CN109358313B - 一种基于量子带电系统搜索演化机制的宽带测向方法 - Google Patents
一种基于量子带电系统搜索演化机制的宽带测向方法 Download PDFInfo
- Publication number
- CN109358313B CN109358313B CN201811310188.4A CN201811310188A CN109358313B CN 109358313 B CN109358313 B CN 109358313B CN 201811310188 A CN201811310188 A CN 201811310188A CN 109358313 B CN109358313 B CN 109358313B
- Authority
- CN
- China
- Prior art keywords
- quantum
- charged
- charged particle
- charged particles
- ith
- 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
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
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
- G01S3/28—Systems for determining direction or deviation from predetermined direction using amplitude comparison of signals derived simultaneously from receiving antennas or antenna systems having differently-oriented directivity characteristics
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
- Complex Calculations (AREA)
Abstract
本发明属于阵列信号处理领域,具体涉及一种基于量子带电系统搜索演化机制的宽带测向方法。本发明步骤为:建立宽带信号采样模型;量子带电系统搜索演化机制参数初始化;计算所有带电粒子的适应度,按照降序方式排序;创建带电粒子的量子记忆库;更新带电粒子的带电量以及它们之间的距离;更新带电粒子的移动概率和所受合力;更新带电粒子的量子旋转角度、量子位置和速度;计算带电粒子的适应度,并按照降序方式排序,更新量子记忆库;判断是否达到最大迭代次数;输出量子带电系统全局最优量子位置映射成最优位置。本发明以量子带电系统搜索演化机制对宽带信号进行测向,减少了运算量和运算时间,提高了收敛速度和收敛精度,实现快速高精度测向。
Description
技术领域
本发明属于阵列信号处理领域,具体涉及一种基于量子带电系统搜索演化机制的宽带测向方法。
背景技术
阵列信号处理是现代信号处理领域的一个重要分支,在雷达、声呐、通信、视频会议等领域有着重要应用,而波达方向DOA估计是阵列信号处理的重要研究方向。在过去几十年中,许多科学家对宽带信号进行了深入的研究,获得了重大的进步。宽带信号具有携带信息量大,易于目标检测、参量估计和特征提取等优点。随着科技的发展,宽带信号在通信技术领域的地位越来越重要。
极大似然方法是一种比较典型实用的参数估计方法,它是贝叶斯估计方法中的一种特例,是在已知白噪声情况下的贝叶斯最优估计。在该方法中,观测所得信号的似然函数是含有未知参数的条件概率密度函数,然后通过求出最优解对入射信号进行角度估计。极大似然方法的目标函数是一个多维非线性函数,求解过程复杂,运算量较大。
相干信号子空间方法CSM是处理宽带信号的一种常用方法。该类方法的主要思想是把频带内不重叠频率点上的信号空间聚焦到参考频率点,聚焦后得到单一频率点的数据协方差,再应用窄带信号处理的方法进行DOA估计。CSM方法的关键是聚焦矩阵的选择,本发明是利用RSS方法对宽带聚焦矩阵进行选取。
根据已有文献发现,陈富琴和周渊平在《微型机与应用》2017,Vol.34,No.2,pp.221–228发表的“不同信号的DOA估计算法比较”中,对ESPRIT算法进行了改进,对低信噪比子带赋予低权重或舍弃,减少了能量分布不均所带来的误差,但是该方法运算量较大,收敛速度慢。蔡进等在《信号处理》2018,Vol.34,No.2,pp.221–228发表的“聚焦的子空间正交性测试宽带DOA估计方法”中,提出了一种聚焦的FTOPS算法,该方法有效的消除了伪峰,但是依然存在着测向误差较大的缺点。
