CN109143275B - 一种基于粒子群的小型化阵列天线抗干扰实现方法 - Google Patents

一种基于粒子群的小型化阵列天线抗干扰实现方法 Download PDF

Info

Publication number
CN109143275B
CN109143275B CN201810853594.9A CN201810853594A CN109143275B CN 109143275 B CN109143275 B CN 109143275B CN 201810853594 A CN201810853594 A CN 201810853594A CN 109143275 B CN109143275 B CN 109143275B
Authority
CN
China
Prior art keywords
interference
particle
particle swarm
particles
array antenna
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810853594.9A
Other languages
English (en)
Other versions
CN109143275A (zh
Inventor
李玉玲
邓志鑫
赵军
于雪岗
崔淼
蔡霖培
徐少波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN201810853594.9A priority Critical patent/CN109143275B/zh
Publication of CN109143275A publication Critical patent/CN109143275A/zh
Application granted granted Critical
Publication of CN109143275B publication Critical patent/CN109143275B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/21—Interference related issues ; Issues related to cross-correlation, spoofing or other methods of denial of service
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/015—Arrangements for jamming, spoofing or other methods of denial of service of such systems

Abstract

本发明公开了一种基于粒子群的小型化阵列天线抗干扰实现方法，属于卫星导航通信领域。本发明将利用改进的综合学习粒子群算法对谱估计函数进行寻优处理，得到有效的干扰来向，然后利用测向结果，基于粒子群算法对阵列方向图进行约束，达到小型化平面阵的快速测向、低副瓣优化和零陷加宽的联合处理，该方法克服了现有小型化阵列天线测向精度差、副瓣过高、动态抗干扰性能较差、构造过程计算复杂度较高的问题。本发明中测向和抗干扰算法共用粒子群算法模块，节省了硬件实现资源；本发明在迭代50次左右就收敛到单个干扰测向的最优值，且测向精度能够达到0.5度，优化抗干扰算法也只需迭代200次左右就能达到收敛，远远优于传统算法。

