一、智能天线算法及实验系统研究（论文文献综述）
王子阳[1]（2021）在《基于智能天线的灾区环境搜救定位方法研究》文中指出自然灾害的发生往往在眨眼之间,由于灾后的黄金救援时间非常短暂,快速准确的灾区环境探查定位技术的重要性与日俱增。然而灾区环境极为复杂,可能出现通信设施遭到破坏,需要部署临时基站,多径效应与信号衰减严重,且会发生基站与定位装置之间视距路径被遮挡的情况,导致现有的基于视距路径的定位方法效果不佳。面对这些挑战,本文结合智能天线,提出一种基于智能天线的灾区环境单基站搜救定位方法。智能天线可以控制入射波的反射方向,利用智能天线对电磁波的调控功能,本文提出的定位方法可以在基站与定位终端间主动构建最优的毫米波MIMO（Multiple-Input Multiple-Output,多入多出）信号传播路径,实现高精度定位。本文针对智能天线在灾区非视距环境中的定位应用进行了深入研究,主要有如下研究工作和内容:1.现有基于智能天线的信道模型通常被建模为从基站发射端经由智能天线到接收机的路径之和,在智能天线阵列每一个阵元引入一个复数增益。这样的模型仅考虑到阵元数目,忽视了智能天线的物理特性,例如辐射方向及信道路径损耗。因此,本文基于智能天线的物理特性,建立了更接近实际的新型路径损耗模型,将智能天线的尺寸、阵元数量、天线系统的电磁特性都考虑在内。通过仿真验证,相同场景中智能天线相较于有源的中继器件,在达到8bit/s/Hz的速率情况下,阵元数目为400的智能天线可以降低14.7%的功率。2.传统定位模型是基于视距路径建立的,其在处理非视距、多径等复杂问题时存在较大系统误差;与此同时,与传统微波传输相比,毫米波由于其传播特性,信道的有效散射体个数非常少,多径部分表现出很强的稀疏特性;毫米波信号的短波长使更大规模的MIMO系统成为可能,从而实现更窄的波束赋形。针对上述存在的问题以及毫米波MIMO系统的特点,本文结合提出的路径损耗模型建立了智能天线协助的非视距定位模型,计算了接收信号的表达式,并利用分布式压缩感知理论对原始信号进行还原,得到重构信道及定位参数。通过仿真验证,本文使用的分布式压缩感知同步正交匹配追踪算法相比于其他算法拥有更高的重构精度。3.部分非视距优化模型仅考虑了电磁波的斯涅耳反射传播,并未考虑电磁波传播路径可控情况下的定位方法。智能天线使电磁波具有可控的传播路径,即定位系统可根据需要控制电磁波传播路径,从而使电磁波的传播过程与测量过程（如测距、测角等）统一到定位系统框架内。针对新的需求,本文结合智能天线对电磁波的反射/折射特性设计了基于智能天线的三阶段定位方法,采用扫描-定位-优化的思路提高接收信号的信噪比,实现更高的定位精度。仿真结果表明,在旋转角未知的情况下,优化后的定位精度可以提高57.9%:在旋转角已知的情况下,优化后的定位精度可以提高38.6%。相比于现有非视距定位方法,本文提出的定位方法可以获得更高的定位精度。
何伟[2]（2020）在《基于深度学习的5G大规模MIMO天线参数优化研究》文中提出5G系统的大规模MIMO天线需要根据小区中的用户分布频繁、实时地调整天线的方位角、下倾角和波束组合,以提高蜂窝网络的覆盖和接入性能。由于联合优化蜂窝网络中所有小区的天线参数非常复杂,传统的基于专家经验等静态配置方案已不能满足灵活快速的自适应天线配置的要求。本文提出了一种新颖实用的基于深度强化学习的实时三维大规模MIMO天线参数优化算法,用于联合优化蜂窝网络中各小区的天线参数。该智能天线优化算法在5G仿真平台上进行训练和执行,前期的准备工作包括用户和业务行为模拟,相关的用户分布和天线参数数据的产生和预处理,以及用户参考信号接收功率查询数据库的搭建。算法的具体研究分为两个阶段:第一个阶段是针对固定用户分布提出了智能天线优化算法,采用Policy Gradient框架,对输入神经网络的单个用户分布进行多轮次的训练,得到一个单用户分布强化学习模型,根据该模型可输出一个在该用户分布下较优的天线参数码本;第二个阶段是针对多场景用户分布提出了智能天线优化算法,采用Asynchronous Advantage Actor-Critic框架,将不同的用户分布输入到不同线程的神经网络进行异步训练,得到一个多用户分布强化学习模型,根据该模型可输出在训练集中的用户分布下较优的天线参数码本。最后在不同场景下与静态天线配置方案进行性能比较,本文提出的智能天线优化算法的平均用户参考信号功率提高了 2-4.3%,证明使用了智能天线优化算法的小区覆盖和接入性能优于专家经验的静态配置方案,表明使用机器学习、深度学习等人工智能方法,解决实际网络规划中的复杂问题可行的。
杨锏泓[3]（2020）在《车联网中基于群智能算法的波束成形技术研究》文中提出汽车已经成为人们生活中不可或缺的一部分,而汽车拥有量的急剧增加使得交通拥堵、交通安全、空气污染等问题愈加严重。人们逐渐将路径规划、行车安全、网络互娱等元素加入到汽车产业当中。在这样的需求条件下,智能交通系统（ITS,Intelligent Transportation System）的发展迫在眉睫。车联网技术作为智能交通系统中最重要的组成部分,主要包括车辆与路旁基础设施（V2I,Vehicle to Infrastructure）、车辆与车辆（V2V,Vehicle to Vehicle）等通信场景。其中V2I通信场景下,汽车通过路旁的基础设施实现实时的交通信息交换及网络接入,可以对交通拥堵、交通事故等问题提前做出应对,让人们的出行更高效、更安全。因此,研究如何提升V2I场景下通信系统的性能成为人们亟待解决的问题。波束成形技术可以根据不同场景的任务需求,动态调整阵列天线的幅度与相位,在空间中形成定向波束,起到增强目标信号、抵抗干扰的效果。在V2I通信场景下运用波束成形技术,可大幅度提高无线通信系统的传输速率和可靠性。自适应算法在波束成形技术中占据着至关重要的地位,在车辆高速移动的环境下,自适应算法以其收敛速度快、稳态误差好的特点,可快速形成波束。本文研究基于群智能算法的自适应波束成形算法,在保留经典自适应算法优点的同时,利用群智能算法的寻优能力,改善自适应算法的收敛性能。主要工作如下:首先,研究智能交通中V2I通信场景与自适应波束成形技术,对技术的研究现状做了总体概括,重点研究了自适应波束成形技术的基本原理和增益,并分析了自适应波束成形算法的几种常用准则。其次,分析比较了LMS、RLS等经典的自适应算法,针对变步长LMS算法进行了分析研究,通过仿真验证了各算法的收敛性能与稳态误差,同时对群智能算法中的人工鱼群算法、混合蛙跳算法做了大量的研究分析,在MATLAB仿真平台将两种群智能算法分别实现。最后,将群智能算法引入自适应波束成形算法,提出一种新的V2I通信方案。针对自适应LMS算法的收敛速度与稳态误差问题,在自适应迭代中,利用群智能算法加强每轮迭代的局部寻优,同时利用LMS确保全局收敛,从而实现高效训练。采用MATLAB对改进算法进行了仿真验证,并与经典的LMS、RLS以及变步长LMS算法做了性能对比,结果显示所提的基于群智能算法的自适应波束成形算法有明显的性能提升。
