一、A high-resolution direction-of-arrival estimation based on Bayesian method（论文文献综述）
王华忠,盛燊[1]（2021）在《走向精确地震勘探的道路》文中研究说明勘探地震领域已扩展到复杂地表、复杂构造、复杂油藏和深层目标等。地震数据采集技术发展到了宽方位、高密度、宽频带（"两宽一高"）地震数据采集阶段;地震波成像技术发展到了贝叶斯（Bayes）参数估计理论下的全波形反演（FWI）和最小二乘逆时深度偏移成像（LSRTM）;油藏描述发展到了综合信息利用和最佳判定阶段;地震勘探技术已经发展至全新的阶段。横向缓变的层状介质假设、地表一致性假设、射线理论波传播和Zoeppritz方程界定了上一代精确地震勘探的方法技术及其适用性,上一代精确地震勘探以高分辨率地震子波作为成像处理的核心目标,并据此开展薄层油气藏的识别、描述与评价。而描述任意介质中地震波传播的波动理论和贝叶斯参数估计理论构成了新一代高精度地震勘探的理论基础。"两宽一高"的地震数据采集技术和更高精度的子波处理;基于高维、字典基和稀疏特征表达的信号处理技术（解决去噪、数据规则化、数据压缩、去混叠等问题）、建立更精确速度和Q值模型以及估计宽带反射系数的特征波反演成像技术、宽带波阻抗成像技术和基于信息综合的人工智能油藏描述技术代表了走向精确地震勘探的未来方向。
白宗龙[2]（2021）在《基于稀疏贝叶斯学习的声源方位角估计算法研究》文中研究说明声源方位角估计技术通过处理麦克风阵列采集的数据估计声源的方位角信息。该技术在智能机器人、视频会议、声学故障诊断和声纳等领域有广泛应用。但在大多数应用领域,麦克风阵列的尺寸受平台大小的约束,导致传统的声源方位角估计算法如波束成形等受到瑞利限的限制而分辨率比较低。高分辨的算法如最小方差无失真相应算法和基于旋转不变技术的参数估计算法对混响和阵列校正误差等非常敏感。尽管出现了鲁棒的高分辨算法,但是这些算法都属于渐进性算法,即只有在高信噪比和快拍数足够大的条件下有效。为了提高声源方位角估计算法的空间分辨率和方位角的估计精度,本文开展了基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的声源方位角估计算法研究。SBL算法是一种通过构建多层贝叶斯框架赋予信号稀疏先验,最大化后验分布得到信号估计的稀疏信号恢复方法。本文的主要研究内容如下:在基于稀疏信号恢复的声源方位角估计中,过完备表示基之间的相关性导致声源方位角估计算法的分辨率降低。为更有效的利用声源在空间中的稀疏特性以降低过完备表示基之间的相关性对声源方位角估计的影响,本文开展了基于稀疏贝叶斯学习的声源方位角估计研究。在现有的SBL算法框架基础上提出一种基于自适应套索算子（Least Absolute Shrinkage and Selection Operator,LASSO）先验的SBL算法。该算法通过构建一种新的多层贝叶斯框架赋予信号以独立的LASSO先验。相比于现有的稀疏先验,自适应LASSO先验有效地鼓励稀疏,从而提高声源方位角估计的分辨率。另外,对广义高斯分布进行了研究,给出了广义高斯分布的一种共轭特性。并根据该特性建立了基于广义高斯先验的SBL框架。利用该框架理论上可以在高信噪比环境下得到（?）0范数约束的近似解,从而进一步提高高信噪比环境下声源方位角估计的分辨率。为提高声源方位角估计算法的估计精度,开展了多快拍条件下基于SBL的声源方位角估计算法研究。首先使用快拍间共享方差参数的方式构建多层稀疏贝叶斯框架,从而利用多快拍数据的块稀疏特性提高声源方位角的估计精度。然后针对算法计算复杂度高限制实际应用的问题,提出了一种基于空间轮换变元贝叶斯估计的声源方位角估计算法。利用声源之间的独立性对声源信号进行空间轮换更新,避免了矩阵求逆运算,降低算法的计算复杂度,提高了算法的实用性。由于声源信号的能量在各子频带上分布不均匀,所以存在单个或多个子频带中声源能量过低的情况。此时,单个或多个子频带的信噪比过低导致稀疏恢复结果不精确,从而造成声源方位角的错误估计。为降低单个或多个子频带稀疏信号恢复不精确对声源方位角估计的影响,本文提出一种基于复高斯混合模型的声源方位角估计算法。通过构建复高斯混合模型利用稀疏恢复信号与声源方位角之间的联系,减小单个或多个子频带恢复不精确对声源方位角估计的影响,从而降低声源方位角的错误估计率。为了验证本文提出算法的有效性和实用性,本文开展了实际环境下声源方位角估计实验。第一,搭建了基于均匀圆形麦克风阵列的声源方位角估计系统用于数据采集并开展了算法性能验证实验。第二,进一步使用LOCATA数据库中的近球形麦克风阵列采集的数据进行算法验证。实验结果表明,本文提出的算法适用于均匀圆形麦克风阵列以及近球形麦克风阵列并且有效提高了声源方位角估计的空间分辨率和估计精度,降低了错误估计率。
田佳佳[3]（2021）在《基于机器学习的阵列信号波达方向估计方法研究》文中研究表明基于麦克风阵列的波达方向（Direction of Arrival,DOA）估计是研究阵列信号处理领域的一个重要分支,它在军事领域和民用领域有着广泛的应用,如军事雷达定位、车载电话和视频会议系统等。近年来,由于机器学习算法和深度学习在各个领域表现出的优异成绩,将机器学习和深度学习应用于声源定位已经成为了研究的主流方向。相比传统的声源定位算法,基于这类算法的声源定位方法有着更好的鲁棒性和精确性,针对此类方法,本文做了以下几方面的深入研究:1、为了提高麦克风阵列信号DOA估计的自由度,提出了一种基于稀疏贝叶斯（Sparse Bayesian Learning,SBL）在未知噪声场的欠定宽带DOA估计算法。该算法利用互质阵列可以提供虚拟阵元的特点,增加阵列的自由度。SBL算法无需源信号个数的先验信息,通过定点更新使得稀疏信号重构达到全局收敛的效果,进一步增强了DOA估计在低信噪比情况下的适应能力,提高了DOA估计的稳定性和精确性。2、针对由于混响和噪声干扰导致特征数据不易区分从而使得定位性能下降的问题,本章提出了基于LDA（Linear Discriminant Analysis,LDA）特征变换的LSTM（Long ShortTerm Memory,LSTM）神经网络的DOA估计方法。首先,对麦克风接收的混响信号进行协方差矩阵计算,然后利用协方差矩阵计算线性判别分析投影矩阵W,并转换成投影数据集Z,利用投影数据集Z训练LSTM神经网络得到信号的DOA估计。3、针对传统神经网络在DOA估计上存在稳定性差、精确度低,以及在低信噪比和样本数过多或过少的情况下误差增大的问题,提出了基于SVM（Support Vector Machine,SVM）的局部加权LSTM（Local Weighted Long Short Term Memory,LWLSTM）神经网络的DOA估计方法。首先由麦克风阵列接收宽带信号并进行预处理,然后将处理好的信号协方差矩阵的上三角阵转换为输入序列作为局部加权LSTM神经网络的输入训练网络,得到子带信号的DOA估计结果。最后通过子带信号的输出结果训练SVM模型,将子带信号DOA估计结果进行融合得到宽带信号的DOA估计结果。4、分析第三、四、五章提出的DOA估计算法并实现语音定位系统。实验结果表明,本文提出的DOA估计算法定位精度高,有着更强的鲁棒性,可以满足实际定位的需要。最后,对本文所完成的工作进行总结,并对存在的不足之处做出展望。
