CN109150236B - 一种基于变步长leap神经网络的直扩信号伪码序列估计方法 - Google Patents
一种基于变步长leap神经网络的直扩信号伪码序列估计方法 Download PDFInfo
- Publication number
- CN109150236B CN109150236B CN201810861275.2A CN201810861275A CN109150236B CN 109150236 B CN109150236 B CN 109150236B CN 201810861275 A CN201810861275 A CN 201810861275A CN 109150236 B CN109150236 B CN 109150236B
- Authority
- CN
- China
- Prior art keywords
- sequence
- network
- direct
- signal
- data
- 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
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000000513 principal component analysis Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 23
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 210000002816 gill Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/707—Spread spectrum techniques using direct sequence modulation
- H04B1/7073—Synchronisation aspects
- H04B1/7087—Carrier synchronisation aspects
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于变步长LEAP神经网络的直扩信号伪码序列估计方法,包括以下步骤:S10、获取直扩信号数据序列;S20、用一固定窗长的矩形滑动窗截取数据序列,构造训练数据;S30、用一变步长LEAP神经网络对训练数据进行PCA分析,得到特征值与相应的特征向量;S40、根据得到的特征值与特征向量估计出直扩信号的伪码序列。该方法使用变步长来代替原来LEAP算法中的固定步长,提高了运算效率,并解决了初始步长较大时网络不稳定问题,使网络收敛更快;同时还解决了由于特征向量相位模糊导致的伪码序列错误估计的问题。本发明方法在低信噪比环境中估计性能良好,不需要存储中间数据并且对输入信号具有自适应性,适合工程上对直扩信号伪码序列进行快速稳健估计。
Description
技术领域
本发明属于信号处理领域,具体涉及一种基于变步长LEAP神经网络的直扩信号伪码序列估计方法。
背景技术
直接序列扩频信号具有伪随机编码调制和信号相关处理两大特点,使其存在许多优点,如抗噪声、抗干扰、抗多径衰落等。直扩信号在诸多领域,如保密通信、多址通信、卫星导航定位中得到了广泛的应用。要想对扩频信号进行正确的接收,必须首先知道扩频信号所用的扩频伪码序列。故对直扩信号的伪码序列进行估计具有重要的实际意义。
在1993年,Warne在期刊《Electronic Letters》第20期上发表的论文《Triplecorrelation analysis of m sequences》中首先使用TCF(triple correlationfunction)估计扩频信号的伪码序列,随后许多基于TCF的改进算法被提出来用于用伪码序列估计,然而这些基于TCF的伪码估计算法,在低信噪比环境下性能很差。在2000年,GillesBUREL等人在Milcom世纪军事通信会议上发表的论文《Blind estimation of the pseudo-random sequence of a direct sequence spread spectrum signal》中利用特征值分解对直扩信号伪码进行估计,在该算法中直扩信号的采样频率大小等于伪码速率,且采样信号被分窗处理,窗的时间宽度大小等于直扩信号伪码序列的伪码周期,该算法在很低的信噪比环境下依然有效,但是随着伪码序列较长的扩频信号,其计算量巨大。在2010年,PYQiu等在期刊《IET Signal Processing》第5期上发表的论文《Blind multiuser spreadingsequences estimation algorithm for the direct-sequence code division multipleaccess signals》中基于Haghighat等人提出的MUSIC算法基础上提出一种伪码序列盲估计算法,该算法结合了MUSIC算法与分割思想,可明显降低原始的MUSIC算法估计伪码序列的算法复杂度,但该算法在低信噪比环境下估计性能仍然较差。