Description

一种基于粒子群的小型化阵列天线抗干扰实现方法
技术领域
本发明涉及一种基于粒子群的小型化阵列天线干扰检测与抑制实现方法，属于卫星导航通信中阵列信号处理领域。
背景技术
卫星导航系统作为全球的空间信息基础设施，能为全球各类军民载体全天候、全天时连续提供高精度和高速度的导航、定位和授时信息，在国防和国民经济各个领域得到了广泛应用。但卫星导航系统受其信号电平过低等因素影响，某些环境下其在精确性、可靠性、可用性和抗干扰性等方面存在不足，在存在严重电磁干扰的环境下，卫星导航性能急剧恶化甚至不能满足用户定位需求，因此稳健的干扰检测和抑制技术是提升卫星导航有效应用的重要手段。
粒子群优化算法是一种基于群体智慧的演化算法，种群中的每个成员为一个粒子，代表着一个潜在的可行解，而目标的位置被认为是全局最优解。群体在限定范围内进行，并且每个粒子都有一个适应函数值和速度对自身的飞行方向进行调整，当达到收敛目标或最大迭代次数时，算法终止，这时的群体最优值即为求解得到的最优解。而综合学习粒子群算法在经典粒子群算法的基础上进行了简化，将学习样例从2个降为1个，增强了种群的多样性，同时为了避免算法早熟和陷入局部最优问题，通过粒子的增长率调整加速因子，改善传统的综合学习粒子群算法的性能。
粒子群算法相比于传统综合算法，以其简单、高效、面对多目标、非线性综合的优异表现而逐渐获得更多的关注。而基于小孔径阵列天线的测向、抗干扰、阵列优化等技术都是在一定角度范围内寻求最优解的过程，利用粒子群算法能够快速有效的求得最优解，相对于传统的处理手段，收敛速度更快，精度更高。
发明内容
本发明的目的是为了克服现有小型化阵列天线测向精度差、副瓣过高、动态抗干扰性能较差、构造过程计算复杂度较高的问题，提出一种基于粒子群的小型化阵列天线抗干扰实现方法，适用于多种卫星导航系统的接收机终端。
本发明技术方案的基本思路是：在改进的综合学习粒子群算法的基础上，对阵列接收信号进行测向，经过循环处理得到所有有效干扰来向，然后将干扰来向信息作为输入，运用粒子群算法对阵列方向图进行约束，达到低副瓣处理和干扰抑制的目的。
本发明是通过下述技术方案实现的：
一种基于粒子群的小型化阵列天线抗干扰实现方法，包括如下步骤：
步骤1，将阵列天线接收到的M路射频模拟信号进行下变频和A/D量化处理，得到M路中频数字信号；
步骤2，计算M路中频数字信号的协方差矩阵的最大似然估计，并进行特征值分解，得到信号子空间US和噪声子空间UN；
步骤3，利用信号子空间和噪声子空间的双重信息进行谱估计，同时基于概率统计的综合学习粒子群算法对谱估计函数进行寻优处理，得出全局最优位置即为干扰来向；然后通过对粒子搜索范围的迭代调整，得出所有有效干扰来向信息；
步骤4，利用步骤3得到的有效干扰来向信息，基于综合学习粒子群算法对接收信号的二维阵列方向图进行约束，得到空间范围内进行干扰抑制和低副瓣处理的最佳权值；
步骤5，利用最佳权值对M路中频数字信号进行空间滤波，得到无干扰的卫星导航信号。
其中，步骤3具体包括以下步骤：
第(1)步：初始化粒子信息
选取干扰来向信息的方位角θ和俯仰角
Figure BDA0001748005650000021
作为种群粒子，随机初始化粒子的位置及速度；
第(2)步：计算适应度函数
根据当前粒子的位置、速度以及信号子空间与噪声子空间信息计算测向的适应度函数，得出适应度最好的粒子的历史最优位置pfi(d)即为学习样例，其中fi(d)表示粒子i将学习哪个粒子的历史最优值；
第(3)步：更新粒子的速度和位置
粒子的增长率表示为
Figure BDA0001748005650000031
其中平滑系数ε＞0，
Figure BDA0001748005650000032
Figure BDA0001748005650000033
分别表示粒子i第k次迭代与第k-kth次迭代的个体极值适应度值；
粒子的速度和位置更新公式表示为：
Figure BDA0001748005650000034
xid(k+1)＝xid(k)+vid(k+1)
其中，vid是粒子的速度，xid是粒子的位置，学习因子为c1＝2，r1和r2是范围为[0,1]的随机数，
Figure BDA0001748005650000035
分别为粒子位置变化的上限和下限，w(k)是惯性权重：
Figure BDA0001748005650000036
其中winit、wfinal分别为迭代的初始权重和最终权重，分别取值为0.4和0.9，Kmax为最大迭代次数，