发明内容
本发明的目的在于提出一种基于量子带电系统搜索演化机制的宽带测向方法,它是基于极大似然方程和CSM方法的宽带信号测向方法,设计量子带电系统搜索演化机制对该方法的目标函数进行求解,该方法能够在宽带环境下对独立信源和相干信源进行快速高精度测向。
本发明的目的是这样实现的:
一种基于量子带电系统搜索演化机制的宽带测向方法,主要包括以下步骤:
(1)建立宽带信号采样模型,得到接收信号cm(t)、经傅里叶变换后的宽带信号模型Ck(fg),计算出参考频率点f0对应的流型矩阵Aθ(f0)、阵列接收数据对应频率点为fg的聚焦矩阵T(fg)、对应频率点为fg时的数据协方差矩阵Rc(fg)、参考频率点f0对应的正交投影矩阵得到每个频率点fg对应的数据协方差矩阵参考频率点f0对应的数据协方差矩阵根据极大似然方程求得角度估计值
(2)量子带电系统搜索演化机制参数初始化:带电粒子群体规模为L,最大迭代次数为U,搜索空间维度为P,第i个带电粒子的量子位置为第i个带电粒子的速度为其中t为迭代次数,初始时令t=1,带电粒子的初始速度为0,即
(4)创建带电粒子的量子记忆库,得到量子位置记忆库βt和量子位置的适应度值库φt;
(7)更新带电粒子的量子旋转角度、量子位置和速度;
(8)以概率μ选取部分带电粒子修正它的量子位置:
(9)计算带电系统中每个带电粒子的新的量子位置的适应度,然后根据适应度值大小按照降序的方式把带电粒子的量子位置重新排序,若当前的第i个带电粒子的适应度值大于已经保存的适应度值,则用当前的第i个带电粒子的量子位置替代原先保存的局部最优量子位置;确定更新后的带电系统的全局最优量子位置,若当前的最大适应度值大于原先保存的最大适应度值,则用当前的全局最优量子位置替代原先保存的全局最优位置;更新带电粒子的量子记忆库,从局部最优量子位置中选取δ个带电粒子替代原先的量子记忆库;
(10)判断是否达到最大迭代次数,若没有达到,返回步骤(5)继续进行;若已经达到,则带电系统全局最优量子位置映射成最优位置,就得到宽带波达方向估计所要估计的角度。
所述步骤(1)建立宽带信号采样模型具体包括:在高斯噪声情况下,有P个宽带远场信号以方向角θ1,θ2,…,θP入射到空间某阵列上,该天线阵列由M个阵元组成,阵元间距为d,信号波长为λ,信号带宽为B;以第一个天线阵元为参考阵元,则第m个阵元所接收到的信号表示为其中,am,p为第m个阵元对第p个信号的增益,sp(t)为在t时刻第p个入射信号,nm(t)为在t时刻第m个阵元上的噪声,τm,p为第p个入射信号到达第m个阵元上的时间延迟;
将观察时间长度为的时域采样数据划分为K个子段,每段时间为然后对每段采样数据进行G点的离散傅里叶变换,得到宽带信号模型为Ck(fg)=Aθ(fg)Sk(fg)+Nk(fg),k=1,2,…,K,g=1,2,…,G,θ=[θ1,θ2,…,θP];其中,Ck(fg)=[C1k(fg),C2k(fg),…,CMk(fg)]T,Sk(fg)=[S1k(fg),S2k(fg),…,SMk(fg)]T,Nk(fg)=[N1k(fg),N2k(fg),…,NMk(fg)]T分别为cm(t)、sp(t)、nm(t)在第k个子段,对应频率点为fg的傅里叶系数,g=1,2,…,G;为空间阵列的流型矩阵;当P个方向各不相同时,矩阵是满秩的,为第p个导向矢量,p=1,2,…,P;
计算出阵列接收数据对应频率点为fg的聚焦矩阵T(fg)=V(fg)U(fg)H,其中U(fg)和V(fg)分别为Aθ(fg)Aθ(f0)的左奇异矢量和右奇异矢量,利用接收数据计算出对应频率点为fg时的数据协方差矩阵并计算出参考频率点f0对应的正交投影矩阵为然后利用一系列聚焦矩阵对阵列接收数据进行聚焦变换,得到每个频率点fg对应的数据协方差矩阵为然后求出参考频率点f0对应的数据协方差矩阵为根据极大似然方程求得角度估计值为其中tr表示求矩阵的迹。
所述步骤(3)计算所有带电粒子的适应度具体包括:在宽带测向中,第i个带电粒子的量子位置的第p维映射到宽带测向中来波方向的公式为其中θp,max为第p维角度最大值,θp,min为第p维角度最小值,i=1,2,…,L,p=1,2,…,P;计算第i个带电粒子的适应度值,适应度函数为所述整个带电系统的全局最优量子位置为全局最差量子位置为以及直到第t代为止第i个带电粒子的局部最优量子位置为