许蓉[4]（2021）在《风电叶片声辐射噪声特性分析与应用研究》文中研究表明由于环境问题日益严重,不可再生资源紧缺,如何高效利用风能发电成为了重要的研究内容。风力发电机作为风力发电的主要设备,多建造于海边、山峰等环境恶劣的地点,其叶片长期暴露于室外,极易出现损伤,且随着风力发电需求增大,机组叶片尺寸不断加大的同时,也增加了故障风险。机组叶片故障是风电机组安全稳定运行的主要威胁之一。本文基于叶片辐射噪声,对风机叶片故障检测问题,展开相关研究。为研究风力发电机机组中故障叶片与正常叶片辐射声信号的特性差异,本文基于COM-SOL Multiphysics仿真平台对风机叶片进行了仿真。仿真中发现,当叶片存在孔洞损伤时,故障叶片辐射声信号的能量要高于正常叶片辐射声信号。因此叶片辐射声信号能量的增加可以用来进行叶片早期故障预警。另外,故障叶片的固有频率也会出现下降,且下降幅度随着阶数增大而增大。有关声场指向性的仿真结果表明,叶尖所指方向的声压级最大,该方向可以认为是麦克风阵列放置的最佳方向。尽管数据采集与监视控制（Supervisory Control And Data Acquisition,SCADA）系统能够实现对风机的故障检测,但该系统尚未普及至所有风电场,且更适用于中后期故障检测。因此,本文提出一种基于无接触式麦克风阵列信号采集与空时联合处理的叶片故障检测方案。考虑到早期故障叶片辐射的异响信号较弱,利用信号波达方向（Direction Of Arrival,DOA）估计算法与波束形成算法增强接收信号的信噪比（Signal to Noise Ratio,SNR）。仿真与实验结果表明,对于本文中分析比较的各算法,基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的DOA估计算法与常规波束形成（Conventional Beamforming,CBF）算法结合能得到最优的信号增强性能。对于增强后信号,本文首先将时频分析与支持向量机（Support Vector Machine,SVM）相结合,来实现对叶片故障的检测。尽管基于SVM的检测框架表现出较好的检测性能,但人工特征提取仍有其局限性。而卷积神经网络（Convolutional Neural Networks,CNN）能够实现特征的自动提取。因此,本文提出一种基于卷积神经网络的分类算法,采用的网络结构参考Deep Complex Unet（DCUnet）,并将原网络结构中的反卷积层替换为全连接层实现分类。三地风电厂的实验结果验证了上述算法的有效性。
张士惠[5]（2021）在《基于贝叶斯压缩感知的DoA估计方法研究》文中认为阵列信号处理是信号处理领域的重要分支,其目的是提取阵列所接收的信号及其特征参数,同时抑制干扰、噪声或不感兴趣的信息。波达方向（DoA）估计方法研究是阵列信号处理的重要分支之一,在雷达、声纳、地震勘探、射电天文等方面广泛应用。它是通过一组天线阵列接收空间中的信号判定信号的入射角从而对信号的方位进行估计,经过多年来无数学者的研究,目前已有如空间谱估计类算法、基追踪算法（BP）、正交匹配追踪算法（OMP）等较为成熟的算法,但这些算法都不免存在一些缺点,如何更加快速有效的提高DoA估计精度,历来是DoA估计方法中的重要研究内容,贝叶斯压缩感知相比于传统的估计方法在精度或时间上有一定的优势。怎样用贝叶斯压缩感知对信号DoA进行估计是本文的主要研究内容。首先,针对多重信号分类算法（MUSIC）估计精度差及经典压缩感知类算法耗时长的问题,提出了一种新型的基于贝叶斯理论估计算法来估计信号DoA,即基于拉普拉斯先验的贝叶斯压缩感知方法,该方法能更加快速有效的估计信号DoA。在求解的过程中,用压缩感知理论对信号角度进行稀疏表示、压缩采样及信号重构,采用结合贝叶斯理论的估计方法估计出能量较强角度的信号源,避免了每个角度求解而造成的耗时问题。其次,基于贝叶斯压缩感知（BCS）,进行了单任务和多任务贝叶斯压缩感知理论的研究,并对宽带信号DoA进行估计,使得可以同时对信号方向角和带宽进行估计。通过借鉴压缩感知理论中的稀疏表示,对信号带宽进行划分,通过估计带宽内的信号个数确定信号带宽,采用多任务贝叶斯压缩感知理论,避免了每个采样值估计时手动选择参数的困难,同时也使得算法更加稳定,抗噪声能力强,也使得重构的信号方向角更加清晰明了,数值仿真和实验测试的相关结果均验证了该算法的有效性。最后,在已有的在相控阵方法研究的基础上,针对四维时间调制阵列（TMA）DoA估计问题,进行了系统性的研究,将时间作为一个参数引入到天线阵列DoA估计方法中,在线性时间调制阵列下,用压缩感知算法及经典DoA估计算法进行信号的方向角估计,通过不同噪声情况进行数值仿真测试,实现了不同场景下的DoA估计的有效性。
李海思[6]（2021）在《基于多无人机的辐射源定位与路径规划技术研究》文中研究指明传统的无源定位系统主要由多个地面固定基站和测算中心组成,在对辐射源进行定位时,系统定位精度往往受到基站数量和分布、基站与辐射源之间的距离、非视距（Non Line of Sight,NLOS）条件下的天线遮挡等问题的影响。基于上述问题,本研究考虑采用灵活机动的无人机（Unmanned Aerial Vehicle,UAV）平台取代固定基站,将定位系统转移至空中,对辐射源进行移动定位,同时对该系统中无人机的飞行路径规划、辐射源定位等问题进行了研究。论文的主要内容和创新概括如下:1、针对辐射源定位,构建了一种基于无人机移动平台的无源定位系统,阐述了运行框架和定位技术原理,并给出了该模型下的克拉美罗下界（Cramér–Rao Lower Bound,CRLB）推导方法,为后续的多无人机路径规划和辐射源定位提供了误差衡量标准和理论基础。2、基于多无人机对单个静止辐射源进行定位的场景,目前已有的无人机航迹规划研究主要着眼于对威胁区域的避让和路径最短等方向,而针对定位任务的无人机路径规划研究相对较少,因此本文首先给出了基于定位精度的多无人机路径规划算法模型,讨论了针对航迹规划约束条件的修正方法;其次,考虑到无人机距离辐射源较远时定位精度较差,用全局CRLB取代传统的单点CRLB代价函数,提出了一种基于全局CRLB的无人机路径规划算法;另外,通过代入前一时刻定位先验信息、约束无人机飞行角度、改变采样时间间隔分布等方法,对算法做出了进一步优化。仿真结果表明,本研究提出的基于全局CRLB和基于贝叶斯估计的路径规划算法比传统算法的定位精度更高,针对无人机飞行角度和采样时间间隔的优化方案则有效降低了计算量、提高了系统的工作效率。3、基于多无人机对单个移动辐射源进行定位的场景,目前对移动目标进行跟踪定位的研究成果中,很少以各时刻的目标定位精度来规划路径,因此本文将卡尔曼滤波（Kalman Filter,KF）及扩展卡尔曼滤波（Extended Kalman Filter,EKF）跟踪算法和路径规划算法相结合,使用无人机对当前时刻的辐射源位置进行跟踪估计,提出一种针对移动目标定位任务的多无人机跟踪定位路径规划模型,并以当前时刻定位误差作为代价函数对无人机路径进行规划。4、基于多个无人机编队对多个辐射源进行定位的场景,首先构建了该场景下的问题模型,对多目标定位结果序列构成的高斯混合模型（Gaussian Mixed Model,GMM）进行了分析,并结合最大期望（Expectation-Maximization,EM）算法的原理对该多无人机多目标定位模型进行了求解;其次考虑到待估计参数的先验信息,提出了一种基于贝叶斯估计的多目标定位优化算法,并分析了影响该模型待估计参数精度的因素。仿真结果表明,EM算法能有效解决该模型下混合分布的数据重复及缺失问题,引入先验信息后,有效降低了系统定位误差。