马巧娣[4]（2020）在《GSM-R系统中智能天线DOA估计算法研究》文中研究说明随着我国铁路运输业的飞速发展,列车的行驶速度不断提高。由于铁路通信系统信道的快速时变特性,而引发了信道中的干扰、多径衰落、容量损失和频谱效率降低等一系列问题,这对铁路专用移动通信系统GSM-R提出了更高的要求。近年来智能天线技术在移动通信系统中的成功应用为解决这些问题带来了新思路。智能天线早期应用于军事通信、雷达和声呐等领域,可实现空间滤波和识别定位。后因其可以显着降低移动通信系统中的干扰、减少信号衰落、提高系统容量以及实现移动台定位等优势而被发展应用于更多复杂的移动通信环境中。其中DOA（Direction of Arrival,波达方向）估计作为智能天线的核心技术,在很大程度上决定着智能天线的性能。经过长期的研究,现已出现了很多经典的DOA估计算法。本文对传统类和基于子空间类的DOA估计算法进行了详细的介绍并仿真比较。仿真结果显示,基于子空间的MUSIC、Root-MUSIC、ESPRIT和LS-ESPRIT算法都能够实现高分辨率的DOA估计。但这类算法仅适用于静态场景中,而铁路移动通信系统GSM-R的高速移动会引起信源位置时刻变化,因此需要对GSM-R系统中的信源DOA进行实时跟踪以提高DOA估计的可靠性。基于上述分析,本文在最后一章首先建立了采用智能天线技术的GSM-R系统结构的简单模型,并分析了GSM-R系统中高速移动状态下的智能天线阵列信号数学模型,进而展开对适用于GSM-R系统的DOA跟踪算法的研究。目前,比较具有代表性的子空间跟踪算法,PASTd（Projection Approximation Subspace Tracking with deflation,紧缩近似投影子空间跟踪）算法,因其实时性强、计算量小、收敛快而被广泛应用到DOA跟踪中。而由于现实中高速列车复杂的行驶环境,可能存在列车接收信号DOA比较靠近或变化轨迹出现交叉重合的情况,对此,PASTd跟踪算法不能做到准确地匹配跟踪。为解决这一问题,本文研究了一种将卡尔曼滤波器与PASTd算法相结合的算法并对此算法进行了简化。最后通过仿真实验验证,简化的结合算法不仅能够实现高速移动的GSMR系统中DOA的实时准确地跟踪估计,而且复杂度低。
王铭[5]（2019）在《基于互耦校准和互耦降低的快速多目标角度估计算法研究》文中指出空间谱估计技术是阵列信号处理的一个重要方面。在实际应用中,阵列误差和互耦等非理想特性都会导致空间谱估计算法性能恶化,甚至失效。相比于其他误差形式,阵元互耦是典型的阵列导向矢量误差,同时也是影响较广,处理较复杂的一类误差。因此,研究存在互耦情况下的误差估计、校正和减小互耦的技术具有理论和实际意义。本文针对上述问题,开展互耦补偿和低互耦阵列角度估计算法研究。首先,构建了阵列天线模型和互耦模型,给出空间谱估计算法中经典的多重信号分类算法（Multiple Signal Classification Method,MUSIC）、求根MUSIC算法和时空DOA（Direction of Arrival,DOA）矩阵算法的步骤和原理,推导了信源数目估计算法中特征值法、信息论法和盖氏圆法。根据算法和模型的特点,分别研究了互耦在线校正的角度估计算法和低互耦嵌套阵的角度估计算法。针对19阵元三角栅格平面阵的互耦在线校正相关角度估计算法,给出了互耦系数矩阵,推导了无辅助校正源的情况下,波达角度和互耦系数的联合估计算法,并给出了互耦参数估计的必要条件。接着,针对平行嵌套平面阵列,研究低互耦嵌套阵的二维角度估计算法。利用自相关矩阵和互相关矩阵中嵌入的差分特性构建DOA矩阵。在不需要任何非线性搜索或参数配对处理的情况下,利用该矩阵的特征值和特征向量进行二维角度的估计。最后,构建19阵元六边形三角栅格的智能天线验证系统,进行角度估计算法的验证。包括:利用实测数据验证互耦在线校正算法的有效性;使用阵列的部分阵元实测数据,完成低互耦嵌套阵的实测性能验证。实测结果验证了本文所提算法的正确性和有效性。
全胜[6]（2019）在《基于智能天线的Wi-Fi室内定位系统设计与实现》文中进行了进一步梳理信息技术发展日新月异,网络大数据正无处不在的影响着人们的生活。基于位置的服务已经覆盖了各种智能设备的应用,而终端位置数据则成为了提供服务的基础信息。位置数据除了技术应用价值之外,还蕴含着商业价值,监管价值和安全价值等等。目前基于卫星的室外定位技术已发展多年,有丰富的应用场景积累,较为成熟。而,根据美国环境保护署的数据显示,目前人类在室内活动的时间占比高达87%。因此,在定位技术领域内,室内定位技术正更多的受到人们的关注。Wi-Fi技术是目前室内应用最广泛的无线通信技术,将Wi-Fi与定位技术进行嫁接,具有较大的实用价值。因此本文研究并设计了一种基于智能天线的Wi-Fi室内定位系统,可对设定区域内的终端进行无差别定位。具体研究路径和设计过程简述如下:本文介绍了国内外室内定位技术的现状,主要包括:室内定位技术的发展情况、基于测距的定位方法等,并对定位性能的评价指标进行了深入分析。结合研究需求,重新界定了相关概念,包括:Wi-Fi相关基础理论、,路由器原理和概念及智能天线的相关概念。基于上述基础,展开了基于智能天线的室内定位算法研究。结合对各类室内经典传播模型和Wi-Fi室内定位技术关键性问题的分析,由此提出AOA+RSSD的混合定位算法,对其进行了求解分析,并通过设定定位区域,优化算法和选取探测单元安装位置,进行仿真分析,形成了实现方案。根据方案,首先对整个定位系统做了需求分析与总体设计。设计的定位系统至少需要有两个探测单元构成。每个探测单元分为无线路由器模块和智能天线控制模块。文章详细介绍了每个模块软、硬件设计与实现过程。其次,应用本文设计的定位系统在真实办公环境对不同的被测终端在不同位置做定位实验,取得定位结果并进行分析根据结果数据分析,本文设计的定位系统在实际定位应用中的定位效果是基本满足设计要求的。在随机选取的3个不同测试位置上的平均定位误差都小于2m。此外,还针对两台不同型号目标终端做定位测试,验证结果证明定位系统对不同型号的目标具有几乎相同的定位效果,无差别定位效果得以证明。由此说明本文设计的定位系统在实际环境中是具有实用效果的。最后,将实验结果与仿真结果对比,分析差异原因。提出了后续的改进方向与今后研究工作的重点。