所述步骤(4)创建带电粒子的量子记忆库具体包括:带电粒子的量子记忆库中保存有一部分迄今为止最优带电粒子的位置向量以及它的适应度值,即量子位置记忆库为第i个带电粒子的量子位置的第p维映射到宽带测向中来波方向的公式为那么量子位置的适应度值库为其中,i=1,2,…δ,δ≤L,t为迭代次数,初始时令t=1,
所述步骤(5)更新每个带电粒子的带电量以及它们之间的距离具体包括:每个带电粒子带有一定的电荷量并以自己为中心产生一个带电区域,第i个带电粒子的电荷量为其中为第i个带电粒子的适应度值,为带电系统的全局最小适应度值,为带电系统的全局最大适应度值,i=1,2,…,L;第i个带电粒子与第ψ个带电粒子之间的距离为ε是一个非常小的正数。
所述步骤(6)更新带电粒子产生引力的概率和每个带电粒子所受合力具体包括:所有适应度值大的带电粒子能够吸引适应度值小的带电粒子,但是只有一小部分适应度值小的带电粒子能够吸引适应度值大的带电粒子,第ψ个带电粒子对第i个带电粒子产生引力的概率为第i个带电粒子所受合力为其中,每一个带电粒子都会产生一个以自己为圆心、半径为的带电球体空间,Amax和Amin分别为带电粒子量子位置的最大值和最小值,当时,w2=1,w3=0;当时,w2=0,w3=1。
所述步骤(7)更新带电粒子的量子旋转角度、量子位置和速度具体包括:第i个带电粒子的量子旋转门旋转角度的第p维为它的量子位置更新公式为其中是第i个带电粒子所受合力的第p维,ka是加速度的权重因子,其值为kv是速度的权重因子,其值为kc是局部最优量子位置的权重因子,其值为kd是全局最优量子位置的权重因子,其值为w4、w5、w6和w7为区间[0,1]之间的随机数;Δt为时间步长,i=1,2,…,L,p=1,2,…,P;第i个带电粒子的速度的第p维更新公式为
所述步骤(8)以概率μ选取部分带电粒子修正它的量子位置具体包括:首先对于第i个带电粒子,如果那么带电粒子的量子位置从量子记忆库中随机取值,即第i个带电粒子的量子位置选择量子记忆库中的第Γ个量子位置如果那么带电粒子的量子位置在区间[0,1]之间随机产生;如果带电粒子的量子位置是从量子记忆库中得到,那么还需要对该量子位置进行微调,即如果那么第i个带电粒子的量子旋转门旋转角度的第p维为它的量子位置为如果那么其中为第t代量子记忆库中第Γ个量子位置的第p维,p=1,2,…,P,为记忆库取值概率,为微调概率,bw为微调幅度,w8、w9和w10是[0,1]之间的随机数,Γ为区间[1,δ]之间的一个随机整数。
本发明的有益效果在于:
1.本发明设计量子带电系统演化机制对宽带信号进行波达方向估计,简化对角度估计方程的求解,减少运算量和运算时间,提高角度估计的收敛精度和收敛速度。
2.本发明所设计的宽带测向方法可同时对相干源和独立源进行波达方向估计,并且具有优秀的抗噪声性能和较高的估计成功概率。
3.本发明的测向性能要优于基于粒子群算法的宽带测向方法。
附图说明
图1为基于量子带电系统演化机制的宽带测向方法流程图;
图2为独立源均方根误差与信噪比关系曲线;
图3为相干源均方根误差与信噪比关系曲线。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。将基于量子带电系统演化机制的宽带测向方法简记为QCSS,将基于粒子群演化机制的宽带测向方法简记为PSO。
图1是基于量子带电系统演化机制的宽带测向方法流程图。本发明采用极大似然方法和相干信号子空间方法对宽带信号进行波达方向估计,并且设计了量子带电系统演化机制对目标函数进行求解。本发明解决问题所采用的方案步骤如下:
(1)在高斯噪声情况下,有P个宽带远场信号以方向角θ1,θ2,…,θP入射到空间某阵列上,该天线阵列由M个阵元组成,阵元间距为d,信号波长为λ,信号带宽为B。以第一个天线阵元为参考阵元,则第m个阵元所接收到的信号可以表示为m=1,2,…,M。其中,am,p为第m个阵元对第p个信号的增益,sp(t)为在t时刻第p个入射信号,nm(t)为在t时刻第m个阵元上的噪声,τm,p为第p个入射信号到达第m个阵元上的时间延迟。
将观察时间长度为的时域采样数据划分为K个子段,每段时间为然后对每段采样数据进行G点的离散傅里叶变换,得到宽带信号模型为Ck(fg)=Aθ(fg)Sk(fg)+Nk(fg),k=1,2,…,K,g=1,2,…,G,θ=[θ1,θ2,…,θP]。其中,Ck(fg)=[C1k(fg),C2k(fg),…,CMk(fg)]T,Sk(fg)=[S1k(fg),S2k(fg),…,SMk(fg)]T,Nk(fg)=[N1k(fg),N2k(fg),…,NMk(fg)]T分别为cm(t)、sp(t)、nm(t)在第k个子段,对应频率点为fg的傅里叶系数,g=1,2,…,G。为空间阵列的流型矩阵。当P个方向各不相同时,矩阵是满秩的,为第p个导向矢量,p=1,2,…,P。
