本文關(guān)鍵詞：基于蝙蝠優(yōu)化算法的陣列信號DOA估計方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：陣列信號參數(shù)估計的研究主要集中于空間目標(biāo)的波達方向(DOA)估計,被廣泛應(yīng)用到雷達、聲納等諸多軍用和民用領(lǐng)域。隨著信號處理技術(shù)的發(fā)展,一大批超分辨率的算法先后涌現(xiàn),其中經(jīng)典的算法有多重信號分類(MUSIC)和最大似然估計(ML)。處于發(fā)展階段的基于稀疏分解理論的陣列信號DOA估計,也同樣具有高分辨率的特點。這些算法在理論上都能獲得最佳的估計性能,但由于存在非線性搜索,運算量大等問題,不利于工程應(yīng)用。蝙蝠算法(BA)是通過模擬自然界中的蝙蝠利用超聲波捕獲獵物的生物學(xué)特性而提出的一種仿生智能優(yōu)化算法。它具有分布式、并行性、模型簡單、收斂速度快和控制參數(shù)少等優(yōu)點。本文將蝙蝠算法分別優(yōu)化最大似然算法、基于稀疏分解思想的正交匹配追蹤算法和MUSIC算法,并應(yīng)用于陣列信號的DOA估計,以展現(xiàn)蝙蝠算法優(yōu)秀的全局搜索和局部搜索能力,使傳統(tǒng)算法性能得以改善。本文首先介紹了陣列信號處理的理論基礎(chǔ)和數(shù)學(xué)模型,以及蝙蝠算法的基本概念和數(shù)學(xué)模型。提出了蝙蝠算法優(yōu)化的最大似然算法,對基本蝙蝠算法的搜索策略做出了改進,以結(jié)合最大似然算法DOA估計譜函數(shù)的特點,使其快速收斂到全局極值。與其他幾種經(jīng)典的優(yōu)化算法相比,蝙蝠算法具有更優(yōu)秀的收斂性能。其次,針對稀疏分解的正交匹配追蹤算法在迭代過程中存在的計算量大的問題,提出一種文化蝙蝠算法以優(yōu)化正交匹配追蹤算法,進行DOA估計。將文化算法的模型引入蝙蝠算法中,以改善算法的精度。仿真實驗證明,文化蝙蝠算法優(yōu)化后的正交匹配追蹤算法在減少計算量的同時,仍能獲得較好的估計效果。最后,介紹了L型陣列MIMO雷達模型下的MUSIC-二維DOA估計方法。由于傳統(tǒng)的MUSIC算法計算量大,且估計譜函數(shù)為多峰函數(shù),提出一種基于小生境技術(shù)的蝙蝠算法優(yōu)化MUSIC-二維DOA估計算法。采用小生境技術(shù)對蝙蝠算法作出改進,以搜索出所有峰值對應(yīng)的極值點,從而估計出多個信源的方位角和俯仰角。
【關(guān)鍵詞】：DOA估計 蝙蝠算法 最大似然算法 正交匹配追蹤算法 MUSIC
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TN911.23;TP18
【目錄】：