陈适[7]（2019）在《自适应波束形成算法的研究与实现》文中研究表明自适应波束形成技术作为阵列信号处理技术发展的产物,在通信、雷达、射电天文、地震勘探、声纳、电子对抗等领域应用广泛。自适应波束形成技术可以定向地接收空间中某一特定方向上的信号,阻止其他方向上的信号进入系统造成干扰,具有空域滤波的效果。在无线通信系统中,自适应波束形成可以提高频谱利用率,扩充信号容量。随着无线通信需求的爆发式增长和无线通信技术的飞速发展,5G通信技术即将进入商用,未来智能设备将工作在更加复杂的电磁环境中,自适应波束形成技术将是5G通信必不可少的技术。自适应算法是自适应波束形成技术的核心技术。本文针对自适应波束形成算法进行研究和分析,提出了一种新的变步长LMS算法来改进现有算法的缺陷,并且在实际的工程应用中对算法进行了实验。主要的工作内容和创新点如下:1.本文概括了目前对自适应波束形成算法的研究现状,介绍了自适应波束形成的基本原理,分析了几种常用的自适应准则,并对这几种准则做了详尽的论述,进行了详细的公式推导,总结了几种准则的特点并进行了对比。2.本文对多种波束形成算法进行了分析和推导,并重点研究了LMS算法,对算法进行了分析和仿真,并且针对传统的LMS算法要么收敛速度慢要么稳态误差大的缺点,本文在阅读了大量变步长LMS算法相关文献的基础上,对多种LMS算法进行了研究和分析,并提出了一种新的LMS算法,改进了已有LMS算法的缺陷,仿真结果表明了本文算法可以实现比传统LMS算法更快的收敛速度和更小的收敛误差。3.本文结合实际应用,建立了测试平台,在基于DSP+FPGA的通用数字信号处理平台上实现了所设计的变步长LMS算法,并且设计了基于HMCAD1520的数据采集模块,FPGA中各个功能模块的程序以及DSP算法程序,并进行了测试实验。通过测试,验证了本文提出的算法在实际工程应用中的有效性以及所设计硬件平台的功能性。4.总结了全文所做的一些研究和实验工作,指出了论文研究中一些考虑不够周到的地方,并且展望了智能天线以及自适应波束形成技术未来的发展前景和方向。
马晶晶[8]（2019）在《煤矿复杂环境下的无线信道特性分析与建模仿真》文中研究表明国家经济近年来持续稳定增长,使得对于能源的需求量一直攀升,煤炭行业占据举足轻重的地位,煤炭仍旧作为关键的基础性能源,煤矿无线通信技术的进步发展是煤矿生产现代化的必经阶段。煤矿巷道可划分为受限空间的非自由传输信道,信道传输特性的研究以及信道建模对于建立可靠、安全的无线通信系统具有基础的意义。本文拟利用支持向量机建立井下无线信道的路径损耗预测模型,针对煤矿巷道多径衰落特点,采用几何光学法建立MIMO信道传播模型,为设计煤矿环境下的无线通信系统提供理论支持。本文分析了煤矿巷道无线通信环境下的衰落特性,将巷道视为空心介质波导,利用波导模式理论分析了煤矿巷道中的电磁波传输特性,总结了工作频率、收发天线间距、媒介电参数、巷道壁倾斜以及粗糙等复杂因子对信号衰减的影响,归纳得出电磁波信号的传输损耗模型,在此基础上针对煤矿巷道中的大尺度路径损耗,建立基于LS-SVM的无线信道路径损耗预测模型,模型输入是上述影响信号衰减的因子,输出为路径损耗值。训练模型的过程中,利用粒子群算法优化LS-SVM模型中的重要参数,包括惩罚因子和核函数参数来提升模型的精确度,通过仿真实验可以看出,与反向传播神经网络相比算法有效性得到提升,基于粒子群算法改进的LS-SVM的煤矿巷道模型能够更有效地预测信道的衰落变化情况,可以得出利用支持向量机建立电磁波信号的传输损耗模型是一个可靠的方法。针对煤矿巷道中多径衰落严重的环境特点,建立基于散射体几何分布的双跳信道（GBDB）传播模型,对MIMO信道特性进行仿真分析,研究得出相关性与信道传输衰减的关系,提出一种改进的智能天线MIMO系统模型,通过仿真实验可以看出改进的系统可以有效的提升信道的传输速率,且更适用于煤矿巷道实际环境。
彭杰[9]（2019）在《基于波束赋形技术的无人机定位跟踪研究》文中研究表明随着无人机行业日益繁荣,尤其是在各大电商巨头涌入后,其市场规模呈指数倍增长,因此关于无人机定位技术的研究极具现实意义和市场价值。本论文主要研究了基于多天线技术实现单基站对无人机的定位和跟踪,应用于基站较稀疏,且要求低延时的场景。首先对无人机市场、智能天线进行DOA估计、天线阵型和二维联合估计等做了背景调研,研究分析了智能天线的基本原理和现有无线定位的基本原理,阐述了对定位的影响因素和评价标准。最后对本文的主要贡献进行详细说明。具体如下:（1）提出一种二维DOA与时延的联合估计算法。首先基于新L型天线将整个问题转化成两个子问题:1、一维DOA和时延联合估计;2、垂直角与水平角联合估计问题。问题1可通过传统算法处理,问题2通过提出一种基于互相关阵的ccm-ESPRIT改进算法实现角度自匹配二维DOA估计。最后进行了仿真论证;（2）提出一种基于单基站的无人机三维定位算法。首先研究了关于多径去相干算法,结合多级维纳滤波对（1）所提联合估计算法进一步优化,以满足单基站定位下对目标的快速有效二维DOA估计,结合TOF的精准测距实现无人机定位。最后进行了仿真论证;（3）提出一种基于单基站的无人机跟踪策略。通过将全空域按波束赋形的波宽进行角度划分。根据目标位置设定激活集和候选集,设计分级码本依靠一级确认,二级精细的方式,借鉴TCP协议中的拥塞控制理论对跟踪过程涉及的扫描周期间隔做了一个递进式的更新机制,较完美的做到了定位复杂度和丢失概率的平衡,通过循环上述过程实现对目标的持续稳定跟踪。最后仿真验证了其有效性。
