删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

基于双层协方差矩阵重构的稳健波束形成算法*

本站小编 Free考研考试/2021-12-25

自适应波束形成技术是在一定的优化准则上对接收数据进行处理,得到最优加权系数,达到有效抑制干扰及噪声并提高输出信干噪比(Signal to Interference and Nosie Ratio, SINR)的目的,其在雷达、通信及医学信号处理等方面得到了充分应用。典型的波束形成器,如最小方差无失真响应(Minimum Variance Distortionless Response, MVDR)在目标来波方向误差等非理想环境下,性能急剧下降[1]
目前,许多****在稳健自适应波束形成方面进行了深入的研究,主要研究成果可分为:加载类算法[2-6]、导向矢量约束类算法[7-11]及协方差矩阵重构类算法[1, 12-15]。协方差矩阵对角加载算法是较为简单的优化算法,但是如何选取最优加载量是较难确定的问题。毛晓军[6]提出了变加载值的稳健波束形成(Variable Loading Robust Beamforming, VLRB)算法,先对输入信噪比(SNR) 进行估计,再将输入SNR的估计值作为对角加载值,但干扰抑制性能有所下降。Huang等[7]研究了稳健的Capon波束形成(Robust Capon Beamforming, RCB)算法,通过不确定集约束导向矢量误差范围,性能较为稳健,但在导向矢量误差波动较大情况下性能下降较多。Stoica等[9]提出了导向矢量双层估计的稳健波束形成方法,将导向矢量初步预估为导向矢量相关矩阵特征向量的线性组合,再通过不确定集约束方法进行优化校正,但该方法在低SNR情况下的稳健性及输出性能明显降低。Mao等[11]在估计目标导向矢量时,将目标分量从采样协方差矩阵中移除,重构干扰加噪声协方差矩阵,有效改善了RCB算法的性能,但性能随目标导向矢量估计误差波动较大。
协方差矩阵重构的目的在于:消除样本协方差矩阵中含有的期望目标信号分量,避免“自消”现象的出现。但是一般在重构过程中会引入误差,并代入后续的求解过程中,导致期望信号方位估计的不准确性。针对上述问题,本文提出了干扰加噪声协方差矩阵双层重构的稳健波束形成算法。首先,利用Capon功率谱预估目标信号导向矢量,并得到干扰加噪声协方差矩阵的初步估计;然后,按照最小化干扰加噪声功率输出准则及设定的干扰导向矢量不确定集约束,估计干扰导向矢量及干扰功率,完成对干扰加噪声协方差矩阵的优化校正;最后,构建基于子空间理论的导向矢量约束误差优化模型,采用迭代方法对模型求解得到最优权值向量。
1 阵列信号模型 考虑一维均匀线阵,阵元数为M,假设空间中有L个入射信号,其中目标信号从θ0方向入射,L-1个干扰信号从θl(l=1, 2, …, L-1)方向入射,且目标信号、干扰信号及噪声信号之间相互独立。阵列在t时刻接收信号可表示为
(1)

式中:a(θl)为第l个信源的导向矢量;sl(t)为第l个信源复包络;n(t)为噪声信号。
假设阵列接收目标信号、干扰信号及噪声信号是独立的,则阵列接收信号的协方差矩阵 R 可表示为
(2)

(3)

(4)

式中:Rs为目标信号相关矩阵;σ0为目标信号功率;Ri, n为干扰加噪声协方差矩阵;σl(l=1, 2, …, L-1)为干扰信号功率;σn为噪声信号功率。
实际应用中,R 通常是未知的,常用样本协方差矩阵代替。
(5)

式中:Y为快拍数。但是样本协方差矩阵中含有期望信号成分,这就是造成了期望信号“自消”现象的根源。
2 干扰加噪声协方差矩阵双层重构 2.1 干扰加噪声协方差矩阵预估 假设目标信号的大致方位区间为β,对方位区间范围内的Capon功率谱积分可得
(6)

Q 进行特征值分解,则最大特征值对应的特征向量可构成目标导向矢量的初始估计值[16]
(7)

式中:QmaxU为矩阵 Q 特征分解最大特征值对应的特征向量。
进而,目标信号的自相关矩阵预估值可表示为
(8)

因此,根据式(2),初步估计的干扰加噪声协方差矩阵可表示为
(9)