• 摘要4-5
• ABSTRACT5-10
• 第1章 緒論10-18
• 1.1 引言10-11
• 1.2 課題的國內(nèi)外發(fā)展現(xiàn)狀11-15
• 1.2.1 陣列信號DOA估計的發(fā)展現(xiàn)狀11-12
• 1.2.2 仿生智能優(yōu)化算法的發(fā)展現(xiàn)狀12-14
• 1.2.3 仿生智能優(yōu)化算法在陣列信號參數(shù)估計的研究現(xiàn)狀14-15
• 1.3 論文的主要研究工作和章節(jié)安排15-18
• 1.3.1 主要研究工作15
• 1.3.2 章節(jié)安排15-18
• 第2章 DOA估計理論基礎(chǔ)和蝙蝠算法18-26
• 2.1 陣列信號模型18-22
• 2.2 蝙蝠算法22-25
• 2.2.1 蝙蝠算法的基本原理22-23
• 2.2.2 蝙蝠算法的數(shù)學(xué)模型23-25
• 2.3 本章小結(jié)25-26
• 第3章 基于蝙蝠優(yōu)化算法的最大似然DOA估計方法26-36
• 3.1 最大似然算法的DOA估計26-28
• 3.1.1 均勻線陣信號模型26-27
• 3.1.2 確定性最大似然算法估計算子27-28
• 3.2 基于蝙蝠優(yōu)化算法的最大似然DOA估計方法28-30
• 3.3 仿真實驗30-34
• 3.4 算法的計算量分析34-35
• 3.5 本章小結(jié)35-36
• 第4章 基于文化BA優(yōu)化的OMP稀疏分解DOA估計36-50
• 4.1 稀疏分解的DOA估計36-41
• 4.1.1 信號的稀疏分解36
• 4.1.2 正交匹配追蹤算法36-38
• 4.1.3 稀疏分解的DOA估計模型38-39
• 4.1.4 稀疏分解的DOA估計算法實現(xiàn)39-41
• 4.2 基于文化BA優(yōu)化的OMP稀疏分解算法41-45
• 4.2.1 文化蝙蝠41-44
• 4.2.2 基于CBA優(yōu)化算法的信號OMP稀疏分解44-45
• 4.3 仿真實驗45-47
• 4.4 算法的計算復(fù)雜度分析47-48
• 4.5 本章小結(jié)48-50
• 第5章 基于小生境BA優(yōu)化算法的MIMO雷達二維DOA估計50-68
• 5.1 L陣MIMO雷達二維DOA估計50-56
• 5.1.1 L陣MIMO雷達結(jié)構(gòu)與信號模型50-54
• 5.1.2 MIMO雷達模型的MUSIC-二維DOA估計54-56
• 5.2 基于小生境BA優(yōu)化的MUSIC算法56-61
• 5.2.1 小生境技術(shù)56-57
• 5.2.2 小生境BA優(yōu)化算法57-59
• 5.2.3 基于小生境BA優(yōu)化的MUSIC算法59-61
• 5.3 仿真實驗61-65
• 5.4 算法的計算量分析65-66
• 5.5 本章小結(jié)66-68
• 第6章 全文總結(jié)68-70
• 6.1 研究工作及展望68-70
• 參考文獻70-76
• 作者簡介及科研成果76-78
• 致謝78

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊晉生;張菊;;基于累積量的互耦誤差下相干信號DOA估計[J];信息技術(shù);2015年12期

2 張志成;溫炎;石要武;;利用隔離小生境混合蛙跳方法聯(lián)合估計波達方向和多普勒頻率[J];光學(xué)精密工程;2014年09期

3 李煜;馬良;;新型全局優(yōu)化蝙蝠算法[J];計算機科學(xué);2013年09期

4 張志成;林君;石要武;孫曉東;;基于人工蜂群算法的波達方向和多普勒頻率聯(lián)合估計[J];吉林大學(xué)學(xué)報(工學(xué)版);2013年04期

5 韓福霞;劉宏志;;基于蝙蝠算法的信息工程監(jiān)理多目標(biāo)優(yōu)化研究[J];現(xiàn)代計算機;2013年19期

6 李枝勇;馬良;張惠珍;;蝙蝠算法收斂性分析[J];數(shù)學(xué)的實踐與認識;2013年12期

7 劉長平;葉春明;;具有混沌搜索策略的蝙蝠優(yōu)化算法及性能仿真[J];系統(tǒng)仿真學(xué)報;2013年06期

8 黃光球;趙魏娟;陸秋琴;;求解大規(guī)模優(yōu)化問題的可全局收斂蝙蝠算法[J];計算機應(yīng)用研究;2013年05期

9 盛曉華;葉春明;;蝙蝠算法在PFSP調(diào)度問題中的應(yīng)用研究[J];工業(yè)工程;2013年01期

10 李俊武;俞志富;;改進粒子群算法在DOA估計中的應(yīng)用[J];計算機工程與應(yīng)用;2013年09期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 章軍;小生境粒子群優(yōu)化算法及其在多分類器集成中的應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2007年

2 陳四根;陣列信號處理相關(guān)技術(shù)研究[D];哈爾濱工程大學(xué);2004年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 李文昊;基于分數(shù)低階統(tǒng)計量稀疏性的DOA估計[D];大連海事大學(xué);2015年

2 王大元;陣列多參數(shù)聯(lián)合估計[D];南京航空航天大學(xué);2010年

3 李曉剛;基于最大似然算法的DOA估計方法研究[D];哈爾濱工程大學(xué);2008年

4 楊琳琳;空間譜估計算法研究[D];華中科技大學(xué);2007年

  本文關(guān)鍵詞：基于蝙蝠優(yōu)化算法的陣列信號DOA估計方法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：301141