Figure BDA0001748005650000037
Th为预设的阈值；
第(4)步：循环迭代完成算法收敛
返回第(2)步，直到达到最大迭代次数或达到收敛精度，得出全局最优位置即为干扰来向值，完成一次干扰来向估计；
第(5)步：调整搜索范围找出所有有效干扰来向
完成一次干扰来向估计后，将干扰来向与预设门限值进行对比，未超过门限值则视为无效干扰来向，转入步骤4；超过门限值的即为有效干扰来向，将有效干扰来向的个数加1，然后检测有效干扰来向的个数是否达到预设值，如果是，则执行步骤4；否则根据有效干扰来向对粒子位置范围进行调整，转入第(1)步。
其中，步骤4具体包括以下步骤：
第(1)步：确定种群规模为M*2，即M个通道对应的复权值的幅值和相位作为种群粒子，并随机初始化粒子的位置及速度。
第(2)步：对接收信号的二维阵列方向图Ppattern进行约束的适应度函数表示为：
Figure BDA0001748005650000041
Figure BDA0001748005650000042
其中，
Figure BDA0001748005650000043
为主波束宽度，Llimit为约束电平值；θnull、
Figure BDA0001748005650000044
表征零陷范围，根据动态应用场景而定；Llobe、Lnull分别为限定的副瓣电平和零陷深度；
并通过计算适应度函数，得出适应度最好的粒子的历史最优位置；
第(3)步：根据历史最优位置更新粒子的速度和位置；
第(4)步：返回第(2)步，直到满足收敛条件时，得到的最优解即为空间范围内进行干扰抑制和低副瓣处理的最佳权值。
其中，步骤1中的阵列天线为方阵、圆阵或其他共面阵。
其中，步骤3和步骤4复用粒子群算法模块。
本发明与现有技术相比所取得的有益效果为：
本发明提出的一种基于粒子群的小型化阵列天线抗干扰实现方法，算法采用基于概率统计的惯性因子，可克服传统综合学习粒子群算法收敛速度慢、易陷入局部最优的缺点，将改进的粒子群算法用于小型化阵列的测向和干扰抑制，能够对方向图进行有效约束，提升算法精度和稳健性，这种联合处理算法适用于任意的共面阵，并且通过复用粒子群算法模块节省了硬件资源。
附图说明
图1为本发明的基于粒子群进行干扰检测和抑制的流程图；
图2为本发明的基于粒子群的阵列测向的流程图。
具体实施方式
为了更好的说明本发明的目的和优点，下面结合附图1-2和实例对本发明的技术方案作进一步说明。为了描述算法的需要，进一步缩小问题的规模，选择均匀分布的平面阵作为输入条件，但是规模缩小并不影响本实例的示范过程，实现过程如图1所示，具体步骤如下：
步骤1，对接收信号进行预处理
已知平面阵列由M个均匀分布的阵元组成，且阵元间距小于半波长。将天线阵列接收到的M路射频模拟信号进行下变频和A/D量化处理，得到M路中频数字信号接收信号可表示为X(n)＝[x1(n) x2(n) … xM(n)]。
步骤2，对接收信号进行子空间分解
采用N个有限次快拍计算得到阵列协方差矩阵的最大似然估计：
Figure BDA0001748005650000051
然后将相关矩阵进行特征值分解，得到R＝US∑SUS+UN∑NUN＝RS+RN，其中，US为信号子空间，而UN为噪声子空间,N为正整数。
步骤3，利用改进的综合学习粒子群算法进行测向
传统的测向方法主要基于噪声子空间对谱估计函数进行优化搜索，但是有限次快拍的阵列相关矩阵会存在畸变和空间泄露的情况，而同时利用信号子空间和噪声子空间的信息能有效提升测向精度；同时，粒子群算法能够极快的找到谱估计函数的最优解，实现过程如图2所示。
第(1)步：初始化粒子信息
选取干扰来向信息的方位角θ和俯仰角
Figure BDA0001748005650000052
作为种群粒子，随机初始化粒子的位置及速度，每个粒子将在D维搜索空间中以一定的速度飞行。
第(2)步：计算适应度函数func_1
采用改进的测向方法即利用信号子空间和噪声子空间的双重信息进行测向，其计算公式为
Figure BDA0001748005650000053
因此，要基于粒子群算法求得最优解，其适应度函数可表示为
Figure BDA0001748005650000054
其中
Figure BDA0001748005650000055
为二维导向矢量，
Figure BDA0001748005650000056
为信号协方差矩阵的逆矩阵，
Figure BDA0001748005650000057
为噪声投影矩阵。