2.2 干扰加噪声协方差矩阵约束重构 借鉴文献[11]方法,将干扰导向矢量都约束在一个不确定集范围内,建立如下约束关系:
(10)

式中:ξ为干扰导向矢量约束不确定集尺度;为先验干扰导向矢量,可通过谱峰搜索得到。
利用拉格朗日法求解式(10),得到干扰导向矢量a(θ)的优化解为
(11)

式中:参数λ可由如下约束方程解得
(12)

在估计出干扰导向矢量后,还需要估计干扰功率。阵列的目标信号加干扰协方差矩阵 Rs, i可以表示为
(13)

式中:σl(l=0, 1, …, L-1)表示目标信号及干扰信号功率。
将式(13)左右两边同时乘以 a H(θj)与a(θj)[17],进一步化为
(14)

式中:a(θj)与a(θl)表示不同方向入射的信号导向矢量,在入射信号方位稀疏的情况下,可以认为二者是相互正交的,即jl时,a H(θj)a(θl)=0。
因此,式(14)可以表示为
(15)

则干扰功率估计值可表示为
(16)

按照式(7),Rs, i可由矩阵 Q 特征分解后前K个显著特征值对应的特征向量计算预估而得,计算式为
(17)

(18)

将式(17)代入式(16)中,可得σj2
因此,根据估计的干扰导向矢量及干扰功率可进一步重构干扰加噪声协方差矩阵
(19)

3 目标导向矢量估计 对第2节重构的干扰加噪声协方差矩阵进行特征值分解,得
(20)

式中:ηm(m=1, 2, …, M)为干扰加噪声协方差矩阵特征分解后的M个特征值;μm(m=1, 2, …, M)为特征分解后对应的特征向量;Λj对应前K个显著特征值组成的对角矩阵;ΛN对应后MK个特征值组成的对角矩阵;矩阵Uj对应干扰加噪声协方差矩阵特征分解后的干扰子空间;矩阵UN对应干扰加噪声协方差矩阵特征分解后的噪声子空间。
在上述分析的基础上,通过最大化阵列目标信号输出功率并抑制干扰子空间对目标导向矢量误差,构建如下约束模型:
(21)

式中:e为垂直于 (θ0)的目标导向矢量误差;第1项不等式约束纠正后(θ0)+ e相较于0(θ0)更加远离噪声信号;第2项等式约束保证(θ0)+ ee具备同样的模长;第3项等式约束(θ0)与 e正交。
为避免式(21)出现唯一解 e= 0的问题,对第2项约束条件进行改造,引入松弛因子α(α>0),且α满足边界条件[18-21]。可知α的引入对式(21) 的最优解不会造成影响,约束优化问题变为
(22)

式(22)为凸二次约束二次优化问题,可采用凸优化的方法进行求解,得到最优的(θ0)。
将重构后的(θ0)代入标准Capon波束形成器中,得到最优权值 ω
(23)

4 算法求解及步骤 对式(22)提出的凸二次约束二次优化问题采用迭代的方式进行求解,通过迭代系数及迭代次数约束迭代过程。
设定收敛系数γ及最大迭代步数Tmax,迭代收敛条件为
(24)

式中:p为求解过程中的迭代次数。当pTmax,迭代终止判决条件为|ωpωp-1| / |ωp| < γ;当p>Tmax,则终止迭代。
分析式(24),收敛系数γ及最大迭代步数Tmax大小对本文算法精度及运行时间有一定影响。γ过小或Tmax过大会导致算法运行时间过长;γ过大或Tmax过小会导致精度下降。算法求解步骤如图 1所示。
图 1 算法求解流程 Fig. 1 Flowchart for algorithm solution
图选项




