跳到主要內容

臺灣博碩士論文加值系統

(34.204.180.223) 您好!臺灣時間:2021/07/31 18:16
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:江景泰
研究生(外文):Ching-Tai Chiang
論文名稱:卡門濾波演算法於適應性陣列處理之運用
論文名稱(外文):Application of the Kalman Filtering Algorithm in Adaptive Array Processing
指導教授:陳元堭
指導教授(外文):Yuan-Hwang Chen
學位類別:博士
校院名稱:國立中山大學
系所名稱:電機工程研究所
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:1994
畢業學年度:82
語文別:英文
中文關鍵詞:卡門濾波演算法適應性陣列處理
外文關鍵詞:Kalman Filtering AlgorithmAdaptive Array Processing
相關次數:
  • 被引用被引用:0
  • 點閱點閱:150
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
本論文之研究主題是探討卡門濾波演算法在適應性陣列處理之應用。本論
文可分為三部份,在第一部份中 ,我們提出了限制性卡門濾波演算法來
克服傳統非限制性卡門濾波演算法在陣列 監視方向之失真現象。而所謂
限制性卡門濾波演算法是把適應性波束構成之方向限制與微分限制加入卡
門濾波演算法中。第二部份是研討應用卡門濾波演算法於短暫資料之方位
估測。我們發展出具有Thompson之尋找雜訊特徵向量性質之單一模方限制
卡門濾波演算法來估測輸入相關矩陣之全部雜訊特徵向量。另外,建立了
利用卡門濾波演算法之前後向線性預測器,及其方位估測之應用。最後,
本論文探討把均方/預測自迴歸估測器用心臟收縮陣列來實現並應用在方
位估測上。此心臟收縮陣列不僅結構比奇異值分解或特徵分解之心臟收縮
陣列簡化而且當訊號雜訊比高時,效能也和MUSIC演算法相仿。
COVER
1 Introduction
I. I Application of the constrained Kalman algorithm to adaptive beamforming
1.2 Application of the Kalman algorithm to DOA estimation
1.3 Systolic implementation for the DOA estimation
2 Adaptive Beamforming Using the Constrained Kalman Filter
2.1 Introduction
2.2 Constrained Kalman-Type Array Processor
2.2.1 Derivation
2.3 Convergence Analysis
2.4 Simulation Results
2.5 Conclusion
3 Broad-band Kalman-type Adaptive Beamforming Under Directiona and Derivative Constraints
3.1 Introduction
3.2 Biased Constrained Kalman-type Broad-band Adaptive Beamforming
3.3 Unbiased Constrained Kalman-type Broad-band Adaptive Beamforming
3.4 Simulation Results
3.5 Conclusion
4 Kalman-based Spatial-domain Forward-Backward Linear Predictor for DOA Estimation
4.1 Introduction
4.2 Kalman-based Forward-Backward Linear Predictor
4.3 Performance Analysis
4.3.1 Convergence of Weight Vector in the Mean Square
4.3.2 Convergent Behavior of the Mean-Square Prediction Error
4.4 DOA Estimation for Two Coherent Signals
4.5 Simulation Results
4.6 Conclusion
5 Kalman-based Estimator for DOA Estimations
5.1 Introduction
5.2 Kalman-Based Noise-Subspace Estimator
5.2.1 Asymptotic Approach of Weight Vectors Based on Kalman Algorithm
5.2.2 Discussion About the Inflation Method
5.2.3 Comparison of computation complexity
5.3 Simulation results
5.4 Conclusion
6 On the Inflation Method in Adaptive Noise-Subspace Estimator
6.1 Introduction
6.2 An Adaptive Noise-subspace Estimator without Inflation Method
6.3 LMS-type Adaptive Noise-subspace Estimator
6.3.1 Convergence Behavior of the Adaptive Noise-subspace Estimatorwithout inflation method
6.3.2 Discussion about the Inflation Method and Performance Analysis
6.4 Simulation Results
7 A Mlultimode Systolic Array Implementation for DOA Esl
7.1 Introduction
7.2 A Smoothing/Prediction Autoregressive (S/P AR) Estimator
7.3 Multimode systolic array implementation
7.4 Fast Givens algorithm for systolic array implementation . . .
7.5 Simulation results
7.6 Conclusion
8 Conclusions
Appendices
A Convergence of the Biased Constrained Kalman Algorithm
B Iteration Equations of the Unbiased Constrained Kalman Algorithm
C Convergence of the Unbiased Constrained Kalman Algorithm
D Convergence of the Kalman-based Noise-Eigenvector Estimator
bliography
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top