宽带参量阵指向性控制理论研究

来源 :电子科技大学 | 被引量 : 0次 | 上传用户:outopos
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着社会经济的不断发展,人民群众对于生活品质和人居环境的要求不断提高,噪声污染问题也日益凸显。由于噪声的产生与人们的生活状态、主观意愿高度关联,先进的技术手段对于噪声监测和防治必不可少。定向声波发射技术可以用于具有高指向性的声源装置,由于避免了声波的扩散,从根本上减少了噪声的产生。参量阵是定向声波发射的代表性技术之一,可以在较小尺寸上实现定向声波发射。虽然许多的研究工作都致力于降低参量阵的失真水平,但是参量阵的指向性控制却未得到很好的发展。目前的相关工作都还局限于单频相控参量阵。针对宽带相控参量阵缺乏近场条件下声学理论的问题,在经典参量阵模型的基础上进行了宽带扩展和在近场条件下的修正,建立起了宽带参量阵的指向性模型,使其适合用于宽带相控参量阵的近场特性研究与应用。并且以宽带参量阵的声学理论为基础,研究了宽带相控参量阵的波束形成算法,包括单波束形成算法、单波束指向角控制算法和多波束形成算法。由于参量阵的波束宽度随差频变化而改变,在人耳中会产生音色差异,实际应用中有恒定波宽的需求。所提出算法通过设计载波信号和边带信号控制差频波束形成,能够对单波束进行恒波宽设计,实现单波束指向角控制,使波束指向角精度更高,拓展到多波束形成算法,得到可以指向角度不同的、幅度不同的、波束宽度不同的多波束。根据嵌套式参量阵的声学原理,在常规参量阵的基础上完善了嵌套式参量阵的相关声学理论模型,嵌套式参量阵使用两个不同频率的超声载波,使解调出来的音频声波在远场区域相互抵消,将音频声波限制在一个更小的区域,从而实现更加精确的“定点”声波发射。嵌套式参量阵可以形成波束长度有限的可听声束,是参量阵的最新发展方向之一。针对嵌套式参量阵非线性失真太强的问题,改进了调制方法。通过控制超声频率和初始幅度比系数的选取,提出了宽带相控嵌套式参量阵的波束长度控制,实现了对半幅度波束长度的控制。建立了嵌套式参量阵波束形成最优化模型,求最优解得到在特定距离处波束宽度恒定的有限长波束。
其他文献
近年来,随着深度学习的发展,人工智能与人们的生活越来越紧密,在人脸识别、自动驾驶、医疗等领域已经得到了广泛的应用。与此同时,人工智能的安全问题也越来越突出。深度学习模型极易遭到对抗样本的攻击,攻击者只需对图像进行一些人眼无法识别的改动即可成功欺骗深度学习模型,从而导致深度学习模型给出错误的结果,进而引发极其严重的后果。针对这些攻击,研究了以下三种算法,其主要功能是通过对分类器网络增加一个额外的附加
多功能电子系统是由若干具有多种功能的电子设备所组成的多站点作战系统,各站点可协同工作,系统可根据任务需求对多个目标区域进行实时监视以应对潜在威胁,在现代战场上发挥着重要作用。各站点的分布将直接影响多功能电子系统的性能,通过优化站点位置可以有效提升系统的性能。然而,目前针对性能偏好要求下的站点优化配置的研究还不够充分,是一个亟需解决的问题。本文将基于粒子群算法对站点配置问题进行深入研究。具体内容如下
合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候的特点,在军用和民用领域有巨大的应用价值和研究意义。但是,SAR成像过程中,回波相干叠加、成像资源不足、雷达系统误差以及平台相对运动等不利因素会导致SAR图像出现质量退化效应,主要表现为斑点状噪声和分辨率下降,严重影响了SAR图像的信息提取与解释。近年来,深度学习飞速发展,在图像处理领域取得了突破性进展,对于
车位监测系统成本过高是制约传统停车场智能化改造的最大因素。本文通过分析市面上现有车位监测系统,研究出基于无线通信链路的车位监测系统,相比有线通信链路的车位监测系统具有更低的成本。为了提高车位监测系统的整体性价比,本文通过相关技术对比,最终确定以微波雷达传感器作为本系统的车位监测传感器,以ZigBee协议为本系统的网络通信协议,并根据停车场应用场景完成了车位监测传感器和ZigBee网络的系统参数设计
在计算机视觉研究领域,人体姿态估计技术是动作分析、人机交互、智能监控、医疗辅助分析、工业测量和电影特效制作等诸多应用的关键技术。随着深度学习以及卷积神经网络被应用于各种领域,该技术得到长足的发展,使用卷积神经网络模型来进行人体姿态估计的研究越发流行。本文基于人体姿态估计最新的网络模型,改进关键点定位算法,从两个方向出发研究人体姿态估计的问题。第一个方向针对于现在卷积神经网络越发复杂,为了能够获取更
目标跟踪问题一直是军事、导航等领域的重要研究内容。随着无线传感器网络(Wireless Sensor Networks,WSNs)的快速发展,点目标的分布式跟踪技术得到了广泛关注。由于非线性系统比线性系统在实际工程中的应用更广泛,非线性系统中点目标的分布式跟踪方法逐渐成为研究焦点。随着传感器技术的发展,扩展目标的分布式跟踪技术也在海上监管、无人驾驶等新兴领域具有巨大的潜在价值。本文主要研究WSNs
无线传感器网络是一个低成本、灵活性强、易于部署的自组织网络,在目标探测、事件监测等军民领域具有广泛的应用前景。通常,无线传感器网络节点面临着计算能力、能量资源的限制。因此,如何减少传输数据冗余,降低节点能耗,保护数据安全成为无线传感器网络研究的热点问题。数据聚合是由网络中的传感器节点收集数据,通过上层聚合节点对收集的数据进行处理,是传感器网络数据处理的重要手段。目前,基于数据平均等简单的数据聚合算
随着信息技术及电子战的迅猛发展,雷达信号自动调制识别作为电子对抗侦察中重要一环,成为了目前信息化电子战的研究热点。传统的雷达信号自动调制识别方法主要采用脉冲描述字浅层特征和模板匹配过程。当面对日益复杂的战场电磁环境,传统方法往往计算量较大且依赖于专家知识,识别性能难以满足要求。近年来,伴随深度学习的兴起和广泛应用,深度学习神经网络被引入雷达信号识别方法中,尽管基于深度学习的识别方法取得了不错的识别
多输入多输出(Multiple input multiple output,MIMO)雷达是一种新型雷达,用来应对日益复杂的战场环境。MIMO雷达相较于传统的雷达具有更好的波形分集能力,并且可以改善目标识别和参数估计等各方面的性能表现。MIMO雷达根据天线阵列的放置情况来分为集中式和分布式。两者均可通过发射正交波形来提高性能,其中发射正交波形可以让集中式MIMO雷达在接收端形成虚拟孔径来提高参数估
环境声音识别(Environment sound recognition)是指让计算机设备以一定的算法方式对采集到的环境声音进行分类与处理的过程,其在智能机器人、移动设备监测、自动驾驶、环境安全监控、智能家居、智慧城市等领域都有广泛的应用前景,是计算机听觉(Computer Audition)领域重要的研究方向之一。环境声音分类和增强是声音识别领域重要的研究内容。随着人工智能技术的不断发展,神经网