发表在1993年的期刊《IEEE International Symposium on Circuits&Systems》第2期上的文献《An On-Line Unsupervised Learning Machine for Adaptive FeatureExtraction》中Hong Chen等人提出一种PCA(Principal Component Analysis)分析算法即LEAP算法,该算法不仅适用于非平稳信号,且在运算过程中不需要存储中间数据,故计算效率高。但是原始LEAP算法的学习步长为固定步长,且要求步长应足够的小,否则LEAP网络有可能无法稳定收敛。
发明内容
发明目的:针对现有技术的不足,本发明提供了一种基于变步长LEAP神经网络的直扩信号伪码序列估计方法,该方法具有较强的抗噪声能力且计算效率高。
技术方案:为了实现以上目的,本发明采用以下技术方案:
一种基于变步长LEAP神经网络的直扩信号伪码序列估计方法,包括以下步骤:
S10、获取直扩信号数据序列;
S20、用一固定窗长的矩形滑动窗截取数据序列,构造训练数据;
S30、用一变步长LEAP神经网络对训练数据进行PCA分析,得到特征值与相应的特征向量,其中,LEAP神经网络的学习步长βi(k)的迭代公式为:
βi(k+1)=αβi(k)+γ(|λi(k)-λi(k-1)|/max{λi(k),λi(k-1)})
S40、根据得到的特征值与特征向量估计出直扩信号的伪码序列。
作为优选,所述步骤S10中从传感器接收L个采样点的实时采集数据,或者从存储器中提取从检测到信号时刻起始的L个采样点的数据,作为待处理的直扩信号数据序列x(n),n=0,1,···,L-1,其中数据采样频率Fs=Tc,Tc为直扩信号的伪码速率。
作为优选,所述步骤S20包括:采用矩形短时窗滑动截取直扩信号数据序列,且滑动窗之间无重叠,窗长为WL,第k个短时窗内的数据序列为xk(m),m=0,1,…,WL-1,k=0,1,2,…,m表示每个短时窗内信号点数索引。
作为优选,所述滑动窗窗长WL=Tp,Tp为直扩信号的伪码周期。
作为优选,所述步骤S30包括:
S31、网络权值初始化:令初始迭代次数k=0,设置LEAP网络的初始权值pi(k),k=0,i=1,2,…,M,M为网络的输出节点个数,并归一化:
pi(0)=pi(0)/||pi(0)||,i=1,2,…,M
S32、对训练数据xk(m)进行归一化处理:xk(m)=xk(m)/||xk(m)||;
S33、将xk(m)作为网络的输入数据,对网络的权值进行迭代更新,其权值迭代公式如下:
其中pi(k)=[pi1(k),pi2(k),···,piWL(k)]T,pij(k)表示网络第i个输出与第j个输入之间的连接权值,WL代表滑动窗窗长,Ai(k)、Bi(k)均为状态转移矩阵,且:
Bi(k)=I-Ai(k),i=1,2,···,M
其中||||F表示求取矩阵的Frobenius范数运算,I为单位矩阵;
S34、当|yi(k)-yi-1(k)|<ε时,判定网络已经收敛,其中ε为判断阈值,||为取绝对值运算,则此时的网络输出yi(k)即为数据序列x(n)的特征值,其对应的网络权值pi(k)即为其特征向量;否则,k=k+1转到步骤32,继续利用训练数据对网络的权值进行更新。
作为优选,所述步骤S40包括:
S41、当网络收敛时选出数据序列x(n)最大特征值与次大特征值对应的特征向量q1与q2,并将二者的非零部分拼接在一起,由于特征向量的相位可以反转,从而得到四组拼接的向量序列,设为vl,l=1,2,…,4;
其中,τ=0,1,2,···,WL-1,代表时间延时,l=1,2,…,4,m=0,1,…,WL-1,WL代表滑动窗窗长;
有益效果:本发明使用了一种改进型LEAP算法来对直扩信号进行PCA分析,该算法使用变步长来代替原来的固定步长,进一步提高了算法运行效率,并且解决了初始步长较大时的网络稳定性问题,使网络收敛速度更快。同时,本发明提出了针对由于特征向量相位模糊导致的伪码序列错误估计的解决方法。该估计方法在低信噪比环境中估计性能良好,不需要存储中间数据并且对输入信号具有自适应性,适合工程上对直扩信号伪码序列进行快速稳健估计。
附图说明
图1为本发明的方法流程图;
图2为根据本发明实施例的直扩信号实际的伪码序列;
图3为根据本发明实施例得到的直扩信号训练数据的最大以及次大特征值对应的归一化特征向量;
图4为根据图3中的结果将该两个特征向量非零部分进行拼接得到的估计序列;
图5为根据图4中的结果以及所估计的直扩信号伪码序列。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
目前常用的直扩信号伪码序列估计算法中基于TCF的方法,计算量偏大且低信噪比环境下估计效果较差。基于特征值分解的方法,虽然在低信噪比环境下估计效果良好,但是当直扩信号的伪码序列较长时,计算量很大,不利于工程实践。而本发明的直扩信号伪码序列估计算法中,利用了LEAP算法并且对其进行改进,用变化的步长代替固定步长,从而进一步提高了算法的运算效率,同时对网络的权值更新方式进行优化,提高了算法在较大步长下的稳健性,并且解决了由于特征向量相位模糊导致的伪码序列错误估计问题。仿真实验表明该方法在低信噪比环境下性能良好,对输入数据具有自适应性。
参照图1,本发明的一种基于变步长LEAP神经网络的直扩信号伪码序列估计方法,包括以下步骤:
S10、获取待处理的信号采样数据序列:从传感器接收L个采样点的实时采集数据作为待处理的直扩信号数据序列x(n),n=0,1,···,L-1,或从存储器中提取从检测到信号时刻起始的L个采样点的数据作为待处理的直扩信号数据序列x(n),n=0,1,···,L-1。其中数据采样频率Fs=Tc,Tc为直扩信号的伪码速率。