李威[10]（2018）在《基于智能天线的毫米波雷达目标识别技术》文中指出随着近年来汽车数量的不断增加,交通事故发生频繁,高级驾驶员辅助系统（Advanced Driver Assistant Systems,ADAS）的应用使得未来车辆能够在危急的环境中辅助驾驶员工作,并能提醒他们潜在的危险。车辆环境感知系统是汽车高级驾驶员辅助系统的关键,而汽车传感器则充当了汽车的“五官”来感知周围环境。毫米波雷达因其探测精度高、实时性好和适用性强等特点而备受关注。对应毫米波雷达天线和算法的研究也是学术界研究的热点。近年来智能天线领域的理论越来越多应用于车载毫米波雷达。智能天线分为多波束智能天线和自适应阵智能天线。智能天线最初广泛应用于雷达、声呐及军事通信领域,智能天线也叫自适应阵列天线,它由天线阵、波束形成网络、波束形成算法三部分组成。它通过预先设定满足某种准则的算法去调节各阵元信号的加权幅度和相位,从而调节天线阵列的方向图形状,以达到增强所需信号,抑制干扰信号的目的,毫米波雷达中目前智能天线主要采用微带阵列天线。本文围绕智能天线在汽车毫米波雷达目标识别的研究展开,以实际项目为依据,采用理论分析、仿真实验、工程验证相结合的方法,对毫米波雷达系统智能天线的两个主要组成部分:多发多收阵列天线设计和数字波束形成（Digital Beam Forming,DBF）算法进行了分析研究,提出了稳健自适应波束形成算法,对比目前的密度聚类算法,提出了基于神经网络的聚类算法来定义先验预测区域,并在此基础上研究了毫米波雷达目标跟踪、识别算法。同时研制了77GHz毫米波雷达系统,并对所提算法进行实验验证。本文主要的研究内容包括以下几个方面:（1）毫米波雷达前端多发多收（Multiple-Input Multiple-Output,MIMO）阵列天线的设计与应用。分别以切比雪夫多项式和泰勒多项式为理论依据进行两种不同的阵列天线研究,其中切比雪夫阵列天线研究目标为获得最优的副瓣电平和波束宽度设计,而泰勒阵列天线研究目标为使得靠近主瓣的副瓣具有最佳方向图分布。首先在采用切比雪夫多项式阵列天线研究中,基于微带天线偏差因素模型分析,提出一种对10元串馈微带天线的加权优化方法,来修正理论设计,对该方法进行了仿真和制作实际样品测试,优化效果和理论分析符合。其次,在采用泰勒多项式分布阵列天线研究中,对泰勒分布的参数进行了分析,提出了一种可以实现水平空域划分的阵列天线,以实现雷达的宽广范围覆盖和远距离探测的目的。在泰勒多项式分布阵列天线的模型建立过程中,进行三波束水平空域划分的模型设计,同时进行了相移馈电网络分析和研究,最后对所设计的泰勒多项式阵列天线进行仿真并制成实际样品进行实测,而仿真和实测结果均与理论分析相符合。（2）提出一种基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的稳健自适应波束形成算法和一种新的雷达扫描策略。首先对智能天线的自适应波束形成技术进行了进一步的理论推导,基于贝叶斯理论提出一种基于SBL的稳健自适应波束形成算法。该算法基于空间信号的稀疏特性,采用稀疏贝叶斯学习方法获得干扰加噪声协方差矩阵的鲁棒最大似然估计,并得到期望方向上的导向矢量估计,进而求得波束形成器的最优权矢量。对应有效目标和无效目标的问题。对比传统密度聚类算法,研究和采用了神经网络聚类算法,设计实现了对不同属性目标的分类,对应了传统密度聚类对应分类适应性差的问题,并根据分类结果将雷达探测区域进行重构,区分出先验预测区域和无效区域,在此理论基础上提出一种基于先验预测区域的扫描策略算法,减少了对无效区域的扫描时间,大大提高了基于智能天线的数字波束形成雷达扫描效率。仿真结果表明,基于SBL的稳健自适应波束形成算法在较大的输入信噪比范围内和低快拍数的情况下达到了较好的阵列输出性能,且对于指向误差具有很好的稳健性,算法计算复杂度低、收敛速度快。（3）对雷达目标识别算法展开研究。首先研究了二维FFT对雷达回波信号的信息处理,以计算目标距离和速度;研究了DBF,通过对权值的控制,使得阵列方向图的主瓣对准期望信号,零陷对准干扰信号,从而实现高速置零、天线自校正、超低副瓣、超分辨、自适应空时处理和复杂的能量等。研究了恒虚警算法对干扰噪声的滤除、排除虚假目标,研究了多目标检测算法,以对多个有效目标的准确识别,卡尔曼滤波算法则是实现对有效目标的实时跟踪。基于以上研究,为了验证雷达目标识别的准确性,将雷达系统识别的目标投射到视觉系统中,研究雷达系统和视觉系统融合的方式来对目标进行识别。由实车中的雷达系统和视觉系统的空间安装位置建立模型,对两个系统之间的坐标转换关系进行研究,从而建立两个系统之间的空间融合模型;因为毫米波雷达和摄像头的工作频率有差异,这里的参考基准一般选择更低频率的雷达系统,通过多线程同步程序设计的方法,构建雷达系统和视觉系统的时间融合模型。针对图像与雷达融合产生的延时问题,研究了基于均值漂移的目标跟踪算法。最后搭建实验平台,进行了毫米波雷达目标探测实验和车载雷达与视觉系统融合的实验,实验结果证明了融合的有效性以及基于毫米波雷达目标识别的准确性。
二、智能天线算法及实验系统研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、智能天线算法及实验系统研究（论文提纲范文）
（1）基于智能天线的灾区环境搜救定位方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 高精度定位 |
| 1.3 智能天线 |
| 1.4 国内外研究现状 |
| 1.4.1 高精度定位研究现状 |
| 1.4.2 智能天线相关研究 |
| 1.5 主要工作及结构安排 |
| 1.5.1 本文主要工作 |
| 1.5.2 本文结构安排 |
| 第二章 智能天线及室内定位相关理论技术 |
| 2.1 引言 |
| 2.2 常见室内定位方法 |
| 2.2.1 基于接收信号强度指示的室内定位技术 |
| 2.2.2 基于角度的室内定位技术 |
| 2.2.3 基于时间的室内定位技术 |