张泽云[7]（2019）在《基于稀疏恢复的波达方向和毫米波MIMO信道估计研究》文中研究说明随着经济的发展和信息科学技术的进步,阵列信号处理的应用领域变得越来越广泛。作为阵列信号处理基本问题之一的波达方向（direction-of-arrival:DOA）估计,也受到了广泛的关注和研究。然而,在天线阵列工作环境恶化和用户需求提高的情况下,以子空间类方法为代表的DOA估计理论在小快拍、相关信号、大带宽或低信噪比场景下表现出了明显的局限性。基于入射信号空域稀疏性的假设,稀疏恢复理论的引入极大的推动了DOA估计领域的研究和发展。按照不同的稀疏表示模型,可将DOA估计方法分为on-grid、off-grid和gridless三大类。尽管on-grid类方法较为简单,但其缺陷也十分明显,因此本文的研究内容主要基于off-grid和gridless这两种稀疏表示模型。第五代移动通信系统由于使用了毫米波和多天线技术,其系统容量、覆盖范围、可靠性、保密性和能效性等多项性能指标都得到了显着提升。但为了充分发挥第五代移动通信技术的优势,需要准确获得信道状态信息。目前,以匹配追踪（Matching pursuit:MP）类方法为代表的毫米波多输入多输出（Multiple input multiple output:MIMO）通信系统的信道估计方法得到了广泛的研究。其主要思想是基于接收信号的空域稀疏性,采用扩展的虚拟信道模型将入射信号的角度空间进行网格化处理,从而实现对信道矩阵的稀疏化表示。然而,MP类方法主要存在两个缺陷:1)需要较多的训练帧才能达到较理想的估计性能;2)空间网格的划分限制了其估计精度的提高。本文利用稀疏恢复方法,先分别针对低信噪比和相干信号的场景研究了基于off-grid信号模型的DOA估计问题;然后将目光转向毫米波MIMO信道估计领域,针对目前该领域广泛使用的匹配追踪类算法存在的缺陷,将gridless DOA估计相关理论引入毫米波MIMO信道估计领域并取得了显着的效果。本文的主要研究内容如下:（1）为解决低信噪比下波达方向的估计问题,本文提出了一种新的基于l p（0<p<1）范数正则化的稀疏方法。由于l1 范数正则化方法是l0范数最小化问题的凸松弛,在低信噪比环境下,使用l1 范数的DOA估计方法往往容易引入额外的估计误差从而得不到理想的恢复结果。本文基于off-grid信号模型,首先采用一阶泰勒展开公式把l0范数问题转换成一个迭代加权的l1范数问题,然后使用两步迭代的方法来实现DOA估计,并采用奇异值分解来简化计算。理论和仿真实验表明,我们所提出的方法有效提高了低信噪比和相关信号场景下的DOA估计性能。（2）针对相干信号的波达方向估计问题,提出了基于稀疏贝叶斯学习和虚拟阵列输出的DOA估计方法。我们把稀疏线阵的输出看成是虚拟均匀线阵输出的一部分,然后基于off-grid信号模型在稀疏贝叶斯学习的框架下解决相干信号的DOA估计问题,最后我们采用期望最大化方法交替迭代以更新超参数集合与虚拟ULA（uniform linear array）的输出,并利用虚拟ULA的输出来估计入射信号的DOA。理论和实验表明,该方法有效提高了在相干信号场景下的DOA估计精度。（3）针对当前MP类方法在毫米波MIMO信道估计中存在的问题,本文提出了采用原子范数理论进行信道估计的方法。首先,我们建立了上行单用户场景下毫米波MIMO的平坦衰落信道模型,然后根据毫米波MIMO信道在空间域的稀疏特性将其信道估计问题规划成一个稀疏恢复问题。接下来,我们再利用接收信号协方差矩阵的托普利兹特性,通过解一个半定规划问题,最终实现了对信道矩阵的精确估计。理论和实验表明,在少量训练帧场景下,我们所提出的方法比MP类方法具有更好的信道估计精度和频谱效率。（4）针对目前许多频率选择性衰落毫米波MIMO信道估计方法由于采用对每个子载波分别估计的策略而导致估计精度受限的问题,提出了一种基于协方差匹配准则的信道估计方法,能够以较高精度同时估计所有子载波的信道。首先,我们建立了频率选择性衰落毫米波MIMO通信系统在频域的信道模型,把宽带毫米波信道估计问题简化成对多个平坦衰落信道进行估计的问题。然后,充分利用多个载波之间在空间域存在的共同支撑性,把对多载波的信道估计问题规划成一个gridless稀疏恢复问题以便同时对所有子载波信道进行估计。最后,利用协方差匹配准则可以得到一个半定规划问题,于是,通过求解这个半定规划问题并结合范德蒙德矩阵分解定理就能够较精确地恢复信道参数。实验表明,在少量训练帧场景下,本文提出的方法比分别对每个子载波单独进行信道估计的MP类方法具有更好的估计性能。
苏炳志[8]（2020）在《小行星探测视觉辅助导航系统滤波方法研究》文中认为小行星探测对于揭示太阳系起源和监测对地球潜在威胁的小天体具有重要意义,成为21世纪深空探测领域的重点发展方向。精确自主导航是未来小行星探测器在绕飞和变轨等接近段中顺利开展任务必不可少的技术。基于惯性测量单元和导航相机的视觉辅助导航具有精度高和自主性强的优点,在小行星探测中有广泛应用前景。对于具有强非线性的视觉辅助导航系统而言,其导航精度很大程度上取决于用于融合视觉和惯性导航测量数据的非线性滤波算法。本文以小行星绕飞探测为背景,对视觉辅助导航系统的滤波方法进行深入研究,主要内容包括:给出了惯性导航系统与视觉导航系统的量测模型和基于位置几何精度因子的视觉导航陆标点选取法,建立了视觉辅助导航系统的状态传递方程和量测方程。使用扩展卡尔曼滤波实现视觉量测信息对惯性导航误差的修正,估计出探测器相对于小行星的位置、速度和姿态。开展数学仿真验证了视觉辅助导航模型和视觉导航陆标点选取法的正确性和有效性。为了提高导航滤波器的估计精度和收敛速度,引入了确定性采样非线性高斯滤波来处理非线性系统状态估计问题。根据Genz积分法和矩匹配推导了基于五阶球面-径向容积准则的高阶容积卡尔曼滤波（HCKF）,采用多变量函数泰勒级数展开和计算复杂度在估计精度和计算量两方面综合评估了HCKF、容积卡尔曼滤波（CKF）和高斯厄米特积分滤波（GHQF）三种非线性滤波算法的性能,理论分析表明HCKF的估计精度与GHQF相当并高于CKF,同时计算量远小于GHQF。设计了基于高阶容积卡尔曼滤波的视觉辅助导航滤波器。通过仿真,证实了HCKF是一种兼具估计精度和计算效率优势的非线性高斯滤波算法。受不同光照条件等因素的影响,导航相机量测噪声往往呈协方差未知受污高斯分布。针对量测噪声协方差未知的情况,在共轭指数域中,分别用Gaussian分布和Inverse Wishart分布对系统状态和量测噪声协方差进行建模,采用变分贝叶斯理论实现对系统状态和噪声协方差的递推估计。为了抑制非高斯噪声对系统状态和量测噪声协方差估计的影响,对Huber提出的广义极大似然估计技术进行研究,利用Huber技术对非线性高斯滤波的更新过程进行修正,推导了变分贝叶斯自适应高阶容积Huber-based滤波（VBAHCHF）。设计了基于VBAHCHF的视觉辅助导航滤波器,最后通过数学仿真验证了协方差未知受污高斯噪声情况下VBAHCHF在自适应性、鲁棒性和估计精度上的优越性。另一方面,由于导航系统与星载计算机之间的串口转换等因素,传输到数据融合中心的视觉量测数据可能会随机延迟多个采样周期。为解决这种情况下的估计问题,利用多个伯努利随机变量构建实际接收量测和理想量测之间的关系,建立了多步随机时延非线性系统。通过边缘化延迟变量以从带有随机时延的量测中提取准确的信息来计算滤波器的似然函数,推导了多步随机时延高阶容积卡尔曼滤波（MRD-HCKF）。将基于变分贝叶斯理论的量测噪声协方差在线估计和基于Huber技术的鲁棒估计嵌入到MRD-HCKF中,提出了一种多步随机时延变分贝叶斯自适应高阶容积Huber-based滤波（MRD-VBAHCHF）。最后,设计了基于MRD-VBAHCHF的视觉辅助导航滤波器,并通过数学仿真验证了在系统量测带有多步随机时延和量测噪声呈协方差未知受污高斯分布情况下MRD-VBAHCHF的性能优于HCKF、MRD-HCKF和VBAHCHF。
