一、基于BP網(wǎng)絡(luò)的單信道相關(guān)干涉測向法（論文文獻綜述）
張昕[1]（2013）在《圓陣相關(guān)干涉儀測向算法及GPU實現(xiàn)》文中指出隨著現(xiàn)代電子戰(zhàn)信號環(huán)境越來越復(fù)雜，信號頻段也隨之逐漸變寬，因此如何有效實現(xiàn)對寬頻段內(nèi)可能的來波信號進行測向變得越來越重要。干涉儀測向體制由于測向精度較高、算法原理簡單以及測向?qū)崟r性較高等優(yōu)勢，成為了目前廣泛應(yīng)用的寬帶測向系統(tǒng)中的關(guān)鍵測向技術(shù)。本文以寬帶干涉儀測向系統(tǒng)為背景，詳細研究了此測向系統(tǒng)中的核心算法，其主要內(nèi)容為：首先，對干涉儀測向系統(tǒng)的誤差進行分析進而給出相應(yīng)的主要技術(shù)指標。本文將干涉儀測向系統(tǒng)的主要誤差來源進行了詳細分析，并提出了幾種減小誤差的方法。在此基礎(chǔ)上，給出了四種技術(shù)指標的定義及測量方法，為后文的仿真實驗結(jié)果的好壞提供一個評判標準。其次，介紹了標準相關(guān)干涉儀測向算法并研究了一種基于維度拆分的相關(guān)干涉儀二維測向算法。在傳統(tǒng)相關(guān)干涉儀測向算法基礎(chǔ)上，將相關(guān)函數(shù)改為了余弦函數(shù)，有效地解決了二維測向相位模糊及邊界跳變問題。在此基礎(chǔ)上，加入了二次曲線擬合，使得測向結(jié)果更為準確。根據(jù)相關(guān)系數(shù)的特點，提出了基于維度拆分的改進方法，該方法將一次二維搜索拆分成兩次一維搜索，在保證測向結(jié)果的準確性的同時，大大提高了測向速度。接著討論了兩種環(huán)境下維度拆分方法的適用條件。再次，研究了基于RBF神經(jīng)網(wǎng)絡(luò)的相關(guān)干涉儀測向算法。本文采用了兩種常用的訓練方法，給出了其用于相關(guān)干涉儀測向的模型，并尋找到適用于各算法的合理的訓練樣本和網(wǎng)絡(luò)參數(shù)。經(jīng)過比較，采用OLS算法訓練RBF網(wǎng)絡(luò)得到的輸出結(jié)果與標準相關(guān)干涉儀測向算法結(jié)果接近，但其測向速度相比于標準相關(guān)干涉儀測向算法有所提高，進一步滿足測向?qū)崟r性要求。最后，本文將標準相關(guān)干涉儀測向算法交由GPU平臺實現(xiàn)。利用GPU平臺的高度并行性，設(shè)計完成了相應(yīng)模塊的CUDA程序，并根據(jù)其特點進行訪存優(yōu)化，以盡可能提高資源利用率和執(zhí)行效率。實驗結(jié)果表明，與CPU平臺相比，優(yōu)化后的GPU平臺測向時間有明顯縮短。
高爭艷[2]（2008）在《移動通信中智能天線DOA技術(shù)》文中指出智能天線技術(shù)是第三代移動通信系統(tǒng)的關(guān)鍵技術(shù)之一,也是現(xiàn)在國內(nèi)外熱門的研究課題。它結(jié)合了天線陣技術(shù)與信號空時處理,在系統(tǒng)設(shè)計中增加了空時處理的自由度,改善了系統(tǒng)性能,增加了系統(tǒng)容量及頻譜利用率。在無線移動通信系統(tǒng)中采用智能天線技術(shù),實際上是通過數(shù)字信號處理,使天線陣為每個用戶自適應(yīng)地進行波束賦形,相當于為每個用戶形成了一個可跟蹤它的高增益天線,從而即可以進行全方位通信,也可以用較小的發(fā)射功率覆蓋相同的范圍以及提高系統(tǒng)容量和業(yè)務(wù)質(zhì)量、降低用戶間的碼間干擾和多址干擾。智能天線引入空分多址的概念,通過用戶空間位置的差異對其進行分離。因此各用戶的波達方向DOA （Direction Of Arrival）做為反映用戶空間位置的重要參量在智能天線中扮演著非常重要的角色。智能天線的主要任務(wù)是完成上行信號的濾波和下行波束的形成,這兩個主要任務(wù)的完成都和自適應(yīng)算法和數(shù)字信號處理（DSP）技術(shù)緊密相關(guān)。自適應(yīng)算法是智能天線的核心技術(shù)之一,它決定著智能天線對來波信號響應(yīng)的速率和系統(tǒng)實現(xiàn)電路的復(fù)雜程度,系統(tǒng)需要針對各種通信環(huán)境來選擇合適的算法,也可以采用算法分集的方法來使整個系統(tǒng)工作在最佳狀態(tài)。本文在對各種算法進行分析比較的基礎(chǔ)上,提出了將Sparse PCA算法應(yīng)用于DOA估計,其主要目的是針對MUSIC等算法中的信號子空間估計問題,減少其計算量。該算法的計算過程相對簡單,并具有自組織特性,適合于神經(jīng)網(wǎng)絡(luò)實現(xiàn)。仿真結(jié)果表明,所提算法的DOA估計性能與MUSIC算法相當,其計算效率高于傳統(tǒng)MUSIC算法。