| 2.3 智能天线理论技术 |
| 2.3.1 广义斯涅耳定律 |
| 2.3.2 智能天线工作原理 |
| 2.4 压缩感知理论技术 |
| 2.5 本章小结 |
| 第三章 智能天线协助的新型非视距无线定位系统模型 |
| 3.1 引言 |
| 3.2 智能天线的路径损耗模型 |
| 3.3 智能天线协助的接收信号模型 |
| 3.4 仿真实验及分析 |
| 3.5 本章小结 |
| 第四章 基于智能天线的非视距定位方法 |
| 4.1 引言 |
| 4.2 智能天线协助的非视距毫米波信道虚拟拟表示 |
| 4.3 基于分布式压缩感知的信道参数估计及位置估计 |
| 4.3.1 分布式压缩感知 |
| 4.3.2 特殊情况下的位置估计方法 |
| 4.3.3 一般情况下的位置估计方法 |
| 4.4 基站-智能天线波束赋形配置联合优化 |
| 4.5 仿真实验及其分析 |
| 4.5.1 信道重构算法性能分析 |
| 4.5.2 定位性能分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（2）基于深度学习的5G大规模MIMO天线参数优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景及意义 |
| 1.3 本文工作和主要创新点 |
| 1.4 论文组织结构 |
| 第二章 数据集的产生和预处理 |
| 2.1 引言 |
| 2.2 用户和业务行为模拟 |
| 2.3 5G大规模MIMO仿真平台 |
| 2.4 强化学习和用户参考信号接收功率查询数据库 |
| 2.5 静态配置方案的介绍 |
| 2.5.1 随机算法 |
| 2.5.2 均匀算法 |
| 2.5.3 专家经验算法 |
| 2.6 本章小结 |
| 第三章 固定用户分布下的大规模MIMO智能天线优化算法 |
| 3.1 用户分布读取模块 |
| 3.2 RSRP库处理模块 |
| 3.3 查表算法模块 |
| 3.4 目标函数设计 |
| 3.5 奖励函数设计 |
| 3.6 PG算法流程 |
| 3.7 本章小结 |
| 第四章 多场景用户分布下的大规模MIMO智能天线优化算法 |
| 4.1 模型选型 |
| 4.2 基于A3C框架的智能天线优化算法流程 |
| 4.3 算法训练过程 |
| 4.4 本章小结 |
| 第五章 不同算法实验结果讨论和比较 |
| 5.1 仿真参数 |
| 5.2 仿真结果 |
| 5.3 本章小结 |
| 第六章 总结和展望 |
| 6.1 论文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（3）车联网中基于群智能算法的波束成形技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作及章节安排 |
| 第二章 V2I波束成形关键技术分析 |
| 2.1 车联网通信系统 |
| 2.1.1 车联网概述 |
| 2.1.2 V2I波束成形结构 |
| 2.2 阵列天线模型 |
| 2.2.1 窄带信号模型 |
| 2.2.2 均匀线阵模型 |
| 2.2.3 均匀圆阵模型 |
| 2.3 智能天线技术 |
| 2.3.1 智能天线分类 |
| 2.3.2 智能天线结构 |
| 2.3.3 自适应波束成形原理 |
| 2.4 波束成形性能评价准则 |
| 2.4.1 最小均方误差准则 |
| 2.4.2 最大信噪比准则 |
| 2.4.3 最小二乘准则 |
| 2.4.4 线性约束最小方差准则 |
| 2.4.5 最大似然准则 |
| 2.5 自适应波束成形算法 |
| 2.5.1 LMS算法原理及仿真分析 |
| 2.5.2 变步长LMS算法原理及仿真分析 |
| 2.5.3 RLS算法原理及仿真分析 |
| 2.6 本章小结 |
| 第三章 基于鱼群算法改进的自适应波束成形算法 |
| 3.1 群智能算法概述 |
| 3.2 人工鱼群算法 |
| 3.2.2 人工鱼群行为 |
| 3.2.3 人工鱼群参数 |
| 3.2.4 人工鱼群算法步骤 |
| 3.3 基于人工鱼群算法改进的LMS算法 |
| 3.3.1 算法原理 |
| 3.3.2 算法步骤 |
| 3.3.3 实验结果 |
| 3.4 基于人工鱼群算法改进的RLS算法 |
| 3.4.1 算法原理及步骤 |
| 3.4.2 实验结果 |
| 3.5 本章小结 |
| 第四章 基于混合蛙跳算法改进的自适应波束成形算法 |
| 4.1 混合蛙跳算法 |
| 4.1.1 混合蛙跳算法概述 |
| 4.1.2 混合蛙跳算法原理分析 |
| 4.1.3 混合蛙跳算法实现步骤 |
| 4.2 基于混合蛙跳算法改进的LMS算法 |
| 4.2.1 算法原理及步骤 |
| 4.2.2 实验结果 |
| 4.3 基于混合蛙跳算法改进的RLS算法 |
| 4.3.1 算法原理及步骤 |
| 4.3.2 实验结果 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）GSM-R系统中智能天线DOA估计算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 智能天线的研究现状 |
| 1.2.2 DOA估计算法的研究现状 |
| 1.2.3 DOA跟踪算法的研究现状 |
| 1.3 本论文研究内容与章节安排 |
| 第2章 智能天线理论基础 |
| 2.1 智能天线的基本结构 |
| 2.2 智能天线的分类 |
| 2.2.1 波束切换天线阵列 |
| 2.2.2 自适应天线阵列 |
| 2.3 智能天线工作原理 |
| 2.4 DOA估计的基础理论 |
| 2.4.1 阵列信号数学模型 |
| 2.4.2 数学模型统计特性 |
| 2.5 本章小结 |
| 第3章 DOA估计算法的仿真研究与分析 |
| 3.1 传统类DOA估计算法 |
| 3.1.1 延迟-相加法 |
| 3.1.2 Capon最小方差法 |
| 3.2 子空间类DOA估计算法 |
| 3.2.1 MUSIC算法 |
| 3.2.2 Root-MUSIC算法 |