选择参考频率点f0,计算出参考频率点f0对应的流型矩阵 计算出阵列接收数据对应频率点为fg的聚焦矩阵T(fg)=V(fg)U(fg)H,其中U(fg)和V(fg)分别为Aθ(fg)Aθ(f0)的左奇异矢量和右奇异矢量。利用接收数据计算出对应频率点为fg时的数据协方差矩阵并计算出参考频率点f0对应的正交投影矩阵为然后利用一系列聚焦矩阵对阵列接收数据进行聚焦变换,得到每个频率点fg对应的数据协方差矩阵为然后求出参考频率点f0对应的数据协方差矩阵为根据极大似然方程求得角度估计值为其中tr表示求矩阵的迹。
(2)量子带电系统搜索演化机制参数初始化:带电粒子群体规模为L,最大迭代次数为U,搜索空间维度为P,第i个带电粒子的量子位置为第i个带电粒子的速度为其中t为迭代次数,初始时令t=1,带电粒子的初始速度为0,即
(3)计算所有带电粒子的适应度。在宽带测向中,第i个带电粒子的量子位置的第p维映射到宽带测向中来波方向的公式为其中θp,max为第p维角度最大值,θp,min为第p维角度最小值,i=1,2,…,L,p=1,2,…,P。计算第i个带电粒子的适应度值,适应度函数为然后根据适应度值大小按照降序的方式把带电粒子的量子位置重新排序,并确定整个带电系统的全局最优量子位置为全局最差量子位置为以及直到第t代为止第i个带电粒子的局部最优量子位置为
(4)创建带电粒子的量子记忆库。带电粒子的量子记忆库中保存有一部分迄今为止最优带电粒子的位置向量以及它的适应度值,即量子位置记忆库为第i个带电粒子的量子位置的第p维映射到宽带测向中来波方向的公式为那么量子位置的适应度值库为其中,i=1,2,…δ,δ≤L,t为迭代次数,初始时令t=1,
(5)更新每个带电粒子的带电量以及它们之间的距离。每个带电粒子带有一定的电荷量并以自己为中心产生一个带电区域,第i个带电粒子的电荷量为其中为第i个带电粒子的适应度值,为带电系统的全局最小适应度值,为带电系统的全局最大适应度值,i=1,2,…,L。第i个带电粒子与第ψ个带电粒子之间的距离为ε是一个非常小的正数。
(6)更新每个带电粒子所受合力。所有适应度值大的带电粒子能够吸引适应度值小的带电粒子,但是只有一小部分适应度值小的带电粒子能够吸引适应度值大的带电粒子。第ψ个带电粒子对第i个带电粒子产生引力的概率为i,j=1,2,…,L。第i个带电粒子所受合力为其中,每一个带电粒子都会产生一个以自己为圆心、半径为的带电球体空间,Amax和Amin分别为带电粒子量子位置的最大值和最小值,当时,w2=1,w3=0;当时,w2=0,w3=1。
(7)更新带电粒子的量子位置和速度。第i个带电粒子的量子旋转门旋转角度的第p维为它的量子位置更新公式为其中是第i个带电粒子所受合力的第p维,ka是加速度的权重因子,其值为kv是速度的权重因子,其值为kc是局部最优量子位置的权重因子,其值为kd是全局最优量子位置的权重因子,其值为w4、w5、w6和w7为区间[0,1]之间的随机数;Δt为时间步长,i=1,2,…,L,p=1,2,…,P。第i个带电粒子的速度的第p维更新公式为
(8)以概率μ选取部分带电粒子修正它的量子位置。首先对于第i个带电粒子,如果那么带电粒子的量子位置从量子记忆库中随机取值,即第i个带电粒子的量子位置选择量子记忆库中的第Γ个量子位置如果那么带电粒子的量子位置在区间[0,1]之间随机产生。如果带电粒子的量子位置是从量子记忆库中得到,那么还需要对该量子位置进行微调,即如果那么第i个带电粒子的量子旋转门旋转角度的第p维为它的量子位置为如果那么其中为第t代量子记忆库中第Γ个量子位置的第p维,p=1,2,…,P,为记忆库取值概率,为微调概率,bw为微调幅度,w8、w9和w10是[0,1]之间的随机数,Γ为区间[1,δ]之间的一个随机整数。
(9)计算带电系统中每个带电粒子的新的量子位置的适应度,然后根据适应度值大小按照降序的方式把带电粒子的量子位置重新排序,若当前的第i个带电粒子的适应度值大于已经保存的适应度值,则用当前的第i个带电粒子的量子位置替代原先保存的局部最优量子位置;确定更新后的带电系统的全局最优量子位置,若当前的最大适应度值大于原先保存的最大适应度值,则用当前的全局最优量子位置替代原先保存的全局最优位置。更新带电粒子的量子记忆库,从局部最优量子位置中选取δ个带电粒子替代原先的量子记忆库。