S20、构造训练数据:采用矩形短时窗,窗长为WL,WL=Tp,Tp为直扩信号的伪码周期。滑动截取直扩信号数据序列x(n),n=0,1,···,L-1,且滑动窗之间无重叠。记第k个短时窗内的数据序列为xk(m),m=0,1,…,WL-1,k=0,1,2,…,m表示每个短时窗内信号点数索引。
S30、用一变步长LEAP神经网络,对训练数据进行PCA分析,网络的输入节点数与数据xk(m)的长度一样为WL,得到x(n)的特征值与相应的特征向量,其具体步骤如下:
S31、网络权值初始化:令初始迭代次数k=0,即一个短时窗内的数据训练一次网络,设置LEAP网络的初始权值pi(k),k=0,i=1,2,…,M,权值通常为0到1之间的随机数,其中M为网络的输出节点个数,并归一化:
pi(0)=pi(0)/||pi(0)||,i=1,2,…,M (1)
S32、训练数据xk(m)归一化处理,提高网络的稳定性:
xk(m)=xk(m)/||xk(m)|| (2)
S33、将xk(m)作为网络的输入数据,对网络的权值进行迭代更新,其权值迭代公式如下:
其中pi(k)=[pi1(k),pi2(k),···,piWL(k)]T,pij(k)表示网络第i个输出与第j个输入之间的连接权值。yi(k)表示网络的第i个输出,Ai(k)、Bi(k)均为状态转移矩阵,且:
Bi(k)=I-Ai(k),i=1,2,···,M (5)
其中||||F表示求取矩阵的Frobenius范数运算,公式(4)在原算法的基础上,对矩阵Ci(k)进行归一化操作,使得网络在较大步长训练时Ai(k)的特征值恒小于等于1,从而确保网络的稳定性;I为单位矩阵。
βi(k)为网络的学习步长,其计算公式如下:
βi(k+1)=αβi(k)+γ(|λi(k)-λi(k-1)|/max{λi(k),λi(k-1)}) (7)
其中,E{·}表示求数学期望,max{·}表示求最大值运算。α、γ为常数,0<α<1,γ>0。通过公式(7)可以看出,当网络刚开始训练时,即λi(k)与λi(k-1)差距较大时网络的迭代步长较长,当网络逐渐收敛时即λi(k)与λi(k-1)差距较小时网络的迭代步长较小,这样可以提高网络的训练速度,同时在网络收敛时可以获得较好的稳态性能;并且让特征值的差值与最大值相除,可确保网络迭代过程中迭代步长不会出现过大现象,提高了网络的稳定性。
S34、当网络的输出不再明显变化时,即:
|yi(k)-yi-1(k)|<ε (9)
则可判定网络已经收敛,其中ε为判断阈值,0<ε<<1,||为取绝对值运算,则此时的网络输出yi(k)即为数据序列x(n)的特征值,其对应的网络权值pi(k)即为其特征向量。否则,k=k+1转到步骤32,继续利用训练数据对网络的权值进行更新。
S40、根据得到的特征值与特征向量估计出直扩信号的伪码序列,其具体步骤如下:
首先,当网络收敛时选出x(n)最大特征值与次大特征值对应的特征向量q1与q2,并将二者的非零部分拼接在一起。由于特征向量的相位可以反转即存在相位模糊,从而可以得到四组拼接的向量序列,设为vl,l=1,2,…,4。
表示对vl向量中的每一个元素进行sgn()运算,其中:
其中,τ=0,1,2,···,WL-1,代表时间延时,l=1,2,…,4,m=0,1,…,WL-1。
根据以上详细描述的基于变步长LEAP神经网络的直扩信号伪码序列估计方法,下面以一个仿真实验来验证本发明的效果。本发明的实施例中,直扩基带信号的数学模型为:
x(t)=s(t)+v(t)=d(t)p(t)+v(t) (15)
这里Tp为直扩信号的伪码周期,Tc为其伪码速率。
仿真信号参数设置为:直扩信号伪码阶数为5阶m序列;噪声为高斯白噪声,信噪比为-5dB。数据截断窗与信息码之间的延时为10个伪码码片。
图2所示为直扩信号实际的伪码序列,又称为PN序列;图3为根据本发明中公式(3)得到的直扩信号的最大以及次大特征值对应的归一化特征向量。图4所示为根据图3中的结果,将该两个特征向量非零部分进行拼接得到的估计序列。图5所示为根据图4中的结果以及公式(10-14)所估计的直扩信号伪码序列,从图中可以看出估计出的直扩信号伪码序列与图2中的实际的伪码序列相符,估计结果正确。
从实施例的结果可以看出,本发明估计方法在接近于-5dB的低信噪比环境中,仍能正确地估计出直扩信号的伪码序列,适用于快速稳健估计直扩信号伪码序列的场合。
Claims (5)
1.一种基于变步长LEAP神经网络的直扩信号伪码序列估计方法,其特征在于,该方法包括以下步骤:
S10、获取直扩信号数据序列;
S20、用一固定窗长的矩形滑动窗截取数据序列,构造训练数据;
S30、用一变步长LEAP神经网络对训练数据进行PCA分析,得到特征值与相应的特征向量,其中,LEAP神经网络的学习步长βi(k)的迭代公式为:
βi(k+1)=αβi(k)+γ(|λi(k)-λi(k-1)|/max{λi(k),λi(k-1)})
S40、根据得到的特征值与特征向量估计出直扩信号的伪码序列;
其中,所述步骤S40包括:
S41、当网络收敛时选出数据序列x(n)最大特征值与次大特征值对应的特征向量q1与q2,并将二者的非零部分拼接在一起,由于特征向量的相位可以反转,从而得到四组拼接的向量序列,设为vl,l=1,2,…,4;
其中,τ=0,1,2,…,WL-1,代表时间延时,l=1,2,…,4,m=0,1,…,WL-1,WL代表滑动窗窗长;