| 3.2.3 ESPRIT算法 |
| 3.2.4 LS-ESPRIT算法 |
| 3.3 仿真实验与结果分析 |
| 3.3.1 传统的DOA估计算法仿真分析 |
| 3.3.2 子空间类的DOA估计算法仿真分析 |
| 3.4 本章小结 |
| 第4章 GSM-R系统中的DOA跟踪算法 |
| 4.1 GSM-R系统中的智能天线技术 |
| 4.1.1 采用智能天线技术的GSM-R系统结构 |
| 4.1.2 GSM-R系统中天线阵列接收信号模型 |
| 4.2 DOA跟踪算法研究 |
| 4.2.1 PAST与 PASTd算法 |
| 4.2.2 卡尔曼滤波器算法 |
| 4.2.3 基于卡尔曼滤波器的PASTd算法 |
| 4.2.4 简化的基于卡尔曼滤波器的PASTd算法 |
| 4.3 仿真实验与结果分析 |
| 4.3.1 DOA估计算法与DOA跟踪算法的仿真分析 |
| 4.3.2 DOA跟踪算法的仿真分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 本文不足之处和展望 |
| 致谢 |
| 参考文献 |
（5）基于互耦校准和互耦降低的快速多目标角度估计算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究动态 |
| 1.3 本论文的主要内容与结构 |
| 2 阵列互耦建模与空间谱估计技术 |
| 2.1 阵列天线模型 |
| 2.1.1 均匀线阵 |
| 2.1.2 均匀面阵(此处以 19 阵元三角栅格阵为例) |
| 2.1.3 均匀圆阵 |
| 2.1.4 二维平行嵌套阵 |
| 2.2 阵元互耦模型 |
| 2.2.1 均匀线阵 |
| 2.2.2 均匀圆阵 |
| 2.2.3 均匀面阵 |
| 2.3 角度估计算法模型 |
| 2.3.1 MUSIC算法 |
| 2.3.2 求根MUSIC算法 |
| 2.3.3 时空DOA矩阵算法 |
| 2.4 信源数估计方法 |
| 2.4.1 特征值法(EIG准则) |
| 2.4.2 信息论法 |
| 2.4.3 盖氏圆法 |
| 2.4.4 实验仿真 |
| 2.5 本章小结 |
| 3 阵列互耦在线校正的角度估计算法研究 |
| 3.1 阵列互耦误差自校正方法 |
| 3.2 互耦参数估计的必要条件 |
| 3.3 实验仿真 |
| 3.4 本章小结 |
| 4 低互耦嵌套阵角度估计算法研究 |
| 4.1 前言 |
| 4.2 嵌套阵DOA矩阵改进算法 |
| 4.2.1 DOA矩阵的形成 |
| 4.2.2 俯仰,方位的角度估计 |
| 4.3 实验仿真 |
| 4.4 本章小结 |
| 5 角度估计验证 |
| 5.1 智能天线验证系统的组成和功能 |
| 5.2 互耦估计的角度估计算法的验证 |
| 5.3 低互耦嵌套阵性能的验证 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（6）基于智能天线的Wi-Fi室内定位系统设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文组织结构 |
| 第2章 相关技术概述 |
| 2.1 室内定位技术简介 |
| 2.1.1 室内无线定位技术 |
| 2.1.2 室内无线定位系统 |
| 2.1.3 基于距离测量的室内定位方法 |
| 2.1.4 基于距离测量的定位算法 |
| 2.1.5 影响室内定位精度的因素 |
| 2.1.6 定位性能的评价指标 |
| 2.2 Wi-Fi技术 |
| 2.2.1 Wi-Fi基本知识 |
| 2.2.2 Wi-Fi的关键技术 |
| 2.3 路由器 |
| 2.4 智能天线 |
| 2.4.1 天线的简介 |
| 2.4.2 智能天线的定义 |
| 2.5 本章小结 |
| 第3章 基于智能天线的室内定位算法研究 |
| 3.1 室内无线经典传播模型 |
| 3.1.1 Friis自由空间传播模型 |
| 3.1.2 对数路径损耗模型 |
| 3.2 室内Wi-Fi定位的关键问题分析 |
| 3.2.1 接收功率采集与RSSI值的处理 |
| 3.2.2 被测终端的差异化影响与改善 |
| 3.2.3 环境中路径损耗系数的处理 |
| 3.3 AOA/RSSD混合定位算法的研究 |
| 3.3.1 定位算法推演 |
| 3.3.2 定位流程设计 |
| 3.4 算法的仿真、分析与优化 |
| 3.4.1 算法求解分析 |
| 3.4.2 环境仿真与误差分析 |
| 3.4.3 定位策略的分析与优化 |
| 3.5 不同算法的仿真对比 |
| 3.6 本章小结 |
| 第4章 室内定位系统的设计和实现 |
| 4.1 定位设备需求分析与总体设计 |
| 4.1.1 功能需求与分析 |
| 4.1.2 室内Wi-Fi定位系统的总体设计 |
| 4.1.3 探测单元的总体设计 |
| 4.2 Wi-Fi路由器硬件设计与测试 |
| 4.2.1 设计要求 |
| 4.2.2 器件选型与硬件设计框图 |
| 4.2.3 硬件设计工具介绍 |
| 4.2.4 路由器电源设计 |
| 4.2.5 CPU电路设计 |
| 4.2.6 RF电路设计 |
| 4.2.7 其余外围接口电路设计 |
| 4.2.8 PCB设计 |
| 4.2.9 结构设计 |
| 4.2.10 硬件测试 |
| 4.3 智能天线的设计与实现 |
| 4.3.1 硬件设计框图 |
| 4.3.2 天线选型 |
| 4.3.3 MCU电路设计 |
| 4.3.4 伺服舵机的电路设计 |
| 4.3.5 其余外围接口电路设计 |
| 4.4 系统软件设计 |
| 4.4.1 路由器操作系统 |
| 4.4.2 智能天线控制固件 |
| 4.4.3 上位机定位应用程序 |
| 4.5 本章小结 |
| 第5章 测试验证与结果分析 |
| 5.1 测试环境与参数 |
| 5.1.1 测试环境 |
| 5.1.2 系统架设与参数设置 |
| 5.2 测试过程 |
| 5.2.1 预备阶段 |
| 5.2.2 测试阶段 |
| 5.2.3 定位结果 |