赵梦晓[9]（2020）在《天地波多模式混合的岸基高频雷达目标信息获取方法研究》文中研究表明高频雷达通常被用于发现超视距的海面或空中目标,传统高频雷达包括高频地波雷达和高频天波雷达等,其中,高频地波雷达采用单一的地波传播模式,受地波衰减限制,其最大探测范围约为370km,无法探测距离更远的目标;高频天波雷达采用单一的天波传播模式,受电离层和自由空间衰减的影响,其探测范围大约为800～3500km,存在近距离探测盲区。可见,这两者都无法满足同时监测由近岸到中远海区域目标的需求,为了在岸基高频雷达系统中实现这一需求,本文提出了利用地波和天波的多种混合传播模式来发现目标的新型岸基高频雷达——天地波多模式混合的单站岸基高频雷达,以下简称为多模式高频雷达,并重点研究了该雷达系统中的目标信息获取方法。多模式高频雷达采用收发共置模式,同时向电离层和海面辐射高频垂直极化电磁波,利用天波和地波的多种混合传播模式进行目标探测。此时,不考虑电离层分层的情况下,该系统中可能存在四种天波和地波的混合传播模式:地波发射-地波接收模式（可以探测370km左右以内的近岸目标）;地波/天波发射-天波/地波接收模式（可以探测600km左右以内的近、中海区域目标）;天波发射-天波接收模式（可以探测300～1000km左右的中、远海区域目标）。在合适的系统参数及电离层状态下,该新型高频雷达可以完全覆盖0～1000km左右范围内的目标,远大于现有高频地波雷达的探测范围,并且不存在高频天波雷达的近距离盲区问题,弥补了单一传播模式的高频雷达探测范围分段受限的缺点。相比于传统的单站岸基高频雷达,多模式高频雷达系统利用天波和地波的多种混合传播模式发现目标,具有两个主要特点:一是多模式高频雷达系统的探测范围大,且探测范围与系统的频率和电离层状态相关;二是多模式高频雷达系统中不同传播模式的探测范围有重叠部分,会导致同一目标存在多种传播模式回波,或者同一回波来自于多个目标的情况。结合这两个特点,针对多模式高频雷达目标信息获取的相关问题,论文开展了以下四个主要内容的研究:第一,多模式混合系统探测模型建立。在获取目标的距离信息时,需要根据目标回波对应传播模式的探测模型,将目标回波距离（回波时延乘以电波速度）转换为目标地面距离。本文针对海面和空中目标,建立多模式混合系统探测模型,并推导了各个传播模式目标回波距离与地面距离间的转换公式。为了初步验证所建立的多模式混合系统探测模型,本文提出一种探测模型验证方法,即利用确知信息目标的多模式回波估计电离层反射高度,然后利用电离层探测站的实测数据验证电离层反射高度估计值。第二,多模式混合系统探测能力分析。主要研究多模式高频雷达系统的探测范围,并分析不同系统频率下各个传播模式的探测范围,为系统的频率选择以及后续的多模式目标跟踪算法提供先验信息。为了获取更加准确的系统探测范围,本文进一步研究了电离层对多模式高频雷达系统探测范围的影响。第三,多模式混合系统目标回波距离信息获取。多模式高频雷达利用地/天发-天/地收和天发-天收模式发现中远海区域的目标,这两种模式的目标回波距离可达到1000km左右,依靠扩大信号脉冲周期来获取1000km左右的无模糊距离探测范围会严重降低发射信号占空比,从而影响系统的性能。因此,单站雷达系统需要在不降低信号占空比的情况下设计探测信号,而这样会导致远距离目标回波出现距离模糊问题,那么,获取正确的目标回波距离信息需要先解决距离模糊问题。本文提出了两种解决距离模糊的方法:一种是基于正交互补编码信号的距离解模糊方法,利用正交互补编码的互相关特性,构造循环时延滤波器来处理回波信号,不同时延滤波器的输出即为不同距离范围的目标回波;另一种是基于Alpha相位调制的距离解模糊方法,对原发射信号进行Alpha相位调制与解调处理,将距离模糊的目标回波搬移到其他频率范围内,以牺牲无模糊多普勒范围来增大无模糊距离范围。第四,多模式混合系统目标运动信息估计。由于多模式高频雷达系统中存在多种传播模式,估计目标的地面距离和速度等运动信息需要先判断目标回波的传播模式,然后将同一个目标的多模式回波进行融合处理。本文提出多模式目标跟踪方法,直接从目标的多模式回波中估计目标运动信息,将回波模式判断与多模式回波融合处理在一个算法中同时完成。多模式目标跟踪方法通过建立多模式量测模型,计算回波与传播模式以及目标的关联假设,最终在地面坐标系获得目标的唯一航迹,从而正确估计目标的地面距离、速度和方位等运动信息。本文首先提出基于贝叶斯框架的多模式目标跟踪算法,然后,为了进一步提高算法的运算效率和跟踪性能,又在该算法的基础上,提出改进的以探测范围为先验信息的多模式目标跟踪算法。综上所述,本论文针对多模式高频雷达系统建立了多模式混合系统探测模型,分析了系统中各模式的探测范围以及电离层和系统频率的影响因素,解决了距离模糊问题以获取目标回波距离信息,提出了多模式目标跟踪算法以估计目标的运动信息。最终,初步完成了不考虑实际电离层变化和杂波干扰等情况下的目标信息获取,为多模式高频雷达的后续研究奠定了基础。
杨晓君[10]（2020）在《基于氧气A波段发射谱反演临近空间大气温度》文中研究表明临近空间大气温度不仅影响各种航天器的发射与再入轨过程的安全性,同时也是大气动力学和热力学等模型的建立和光化学耦合物理机制的重要参量。因此,临近空间大气温度场的研究在国际上具有重要的科学研究意义和较大的军事应用价值,是目前国际上研究的热点。国际上对临近空间大气温度廓线的研究始于上世纪六七十年代,而我国在这方面的研究起步较晚。本论文的主要内容包括以下几个方面:（1）基于氧气A波段气辉的光化学反应机制、大气动力学和光化学反应理论建立产生O2（b1∑g+）的光化学模型,然后基于此模型进行了气辉体发射率和气辉辐射强度的模拟。为了验证模型的正确性,将夜气辉体发射率计算结果与AURIC模型的结果进行了比较,对应高度基本吻合。基于计算和模拟结果对氧气A波段气辉体发射率和辐射强度的影响因素进行了具体分析,包括夜气辉体发射率随温度和氧原子数密度的变化、日气辉体发射率随太阳天顶角的变化、氧气A波段发射谱随温度的变化以及辐射强度随切点高度的变化。（2）基于氧气A波段的临边辐射模拟数据进行临近空间大气温度廓线的反演,为了选取更加合适的反演方法,分别采用了贝叶斯方法和最小二乘法两种不同算法进行温度反演并基于结果进行了对比和分析。对比发现,80公里以下,信噪比为66～337时,基于贝叶斯反演的三条谱线761.59nm、762.2nm、764.05nm的平均反演误差分别为6.04K、2.5K、4.81K;采用最小二乘法反演的平均反演误差分别23.27K、11.84K、17.97K。信噪比为6～34时基于贝叶斯的三条谱线的平均反演误差分别为37.55K、16.76K、28.50K;采用最小二乘法反演的平均误差分别为180.26K、65.61K、121.33K。（3）基于氧气A波段的临边辐射强度模拟数据和贝叶斯方法对临近空间高度（60-110 km）的大气温度反演进行了研究及分析。基于无噪声和加入噪声情况下的临边辐射强度模拟值这两种模拟数据分别进行了温度反演,并对氧气A波段中的所有谱线的反演结果进行了分析,确定了氧气A波段各谱线权函数变化规律可作为谱线选择的判断依据。在无噪声情况下,当温度对自吸收的影响小于对线强的影响时,温度反演精度较高,平均反演偏差为4.1 K;当温度对自吸收的影响大于对线强的影响时,此时温度的反演精度较差,平均反演偏差达到34.9K。此外,基于辐射弱线进一步通过人为提高信噪比来分析辐射强度对反演精度的影响,发现辐射越强,信噪比越大,温度的反演精度越高,反之则越低。当气辉谱线线强达到10-26时,也可以用于80公里以上的温度反演并获得较好的反演结果,反演精度<5K。
