一、Chebyshev神经网络电路设计（论文文献综述）
李亚萍[1]（2021）在《模拟集成电路设计与优化方法研究》文中提出随着集成电路制造工艺的发展,器件特征尺寸不断减小,非理想效应逐渐凸显,设计难度不断增大。然而,目前市场上缺乏成熟、完备的模拟集成电路自动化设计工具,模拟集成电路的设计主要依靠手工完成,设计效率较低。本文对模拟集成电路的设计与优化方法展开研究,旨在提高模拟集成电路的设计效率,缩短设计周期。模拟集成电路的设计流程包括拓扑选择、电路参数设计、版图设计、制造和测试等步骤。本文针对前两个步骤展开研究。对于拓扑结构的确定,电路设计者一般从现有的拓扑结构库中选择合适的拓扑。目前模拟电路各个模块的拓扑结构种类较多,一般可以满足普通的设计要求。当电路的某些性能要求较高时,电路设计者一方面可以分析和改进电路拓扑结构,另一方面可以优化电路参数以达到设计指标。由于待调参数较多,电路性能和设计变量之间存在高度的非线性关系,加之电路性能指标之间相互影响、相互制衡,设计者需要在多个互相关联的电路指标中反复权衡,手工调试工作重复而繁琐,对于复杂电路更是如此。因此,研究模拟电路参数自动优化方法对于解放人力、降低时间成本具有重要意义。本文从复数带通滤波器的设计与优化入手,研究了复数带通滤波器的设计理论,分析了传统有源RC复数带通滤波器的通带纹波较大的原因,并据此改进了传统有源RC复数带通滤波器的拓扑结构。本文从参数优化的角度研究了模拟电路的自动优化方法。在搜索算法方面,本文研究了全局搜索和局部搜索常用算法的原理及实现;在电路性能评估方面,本文基于SPICE仿真、解析模型和机器学习模型探讨了模拟电路参数优化方法中的优化效率和优化精度问题,并提出了两种新的参数自动优化方法。本文的主要工作如下:（1）为解决传统结构的复数带通滤波器通带纹波较大的问题,推导了运放增益带宽积有限时低通滤波器向复数带通滤波器转化的频谱搬移公式,通过对交叉耦合电阻值进行修正,并引入与交叉耦合电阻并联的电容,实现了对传统有源RC复数带通滤波器的无源补偿,降低了运放有限的增益带宽积对频谱搬移的非线性影响,有效减小了有源RC复数带通滤波器的通带纹波。基于此补偿方法,采用TSMC 0.13μm CMOS工艺设计了一个中心频率为12.24 MHz,带宽为9 MHz,通带纹波小于1 dB的有源RC切比雪夫复数带通滤波器,其仿真及流片测试结果验证了此无源补偿新方法的有效性。（2）分析了基于SPICE仿真的全局搜索和局部搜索相结合的经典优化方法在优化精度和优化时间成本方面的优势与不足,针对其全局搜索阶段SPICE仿真时间成本大、设计空间覆盖率较低的问题,提出了一种解析模型-仿真混合辅助的模拟电路参数优化方法。该方法采用电路解析模型代替SPICE仿真进行全局优化阶段的电路性能评估,实现了对全局设计空间快速搜索;为弥补解析模型精度有限的不足,选取了全局搜索结果中的可能存在最优点的几个区域进行局部搜索以找到最优解。该方法兼具了解析模型的高效率和SPICE仿真的高精度的优势。为验证该方法的有效性和高效性,本文推导了传统拓扑结构五阶复数带通滤波器的解析模型,并采用该方法对五阶复数带通滤波器进行了参数优化,结果表明,该方法可以明显的速度优势获得与经典优化方法相近的优化结果。（3）针对传统的基于SPICE仿真的局部搜索方法需要大量串行仿真、优化效率较低的问题,提出了利用局部机器学习模型代替SPICE仿真进行电路性能评估的模拟电路参数优化方法。该方法包括基于SPICE仿真的遗传算法全局优化和基于机器学习模型的局部优化两部分。在全局优化阶段,该方法基于并行SPICE仿真进行全局搜索。在局部优化阶段,该方法利用并行SPICE仿真获得训练数据并训练机器学习模型,然后利用该机器学习模型代替SPICE仿真来评估电路性能,从而将局部搜索所需的串行仿真转化为并行仿真,使局部优化也能充分利用并行计算资源,减少了优化所需时间。（4）完成了二级轨到轨运放、五阶有源RC切比雪夫复数带通滤波器和三级运放的参数优化。在此过程中,对比了模拟电路参数优化领域两种常用优化方法和本论文提出的基于局部机器学习模型的优化方法在优化效率和优化结果方面的差异,得出如下结论:基于SPICE仿真的遗传算法全局优化方法的优化效率最高,但搜索能力弱于其他两种方法;基于SPICE仿真的全局和局部搜索相结合的经典优化方法可以获得最优的结果,但优化效率较低;本论文提出的结合基于SPICE仿真的遗传算法全局优化和基于机器学习模型局部优化的优化方法可以用少于三分之一的时间获得与经典方法相比拟的结果。本文的主要创新点如下:（1）提出了一种有源RC复数带通滤波器的无源补偿方法。通过引入与交叉耦合电阻并联的电容,并对交叉耦合电阻值进行修正,有效减小了有源RC复数带通滤波器的通带纹波。（2）提出了一种解析模型-仿真混合辅助的模拟电路参数优化方法。在全局优化基于解析模型穷举搜索,实现了对全局搜索空间速度较快、较为充分的搜索。全局搜索的输出选取几个较优区域基于SPICE仿真局部搜索,提高了解的精度。（3）提出了一种基于仿真的遗传算法全局优化和基于机器学习模型的局部优化相结合的模拟电路参数优化方法。在局部优化中采用并行仿真产生机器学习模型训练数据,并基于机器学习模型进行局部搜索,解决了基于仿真的局部优化方法需要大量串行仿真导致的耗时较长的问题。
