摘要：信号源定位技术是阵列信号处理领域中的一个关键技术,其在雷达、地理学、声纳、电子对抗、医疗电子等领域中...信号源定位技术是阵列信号处理领域中的一个关键技术,其在雷达、地理学、声纳、电子对抗、医疗电子等领域中有着广泛的应用。根据信号源与接收器阵列之间的距离,信号源定位可以分为远场信号源定位和近场信号源定位两种。在这两种不同的情况下,信号的波阵面的处理方式也不相同:远场信号源的波阵面可近似为平面波,仅用波达方向(Direction-Of-Arrival,DOA)一个参数就可以描述其位置;近场信号源的波阵面则为球面波,其位置需要波达方向和距离共同确定。针对情况更为复杂的近场信号源定位技术,本文从算法的计算复杂度及估计精确度入手,提出一些基于高阶累积量的近场信号源定位算法及其在探地雷达(Ground Penetrating Radar,GPR)中的相关应用,其主要创新性成果有:1)在现有基于高阶累积量的改进型二维多重信号分类(MUltiple SIgnal Classification,MUSIC)算法的基础上,提出了三个方法,以期提高算法的运行速度或者估计精度及分辨率。a)现有基于高阶累积量的改进型二维MUSIC算法需要构造两个不同的矩阵及进行两次相应的特征值分解(Eigen Value Decomposition,EVD),而本文证明了改进型二维MUSIC算法可以通过一个非厄米特矩阵来实现,从而提出了低复杂度MUSIC算法(Low-Complexity MUSIC,LCM)。算法在构造一个特殊的非厄米特矩阵后只需要进行一次特征值分解,用其中与零特征值对应的特征向量估计近场信号源的波达方向,而在正交化与非零特征值对应的特征向量后则可以估计信号源距离。与其他高阶MUSIC算法相比,LCM算法避免了多余的矩阵构造及特征值分解,从而降低了计算复杂度,提高了算法的运行效率,同时也保持了高阶MUSIC算法的高估计精度。b)第二个算法是对LCM算法的进一步简化。鉴于高阶累积量免疫于高斯噪声,本文提出一种基于传播算子的算法。算法构造一个高阶累积量矩阵并推导出其与两个不同的方向矩阵之间的关系。高阶累积量矩阵的列或者行可以用来构造两个传播算子,而这两个传播算子则可以直接构造两个与不同方向矩阵相互正交的子空间,并分别用于估计近场信号源的波达方向和距离。在LCM算法的基础上,基于传播算子的算法只需构造一个高阶累积量矩阵,并且不再需要对矩阵进行特征值分解,可以进一步降低算法的计算复杂度。c)针对现有高阶MUSIC算法的阵列孔径受限于实际阵列的问题,本文提出一种拓展阵列孔径的MUSIC(Aperture-Expanded MUSIC,AEM)算法。阵列孔径的数值直接影响算法的分辨率及估计精度,算法在估计出信号源的波达方向之后,充分利用了高阶累积量的高自由度,不需要增大阵元间距或者增加阵元数量,而是通过构造虚拟阵元,极大地拓展了虚拟阵列孔径,从而提高了距离估计的分辨力及估计精度。与其他高阶MUSIC算法相比,此算法的性能可以突破实际阵列孔径的限制,进一步提高信号源的距离估计精度,仿真结果验证了算法的有效性。2)提出一种融合了聚类和压缩感知(Compressive Sensing,CS)技术的近场信号源定位算法。在改进型二维MUSIC算法的启发下,本文通过构造一个高阶累积量矩阵,将信号源的两个位置参数分离到两个不同的部分,但与改进型二维MUSIC算法进行若干次一维MUSIC空间谱搜索不同,本文提出的算法只需通过构造两个一维过完备字典并进行两次信号重构即可分别估计出所有信号源的两个位置参数。算法最后充分利用信号重构的信息,提出一种基于聚类思想的参数配对方法,将两个参数成功配对,解出相应的波达方向和距离。3)提出一种在低信噪比环境中的时延估计算法。不同于需要进行信号去相关预处理的传统算法,本文提出用压缩感知技术估计探地雷达接收到的回波信号的时延,此算法可以直接对相干信号进行处理,从而估计出回波时延。除此之外,算法引入信号增强技术来提升算法在低信噪比环境下的性能,保证时延估计在强噪声环境中也能保持高估计精度。更多还原显示全部
摘要：现今的药物研发工作所消耗的人力物力、时间和资金都变得越来越多,并且每年的申报名额也在逐年减少,药物研...现今的药物研发工作所消耗的人力物力、时间和资金都变得越来越多,并且每年的申报名额也在逐年减少,药物研发工作变得越来越难以开展。得益于前人的科研工作经验的总结和大数据化的数据交流的发展,人们逐渐倾向于寻找一种成本低、效率高的方法应用于药物的研发初期,为现有药物提供高置信度区间的潜在适应症,这种技术被称为药物重定位。虽然目前已有不少科研人员提出了极具研究价值的预测模型,然而,在药物相似性和疾病相似性的全面挖掘和科学利用等方面的技术,目前大多数药物重定位方法仍然缺乏。为了解决这些问题,本文提出了两个模型分别对其进行了探究,具体研究内容如下:(1)基于多重相似度挖掘的药物-疾病关联预测二分图扩散算法(BGMSDDA):第一步,采用加权K近邻(weighted K nearest known neighbors,WKNKN)算法重建药物-疾病关联矩阵;第二步,设计了一种融合线性邻域相似度和高斯核相似度的药物和疾病相似特征提取方法;第三步,使用二分图扩散算法来推断尚未发现的药物与疾病的关联。经过10次交叉验证实验,BGMSDDA在两个数据集上均表现出良好的性能,AUC分别为0.939±0.001(Fdataset)和0.954±0.001(Cdataset),AUPR分别为0.466±0.001(Fdataset)和0.565±0.001(Cdataset)。此外,为了评价BGMSDDA预测结果的准确性,我们从Fdataset和Cdataset中分别选取三种医用药物进行了案例研究,并利用一些数据库对每种药物的预测相关疾病进行了验证。基于所获得的结果,BGMSDDA被证明在预测药物-疾病相关性方面是有用的。(2)基于中心核对称多核学习的药物-疾病关联预测的压缩感知算法(DRPADC):第一步,对于原始矩阵的稀疏问题,利用WKNKN(weight K nearest known neighbors)算法对原始关联矩阵进行处理以降低关联矩阵的稀疏性;第二步,为了科学地利用各种相似性信息,通过中心核对称多核学习(C显示全部