二、A high-resolution direction-of-arrival estimation based on Bayesian method（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、A high-resolution direction-of-arrival estimation based on Bayesian method（论文提纲范文）
（1）走向精确地震勘探的道路（论文提纲范文）
| 1 上一代高精度地震勘探道路 |
| 2 新一代高精度地震波成像的理论方向 |
| 3 精确地震波成像对“两宽一高”数据采集的需求 |
| 4 新一代精确地震勘探的分辨率 |
| 5 新一代精确地震勘探中地震波成像处理关键技术 |
| 6 机器学习和人工智能在新一代精确地震勘探中的可能应用 |
| 7 结论与讨论 |
（2）基于稀疏贝叶斯学习的声源方位角估计算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 物理量名称及符号表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 声源方位角估计研究现状 |
| 1.2.1 声源方位角估计重要技术及分类 |
| 1.2.2 声源方位角估计技术的发展状况 |
| 1.2.3 研究现状总结 |
| 1.3 本领域存在的科学问题 |
| 1.4 本文主要研究内容 |
| 1.5 本文组织结构 |
| 第2章 基于稀疏信号恢复的麦克风阵列信号模型与SBL算法 |
| 2.1 引言 |
| 2.2 基于麦克风阵列信号处理的声源方位角估计原理 |
| 2.2.1 麦克风阵列介绍 |
| 2.2.2 麦克风阵列波束图分析 |
| 2.3 基于麦克风阵列和稀疏恢复的声源方位角估计 |
| 2.3.1 基于稀疏恢复的麦克风阵列信号模型 |
| 2.3.2 麦克风阵列响应的构建 |
| 2.3.3 基于稀疏信号恢复的声源方位角估计算法 |
| 2.4 现有SBL算法 |
| 2.4.1 基于Student-t先验的稀疏贝叶斯模型 |
| 2.4.2 基于Laplace先验的稀疏贝叶斯模型 |
| 2.5 一种基于自适应LASSO先验的声源方位角估计算法 |
| 2.5.1 基于自适应LASSO先验的稀疏贝叶斯框架 |
| 2.5.2 基于自适应LASSO先验的SBL算法的贝叶斯推断 |
| 2.6 基于广义高斯先验的声源方位角估计算法 |
| 2.6.1 基于广义高斯先验的贝叶斯框架 |
| 2.6.2 基于广义复高斯先验的贝叶斯推断 |
| 2.6.3 提出的算法与现有算法的联系与区别 |
| 2.7 仿真验证分析 |
| 2.7.1 算法性能衡量指标 |
| 2.7.2 算法稀疏恢复性能比较实验 |
| 2.7.3 单快拍条件下声源方位角估计性能分析 |
| 2.8 本章小结 |
| 第3章 基于SBL的多快拍声源方位角估计算法 |
| 3.1 引言 |
| 3.2 基于基选择的多快拍SBL算法 |
| 3.3 基于自适应LASSO先验的多快拍SBL算法 |
| 3.4 基于空间轮换变元估计的多快拍声源方位角估计算法 |
| 3.4.1 基于空间轮换变元估计多快拍贝叶斯模型 |
| 3.4.2 多快拍下基于空间轮换变元估计的贝叶斯推断 |
| 3.5 仿真验证分析 |
| 3.5.1 各算法稀疏恢复性能比较 |
| 3.5.2 基于均匀直线阵列的声源方位角估计仿真结果 |
| 3.6 本章小结 |
| 第4章 基于高斯混合模型的声源方位角估计算法 |
| 4.1 引言 |
| 4.2 基于复高斯混合模型的声源定位的信号模型 |
| 4.3 基于SBL和复高斯混合模型的声源方位角估计算法 |
| 4.3.1 基于SBL和高斯混合模型的声源方位角估计信号模型 |
| 4.3.2 基于EM算法的参数更新 |
| 4.4 均匀圆形麦克风阵列仿真结果 |
| 4.4.1 无混响和混响环境下的对比仿真实验 |
| 4.4.2 算法空间分辨率比较实验 |
| 4.5 本章小结 |
| 第5章 实际环境下声源方位角估计实验 |
| 5.1 引言 |
| 5.2 基于均匀圆形麦克风阵列的声源方位角估计实验 |
| 5.3 基于近似球形麦克风阵列的声源方位角估计实验 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 第二章相关附录 |
| A.1 Laplace先验的边缘分布推导过程 |
| A.2 基于广义逆高斯分布的近似过程 |
| A.3 定理2.1 的证明 |
| A.4 EM算法中期望步骤推导 |
| 附录B 第三章相关附录 |
| B.1 证据的边缘分布推导 |
| B.2 最小化目标函数的过程 |
| B.3 参数e_n和g_n的更新过程 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（3）基于机器学习的阵列信号波达方向估计方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统DOA估计算法 |
| 1.2.2 基于机器学习的DOA估计算法 |
| 1.3 本文工作内容和章节安排 |
| 第二章 语音信号模型的建立与预处理 |
| 2.1 语音信号模型 |
| 2.1.1 语音信号 |
| 2.1.2 近场信号与远场信号模型 |
| 2.2 麦克风阵列语音信号模型 |
| 2.2.1 带噪语音与室内混响 |
| 2.2.2 麦克风阵列语音信号模型 |
| 2.3 语音信号预处理 |
| 2.3.1 预滤波 |
| 2.3.2 分帧加窗处理 |
| 2.4 本章小结 |
| 第三章 基于稀疏贝叶斯在未知噪声场的欠定宽带信号DOA估计方法 |
| 3.1 SBL方法的基本原理 |
| 3.2 基于稀疏贝叶斯在未知噪声场的欠定宽带信号DOA估计方法 |
| 3.2.1 互质阵列的宽带信号模型 |
| 3.2.2 偏离网稀疏贝叶斯学习方法 |
| 3.2.3 性能评价指标 |
| 3.3 仿真实验 |
| 3.4 本章小结 |
| 第四章 基于LDA特征变换的 LSTM神经网络的 DOA估计方法 |
| 4.1 LDA特征变换概述 |
| 4.2 基于LDA特征变换的 LSTM神经网络的 DOA估计方法 |
| 4.2.1 输入特征 |
| 4.2.2 LSTM神经网络 |
