基于贝叶斯网络的声呐系统战场损伤评估及修复模型

为了解决战场环境下的声呐系统损伤评估及修复（SSBDAR）问题,本文研究了战场损伤评估及修复模型。针对舰艇声呐系统战场损伤评估的因果推理特性,建立了基于贝叶斯网络的战场损伤评估模型,提出了基于贝叶斯网络的评估流程,给出了基于贝叶斯网络的评估决断算法。该模型利用贝叶斯网络对各评估修复节点进行分析,能够解决损伤信息不确定性,而且充分利用舰艇声呐系统各节点的损伤信息,提高了模型评估及修复效率,是解决舰艇声呐系统战场损伤评估及修复问题的一个有效途径。     

基于RBF神经网络模型的混沌背景下谐波信号提取

在混沌时间序列前后向联合预测模型的基础上,提出前后向联合迭代预测模型并将之用于混沌背景下谐波信号的提取.对前后向联合迭代预测模型与前向预测模型的仿真实验对比研究表明,在叠加谐波信号幅度和频率不过小的情况下,前后向联合迭代预测模型在连续类混沌背景下的谐波信号提取性能较前向预测模型好,而在离散类混沌背景下的谐波信号提取效果都很差,但仍可用于检测微弱谐波信号.     

PAMF处理的抗混响应用仿真研究

由于混响干扰的强空时非均匀性和水声目标回波的低多普勒特性,导致传统的空时自适应处理（STAP）难以在抗混响信号处理中发挥理想性能。文中引入一种参数自适应匹配滤波（PAM F）空时处理方法至水声信号处理中,仿真研究表明,这种处理器在小样本数、低多普勒条件下依然具有良好而稳定的检测性能,特别适合于解决混响背景下的信号检测问题。从匹配滤波的角度对STAP最优处理器进行一种新的解读,描述了PAMF处理器的原理、结构以及设计方法,并利用专用混响数值仿真软件产生的仿真实验数据,对PAMF和STAP最优处理在不同样本数下的检测效果进行比对研究,从混响自由度构成和处理器内部机构出发对PAM F优越性形成原因进行了合理解释。     

基于自动删除算法的广义变化性指标恒虚警检测器

针对自动删除均值检测器存在的排序时间过长的问题,先提出了一种修正自动删除均值检测器.计算机仿真显示,与自动删除均值检测器相比,该检测器的性能或与其相同,或稍有改善,但排序时间却减少了一半.推导了该检测器的平均虚警概率、平均检测概率的解析表达式.比较了该检测器与基于自动删除算法的最小选择恒虚警检测器的性能,分析了这2种检测器各自适用的场合.为了得到稳定的检测性能,提出了一种广义变化性指标恒虚警检测器,该检测器根据变化性指标可以自动在修正自动删除均值检测器和基于自动删除算法的最小选择恒虚警检测器之间转换.最后通过计算机仿真验证了该检测器的有效性.     

非高斯AR序列参数的最大似然估计

自同归模型参数的最小二乘估计应用于非高斯数据,有效性便不复存在,而充分利用了概率密度信息的最大似然估计却仍然是该问题的有效估计.使用混合高斯自回归模型描述该类估计问题之后,讨论了其克拉美-罗限,导出了非高斯自回归序列参数的最大似然估计,给出Newton-Raphson迭代解法,并凡探讨了如何加快这一迭代算法的收敛和如何将估计算法应用于实际数据两个细节问题.最后给出一组仿真实例,对比检验了最大似然估计和最小二乘估计的效果.     

基于SαS分布的水声信号自适应波束形成算法

提出一种水声噪声环境中的自适应波束形成算法。该算法在假设水声信号服从对称α稳定分布(SαS)的前提下,定义零阶阵列响应,根据最小方差无畸变响应波束形成器(MVDR)提出零阶最小方差无畸变响应波束形成器(ZMVDR)。实际水声试验信号数据分析证明了提出的ZMDVR在不需要特征指数α的先验条件下,性能与分数低阶最小方差无畸变响应波束形成器(FrMVDR)相当,并优于MVDR波束形成器。     

混合高斯自回归模型参数估计方法之LS-EM

混合高斯自回归模型对有色非高斯数据的概率密度和功率谱密度进行有效的拟合，而LS—EM算法则可解决这一模型的参数估计问题．描述了混合高斯自回归模型及其参数估计问题之后，导出了具体的LS-EM算法，并给出了一组仿真实例．这是一种参数耦合估计算法，首先基于传统的最小二乘技术得到功率谱密度参数粗估计，进行预白，然后应用EM迭代得到白激励的概率密度估计，并基于此构建一加权函数，以此权函数改进最小二乘算法，进而得到模型参数的精估计．     

混响背景下基于自动删除算法的最小选择恒虚警检测器

针对Barnard等人提出的非高斯混响背景下的恒虚警检测器在非均匀环境中性能下降的缺点,将基于自动删除算法的最小选择恒虚警检测方法运用于其检测器结构中,提出了非高斯混响背景下基于自动删除算法的最小选择恒虚警检测器.该方法可以自动删除参考单元中的干扰点,从而可以克服Barnard等人提出的方法存在的缺点.推导出了该检测器的平均虚警概率和平均检测概率.最后通过对仿真数据和试验数据的处理结果验证了该检测器的优越性.     

非高斯AR序列参数的加权最小二乘估计

加权最小二乘估计是一种兼具精度与速度的非高斯自回归序列参数估计的优秀算法.使用混合高斯自回归模型描述估计问题之后,又从最大似然估计非线性方程组出发导出了与之近似的加权最小二乘估计线性方程组,并分析了加权函数的性质,给出了具体的两步实现算法.探讨了加权函数获得与激励方差估计2个细节问题,给出了一组实例.     

基于自动删除算法的最小选择恒虚警检测器

将自动删除算法和最小选择方法相结合，提出了一种在强干扰目标背景下基于自动删除算法的最小选择恒虚警检测方法,分析了自动删除算法的性能，推导了该方法的平均虚警概率，平均检测概率的解析表达式．该检测方法的排序时间只有自动删除均值检测器的一半，而通过计算机仿真显示在多目标环境中．当强干扰目标较多时，该检测方法优于自动删除均值检测器。