2.根据权利要求1所述的基于变步长LEAP神经网络的直扩信号伪码序列估计方法,其特征在于,所述步骤S10中从传感器接收L个采样点的实时采集数据,或者从存储器中提取从检测到信号时刻起始的L个采样点的数据,作为待处理的直扩信号数据序列x(n),n=0,1,…,L-1,其中数据采样频率Fs=Tc,Tc为直扩信号的伪码速率。
3.根据权利要求1所述的基于变步长LEAP神经网络的直扩信号伪码序列估计方法,其特征在于,所述步骤S20包括:采用矩形短时窗滑动截取直扩信号数据序列,且滑动窗之间无重叠,窗长为WL,第k个短时窗内的数据序列为xk(m),m=0,1,…,WL-1,k=0,1,2,…,m表示每个短时窗内信号点数索引。
4.根据权利要求3所述的基于变步长LEAP神经网络的直扩信号伪码序列估计方法,其特征在于,所述滑动窗窗长WL=Tp,Tp为直扩信号的伪码周期。
5.根据权利要求1所述的基于变步长LEAP神经网络的直扩信号伪码序列估计方法,其特征在于,所述步骤S30包括:
S31、网络权值初始化:令初始迭代次数k=0,设置LEAP网络的初始权值pi(k),k=0,i=1,2,…,M,M为网络的输出节点个数,并归一化:
pi(0)=pi(0)/||pi(0)||,i=1,2,…,M
S32、对训练数据xk(m)进行归一化处理:xk(m)=xk(m)/||xk(m)||;
S33、将xk(m)作为网络的输入数据,对网络的权值进行迭代更新,其权值迭代公式如下:
其中pi(k)=[pi1(k),pi2(k),…,piWL(k)]T,pij(k)表示网络第i个输出与第j个输入之间的连接权值,WL代表滑动窗窗长,Ai(k)、Bi(k)均为状态转移矩阵,且:
Bi(k)=I-Ai(k),i=1,2,…,M
其中|| ||F表示求取矩阵的Frobenius范数运算,I为单位矩阵;
S34、当|yi(k)-yi-1(k)|<ε时,判定网络已经收敛,其中ε为判断阈值,| |为取绝对值运算,则此时的网络输出yi(k)即为数据序列x(n)的特征值,其对应的网络权值pi(k)即为其特征向量;否则,k=k+1转到步骤32,继续利用训练数据对网络的权值进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810861275.2A CN109150236B (zh) | 2018-08-01 | 2018-08-01 | 一种基于变步长leap神经网络的直扩信号伪码序列估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810861275.2A CN109150236B (zh) | 2018-08-01 | 2018-08-01 | 一种基于变步长leap神经网络的直扩信号伪码序列估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109150236A CN109150236A (zh) | 2019-01-04 |
CN109150236B true CN109150236B (zh) | 2020-05-19 |
Family
ID=64798533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810861275.2A Active CN109150236B (zh) | 2018-08-01 | 2018-08-01 | 一种基于变步长leap神经网络的直扩信号伪码序列估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109150236B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111221577B (zh) * | 2020-01-17 | 2020-12-29 | 中国人民解放军32802部队 | 一种非合作线性反馈移位寄存器功能重建方法 |
CN111711585B (zh) * | 2020-06-11 | 2021-06-22 | 西安交通大学 | 一种基于深度学习的实时信号序列检测方法 |
CN111953380B (zh) * | 2020-07-02 | 2021-11-23 | 中国人民解放军战略支援部队信息工程大学 | 基于范数拟合的非周期长码直扩信号时延估计方法及系统 |
CN114268341B (zh) * | 2021-12-21 | 2024-02-13 | 中国航天科工集团八五一一研究所 | 基于循环平稳特性的直接序列扩频信号伪码速率估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104038249A (zh) * | 2014-05-12 | 2014-09-10 | 杭州电子科技大学 | 周期长码直扩信号伪随机码估计方法 |
CN105680903A (zh) * | 2016-03-14 | 2016-06-15 | 杭州电子科技大学 | 周期长短码直扩码分多址信号多伪码估计方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101662305B (zh) * | 2009-09-25 | 2012-06-27 | 西安电子科技大学 | 直接序列扩频系统伪随机码估计方法 |
CN105791184B (zh) * | 2016-04-15 | 2019-05-10 | 重庆邮电大学 | 基于相似度的非周期长码直扩信号扩频序列盲估计方法 |