鄭洪[3]（2005）在《MUSIC算法與波達方向估計研究》文中提出波達方向（Direction-of-Arrival）估計是陣列信號處理領(lǐng)域中的重要的研究方向,它是雷達、聲納、主動防護系統(tǒng)、通訊系統(tǒng)以及智能天線等多個技術(shù)領(lǐng)域的共性問題?；陉嚵行盘柼幚淼牟ㄟ_方向估計方法可以同時對空間不同方向上的多個信號源實現(xiàn)高分辨率的方向估計。對波達方向的估計是空間譜估計研究的主要課題。最經(jīng)典的超分辨率空間譜估計方法是Schmidt在1979年提出的MUSIC（Multiple Signal Classification）算法,在模型準確的條件下,該算法能精確地估計空間上互不相關(guān)信號的波達方向。然而,對空間上相隔比較近的小信噪比信號,MUSIC算法卻不能很好地分辨出它們的波達方向,解決的途經(jīng)是充分利用目標信號的信息?；谛盘栄h(huán)平穩(wěn)特性的循環(huán)互相關(guān)MUSIC算法就是將信號的循環(huán)平穩(wěn)特性用于陣列信號處理中,這樣就進一步提高信號的處理質(zhì)量,具有更好的噪聲抑制特性和分辨能力,但是它對循環(huán)相關(guān)信號的分辨力則受到限制。本文在循環(huán)互相關(guān)MUSIC算法的基礎(chǔ)上,同時利用了信號的循環(huán)互相關(guān)矩陣和循環(huán)共軛互相關(guān)矩陣的信息對該算法進行改進。仿真結(jié)果表明,這種改進的算法有更好的抑制噪聲能力,能夠分辨循環(huán)相關(guān)的信號,具有更好的分辨能力。 本文首先介紹了智能天線的結(jié)構(gòu)以及工作原理,并說明波達方向估計在智能天線中的作用,從而引出了MUSIC算法。針對MUSIC算法的不足引出了基于循環(huán)平穩(wěn)特性的循環(huán)互相關(guān)MUSIC算法,最后在循環(huán)互相關(guān)MUSIC算法基礎(chǔ)上提出了改進算法。
安冬,龔曉峰[4]（2001）在《基于BP網(wǎng)絡(luò)的單信道相關(guān)干涉測向法》文中指出提出了一種基于BP網(wǎng)絡(luò)的單信道相關(guān)干涉測向方法,對原有的單信道相關(guān)干涉法作出了改進,克服了原有算法需要對信號進行移相的弊端,轉(zhuǎn)而采用人工神經(jīng)網(wǎng)絡(luò)作為非線形映射的工具,取得了較好的效果。
二、基于BP網(wǎng)絡(luò)的單信道相關(guān)干涉測向法（論文開題報告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結(jié)構(gòu)并詳細分析其設(shè)計過程。在該MMU結(jié)構(gòu)中,TLB采用叁個分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結(jié)構(gòu)映射地址空間,并詳細論述了四級頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲系統(tǒng)實現(xiàn)的一個重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關(guān)信息。
實驗法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認事物間的因果關(guān)系。
文獻研究法：通過調(diào)查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據(jù)現(xiàn)有的科學理論和實踐的需要提出設(shè)計。
定性分析法：對研究對象進行“質(zhì)”的方面的研究，這個方法需要計算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認識進一步精確化。
