的虚拟因子矩阵;最后,为了填补等效虚拟阵列中的空洞,分别对等效虚拟收发阵列的虚拟因子矩阵建立原子范数约束下的低秩矩阵重构模型,并将其表述为半正定规划(Semi-definite Programming, SDP)问题,利用交替方向乘子法(Alternating Direction Method of Multipliers, ADMM)求解该矩阵重构模型。仿真结果表明,所提方法可以有效重构出不完整因子矩阵中的缺失数据,从而改善MIMO雷达阵元故障下的角度估计性能。
文摘近年来随着经济的发展,室内定位系统的需求越来越迫切.传统的室内定位系统如WIFI定位和蓝牙定位面临着定位精度低、易受非视距(non-line-of-sight,NLOS)和噪声干扰等挑战.针对这些问题,提出了一种基于融合集成学习的近超声室内定位方法.首先,使用优化的增强互相关方法有效地抵消多径干扰.与传统基于峰值提取或固定阈值的方法相比,此法在混响环境中明显提升了测距的精度.然后,利用到达时间差(time difference of arrival,TDOA)作为特征进行提取.最终,采用了融合集成学习模型,对设定好的训练集进行交叉融合训练,并输入特征,从而得到修正的定位结果.仿真和实验测试结果表明,所提出的方法可以在室内NLOS和噪声干扰的情况下克服较大误差实现精确定位,并且精度优于对比方法50%~90%.本文核心数据公布在https://github.com/ChirsJia/JSJYF上.
文摘针对互耦效应和脉冲噪声并存环境下的波达方向(direction of arrival,DOA)估计问题,提出一种结合M估计与稀疏重构的算法。首先,为了消除互耦效应的影响,依据互耦矩阵的托普利兹结构进行恒等变形,得到了不含未知互耦系数的字典。随后,为了使算法能适应高斯噪声和不同强度的脉冲噪声,将位置得分函数表示为高斯位置得分函数和一系列非线性函数的线性组合,利用噪声样本估计线性组合系数从而建立损失函数。最后,采用迭代硬阈值算法进行稀疏重构,并通过改进信号更新策略提高正确收敛的概率。仿真结果表明,所提算法能有效抑制互耦效应和脉冲(高斯)噪声的干扰,同时相较已有算法在低信噪比、强脉冲特性下的性能有显著提升。
文摘针对IEEE 802.11p标准中导频数量有限,难以准确追踪车联万物(Vehicle-to-Everything,V2X)通信中时变信道的问题,学者们研究了数据导频辅助(Data Pilot Aided,DPA)信道估计方案。然而,这些经典DPA方案不能在完整的信噪比(Signal to Noise Ratio,SNR)范围内给出令人满意的效果,并且其估计结果的可靠性易受误差传播的影响。研究了一种新的信道估计方案,基于使用虚拟子载波的最小均方误差(Minimum Mean Square Error Using Virtual Pilots,MMSE-VP)方案,提出一种带有时间平均操作的改进MMSE(Improved MMSE,IMMSE)方案。IMMSE方案通过利用相邻正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)符号间信道的相关性来提高MMSE-VP方案在低SNR区域的性能,达到在整个SNR区域有良好表现的目的。联合深度学习技术,采用全连接神经网络(Fully Connected Neural Network,FCNN)作为IMMSE方案的非线性后处理模块,减少误差并获得更好的估计性能。在不同实验条件下的仿真结果表明,提出的信道估计方案可以适应调制方式和车辆速度的变化,能有效应对V2X通信中的信道估计问题。