(10)判断是否达到最大迭代次数,若没有达到,返回步骤(5)继续进行;若已经达到,则带电系统全局最优量子位置映射成最优位置,就得到宽带波达方向估计所要估计的角度。
宽带信号模型具体参数设置如下:
宽带远场信号,最低频率为80Hz,最高频率为120Hz,带宽为40Hz,天线阵列为均匀线阵,阵元间距为半波长,天线数为8,快拍数为5120,信源数为2,信号入射角度分别为20°、10°,噪声为高斯噪声。
基于量子带电系统搜索演化机制的宽带测向方法参数设置如下:
带电粒子群体规模为S=40,迭代次数为U=200,ε=0.0001,记忆库取值概率微调概率为微调幅度为带电粒子产生的球体半径e=0.1,角度最大值为θmax=90,角度最小值为θmin=-90,带电粒子量子位置的最大值为Amax=1,带电粒子量子位置的最小值为Amin=0。
基于粒子群算法的宽带测向方法的相关参数见李俊武,俞志富在《计算机工程与应用》(2013,Vol.49,No.9,pp.203–206)上发表的“改进粒子群算法在DOA估计中的应用”。
Claims (8)
1.一种基于量子带电系统搜索演化机制的宽带测向方法,其特征在于,包括以下步骤:
(1)建立宽带信号采样模型,得到接收信号cm(t)、经傅里叶变换后的宽带信号模型Ck(fg),计算出参考频率点f0对应的流型矩阵Aθ(f0)、阵列接收数据对应频率点为fg的聚焦矩阵T(fg)、对应频率点为fg时的数据协方差矩阵Rc(fg)、参考频率点f0对应的正交投影矩阵得到每个频率点fg对应的数据协方差矩阵参考频率点f0对应的数据协方差矩阵根据极大似然方程求得角度估计值
(2)量子带电系统搜索演化机制参数初始化:带电粒子群体规模为L,最大迭代次数为U,搜索空间维度为P,第i个带电粒子的量子位置为第i个带电粒子的速度为其中t为迭代次数,初始时令t=1,带电粒子的初始速度为0,即
(4)创建带电粒子的量子记忆库,得到量子位置记忆库βt和量子位置的适应度值库φt;
(7)更新带电粒子的量子旋转角度、量子位置和速度;
(8)以概率μ选取部分带电粒子修正它的量子位置:
(9)计算带电系统中每个带电粒子的新的量子位置的适应度,然后根据适应度值大小按照降序的方式把带电粒子的量子位置重新排序,若当前的第i个带电粒子的适应度值大于已经保存的适应度值,则用当前的第i个带电粒子的量子位置替代原先保存的局部最优量子位置;确定更新后的带电系统的全局最优量子位置,若当前的最大适应度值大于原先保存的最大适应度值,则用当前的全局最优量子位置替代原先保存的全局最优位置;更新带电粒子的量子记忆库,从局部最优量子位置中选取δ个带电粒子替代原先的量子记忆库;
(10)判断是否达到最大迭代次数,若没有达到,返回步骤(5)继续进行;若已经达到,则带电系统全局最优量子位置映射成最优位置,就得到宽带波达方向估计所要估计的角度。
2.根据权利要求1所示的一种基于量子带电系统搜索演化机制的宽带测向方法,其特征在于,所述步骤(1)建立宽带信号采样模型具体包括:在高斯噪声情况下,有P个宽带远场信号以方向角θ1,θ2,…,θP入射到空间某阵列上,天线阵列由M个阵元组成,阵元间距为d,信号波长为λ,信号带宽为B;以第一个天线阵元为参考阵元,则第m个阵元所接收到的信号表示为其中,am,p为第m个阵元对第p个信号的增益,sp(t)为在t时刻第p个入射信号,nm(t)为在t时刻第m个阵元上的噪声,τm,p为第p个入射信号到达第m个阵元上的时间延迟;
将观察时间长度为的时域采样数据划分为K个子段,每段时间为然后对每段采样数据进行G点的离散傅里叶变换,得到宽带信号模型为Ck(fg)=Aθ(fg)Sk(fg)+Nk(fg),k=1,2,…,K,g=1,2,…,G,θ=[θ1,θ2,…,θP];其中,Ck(fg)=[C1k(fg),C2k(fg),…,CMk(fg)]T,Sk(fg)=[S1k(fg),S2k(fg),…,SMk(fg)]T,Nk(fg)=[N1k(fg),N2k(fg),…,NMk(fg)]T分别为cm(t)、sp(t)、nm(t)在第k个子段,对应频率点为fg的傅里叶系数,g=1,2,…,G;为空间阵列的流型矩阵;当P个方向各不相同时,矩阵是满秩的,为第p个导向矢量,p=1,2,…,P;