通过计算适应度函数，得出适应度最好的粒子的历史最优位置pfi(d)即为学习样例，其中fi(d)表示粒子i将学习哪个粒子的历史最优值。
第(3)步：更新粒子的速度和位置
改进的综合学习粒子群算法在算法迭代后期，引入粒子增长率和基于概率统计的扰动因子对粒子进行扰动，使处于停滞状态的粒子获得一定的动力向新的极值方向搜索，从而提升了算法的收敛速度并进一步降低陷入局部最优的概率。
粒子的增长率表示为
Figure BDA0001748005650000061
其中平滑系数ε＞0，
Figure BDA0001748005650000062
分别表示粒子i第k代与第k-kth代的个体极值适应度值。粒子的速度和位置更新公式表示为：
Figure BDA0001748005650000063
xid(k+1)＝xid(k)+vid(k+1)
其中，vid是粒子的速度，xid是粒子的当前位置，学习因子为c1＝2，r1和r2是范围为[0,1]的随机数，
Figure BDA0001748005650000064
分别为粒子位置变化的上限和下限，w(k)是惯性权重，主要用来平衡算法的局部和全局搜索能力：
Figure BDA0001748005650000065
其中winit、wfinal分别为迭代的初始权重和最终权重，分别取值为0.4和0.9，Kmax为最大迭代次数，
Figure BDA0001748005650000066
Th为预设的阈值。
第(4)步：循环迭代完成算法收敛
返回第(2)步，直到满足最大迭代次数或收敛精度，得出全局最优位置即为干扰来向
Figure BDA0001748005650000067
完成一次单干扰来向估计。
第(5)步：调整搜索范围找出所有干扰来向
完成一次干扰来向估计后，将干扰来向与预设门限值进行对比，未超过门限值则视为无效干扰来向，转入步骤4；超过门限值的即为有效干扰来向，将有效干扰来向的个数加1，然后检测有效干扰来向的个数是否达到阵列自由度，如果是，则执行步骤4；否则根据有效干扰来向对粒子位置范围进行调整，即消去
Figure BDA0001748005650000068
对应的测向模糊区域
Figure BDA0001748005650000069
的范围，其中θvig、
Figure BDA00017480056500000610
的取值根据阵列的分辨能力设定，转入第(1)步。其中，门限值由历史数据统计得出。
步骤4，利用粒子群算法进行阵列优化和干扰抑制联合处理
为节省硬件资源并加快收敛速度，利用粒子群对小型化平面阵的阵列优化和干扰抑制进行联合处理，利用幅相权值对阵列接收信号进行幅度和相位的调整，达到阵列低副瓣处理和干扰抑制的目的。
第(1)步：初始化粒子信息
确定种群规模为M*2，即M个通道对应的复权值的幅值和相位，幅值的范围为[01]，相位的范围为[02π]。随机初始化粒子的位置及速度。
第(2)步：计算适应度函数func_2
通过步骤3得到的干扰来向
Figure BDA0001748005650000071
即可对相应的空间区域进行干扰抑制。同时设定副瓣电平参数和零陷深度值，即可进行低副瓣和干扰抑制的联合处理。对方向图Ppattern进行约束的适应度函数可表示为：
Figure BDA0001748005650000072
Figure BDA0001748005650000073
Figure BDA0001748005650000074
其中，
Figure BDA0001748005650000075
为主波束宽度，与阵元数目、阵元间距有关；θnull、
Figure BDA0001748005650000076
表征零陷范围，根据动态应用场景而定；Llobe、Lnull分别为限定的副瓣电平和零陷深度。在没有有效干扰来向时，只进行低副瓣处理。
第(3)步：更新粒子的速度和位置
同步骤3的第(3)步进行粒子速度和位置的更新。
第(4)步：循环迭代完成算法收敛
返回第(2)步，直到满足收敛条件时，得到的最优解即为空间范围内进行干扰抑制和低副瓣处理的最佳权值。
步骤5，通过对接收信号进行空间滤波，即可得到无干扰的卫星导航信号，进行后续的捕获跟踪处理。
虽然结合附图描述了本发明的实施方式，但本发明的保护范围并不局限于此，对于本领域技术人员来说，在不脱离本发明原理的前提下，还可以做出若干变形和改进，这些也应视为属于本发明的保护范围。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。