步骤1????根据式(7)~式(9)计算(θ0)、
步骤2????根据式(11)及式(12)计算a(θ),并由式(13)、式(16)计算 Rs, i
步骤3????根据式(19)计算重构后的
步骤4????对进行特征分解,得 U j
步骤5????求解式(22),得到目标导向矢量误差 e,更新目标导向矢量估计p(θ0)=p-1(θ0)+ e,计算权值ωp
步骤6????判定是否满足|ωpωp-1| / |ωp| < γ,满足则终止迭代,不满足则重复迭代过程。
5 仿真实验 考虑阵元数为8的一维均匀线阵,阵元间隔取半波长宽度。仿真实验中,设定3个入射信号源,目标信号入射角度为10°,干扰信号入射角度为-5°及20°,信干噪比设定为20 dB。为方便描述,将本文算法简称为DLCV算法。将DLCV算法与对角加载(Diagonal Loading, DL)算法、RCB算法、VLRB算法及文献[12]提出的联合迭代估计算法(Joint Iterative Estimation Algorithm, JIEA)进行比较分析,每次实验均进行100次蒙特卡罗仿真。
DL算法对角加载量取噪声功率的5倍;RCB算法的导向矢量约束范数取0.3M;VLRB算法的求和区间以目标来波方向扩展±5°,加载量同DL算法,松弛系数取0.1。DLCV算法求和区间同VLRB算法,无特殊说明,松弛因子α取0.1,收敛系数γ取10-5
5.1 目标来波方向误差对算法性能影响 仿真参数设置为:目标来波方向误差服从[-3°,3°]间的均匀分布,即真实来波方向在[7°,13°]区间内均匀分布;输入信噪比SNR为3 dB,快拍数取200。统计各算法经过200次蒙特卡罗仿真后的平均输出SINR。仿真结果如图 2图 3所示,图中OPT代表理想算法输出。
图 2 目标来波方向误差下不同算法平均输出SINR随输入SNR变化 Fig. 2 SINR versus SNR for different algorithms under direction error of target signal
图选项




图 3 目标来波方向误差下不同算法平均输出SINR随快拍数变化 Fig. 3 SINR versus snapshot number for different algorithms under direction error of target signal
图选项




观察图 2发现,目标来波方向误差情况下,DL算法最优输出点出现在10 dB左右,之后随着输入SNR越高,性能下降较为严重;RCB算法输出存在较大差距,且高信噪比下的性能提升趋于平缓;VLRB算法性能优于RCB算法,低信噪比情况下性能表现较好,但高信噪比情况下的性能仍有待提高;DLCV算法性能总体较为良好,尤其在高信噪比情况下性能输出提升较好。
观察图 3发现,低快拍数条件下DLCV算法与VLRB算法表现较好;而在快拍数为50情况下,DLCV算法与VLRB算法性能已收敛,且随着快拍数的提升,输出性能逐渐接近于理想输出。
5.2 阵列位置误差对算法性能影响 仿真参数设置为:设定单个阵元真实位置偏离理想位置的误差值在[-0.05η, 0.05η]范围内随机分布,输入SNR设定为3 dB,快拍数取200,目标来波方向误差为2°,统计算法经过200次蒙特卡罗仿真后的平均输出SINR性能,仿真结果如图 4图 5所示。
图 4 阵列位置误差下不同算法平均输出SINR随输入SNR变化 Fig. 4 SINR versus SNR for different algorithms under array position errors
图选项




图 5 阵列位置误差下不同算法平均输出SINR随快拍数变化 Fig. 5 SINR versus snapshot number for different algorithms under array position errors
图选项




观察图 4,阵列位置误差影响下,DL算法在高信噪比情况下抗阵列位置误差性能较差,性能下降严重;VLRB算法性能略优于RCB算法;DLCV算法输出较为稳定,高信噪比情况下相较于其余4种算法具备明显优势。
观察图 5发现,DLCV算法在低快拍数条件下输出性能具备明显优势,且随着快拍数的提高,DLCV算法输出性能逐步稳健提高,在信噪比高于50 dB后输出性能接近于理想输出。
5.3 阵列互耦误差对算法性能影响 仿真条件设置为:互耦矩阵表示为Toeplitz形式,互耦系数取0.5e-jπ/2,其余仿真参数同上。仿真结果如图 6图 7所示。
图 6 阵列互耦误差下不同算法平均输出SINR随输入SNR变化 Fig. 6 SINR versus SNR for different algorithms under array mutual coupling errors
图选项




图 7 阵列互耦误差下不同算法平均输出SINR随快拍数变化 Fig. 7 SINR versus snapshot number for different algorithms under array mutual coupling errors
图选项