8.根据权利要求1所示的一种基于量子带电系统搜索演化机制的宽带测向方法,其特征在于,所述步骤(8)以概率μ选取部分带电粒子修正它的量子位置具体包括:首先对于第i个带电粒子,如果那么带电粒子的量子位置从量子记忆库中随机取值,即第i个带电粒子的量子位置选择量子记忆库中的第Γ个量子位置如果那么带电粒子的量子位置在区间[0,1]之间随机产生;如果带电粒子的量子位置是从量子记忆库中得到,那么还需要对该量子位置进行微调,即如果那么第i个带电粒子的量子旋转门旋转角度的第p维为它的量子位置为如果那么其中为第t代量子记忆库中第Γ个量子位置的第p维,p=1,2,…,P,为记忆库取值概率,为微调概率,bw为微调幅度,w8、w9和w10是[0,1]之间的随机数,Γ为区间[1,δ]之间的一个随机整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811310188.4A CN109358313B (zh) | 2018-11-06 | 2018-11-06 | 一种基于量子带电系统搜索演化机制的宽带测向方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811310188.4A CN109358313B (zh) | 2018-11-06 | 2018-11-06 | 一种基于量子带电系统搜索演化机制的宽带测向方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109358313A CN109358313A (zh) | 2019-02-19 |
CN109358313B true CN109358313B (zh) | 2023-02-10 |
Family
ID=65344011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811310188.4A Active CN109358313B (zh) | 2018-11-06 | 2018-11-06 | 一种基于量子带电系统搜索演化机制的宽带测向方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109358313B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109669156B (zh) * | 2019-02-21 | 2021-05-11 | 哈尔滨工程大学 | 冲击噪声下基于量子帝王蝶的圆阵模式空间动态测向方法 |
CN113935224B (zh) * | 2021-11-02 | 2022-12-09 | 中国电子科技集团公司第三十八研究所 | 冲击噪声下的宽带压缩感知侧向方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014017391A (ja) * | 2012-07-10 | 2014-01-30 | Nuflare Technology Inc | 荷電粒子ビーム描画装置及び多重描画用の荷電粒子ビームの照射時間振り分け方法 |
CN103901394A (zh) * | 2014-03-21 | 2014-07-02 | 哈尔滨工程大学 | 一种冲击噪声环境下的量子万有引力搜索动态doa估计方法 |
CN108344968A (zh) * | 2018-01-08 | 2018-07-31 | 哈尔滨工程大学 | 一种基于多峰量子布谷鸟搜索机制的正交传播算子测向方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8743658B2 (en) * | 2011-04-29 | 2014-06-03 | Siemens Corporation | Systems and methods for blind localization of correlated sources |
-
2018
- 2018-11-06 CN CN201811310188.4A patent/CN109358313B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014017391A (ja) * | 2012-07-10 | 2014-01-30 | Nuflare Technology Inc | 荷電粒子ビーム描画装置及び多重描画用の荷電粒子ビームの照射時間振り分け方法 |
CN103901394A (zh) * | 2014-03-21 | 2014-07-02 | 哈尔滨工程大学 | 一种冲击噪声环境下的量子万有引力搜索动态doa估计方法 |
CN108344968A (zh) * | 2018-01-08 | 2018-07-31 | 哈尔滨工程大学 | 一种基于多峰量子布谷鸟搜索机制的正交传播算子测向方法 |
Non-Patent Citations (1)
Title |
---|
Wideband DOA estimation based on guantum charged system search algorithm;Hongyuan Gao et al;《Proceedings of ICSP 2020》;20210118;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109358313A (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110007266B (zh) | 一种冲击噪声下的任意阵列相干源测向方法 | |
CN110109050B (zh) | 嵌套阵列下基于稀疏贝叶斯的未知互耦的doa估计方法 | |
CN109375154B (zh) | 一种冲击噪声环境下基于均匀圆阵的相干信号参数估计方法 | |
CN109633522B (zh) | 基于改进的music算法的波达方向估计方法 | |
CN111123192B (zh) | 一种基于圆形阵列和虚拟扩展的二维doa定位方法 | |
CN109239646B (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 | |
CN109358313B (zh) | 一种基于量子带电系统搜索演化机制的宽带测向方法 | |
CN111337873A (zh) | 一种基于稀疏阵的doa估计方法 | |
CN112305495A (zh) | 一种基于原子范数最小的互质阵列协方差矩阵重构方法 | |
Zhang et al. | Direction of arrival estimation via joint sparse bayesian learning for bi-static passive radar | |
CN109212466B (zh) | 一种基于量子蜻蜓演化机制的宽带测向方法 | |
CN109212465B (zh) | 一种基于文化蚁狮机制的特殊阵列动态测向方法 | |
CN113567913B (zh) | 基于迭代重加权可降维的二维平面doa估计方法 | |
CN108614235B (zh) | 一种多鸽群信息交互的单快拍测向方法 | |
Li et al. | Direction of arrival estimation of array defects based on deep neural network | |
CN110535519A (zh) | 一种基于空间平滑的稳健自适应波束形成方法 | |
Cheng et al. | Lightweight CNNs-based interleaved sparse array design of phased-MIMO radar | |
Mishra et al. | A Survey on Applications of Multi-Layer Perceptron Neural Networks in DOA Estimation for Smart Antennas | |
CN115097429A (zh) | 基于clean算法的被动声呐目标检测与航迹回溯方法 | |
CN114397621A (zh) | 一种基于卷积神经网络的水下目标波达方向估计的方法 | |
CN108828503B (zh) | 一种基于量子模因演化机理的波束空间测向方法 | |
CN114415106A (zh) | 基于改进lamp网络的互耦阵列doa估计方法 | |
CN114325560A (zh) | 波束扫描雷达超分辨目标测向方法 | |
CN112929303A (zh) | 双链量子带电系统搜索机制的宽带压缩感知测向方法 | |
Li et al. | A novel method of DOA estimation on sparse uniform circular array |
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 |