Claims (5)

1.一种基于粒子群的小型化阵列天线抗干扰实现方法，其特征在于，包括如下步骤：
步骤1，将阵列天线接收到的M路射频模拟信号进行下变频和A/D量化处理，得到M路中频数字信号；
步骤2，计算M路中频数字信号的协方差矩阵的最大似然估计，并进行特征值分解，得到信号子空间US和噪声子空间UN；
步骤3，利用信号子空间和噪声子空间的双重信息进行谱估计，同时基于概率统计的综合学习粒子群算法对谱估计函数进行寻优处理，得出全局最优位置即为干扰来向；然后通过对粒子搜索范围的迭代调整，得出所有有效干扰来向信息；
步骤4，利用步骤3得到的有效干扰来向信息，基于综合学习粒子群算法对接收信号的二维阵列方向图进行约束，得到空间范围内进行干扰抑制和低副瓣处理的最佳权值；
步骤5，利用最佳权值对M路中频数字信号进行空间滤波，得到无干扰的卫星导航信号。
2.根据权利要求1所述的一种基于粒子群的小型化阵列天线抗干扰实现方法，其特征在于：步骤3具体包括以下步骤：
第(1)步：初始化粒子信息
选取干扰来向信息的方位角θ和俯仰角
Figure FDA0002569064730000011
作为种群粒子，随机初始化粒子的位置及速度；
第(2)步：计算适应度函数
根据当前粒子的位置、速度以及信号子空间与噪声子空间信息计算测向的适应度函数，得出适应度最好的粒子的历史最优位置pfi(d)即为学习样例，其中fi(d)表示粒子i将学习哪个粒子的历史最优值；
第(3)步：更新粒子的速度和位置
粒子的增长率表示为
Figure FDA0002569064730000012
其中平滑系数ε＞0，
Figure FDA0002569064730000013
分别表示粒子i第k次迭代与第k-kth次迭代的个体极值适应度值；
粒子的速度和位置更新公式表示为：
Figure FDA0002569064730000021
xid(k+1)＝xid(k)+vid(k+1)
其中，vid是粒子的速度，xid是粒子的位置，学习因子为c1＝2，r1和r2是范围为[0,1]的随机数，
Figure FDA0002569064730000022
分别为粒子位置变化的上限和下限，w(k)是惯性权重：
Figure FDA0002569064730000023
其中winit、wfinal分别为迭代的初始权重和最终权重，分别取值为0.4和0.9，Kmax为最大迭代次数，
Figure FDA0002569064730000024
Th为预设的阈值；
第(4)步：循环迭代完成算法收敛
返回第(2)步，直到达到最大迭代次数或达到收敛精度，得出全局最优位置即为干扰来向值，完成一次干扰来向估计；
第(5)步：调整搜索范围找出所有有效干扰来向
完成一次干扰来向估计后，将干扰来向与预设门限值进行对比，未超过门限值则视为无效干扰来向，转入步骤4；超过门限值的即为有效干扰来向，将有效干扰来向的个数加1，然后检测有效干扰来向的个数是否达到预设值，如果是，则执行步骤4；否则根据有效干扰来向对粒子位置范围进行调整，转入第(1)步。
3.根据权利要求1所述的一种基于粒子群的小型化阵列天线抗干扰实现方法，其特征在于：步骤4具体包括以下步骤：
第(1)步：确定种群规模为M*2，即M个通道对应的复权值的幅值和相位作为种群粒子，并随机初始化粒子的位置及速度；
第(2)步：对接收信号的二维阵列方向图Ppattern进行约束的适应度函数表示为：
Figure FDA0002569064730000031
Figure FDA0002569064730000032
Figure FDA0002569064730000033
其中，
Figure FDA0002569064730000034
为主波束宽度，Llimit为约束电平值；θnull、
Figure FDA0002569064730000035
表征零陷范围，根据动态应用场景而定；Llobe、Lnull分别为限定的副瓣电平和零陷深度，θ为干扰来向信息的方位角，
Figure FDA0002569064730000036
为干扰来向信息的俯仰角，θi为全局最优位置干扰来向信息的方位角，
Figure FDA0002569064730000037
为全局最优位置干扰来向信息的俯仰角；
并通过适应度函数，得出适应度最好的粒子的历史最优位置；
第(3)步：根据历史最优位置更新粒子的速度和位置；
第(4)步：返回第(2)步，直到满足收敛条件时，得到的最优解即为空间范围内进行干扰抑制和低副瓣处理的最佳权值。
4.根据权利要求1所述的一种基于粒子群的小型化阵列天线抗干扰实现方法，其特征在于：步骤1中的阵列天线为方阵、圆阵或其他共面阵。
5.根据权利要求1所述的一种基于粒子群的小型化阵列天线抗干扰实现方法，其特征在于：步骤3和步骤4复用粒子群算法模块。
CN201810853594.9A 2018-07-30 2018-07-30 一种基于粒子群的小型化阵列天线抗干扰实现方法 Active CN109143275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810853594.9A CN109143275B (zh) 2018-07-30 2018-07-30 一种基于粒子群的小型化阵列天线抗干扰实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810853594.9A CN109143275B (zh) 2018-07-30 2018-07-30 一种基于粒子群的小型化阵列天线抗干扰实现方法

Publications (2)

Publication Number Publication Date
CN109143275A CN109143275A (zh) 2019-01-04
CN109143275B true CN109143275B (zh) 2020-09-22

Family

ID=64798461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810853594.9A Active CN109143275B (zh) 2018-07-30 2018-07-30 一种基于粒子群的小型化阵列天线抗干扰实现方法

Country Status (1)

Country Link
CN (1) CN109143275B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3127819A1 (fr) * 2021-10-04 2023-04-07 Safran Electronics & Defense Procédé de traitement d'un signal gnss en vue d'atténuer au moins un signal de brouillage