| 4.2.3 LDA特征变换的LSTM神经网络 |
| 4.2.4 性能评价指标 |
| 4.3 仿真实验 |
| 4.4 本章小结 |
| 第五章 基于SVM的局部加权LSTM神经网络的DOA估计方法 |
| 5.1 SVM分类器的基本原理 |
| 5.2 神经网络的基本原理 |
| 5.2.1 LVQ(Learning Vector Quantization,LVQ)神经网络 |
| 5.3 基于SVM的局部加权LSTM神经网络的DOA估计方法 |
| 5.3.1 DOA估计模型 |
| 5.3.2 局部加权LSTM(LWLSTM)神经网络 |
| 5.3.3 SVM的局部加权LSTM(SVM-LWLSTM)神经网络 |
| 5.3.4 性能评价指标 |
| 5.4 仿真实验 |
| 5.5 本章小结 |
| 第六章 语音定位系统 |
| 6.1 实验设备 |
| 6.2 实验平台 |
| 6.3 仿真与实验 |
| 6.3.1 基于稀疏贝叶斯在未知噪声场的欠定宽带信号DOA估计方法 |
| 6.3.2 基于LDA-LSTM神经网络的DOA估计方法 |
| 6.3.3 基于SVM-LWLSTM神经网络的DOA估计方法 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）风电叶片声辐射噪声特性分析与应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 术语表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 风机叶片噪声研究 |
| 1.2.2 风机故障检测 |
| 1.2.3 阵列处理 |
| 1.3 论文主要内容 |
| 2 风机叶片辐射噪声特性分析 |
| 2.1 风机叶片噪声机制 |
| 2.1.1 湍流噪声 |
| 2.1.2 湍流边界层后缘噪声 |
| 2.1.3 后缘钝度涡脱落噪声 |
| 2.1.4 层流边界层涡脱落噪声 |
| 2.1.5 尖端噪声 |
| 2.2 COMSOL建模 |
| 2.3 模型仿真与分析 |
| 2.3.1 固有频率 |
| 2.3.2 远场指向性 |
| 2.3.3 能量 |
| 2.4 本章小结 |
| 3 基于阵列处理的信号增强算法 |
| 3.1 常规波束形成 |
| 3.2 MVDR波束形成 |
| 3.3 MUSIC算法 |
| 3.4 稀疏贝叶斯学习算法 |
| 3.4.1 贝叶斯原理 |
| 3.4.2 稀疏贝叶斯学习 |
| 3.5 仿真与实验分析 |
| 3.5.1 DOA算法仿真 |
| 3.5.2 实验数据采集 |
| 3.5.3 实验数据处理与分析 |
| 3.6 本章小结 |
| 4 基于支持向量机的叶片故障检测 |
| 4.1 能量特征 |
| 4.1.1 短时傅里叶变换 |
| 4.1.2 能量周期性 |
| 4.2 循环调制谱 |
| 4.2.1 循环平稳信号 |
| 4.2.2 谱相关函数 |
| 4.2.3 循环调制谱及其优化 |
| 4.3 支持向量机 |
| 4.3.1 SVM最优化问题 |
| 4.3.2 交叉验证 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 5 基于卷积神经网络的叶片故障检测 |
| 5.1 卷积神经网络 |
| 5.1.1 卷积层 |
| 5.1.2 池化层 |
| 5.1.3 激活函数 |
| 5.1.4 全连接层 |
| 5.1.5 反向传播 |
| 5.2 网络结构 |
| 5.3 实验结果与分析 |
| 5.3.1 CNN故障检测实验结果与分析 |
| 5.3.2 CNN故障分类实验结果与分析 |
| 5.4 本章小结 |
| 6 总结和展望 |
| 6.1 研究总结 |
| 6.2 研究方向展望 |
| 参考文献 |
| 作者简历及在攻读硕士学位期间所取得的研究成果 |
（5）基于贝叶斯压缩感知的DoA估计方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容和结构安排 |
| 第2章 DoA估计方法 |
| 2.1 DoA估计模型 |
| 2.2 几种经典DoA估计算法 |
| 2.2.1 经典MUSIC算法 |
| 2.2.2 空间平滑算法 |
| 2.2.3 基于特征空间的MUSIC算法 |
| 2.3 本章小结 |
| 第3章 相控阵下贝叶斯压缩感知的DoA估计 |
| 3.1 压缩感知理论简介 |
| 3.1.1 稀疏表示 |
| 3.1.2 欠采样和空间信号恢复 |
| 3.1.3 信号恢复 |
| 3.1.4 测量矩阵的设计 |
| 3.1.5 压缩感知仿真实例 |
| 3.2 贝叶斯压缩感知方法 |
| 3.2.1 单任务贝叶斯压缩感知的DoA估计模型 |
| 3.2.2 仿真及结果分析 |
| 3.3 多任务贝叶斯压缩感知DoA估计 |
| 3.3.1 多任务贝叶斯压缩感知模型 |
| 3.3.2 仿真及结果分析 |
| 3.4 宽带信号的DoA及带宽估计方法 |
| 3.4.1 宽带信号模型 |
| 3.4.2 仿真及结果分析 |
| 3.5 本章小节 |
| 第4章 时间调制阵列下的DoA估计 |
| 4.1 时间调制阵列基本理论 |
| 4.2 时间调制阵列的DoA估计方法 |
| 4.2.1 基于MUSIC算法的时间调制阵列的DoA估计 |
| 4.2.2 基于SVD的时间调制阵列的DoA估计 |
| 4.3 TMLA下贝叶斯压缩感知的DoA估计 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（6）基于多无人机的辐射源定位与路径规划技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 常用符号对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 应用前景 |
| 1.2 国内外研究现状 |
| 1.2.1 无人机路径规划的研究现状 |
| 1.2.2 贝叶斯理论在定位领域的研究现状 |
| 1.3 研究内容及章节安排 |
| 第二章 研究内容理论基础 |
| 2.1 引言 |
| 2.2 系统框架 |
| 2.3 定位技术 |
| 2.3.1 TDOA定位模型 |
| 2.3.2 Chan定位算法 |
| 2.4 定位误差分析 |
| 2.4.1 克拉美罗下界 |
| 2.4.2 信噪比估计 |
| 2.5 贝叶斯估计 |
| 2.6 本章小结 |
| 第三章 多无人机对静止单目标定位的路径规划 |
| 3.1 引言 |
| 3.2 传统路径规划模型 |
| 3.2.1 基于多无人机的辐射源定位系统模型 |
| 3.2.2 动力学约束与路径修正 |
| 3.2.3 传统单点CRLB规划算法流程 |
| 3.3 算法优化 |
| 3.3.1 基于全局CRLB的路径规划算法 |
| 3.3.2 基于贝叶斯估计的路径规划算法 |
| 3.3.3 飞行方向角度约束 |
| 3.3.4 采样时间间隔分布 |
| 3.4 仿真实验 |
| 3.4.1 基于全局CRLB的路径规划算法仿真 |
| 3.4.2 基于贝叶斯估计的路径规划算法仿真 |
| 3.4.3 飞行角度优化仿真 |
| 3.4.4 采样间隔优化仿真 |
| 3.5 本章小结 |
| 第四章 多无人机对移动单目标定位的路径规划 |
| 4.1 引言 |
| 4.2 问题模型 |
| 4.3 定位跟踪算法 |
| 4.3.1 卡尔曼滤波 |
| 4.3.2 基于卡尔曼滤波的定位跟踪 |
| 4.3.3 扩展卡尔曼滤波 |
| 4.3.4 基于扩展卡尔曼滤波的定位跟踪 |
| 4.4 多无人机跟踪移动单目标的路径规划算法流程 |
| 4.5 仿真实验 |
| 4.6 本章小结 |
| 第五章 多无人机对静止多目标的定位及优化 |
| 5.1 引言 |
| 5.2 问题模型 |
| 5.2.1 多目标定位问题模型 |
| 5.2.2 多目标定位高斯混合模型 |
| 5.3 基于最大期望算法的多无人机多目标定位 |
| 5.3.1 最大期望算法原理 |
| 5.3.2 最大期望算法的局限性 |
| 5.3.3 基于最大期望算法的多目标定位求解 |
| 5.4 基于贝叶斯估计的多目标定位模型优化 |
| 5.4.1 贝叶斯优化模型 |
| 5.4.2 优化模型精度分析 |
| 5.5 仿真实验 |
| 5.5.1 基于EM算法的多目标定位仿真 |
| 5.5.2 系统误差分析 |
| 5.5.3 基于贝叶斯估计的优化仿真 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及研究成果 |
| 致谢 |
（7）基于稀疏恢复的波达方向和毫米波MIMO信道估计研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 波达方向估计研究现状 |
| 1.2.2 毫米波MIMO信道估计研究现状 |
| 1.3 本文的研究内容和结构安排 |
| 第二章 相关背景知识 |
| 2.1 引言 |
| 2.2 波达方向估计信号模型 |
| 2.2.1 均匀线阵模型 |
| 2.2.2 稀疏线阵模型 |
| 2.3 基于子空间的DOA方法 |
| 2.3.1 MUSIC算法 |
| 2.3.2 空间平滑MUSIC算法 |
| 2.4 压缩感知理论基础 |
| 2.4.1 压缩感知基本理论 |
| 2.4.2 OMP算法 |
| 2.5 本章小结 |
| 第三章 基于l_p范数的DOA估计方法 |
| 3.1 引言 |
| 3.2 Off-grid稀疏信号恢复模型 |
| 3.2.1 Off-grid信号模型 |
| 3.2.2 稀疏性约束条件 |
| 3.3 基于l_p范数的DOA估计 |
| 3.3.1 算法设计 |
| 3.3.2 CRLB分析 |
| 3.4 实验仿真与分析 |
| 3.4.1 非相干信号的性能比较 |
| 3.4.2 相干信号的性能比较 |
| 3.5 本章小结 |
| 第四章 基于SBL的相干信号DOA估计方法 |
| 4.1 引言 |
| 4.2 稀疏贝叶斯学习基本思想 |
| 4.3 基于off-grid和 SLA的信号模型 |
| 4.4 基于SBL框架和虚拟ULA输出的DOA估计 |
| 4.5 实验仿真与分析 |
| 4.6 本章小结 |
| 第五章 基于原子范数的毫米波MIMO信道估计 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.3 原子范数相关理论 |
| 5.3.1 范德蒙德分解定理 |
| 5.3.2 原子范数基本理论 |
| 5.4 毫米波信道估计问题的规划 |
| 5.4.1 信道估计问题的规划 |
| 5.4.2 ADMM方法简化计算 |
| 5.5 实验仿真与分析 |
| 5.6 本章小结 |
| 第六章 频率选择性衰落毫米波MIMO信道估计 |
| 6.1 引言 |
| 6.2 毫米波MIMO频率选择性衰落信道模型 |
| 6.3 协方差匹配准则相关理论 |
| 6.3.1 基于协方差的稀疏迭代估计 |
| 6.3.2 无网格SPICE方法 |
| 6.4 多载波信道估计问题的规划 |
| 6.4.1 基于稀疏恢复的信道规划 |
| 6.4.2 从对偶角度进行求解 |
| 6.5 实验仿真与分析 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 附录1 攻读博士学位期间撰写的论文 |
| 附录2 攻读博士学位期间申请的专利 |
| 附录3 攻读博士学位期间参加的科研项目 |
| 致谢 |
（8）小行星探测视觉辅助导航系统滤波方法研究（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 小行星探测任务综述 |
| 1.2.1 国外小行星探测任务综述 |
| 1.2.2 国内小行星探测任务综述 |
| 1.3 视觉辅助导航发展现状 |
| 1.4 滤波算法研究现状 |
| 1.4.1 非线性高斯滤波算法 |
| 1.4.2 自适应滤波算法 |
| 1.4.3 鲁棒滤波算法 |
| 1.4.4 随机时延量测非线性滤波算法 |
| 1.5 本文主要研究内容 |
| 第2章 视觉辅助导航系统建模 |
| 2.1 引言 |
| 2.2 坐标系定义及转换关系 |
| 2.2.1 坐标系定义 |
| 2.2.2 坐标系的转换关系 |
| 2.3 捷联惯性导航系统模型 |
| 2.3.1 惯性导航系统测量模型 |
| 2.3.2 捷联惯性导航系统解算模型 |
| 2.3.3 不规则小行星引力场模型 |
| 2.4 视觉导航系统模型 |
| 2.4.1 视觉导航测量模型 |
| 2.4.2 基于PDOP的视觉导航陆标点选取 |
| 2.5 视觉辅助导航模型 |
| 2.5.1 状态传递模型 |
| 2.5.2 视觉辅助导航量测模型 |
| 2.5.3 基于扩展卡尔曼滤波的视觉辅助导航状态估计 |
| 2.6 数值仿真与分析 |
| 2.6.1 仿真场景及条件 |
| 2.6.2 仿真结果与分析 |
| 2.7 本章小结 |
| 第3章 高阶容积卡尔曼滤波性能评估 |
| 3.1 引言 |
| 3.2 确定性采样非线性高斯滤波的一般形式 |
| 3.2.1 贝叶斯滤波的统一框架 |
| 3.2.2 确定性采样非线性高斯滤波 |
| 3.3 高阶容积卡尔曼滤波 |
| 3.3.1 高阶球面-径向容积准则 |
| 3.3.2 高阶容积卡尔曼滤波算法 |
| 3.4 高阶容积卡尔曼滤波性能评估 |
| 3.4.1 高阶容积卡尔曼滤波精度分析 |
| 3.4.2 高阶容积卡尔曼滤波计算量分析 |
| 3.5 基于HCKF的视觉辅助导航滤波器设计 |
| 3.6 数值仿真与分析 |
| 3.7 本章小结 |
| 第4章 变分贝叶斯自适应高阶容积Huber-based滤波方法研究 |
| 4.1 引言 |
| 4.2 变分贝叶斯自适应非线性高斯滤波 |
| 4.2.1 变分贝叶斯理论 |
| 4.2.2 量测噪声协方差未知下的贝叶斯滤波框架 |
| 4.2.3 变分贝叶斯自适应非线性高斯滤波算法 |
| 4.3 非线性Huber-based滤波 |
| 4.3.1 广义极大似然估计 |
| 4.3.2 非线性Huber-based滤波算法 |
| 4.4 变分贝叶斯自适应高阶容积Huber-based滤波算法 |
| 4.5 基于VBAHCHF的视觉辅助导航滤波器设计 |
| 4.6 数值仿真与分析 |
| 4.7 本章小结 |
| 第5章 多步随机时延变分贝叶斯自适应高阶容积Huber-based滤波方法研究 |
| 5.1 引言 |
