针对互耦效应和脉冲噪声并存环境下的波达方向（direction of arrival，DOA）估计问题，本文提出一种结合M估计与稀疏重构的算法。首先，为了消除互耦效应的影响，依据互耦矩阵的托普利兹结构进行恒等变形，得到了不含未知互耦系数的字...
详细信息
针对互耦效应和脉冲噪声并存环境下的波达方向（direction of arrival，DOA）估计问题，本文提出一种结合M估计与稀疏重构的算法。首先，为了消除互耦效应的影响，依据互耦矩阵的托普利兹结构进行恒等变形，得到了不含未知互耦系数的字典；随后，为了使算法能适应高斯噪声和不同强度的脉冲噪声，将位置得分函数表示为高斯位置得分函数和一系列非线性函数的线性组合，利用噪声样本估计线性组合系数从而建立损失函数；最后，采用迭代硬阈值算法进行稀疏重构，并通过改进信号更新策略提高了正确收敛的概率。仿真结果表明，所提算法能有效抑制互耦效应和脉冲（高斯）噪声的干扰，同时相较已有算法在低信噪比、强脉冲特性下的性能有显著提升。
在实时未知通信环境中,干扰机通过自主交互学习尽快找到最优干扰策略是智能干扰对抗的关键。现有基于强化学习的干扰决策优化方法常常需要在大量交互后才能趋近于最优,而在通信对抗中所需的多参数联合优化问题极大地增加了干扰决策选择空间,导致现有强化学习类方法难以适用于时间受限的对抗环境。提出了一种逐级离散干扰决策(jamming bandit based on stepwise discretization,JBSD)方法,通过干扰参数逐级离散方法细化并缩小了多干扰参数选择空间,通过干扰摇臂剪枝机制对低收益干扰参数进行了消除。数值仿真结果表明,在时间受限的实时干扰环境中,方法具有更快的干扰策略寻优速度和更高的平均干扰收益。
暂无评论