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110266230A (zh) * 2019-01-17 2019-09-20 浙江工业大学 一种并联式混动汽车动力永磁同步电机的参数辨识方法
CN110415326A (zh) * 2019-07-18 2019-11-05 成都品果科技有限公司 一种粒子效果的实现方法及装置
CN110927751B (zh) * 2019-12-09 2022-05-17 中国电子科技集团公司第五十四研究所 一种基于载波相位测量的阵列天线自适应校正实现方法
CN111562549B (zh) * 2020-03-30 2023-05-30 西安电子科技大学 一种分块并行的大型阵列快速自适应波束形成方法
CN112612019B (zh) * 2020-11-30 2024-02-02 中国人民解放军空军工程大学 一种基于频控阵相位中心的主动抗干扰的方法
CN113759303A (zh) * 2021-08-04 2021-12-07 中山大学 一种基于粒子群算法的无网格波达角估计方法
CN116599811B (zh) * 2023-07-18 2023-09-12 天津师范大学 一种时间调制天线阵列的多载波定向调制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105759201A (zh) * 2016-03-11 2016-07-13 江苏镇安电力设备有限公司 基于异常样本识别的高压断路器自诊断方法
CN106712825A (zh) * 2016-10-08 2017-05-24 湖南省瞬渺通信技术有限公司 一种基于粒子群的自适应波束成型干扰抑制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9523773B2 (en) * 2013-03-14 2016-12-20 Counter Echo Solutions, LLC System and methods for countering satellite-navigated munitions
KR102258696B1 (ko) * 2015-02-02 2021-06-01 한국전자통신연구원 위성 항법해를 생성하는 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105759201A (zh) * 2016-03-11 2016-07-13 江苏镇安电力设备有限公司 基于异常样本识别的高压断路器自诊断方法
CN106712825A (zh) * 2016-10-08 2017-05-24 湖南省瞬渺通信技术有限公司 一种基于粒子群的自适应波束成型干扰抑制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3127819A1 (fr) * 2021-10-04 2023-04-07 Safran Electronics & Defense Procédé de traitement d'un signal gnss en vue d'atténuer au moins un signal de brouillage
WO2023057717A1 (fr) * 2021-10-04 2023-04-13 Safran Electronics & Défense Procédé de traitement d'un signal gnss en vue d'atténuer au moins un signal de brouillage

Also Published As

Publication number Publication date
CN109143275A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109143275B (zh) 一种基于粒子群的小型化阵列天线抗干扰实现方法
CN104615854B (zh) 一种基于稀疏约束的波束展宽和旁瓣抑制方法
CN113030843B (zh) 基于改进iaa波束形成的低空目标测向方法
CN107290732B (zh) 一种量子大爆炸的单基地mimo雷达测向方法
Ali et al. Performance analysis of least mean square sample matrix inversion algorithm for smart antenna system
CN103728601A (zh) 雷达信号运动干扰空域-极化域联合稳健滤波方法
CN109239646A (zh) 一种冲击噪声环境下连续量子水蒸发的二维动态测向方法
Khalaf et al. Different adaptive beamforming algorithms for performance investigation of smart antenna system
CN114371445A (zh) 一种基于单无人机的多辐射源直接定位方法
Patra et al. A comparison between different adaptive beamforming techniques
CN109212466B (zh) 一种基于量子蜻蜓演化机制的宽带测向方法
CN107332601B (zh) 一种基于波束赋形的自适应干扰抑制方法
Veerendra et al. A planar-like sensor array for efficient direction-of-arrival estimation
Li et al. Robust adaptive beamforming based on particle filter with noise unknown
CN105262550B (zh) 一种高阶累积量来波方向快速估计的方法
CN108717196B (zh) 一种阵列天线接收信号的去干扰方法及系统
CN113093095A (zh) 一种基于雷达外辐射源的低空目标无源测向方法
Yang et al. A modified robust algorithm against large look direction error based on interference-plus-noise covariance matrix reconstruction and steering vector double estimation
Han et al. Recursive Bayesian beamforming with uncertain projected steering vector and strong interferences
Hsu Optimizing MIMO-SDMA smart antennas by using linear array phase perturbations based on particle swarm optimization
Li et al. Accurate angle-of-arrival measurement using particle swarm optimization
Zheng et al. DoA and ToA Estimation Method of OFDM Signal Based on Cascaded Deep Neural Network.
CN111337879B (zh) 一种基于多簇的加权music声源直接定位方法
Jadhav et al. Evaluation of pm and music: Direction of arrival estimation for smart antenna system
CN105301605B (zh) 一种基于和差波束的导航抗干扰方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant