用于比较一维干涉仪测向的理论测向误差与实际测向误差

对多目标测向无源定位问题进行了研究。虽然无源观测站不同，针对同一目标的方位角和俯仰角数据也不同，但它们有共同的倾斜角。基于此，提出了基于倾斜角的多目标测向无源定位算法。该算法分别计算一组与多个目标对应的倾斜角，然后利用倾斜角最接近原则对这2组数据进行关联判断，解决多目标测向数据的关联和定位问题，并通过仿真实验，对算法的有效性和可行性进行了验证。

德国人的著作，无线点测向的入门教程！HAM必备知识！

基于均匀圆阵提出了一种快速的解相干方法,该算法对均匀圆形阵列（UCA）的输出信号进行模式激励,使其成为虚拟阵列,利用阵列结构的特点来重构一个特殊的协方差矩阵,再根据ESPRIT方法成功地估计出相干信号的来波方向。该方法不需采用空间平滑技术,也不需谱峰搜索,减少了运算量,最后计算机仿真验证了该方法的有效性。

共形阵列天线的波束控制及其测向算法的研究.pdf

冲击噪声背景下的测向算法研究.pdf

10.2 灵敏度计算方法 灵敏度计算方法是指在网络进行训练时，或在网络训练结束后，计算节点（输入节 点及隐节点）或连接权对网络误差的贡献（灵敏度），删除那些贡献 小的节点或权。Mozer 和 Smolensky[MoSm1989]提出的方法用于删除输入节点或隐节点，当某一节点的灵敏度 低于预定的阈值时就可删掉该节点。Karnin[Karn1990]提出一种删除权值的方法，该方 法在神经网络学习种动态计算每个连接权的灵敏度，因此计算量较小。网络的节点灵敏 度可近似为每次权值调整时，误差 E 变化量的累计： ∑ − − ∆ ∂ ∂ = 1 0 )()( N i ij f ij f ij ij ij ij ww w nwn w E S ， 其中 f ijw 为 E 达 小时的 终连接权值， i ijw 为神经网络的初始权值， N 为训练次数 （epochs）。LeCun 等[LiDe1990]给出的权值灵敏度为 2/2kkkk whs = ，其中 2 2 k kk w E h ∂ ∂ = 。 由于该灵敏度是作了较多假设后得到的，存在误删连接权的可能，故 Hassibi 和 stork[HaSt1993]提出了改进的方法，但计算量较大。小谷学等[小-尾 1996]也对该方法 作了改进。松永丰等[松 -村 1996，松 -中 1991]定义 k 层第 i 个节点的有效度为 ∑∑ + = p M j k i k j k i k i owg 21 )( ，其中 kio 为该节点输出， 1+k j k iw 该节点到 1+k 层第 j 个节点的 连接权，M 和 p 分别为 1+k 层节点数和模式总数。可以在每次学习后直接删除有效度 低的节点，也可以通过有效度进行节点之间的竞争自动淘汰有效度低的节点。 下面我们介绍 Mozer-Smolensky 提出的灵敏度剪枝方法：Skeletonization 方法 [MoSm1989]，该方法不仅可以剪除冗余的隐节点，还可以计算每个输入的灵敏度估计。 原始的 Skeletonization 只用于分类，这里我们将 Skeletonization 的灵敏度计算方法 进行改进，使之用于函数逼近时不仅能剪除冗余隐节点，也能剪除不重要的输入节点， 这在非线性系统结构辨识等领域有重要意义。

复合天线的心脏形方向图 直立天线的无方向特性和磁性天线 的双值性叠加出心脏形单向特性

提出一种基于SVM的宽带测向新方法，利用频域相关技术提取宽带范围内感兴趣的信号的相位差，利用此相位差作为支持向量机的输入特征训练DOA（Direction Of Arrival）估计模型，对宽带范围内的多个窄带或宽带信号进行测向。训练后的模型针对的是一个较宽的频段范围，有效避免了其他算法要针对不同频率频繁调整模型的问题，大大降低了计算量。实验结果也验证了该方法具有较高的测向精度和较快的测向速度。

介绍了干涉仪测向基本原理,针对干涉仪测向模糊问题给出了长短基线法、参差基线法、虚拟基线法、 无模糊长基线干涉仪测角法、立体基线法5种解模糊的方法,并分析总结了各种解模糊方法的特点以及适用条 件。