观察图 6发现,阵列互耦误差影响下,DLCV算法总体性能较好,并且在信噪比大于15 dB情况下性能明显优于其他算法。
观察图 7发现,随着快拍数提高,DLCV算法输出性能逐步稳健提高,总体优于其他算法,尤其小快拍情况下也具备较好的性能,且快拍数高于80后输出性能收敛较好。
5.4 参数影响仿真分析 由算法过程可知,松弛因子α、收敛系数γ及最大迭代步数Tmax对算法的收敛速度产生影响。本节通过仿真分析这些参数的取值对算法收敛速度的影响。仿真中,快拍数取200,输入SNR为3 dB,阵列误差设置同上述仿真。
表 1统计分析了收敛系数γ及最大迭代步数Tmax取不同值时算法的运行时间。
表 1 收敛速度统计 Table 1 Convergence rate statistics
Tmax运行时间/ms
γ=10-2 γ=10-3 γ=10-4 γ=10-5 γ=10-6
20 71.4 91.1 121.8
30 159.6
40 243.3


表选项






收敛系数即对应迭代过程中的相对误差,当收敛系数取值越小,则波束形成器输出性能越高。分析表 1,综合考虑输出性能与算法运行时间,收敛系数取10-5、最大迭代步数取30情况下,算法输出性能较优,且算法运行时间相对收敛系数取10-4时无较大增长。在收敛系数为10-5、最大迭代步数为30情况下,算法的迭代过程如图 8所示。
图 8 算法迭代过程分析 Fig. 8 Analysis of algorithm iteration process
图选项




图 9表示收敛系数γ为10-5及最大迭代步数Tmax取50情况下松弛因子α对算法收敛速度的影响。分析可知,松弛因子α取值范围在0.1附近时,算法的收敛速度最快。
图 9 松弛因子对算法收敛速度影响 Fig. 9 Influence of relaxation factor on convergence speed of algorithm
图选项




6 结论 本文提出了基于干扰加噪声协方差矩阵双层估计的稳健波束形成算法。
1) 算法的基本思想是对干扰加噪声协方差矩阵进行双层优化校正,采用迭代方法对目标导向矢量约束误差优化模型进行求解。
2) 仿真实验表明,在非理想环境(目标来波方差误差、阵列位置误差及阵列互耦)下,DLCV算法输出性能相较于其他算法有明显提高。但DLCV算法总体复杂度较高,如何进一步提高运算效率是后续需要研究的重点。