跨學科研究法：運用多學科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設(shè)一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、基于BP網(wǎng)絡(luò)的單信道相關(guān)干涉測向法（論文提綱范文）
（1）圓陣相關(guān)干涉儀測向算法及GPU實現(xiàn)（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 課題研究背景與意義 |
| 1.2 無線電測向歷史與發(fā)展現(xiàn)狀 |
| 1.3 本文的主要內(nèi)容及章節(jié)安排 |
| 第二章 干涉儀測向誤差及測向指標 |
| 2.1 測向誤差分析 |
| 2.2 測向機的主要技術(shù)指標及其測試方法 |
| 2.3 本章小結(jié) |
| 第三章 基于維度拆分的相關(guān)干涉儀測向算法 |
| 3.1 標準相關(guān)干涉儀算法 |
| 3.1.1 陣元相位差輸出模型 |
| 3.1.2 傳統(tǒng)的標準相關(guān)干涉儀算法 |
| 3.1.3 改進的標準相關(guān)干涉儀算法 |
| 3.2 基于維度拆分的相關(guān)干涉儀測向算法 |
| 3.2.1 維度拆分算法原理 |
| 3.2.2 維度拆分算法的適用條件 |
| 3.3 性能仿真實驗 |
| 3.3.1 標準相關(guān)干涉儀算法性能仿真實驗 |
| 3.3.2 維度拆分算法的有效性驗證 |
| 3.4 本章小結(jié) |
| 第四章 基于 RBF 神經(jīng)網(wǎng)絡(luò)的相關(guān)干涉儀測向算法 |
| 4.1 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及數(shù)學基礎(chǔ) |
| 4.1.1 人工神經(jīng)網(wǎng)絡(luò)簡介 |
| 4.1.2 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) |
| 4.1.3 內(nèi)插問題 |
| 4.2 基于 RBF 神經(jīng)網(wǎng)絡(luò)的相關(guān)干涉儀測向算法 |
| 4.2.1 采用 k-means 聚類的相關(guān)干涉儀測向算法 |
| 4.2.2 采用正交最小二乘的相關(guān)干涉儀測向算法 |
| 4.3 性能仿真實驗 |
| 4.3.1 采用 k-means 聚類的測向網(wǎng)絡(luò)選取仿真實驗 |
| 4.3.2 采用 OLS 方法的測向網(wǎng)絡(luò)選取仿真實驗 |
| 4.3.3 與標準相關(guān)干涉儀測向算法比較 |
| 4.4 本章小結(jié) |
| 第五章 標準相關(guān)干涉儀的 GPU 實現(xiàn)及優(yōu)化 |
| 5.1 CUDA 簡介 |
| 5.1.1 應(yīng)用背景 |
| 5.1.2 編程模型 |
| 5.2 標準相關(guān)干涉儀算法的 GPU 實現(xiàn) |
| 5.2.1 GPU 程序設(shè)計 |
| 5.2.2 性能優(yōu)化 |
| 5.2.3 實驗結(jié)果 |
| 5.3 本章小結(jié) |
| 第六章 全文總結(jié) |
| 致謝 |
| 參考文獻 |
| 攻碩期間取得的研究成果 |
（2）移動通信中智能天線DOA技術(shù)（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究的背景及意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.3 本文所做的工作及內(nèi)容安排 |
| 第2章 自適應(yīng)波束成形理論 |
| 2.1 基本概念 |
| 2.2 智能天線的基本原理和結(jié)構(gòu) |
| 2.2.1 智能天線的基本原理 |
| 2.2.2 智能天線系統(tǒng)的基本結(jié)構(gòu) |
| 2.3 自適應(yīng)波束形成技術(shù) |
| 2.3.1 波束形成器原理 |
| 2.3.2 幾種重要參數(shù) |
| 2.3.3 空間匹配波束形成器 |
| 2.3.4 最佳波束形成器 |