| 5.2 多步随机时延系统的数学描述 |
| 5.3 多步随机时延高阶容积卡尔曼滤波 |
| 5.3.1 多步随机时延系统的贝叶斯滤波框架 |
| 5.3.2 多步随机时延非线性高斯滤波 |
| 5.3.3 多步随机时延高阶容积卡尔曼滤波算法 |
| 5.4 多步随机时延变分贝叶斯自适应高阶容积Huber-based滤波 |
| 5.5 基于MRD-VBAHCHF的视觉辅助导航滤波器设计 |
| 5.6 数值仿真与分析 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间所发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（9）天地波多模式混合的岸基高频雷达目标信息获取方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究的目的和意义 |
| 1.2 国内外在该方向的研究现状及分析 |
| 1.2.1 现有高频雷达技术发展概况 |
| 1.2.2 天地波接力混合传播的高频雷达 |
| 1.2.3 岸基天地波多模式混合高频雷达 |
| 1.3 本文的主要研究内容 |
| 第2章 多模式混合系统探测模型 |
| 2.1 系统简介 |
| 2.2 多模式探测模型建立 |
| 2.2.1 海面目标探测模型 |
| 2.2.2 空中目标探测模型 |
| 2.2.3 简化统一探测模型 |
| 2.3 多模式探测模型验证 |
| 2.3.1 验证方法 |
| 2.3.2 岛屿目标回波实测数据处理与分析 |
| 2.4 本章小结 |
| 第3章 多模式混合系统探测能力分析 |
| 3.1 探测范围分析 |
| 3.1.1 信噪比 |
| 3.1.2 探测范围 |
| 3.2 电离层影响分析 |
| 3.2.1 对天波传播路径的影响 |
| 3.2.2 对电离层吸收衰减的影响 |
| 3.2.3 对探测范围的影响 |
| 3.3 本章小结 |
| 第4章 多模式混合系统目标回波距离信息获取 |
| 4.1 距离模糊 |
| 4.1.1 多模式高频雷达中的距离模糊问题 |
| 4.1.2 现有距离解模糊方法 |
| 4.2 基于正交互补编码信号的距离解模糊方法 |
| 4.2.1 正交互补编码信号 |
| 4.2.2 循环时延滤波器 |
| 4.2.3 解模糊结果分析 |
| 4.3 基于ALPHA相位调制距离解模糊方法 |
| 4.3.1 ALPHA相位调制与解调过程 |
| 4.3.2 ALPHA值选择准则 |
| 4.3.3 仿真结果分析 |
| 4.3.4 实测数据处理结果 |
| 4.4 距离解模糊方法性能对比 |
| 4.5 本章小结 |
| 第5章 多模式混合系统目标运动信息估计 |
| 5.1 目标运动信息估计方法 |
| 5.2 多模式目标跟踪算法 |
| 5.2.1 目标状态模型及量测模型 |
| 5.2.2 算法流程 |
| 5.2.3 仿真分析 |
| 5.3 基于先验信息的多模式目标跟踪算法 |
| 5.3.1 模式判断模块 |
| 5.3.2 运算量分析 |
| 5.3.3 仿真分析与实测数据处理 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（10）基于氧气A波段发射谱反演临近空间大气温度（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 临近空间大气结构 |
| 1.2 研究背景及探测意义 |
| 1.3 气辉 |
| 1.3.1 OI557.7nm气辉 |
| 1.3.2 OI630.0nm气辉 |
| 1.3.3 O_2A(0-0)气辉 |
| 1.3.4 OH气辉 |
| 1.4 探测方式 |
| 1.4.1 地基 |
| 1.4.1.1 主动探测 |
| 1.4.1.2 被动探测 |
| 1.4.2 空基 |
| 1.4.2.1 气象火箭 |
| 1.4.2.2 高空气球 |
| 1.4.2.3 平流层飞艇 |
| 1.4.3 天基 |
| 1.4.3.1 天底探测 |
| 1.4.3.2 临边探测 |
| 1.4.3.3 掩星探测 |
| 1.4.4 总结 |
| 1.5 论文的章节安排 |
| 第2章 临近空间大气温度探测的理论基础 |
| 2.1 探测目标气辉谱线 |
| 2.2 HITRAN分子数据库 |
| 2.3 温度反演的流程 |
| 2.3.1 正演过程 |
| 2.3.2 反演过程 |
| 2.4 本章小结 |
| 第3章 正演模型的建立 |
| 3.1 光化学模型 |
| 3.1.1 共振散射 |
| 3.1.2 碰撞湮灭 |
| 3.1.3 Barth反应 |
| 3.1.4 损耗过程 |
| 3.2 辐射传输模型 |
| 3.3 氧气A波段气辉体发射率和临边辐射强度模拟与分析 |
| 3.3.1 体发射率模拟计算 |
| 3.3.2 辐射强度模拟 |
| 3.4 本章小结 |
| 第4章 温度反演 |
| 4.1 反演模型 |
| 4.2 反演算法 |
| 4.2.1 贝叶斯方法 |
| 4.2.2 最小二乘法 |
| 4.3 两种反演方法结果对比分析 |
| 4.3.1 无噪声时的反演结果分析 |
| 4.3.2 添加噪声后的反演结果分析 |
| 4.4 贝叶斯反演结果及分析 |
| 4.4.1 正演模型 |
| 4.4.2 无噪声时的反演结果分析 |
| 4.4.3 添加噪声后的反演结果分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.1.1 研究工作总结 |
| 5.1.2 创新点 |
| 5.1.3 存在的问题和进一步的工作 |
| 5.2 未来工作展望 |
| 参考文献 |
| 作者简介 |
| 攻读学位期间的学术论文及研究成果 |
| 附录1 |
| 附录2 |
| 致谢 |
四、A high-resolution direction-of-arrival estimation based on Bayesian method（论文参考文献）
- [1]走向精确地震勘探的道路[J]. 王华忠,盛燊. 石油物探, 2021(05)
- [2]基于稀疏贝叶斯学习的声源方位角估计算法研究[D]. 白宗龙. 哈尔滨工业大学, 2021(02)
- [3]基于机器学习的阵列信号波达方向估计方法研究[D]. 田佳佳. 南京信息工程大学, 2021(01)
- [4]风电叶片声辐射噪声特性分析与应用研究[D]. 许蓉. 浙江大学, 2021(01)
- [5]基于贝叶斯压缩感知的DoA估计方法研究[D]. 张士惠. 三峡大学, 2021(01)
- [6]基于多无人机的辐射源定位与路径规划技术研究[D]. 李海思. 战略支援部队信息工程大学, 2021(01)
- [7]基于稀疏恢复的波达方向和毫米波MIMO信道估计研究[D]. 张泽云. 南京邮电大学, 2019(03)
- [8]小行星探测视觉辅助导航系统滤波方法研究[D]. 苏炳志. 哈尔滨工业大学, 2020(02)
- [9]天地波多模式混合的岸基高频雷达目标信息获取方法研究[D]. 赵梦晓. 哈尔滨工业大学, 2020(02)
- [10]基于氧气A波段发射谱反演临近空间大气温度[D]. 杨晓君. 中国科学院大学(中国科学院国家空间科学中心), 2020(02)