参考文献
[1] HUANG L, ZHANG J, XU X, et al. Robust adaptive beamforming with a novel interference-plus-noise covariance matrix reconstruction method[J]. IEEE Transactions on Signal Processing, 2015, 63(7): 1643-1650. DOI:10.1109/TSP.2015.2396002
[2] CARLASON B D. Covariance matrix estimation errors and diagonal loading inadaptive arrays[J]. IEEE Transactions on Aerospace and Electronic Systems, 1988, 24(7): 397-401.
[3] COX H, ZESKING R M, OWEN M H. Robust adaptive beamforming[J]. IEEE Transactions on Acoustic, Speech, Signal Processing, 1987, 35(10): 1365-1376. DOI:10.1109/TASSP.1987.1165054
[4] LEI Y, FAN Y Q, WEI Y S, et al. Robust adaptive beamforming method for large-scale array with automatic diagonal loading and steering vector estimation[J]. The Journal of Engineering, 2019, 2019(21): 8047-8050. DOI:10.1049/joe.2019.0762
[5] ZHANG X, ZHUANG L H, LIU W W, et al. Acoustic beamforming through adaptive diagonal loading[C]//Proceedings of the 2019 IEEE Symposium on Product Compliance Engineering. Piscataway: IEEE Press, 2019: 104-111.
[6] 毛晓军. 高性能阵列天线稳健自适应波束形成技术研究[D]. 哈尔滨: 哈尔滨工程大学, 2017.
MAO X J. Study on the high performance robust adaptive beamforming in antenna arrays[D]. Harbin: Harbin Engineering University, 2017(in Chinese).
[7] HUANG Y W, ZHOU M K, SERGIY A. New designs on MVDR robust adaptive beamforming based on optimal steering vector estimation[J]. IEEE Transactions on Signal Processing, 2019, 67(14): 3624-3638. DOI:10.1109/TSP.2019.2918997
[8] ZHUANG J, YE Q, TAN Q, et al. Low-complexity variable loading for robust adaptive beamforming[J]. Electronics Letters, 2016, 52(5): 338-340. DOI:10.1049/el.2015.3844
[9] STOICA P, WANG Z, LI J. Robust Capon beamforming[J]. IEEE Signal Processing Letters, 2003, 10(6): 172-175. DOI:10.1109/LSP.2003.811637
[10] LI J, STOICA P, WANG Z S. On robust Capon beamforming and diagonal loading[J]. IEEE Transactions on Signal Processing, 2003, 51(7): 1702-1715. DOI:10.1109/TSP.2003.812831
[11] MAO X, LI W, LI Y, et al. Robust adaptive beamforming against signal steering vector mismatch and jammer motion[J]. International Journal of Antennas & Propagation, 2015, 2015: 1-12.
[12] GU Y J, LESHEM A. Robust adaptive beam forming based on interference covariance matrix reconstruction and steering vector estimation[J]. IEEE Transactions on Signal Processing, 2012, 60(7): 3881-3885. DOI:10.1109/TSP.2012.2194289
[13] HUANG J S, SU H T, YANG Y. Robust adaptive beamforming for MIMO radar in the presence of covariance matrix estimation error and desired signal steering vector mismatch[J]. IET Radar, Sonar & Navigation, 2020, 14(1): 118-126.
[14] LU Z, LI Y, GAO M, et al. Interference covariance matrix reconstruction via steering vectors estimation for robust adaptive beamforming[J]. Electronics Letters, 2013, 49(22): 1373-1374. DOI:10.1049/el.2013.2070
[15] WANG Y S, BAO Q L, CHEN Z P. Robust adaptive beamforming using IAA-based interference-plus-noise covariance matrix reconstruction[J]. Electronics Letters, 2016, 52(13): 1185-1186. DOI:10.1049/el.2015.4420
[16] 杨志伟, 张攀, 陈颖, 等. 导向矢量和协方差矩阵联合迭代估计的稳健波束形成算法[J]. 电子与信息学报, 2018, 40(12): 2874-2880.
YANG Z W, ZHANG P, CHEN Y, et al. Steering vector and covariance matrix joint iterative estimations for robust beamforming[J]. Journal of Electronics & Information Technology, 2018, 40(12): 2874-2880. (in Chinese)
[17] ZHENG Z, ZHENG Y, WANG W Q, et al. Covariance matrix reconstruction with interference steering vector and power estimation for robust adaptive beamforming[J]. IEEE Transactions on Vehicular Technology, 2018, 67(9): 8495-8503. DOI:10.1109/TVT.2018.2849646
[18] AMAR A, DORON M A. A linearly constrained minimum variance beamformer with a pre-specified suppression level over a pre-defined broad null sector[J]. Signal Processing, 2015, 109(1): 165-171.
[19] ZHUANG J, HUANG P. Robust adaptive array beamforming with subspace steering vector uncertainties[J]. IEEE Signal Processing Letters, 2012, 19(12): 785-788. DOI:10.1109/LSP.2012.2221709
[20] YUAN X, GAN L. Robust algorithm against large look direction error for interference-plus-noise covariance matrix reconstruction[J]. Electronics Letters, 2016, 52(6): 448-450. DOI:10.1049/el.2015.3716
[21] ZHANG Y, LI Y, GAO M. Robust adaptive beamforming based on the effectiveness of reconstruction[J]. Signal Processing, 2016, 120: 572-579. DOI:10.1016/j.sigpro.2015.09.039