| 2.3.5 波束形成器的算法實現(xiàn)問題 |
| 2.4 智能天線在移動通信系統(tǒng)中的優(yōu)勢 |
| 2.4.1 抗衰落 |
| 2.4.2 抗干擾 |
| 2.4.3 增加系統(tǒng)容量 |
| 2.4.4 實現(xiàn)移動臺的定位 |
| 2.5 本章小結(jié) |
| 第3章 波達方向(DOA)估計算法研究 |
| 3.1 信號DOA 估計方法的分類 |
| 3.2 DOA 估計的傳統(tǒng)法 |
| 3.2.1 延遲—相加法 |
| 3.2.2 Capon 算法 |
| 3.3 DOA 估計的子空間算法 |
| 3.3.1 MUS IC 算法的提出 |
| 3.3.2 MUSIC 算法的原理 |
| 3.3.3 MUSIC 算法DOA 估計性能 |
| 3.4 本章小結(jié) |
| 第4章 基于Sparse PCA 分析的DOA 估計算法 |
| 4.1 主成分分析（PCA） |
| 4.1.1 主成分分析 |
| 4.1.2 主成分分析的概念 |
| 4.1.3 主成分的計算 |
| 4.1.4 樣本主成分 |
| 4.1.5 主成分的選取 |
| 4.2 稀疏主成分分析 |
| 4.3 基于Sparse PCA 分析的DOA 估計算法 |
| 4.4 實驗分析 |
| 4.5 本章小結(jié) |
| 結(jié)論 |
| 參考文獻 |
| 攻讀碩士期間發(fā)表的學術(shù)論文 |
| 致謝 |
（3）MUSIC算法與波達方向估計研究（論文提綱范文）
| 1 緒論 |
| 1.1 引言 |
| 1.2 國內(nèi)外研究發(fā)展狀況 |
| 1.2.1 波達方向估計技術(shù) |
| 1.2.2 國內(nèi)外研究進展狀況 |
| 1.3 本文所做工作及內(nèi)容安排 |
| 2 智能天線 |
| 2.1 概述 |
| 2.2 智能天線的結(jié)構(gòu)和基本原理 |
| 2.3 智能天線在移動通信系統(tǒng)中的應(yīng)用 |
| 2.3.1 抗衰落 |
| 2.3.2 抗干擾 |
| 2.3.3 增加系統(tǒng)容量 |
| 2.3.4 實現(xiàn)移動臺的定位 |
| 3 MUSIC算法對信號DOA估計 |
| 3.1 概述 |
| 3.2 波達方向估計問題中的陣列信號數(shù)學模型 |
| 3.3 MUSIC算法 |
| 3.3.1 陣列協(xié)方差矩陣的特征分解 |
| 3.3.2 MUSIC算法的提出 |
| 3.3.3 MUSIC算法的基本原理 |
| 3.3.4 MUSIC算法的實現(xiàn) |
| 4 信號的循環(huán)平穩(wěn)特性 |
| 4.1 概述 |
| 4.2 信號的時頻分析 |
| 4.3 信號循環(huán)平穩(wěn)特性 |
| 4.4 循環(huán)相關(guān)函數(shù)的特性 |
| 4.5 利用信號的循環(huán)平穩(wěn)特性抑制噪聲 |
| 4.6 小結(jié) |
| 5 利用信號的循環(huán)平穩(wěn)性改善波達方向估計 |
| 5.1 概述 |
| 5.2 循環(huán)互相關(guān)MUSIC算法 |
| 5.2.1 信號建模 |
| 5.2.2 算法建模 |
| 5.2.3 性能分析 |
| 5.3 改進的循環(huán)互相關(guān)MUSIC(ICCC-MUSIC)算法 |
| 5.3.1 信號建模 |
| 5.3.3 性能分析 |
| 5.4 仿真結(jié)果分析 |
| 5.4.1 仿真實驗1 |
| 5.4.2 仿真實驗2 |
| 5.4.3 仿真實驗3 |
| 5.4.4 仿真實驗4 |
| 5.5 小結(jié) |
| 6 結(jié)論 |
| 參考文獻 |
| 聲明 |
| 致謝 |
四、基于BP網(wǎng)絡(luò)的單信道相關(guān)干涉測向法（論文參考文獻）
- [1]圓陣相關(guān)干涉儀測向算法及GPU實現(xiàn)[D]. 張昕. 電子科技大學, 2013(01)
- [2]移動通信中智能天線DOA技術(shù)[D]. 高爭艷. 哈爾濱理工大學, 2008(03)
- [3]MUSIC算法與波達方向估計研究[D]. 鄭洪. 四川大學, 2005(01)
- [4]基于BP網(wǎng)絡(luò)的單信道相關(guān)干涉測向法[J]. 安冬,龔曉峰. 無線電通信技術(shù), 2001(06)