CN106067868A (zh) * | 2016-07-06 | 2016-11-02 | 重庆邮电大学 | 基于rbf神经网络的ds‑ss信号伪码盲估计方法 |
-
2018
- 2018-08-01 CN CN201810861275.2A patent/CN109150236B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104038249A (zh) * | 2014-05-12 | 2014-09-10 | 杭州电子科技大学 | 周期长码直扩信号伪随机码估计方法 |
CN105680903A (zh) * | 2016-03-14 | 2016-06-15 | 杭州电子科技大学 | 周期长短码直扩码分多址信号多伪码估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109150236A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109150236B (zh) | 一种基于变步长leap神经网络的直扩信号伪码序列估计方法 | |
Liao et al. | Iterative methods for subspace and DOA estimation in nonuniform noise | |
de Lamare et al. | Adaptive reduced-rank LCMV beamforming algorithms based on joint iterative optimization of filters: Design and analysis | |
Doukopoulos et al. | Fast and stable subspace tracking | |
Wei et al. | Noise-constrained least mean squares algorithm | |
US7765089B2 (en) | Blind signal separation | |
CN107124379B (zh) | 一种基于改进狼群优化的正交小波常模盲均衡方法 | |
Arjomandi-Lari et al. | Generalized YAST algorithm for signal subspace tracking | |
CN107966676B (zh) | 复杂噪声环境下阵列天线角度和信源个数联合估计方法 | |
CN106656882A (zh) | 一种信号合成方法及系统 | |
CN106685555B (zh) | 基于低秩矩阵恢复的mimo水声系统信道状态信息反馈方法 | |
Ali et al. | An improved gain vector to enhance convergence characteristics of recursive least squares algorithm | |
CN114070353B (zh) | 一种同步长码ds-cdma信号盲解扩方法 | |
CN114035157B (zh) | 一种基于期望最大化算法的分频带时延估计方法及其系统 | |
CN114611550A (zh) | 基于复数卷积模块的多特征自动调制识别方法 | |
van der Veen | An adaptive version of the algebraic constant modulus algorithm [blind source separation applications] | |
van der Veen et al. | Constant modulus beamforming | |
CN107801149B (zh) | 实值平行因子分解的多径参数估算方法 | |
Huang et al. | Tracking time-varying correlated underwater acoustic channels in the signal subspace | |
Vasylyshyn | Frequency estimation of signals by ESPRIT method using SSA-based preprocessing | |
Badeau et al. | YAST algorithm for minor subspace tracking | |
Roemer et al. | Tensor subspace tracking via Kronecker structured projections (TeTraKron) | |
Enescu | Adaptive methods for blind equalization and signal separation in MIMO systems | |
Kim et al. | Tree search network for sparse estimation | |
Shuhua et al. | An Improved Strong Tracking Variable Forgetting Factor RLS Algorithm with Low Complexity for Dynamic System Identification |
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 |