相关话题/干扰 信号 优化 计算 过程

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 考虑多巡航工况的大型飞机气动弹性优化*
    现代大型飞机一般采用大展弦比机翼,具有结构轻、柔性大的特点,在飞行过程中会产生较大的弯扭变形,影响气动力的分布进而影响飞行品质。因此,在设计和制造飞机结构时就需要预先考虑结构的气动弹性影响,使结构在所需的飞行状态下其弹性变形尽可能达到设计的目标外形,而机翼作为飞行器产生升力的重要部件,其结构设计是飞 ...
    本站小编 Free考研考试 2021-12-25
  • 基于帝国竞争优化的双目标综合决策选星算法*
    随着全球卫星导航系统(GNSS)的快速发展,其被广泛运用在工程应用中(测量、导航等)为人类带来了巨大的社会和经济效益[1]。然而,快速发展的同时对目前的全球卫星导航系统的导航性能提出了更高的要求,其中包括更好的实时性、更高的精度和更强的可靠性。在此背景下,各国大力发展自己的全球卫星导航系统,其中包括 ...
    本站小编 Free考研考试 2021-12-25
  • 基于改进加权响应面的结构可靠度计算方法*
    在现有的结构可靠度分析方法中,一次二阶矩法[1]、二次二阶矩法[2-3]的精度较低,并且在非线性程度较高的情况下还会遇到无法收敛的问题。蒙特卡罗法[4-5]虽然能够得到精确解,但需要大量的抽样和计算时间,限制了其实际应用。响应面法[6]采用多项式函数来近似极限状态函数,原理简单、易于操作且计算效率较 ...
    本站小编 Free考研考试 2021-12-25
  • 2024铝合金浸镍层的制备及生长过程*
    铝合金材料有着质量轻、强度高、切削性能良好等优点而被广泛应用在汽车、航空、航天、机械等领域。但是,铝合金的一些不良特性如显微硬度低、耐磨性差、耐腐蚀性差等限制了其应用,因此,表面改性对铝合金部件的制造过程至关重要。在各种表面处理工艺中,电镀与化学镀由于其独特的优势吸引了很多关注,通过在铝合金表面制备 ...
    本站小编 Free考研考试 2021-12-25
  • 混沌麻雀搜索优化算法*
    群体智能优化算法的中心思想是通过模拟自然界中一些事物或生物的运动及行为规律,搜索分布在一定范围内解空间的最优解[1]。人们通过蚂蚁、蜜蜂、狼、鲸鱼和鸟类等各种生物的群集行为,提出了许多群体智能优化算法,包括蚁群优化(AntColonyOptimization,ACO)算法、粒子群优化(Particl ...
    本站小编 Free考研考试 2021-12-25
  • 载人航天器体装太阳电池阵有效发电面积计算方法*
    传统航天器一般采用太阳电池翼和蓄电池组合电源系统,入轨后太阳电池翼展开,阳照区通过驱动太阳电池翼对日定向为航天器供电、给蓄电池充电,阴影区由蓄电池为航天器供电[1]。航天器发电能力与轨道日照角、飞行姿态、太阳电池翼安装方式、驱动方式等密切相关,发电能力分析是航天器总体设计工作的一项重要内容[2-3] ...
    本站小编 Free考研考试 2021-12-25
  • 基于导重法的自重载荷下悬臂梁结构拓扑优化*
    结构拓扑优化是指在一定的设计区域内,在满足特定的约束条件和边界条件情况下,寻求材料最优分配的过程。拓扑优化的问题自其被提出以来就受到了广泛的关注和研究,包括载荷不确定问题[1-2]、传热学问题[3-4]、非线性问题[5]及工程应用问题[6-7]等。重力作为工程应用中无法避免的载荷,在很多结构设计中是 ...
    本站小编 Free考研考试 2021-12-25
  • 混沌多精英鲸鱼优化算法*
    随着无人机(UAV)技术的不断发展,UAV逐渐在战争中发挥着越来越重要的作用。UAV航迹规划是UAV作战任务规划的重要组成部分,是一个典型的非确定性多项式问题。随着规划问题维度的不断增加,求解难度和计算量呈指数式增长,因此很难找到一种有效应对所有复杂环境的航迹规划方法。为解决不同条件下的航迹规划问题 ...
    本站小编 Free考研考试 2021-12-25
  • 过站航班地面保障过程动态预测*
    随着近年来航空运输量持续平稳增长,航班高密度运行已成为常态。地面保障过程作为过站航班运行的核心部分,传统面向时间窗的固定运行模式已无法适应未来智慧机场发展趋势,因此其过程的动态精确预测成为实现航班精细化管理的关键问题[1]。地面保障指过站航班从上轮挡到撤轮挡2个保障节点之间以旅客、货邮、航空器为核心 ...
    本站小编 Free考研考试 2021-12-25
  • 系留无人机平台搭载的蜂窝通信基站吞吐量优化*
    近年来随着无人机技术的发展,无人机被广泛地应用在军事和民用领域的各个方面。因其具备部署迅速、成本较小等优势,将无人机作为空中通信基站提高地面无线通信网络的服务质量和覆盖范围受到了广泛的关注,并应用于移动通信系统的诸多研究[1-4]。然而现有4G或者正在部署的5G基站系统复杂度高,将其部署在无人机平台 ...
    本站小编 Free考研考试 2021-12-25