| 5.3 性能分析与展望 |
| 5.4 本章小结 |
| 总结 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间申请的专利及科研成果 |
（7）自适应波束形成算法的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 波束形成的发展历史和研究现状 |
| 1.3 本文的主要内容和组织结构 |
| 第二章 智能天线基础理论 |
| 2.1 智能天线的基本原理 |
| 2.1.1 阵列天线模型 |
| 2.1.2 智能天线的系统结构 |
| 2.1.3 工作原理 |
| 2.2 智能天线的分类 |
| 2.3 自适应波束形成算法准则 |
| 2.3.1 最小均方误差准则 |
| 2.3.2 最大信噪比准则 |
| 2.3.3 最小二乘准则 |
| 2.3.4 线性约束最小方差准则 |
| 2.3.5 最大似然准则 |
| 2.4 本章小结 |
| 第三章 自适应波束形成算法理论分析 |
| 3.1 经典自适应算法 |
| 3.1.1 LMS算法 |
| 3.1.2 RLS算法 |
| 3.1.3 SMI算法 |
| 3.2 改进LMS算法分析 |
| 3.2.1 归一化算法 |
| 3.2.2 基于遗传的算法 |
| 3.2.3 SVSLMS算法 |
| 3.2.4 GVSLMS算法 |
| 3.2.5 TVSLMS算法 |
| 3.3 一种新的变步长LMS算法 |
| 3.3.1 算法分析 |
| 3.3.2 算法参数研究分析 |
| 3.3.3 算法性能仿真结果及对比分析 |
| 3.4 本章小结 |
| 第四章 自适应波束形成算法的工程实现 |
| 4.1 DSP与 FPGA概述 |
| 4.1.1 DSP概述 |
| 4.1.2 FPGA概述 |
| 4.2 硬件平台搭建 |
| 4.2.1 数字信号处理板说明 |
| 4.2.2 模数转换模块HMCAD |
| 4.3 自适应波束形成实现方案 |
| 4.3.1 数据传输接口 |
| 4.3.2 数制的确定 |
| 4.3.3 FPGA程序设计 |
| 4.3.4 DSP程序设计 |
| 4.4 测试结果 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（8）煤矿复杂环境下的无线信道特性分析与建模仿真（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 引言 |
| 1.2 课题研究的背景及意义 |
| 1.3 煤矿巷道无线信道传播模型研究概况 |
| 1.4 论文的主要内容及结构 |
| 2 煤矿巷道无线通信技术研究 |
| 2.1 煤矿巷道无线通信环境分析 |
| 2.1.1 信道的大尺度衰落特性 |
| 2.1.2 信道的小尺度衰落特性 |
| 2.2 无线通信在煤矿巷道的应用分析 |
| 2.3 煤矿巷道无线通信系统研究 |
| 2.4 本章小结 |
| 3 电磁波在煤矿复杂环境下的传输特性分析 |
| 3.1 煤矿复杂环境下的电磁波传播理论 |
| 3.1.1 Maxwell方程组与电磁场边界条件 |
| 3.1.2 马卡梯里近似分析方法 |
| 3.2 复杂因子对煤矿巷道无线信道特性的影响 |
| 3.2.1 频率对煤矿巷道电磁波传播的影响 |
| 3.2.2 媒质的电磁特性对煤矿巷道电磁波传播的影响 |
| 3.2.3 巷道壁粗糙度对煤矿巷道电磁波传播的影响 |
| 3.2.4 巷道壁倾斜对煤矿巷道电磁波传播的影响 |
| 3.3 复杂因子对煤矿巷道无线信道特性影响的仿真分析 |
| 3.4 煤矿巷道电磁波能量传播损耗模型的仿真分析 |
| 3.5 小结 |
| 4 煤矿复杂环境下基于SVM的煤矿巷道模型研究 |
| 4.1 支持向量机理论 |
| 4.1.1 支持向量机原理 |
| 4.1.2 最小二乘支持向量机原理 |
| 4.2 基于LS-SVM煤矿复杂环境下的路径损耗预测模型 |
| 4.2.1 基于LS-SVM路径损耗预测模型的建立 |
| 4.2.2 实验数据仿真 |
| 4.2.3 模型训练与预测性能分析 |
| 4.3 基于LS-SVM参数选择方法的优化 |
| 4.3.1 粒子群算法基本原理 |
| 4.3.2 基于PSO改进的路径损耗预测模型的建立 |
| 4.3.3 预测性能的对比评价 |
| 4.4 本章小结 |
| 5 煤矿复杂环境下基于MIMO的无线信道模型研究 |
| 5.1 MIMO系统简介 |
| 5.1.1 MIMO系统模型 |
| 5.1.2 MIMO信道建模方法 |
| 5.2 煤矿复杂环境下的MIMO信道模型以及仿真分析 |
| 5.2.1 煤矿MIMO信道GBDB模型以及相关性分析 |
| 5.2.2 煤矿MIMO信道的容量及仿真分析 |
| 5.2.3 具有相关性的井下MIMO信道容量分析 |
| 5.3 一种改进的基于智能天线的MIMO系统模型 |
| 5.3.1 MIMO智能天线系统的可行性分析 |
| 5.3.2 改进的MIMO智能天线系统模型 |
| 5.4 改进系统的仿真结果及分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间发表论文 |
（9）基于波束赋形技术的无人机定位跟踪研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词 |
| 第1章 绪论 |
| 1.1 研究背景及选题意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要贡献 |
| 1.4 论文的结构安排 |
| 第2章 智能天线及无线定位理论 |
| 2.1 智能天线基本原理 |
| 2.1.1 多天线阵型研究 |
| 2.1.2 波束赋形理论研究 |
| 2.2 无线定位基本原理 |
| 2.2.1 CID/E-CID定位 |
| 2.2.2 GPS/A-GNSS定位 |
| 2.2.3 AOA定位 |
| 2.2.4 TOA定位 |
| 2.2.5 混合定位技术 |
| 2.3 定位的影响因素和评价标准 |
| 2.3.1 定位的影响因素 |
| 2.3.2 定位性能的评价标准 |
| 2.4 本章小结 |
| 第3章 基于新型L阵的二维DOA与时延联合估计 |
| 3.1 一维DOA与时延联合算法 |
| 3.2 新L型天线阵列 |
| 3.3 二维DOA估计与匹配算法 |
| 3.3.1 现有ccm-ESPRIT算法 |
| 3.3.2 ccm-ESPRIT改进算法 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第4章 基于单基站的无人机三维定位算法 |
| 4.1 单基站定位模型 |
| 4.2 多径相干模型以及去相干算法研究 |
| 4.2.1 多径相干模型 |
| 4.2.2 空间平滑滤波 |
| 4.3 提出一种基于MSWF的快速二维DOA与时延的联合估计算法 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第5章 基于单基站的无人机跟踪策略研究 |
| 5.1 目标跟踪研究 |
| 5.2 提出一种基于波束域划分的无人机跟踪方案 |
| 5.2.1 空间波束域划分 |
| 5.2.2 基于码本构造搜索域 |
| 5.2.3 跟踪策略的流程 |
| 5.3 实验结果及分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 下一步计划 |
| 致谢 |
| 参考文献 |
| 硕士期间发表的学术论文 |
（10）基于智能天线的毫米波雷达目标识别技术（论文提纲范文）
| 中文摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 雷达系统与智能天线 |
| 1.2.1 毫米波雷达系统组成 |
| 1.2.2 毫米波雷达工作原理 |
| 1.2.3 智能天线概念 |
| 1.3 国内外研究现状 |
| 1.3.1 毫米波雷达发展概述 |
| 1.3.2 智能天线研究现状 |
| 1.3.3 目标识别技术研究现状 |
| 1.4 主要研究内容 |
| 第二章 毫米波雷达智能天线设计 |
| 2.1 引言 |
| 2.2 智能天线理论 |
| 2.2.1 微带天线理论 |
| 2.2.2 阵列天线设计 |
| 2.3 切比雪夫阵列天线设计及其优化 |
| 2.3.1 微带天线偏差因素模型分析 |
| 2.3.2 切比雪夫阵列天线设计及其优化 |
| 2.3.3 天线模型建立及理论仿真 |
| 2.4 泰勒阵列天线设计及其应用 |
| 2.4.1 水平空域划分原理 |
| 2.4.2 泰勒阵列天线设计 |
| 2.4.3 相移馈电网络设计 |
| 2.4.4 仿真分析 |
| 2.5 本章小结 |
| 第三章 数字波束形成算法和雷达扫描策略研究 |
| 3.1 引言 |
| 3.2 数字波束形成原理 |
| 3.3 基于稀疏贝叶斯学习的稳健自适应波束形成算法 |
| 3.3.1 稀疏贝叶斯理论 |
| 3.3.2 基于SBL的稳健自适应波束形成算法 |
| 3.3.3 算法仿真分析 |
| 3.4 基于聚类算法的雷达扫描策略 |
| 3.4.1 聚类算法的分类及其选取 |
| 3.4.2 数学模型建立与仿真分析 |
| 3.4.3 基于聚类结果的自适应加权算法改进 |
| 3.4.4 目标轨迹预测 |
| 3.5 本章小结 |
| 第四章 目标识别技术研究 |
| 4.1 引言 |
| 4.2 雷达多目标识别算法 |
| 4.2.1 二维FFT算法 |
| 4.2.2 雷达恒虚警算法 |
| 4.2.3 雷达多目标识别算法 |
| 4.2.4 卡尔曼滤波算法 |
| 4.2.5 解速度模糊算法 |
| 4.3 车载雷达与视觉系统的融合 |
| 4.3.1 车载雷达与视觉系统空间融合 |
| 4.3.2 车载雷达与机器视觉时间融合 |
| 4.4 基于均值漂移的目标跟踪算法及实现 |
| 4.4.1 均值漂移基本理论 |
| 4.4.2 均值漂移目标跟踪 |
| 4.5 本章小结 |
| 第五章 实验研究与结果分析 |
| 5.1 引言 |
| 5.2 智能天线设计实验测试 |
| 5.2.1 切比雪夫阵列天线优化设计实验 |
| 5.2.2 水平空域划分雷达阵列天线实验 |
| 5.3 毫米波雷达目标探测实验 |
| 5.3.1 实验平台搭建 |
| 5.3.2 毫米波雷达目标探测实验 |
| 5.3.3 多场景下目标探测实验 |
| 5.4 车辆雷达与机器视觉融合实验 |
| 5.4.1 实验平台搭建 |
| 5.4.2 摄像机内外参数标定及畸变参数求取 |
| 5.4.3 前方车辆检测效果实验 |
| 5.4.4 基于目标跟踪的雷达图像融合检测效果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间本人出版或公开发表的论着、论文 |
| 致谢 |
四、智能天线算法及实验系统研究（论文参考文献）
- [1]基于智能天线的灾区环境搜救定位方法研究[D]. 王子阳. 北京邮电大学, 2021(01)
- [2]基于深度学习的5G大规模MIMO天线参数优化研究[D]. 何伟. 北京邮电大学, 2020(01)
- [3]车联网中基于群智能算法的波束成形技术研究[D]. 杨锏泓. 西安电子科技大学, 2020(05)
- [4]GSM-R系统中智能天线DOA估计算法研究[D]. 马巧娣. 西南交通大学, 2020(07)
- [5]基于互耦校准和互耦降低的快速多目标角度估计算法研究[D]. 王铭. 南京理工大学, 2019(01)
- [6]基于智能天线的Wi-Fi室内定位系统设计与实现[D]. 全胜. 西南交通大学, 2019(07)
- [7]自适应波束形成算法的研究与实现[D]. 陈适. 西安电子科技大学, 2019(02)
- [8]煤矿复杂环境下的无线信道特性分析与建模仿真[D]. 马晶晶. 西安科技大学, 2019(01)
- [9]基于波束赋形技术的无人机定位跟踪研究[D]. 彭杰. 东南大学, 2019(06)
- [10]基于智能天线的毫米波雷达目标识别技术[D]. 李威. 苏州大学, 2018(06)