潘卫东[2]（2021）在《基于神经网络的光电器件非线性均衡与性能研究》文中进行了进一步梳理近年来新型多媒体业务的快速发展对无线通信的传输速率及容量提出了更高的要求,这也加剧了传统射频通信中的频谱资源短缺问题。而可见光通信（Visible Light Communication,VLC）技术具有频谱资源丰富、对电磁干扰免疫、以及兼顾照明与通信等优势,逐渐受到了更多关注。然而,在VLC中因为发光二极管（Light Emitting Diode,LED）光源的3dB调制带宽限制以及非线性电光响应特性会产生严重的记忆非线性失真,大大限制了高速VLC系统的传输性能,而如何有效补偿LED光电器件产生的记忆非线性就成了高速VLC相关研究中的重点问题。而本文也将针对如何设计复杂度更低的高性能非线性均衡器,以及如何在诸如基于FPGA硬件计算平台的实时VLC系统上验证所设计的高性能非线性均衡器的可行性等问题展开理论及实验研究。本文首先针对当前已有的LED非线性补偿技术方案在性能和复杂度上存在的缺陷,提出了基于轻量级神经网络的均衡方案。通过将经典非线性激活函数进行泰勒级数展开以及将网络前向传播模型展开的方法,阐述了基于神经网络的均衡器信号模型与经典Volterra级数模型的参数关系。此外,通过实验对比在不同结构参数条件下使用Sigmoid、参数修正线性单元（Parametric Rectified Linear Unit,PReLU）以及多项式激活函数的三种神经网络的非线性补偿性能,以选取最优激活函数以及网络结构。本文还对使用不同激活函数的三种神经网络应用了非结构化剪枝策略,从而进一步减少网络的参数体积。为了验证所设计的神经网络均衡器的非线性补偿效果,作者搭建了基于无载波幅相调制（Carrierless Amplitude-Phase Modulation,CAP）的高速 VLC 离线实验系统,并利用一个 3dB 调制带宽只有10.8MHz（使用蓝光滤光片）的普通商用磷光白光LED在3m距离下实现了 1.5Gbps的传输速率。所设计的基于多项式激活神经网络（Polynomial Activation Neural Network,PANN）的均衡器的参数量比经典Volterra级数和记忆多项式分别减少了 40.7%和7.9%,计算量减少了 53.1%和17.1%,但误差向量幅度（Error Vector Magnitude,EVM）却成功降低了 0.68dB 和 1.34dB,这验证了在高速 VLC系统中应用所设计的神经网络均衡器的非线性均衡优势。在验证所设计神经网络均衡器性能优势的基础上,为了进一步研究克服VLC信道参数变化导致需要重新训练神经网络带来的巨大时延,考虑到VLC系统中的非线性主要来自于发送端的LED光源这个特点,本文研究了基于间接学习结构神经网络的数字预失真（Digital Pre-Distortion,DPD）方案。在发送端利用神经网络有效补偿LED的记忆非线性之后,在接收端就可以利用一个复杂度极低的线性均衡器来实时跟踪VLC信道参数变化。为了进一步验证基于神经网络的DPD方案在实时系统中的实用性,本文在基于现场可编程门阵列（Field Programmable Gate Array,FPGA）的 CAP-VLC 实时系统中实现了神经网络 DPD的部署,并通过综合分析神经网络DPD的实时均衡性能、资源占用率等关键指标,进而来探究神经网络DPD在实时系统中的综合性能。在搭建的CAP-VLC实时系统中进行测试的结果表明,神经网络DPD以大约为线性均衡器3到4倍的较低资源占用率,成功将误差向量幅度（EVM）相对经典Wiener线性最优均衡器降低了 6.6dB,验证了神经网络DPD在实时VLC系统中的可行性。
黄文丽[3]（2020）在《基于忆阻神经网络的图像去噪方法研究与应用》文中指出随着影像学及相关技术的不断发展,数字图像技术已广泛应用于人类生产及生活的各个方面。伴随着科技的进步,需要处理的图像数量日益增加并且对其质量的要求不断提高,由此对数字图像处理技术提出了更高的要求。因此,具备并行计算特性的神经形态系统备受科研工作者的关注。而目前半导体、晶体管体积不能进一步缩小等因素,限制了与电子电路技术密切相关的神经形态系统的研究与发展。幸运的是,可用于模拟神经元间突触的纳米级尺寸忆阻器的出现,实现了忆阻神经网络的构建,从而实现更多人脑的功能,为忆阻神经网络用于图像处理奠定了基础。本文研究内容是分析研究忆阻器的特性,并与神经网络建立联系,分别设计忆阻脉冲神经网络与忆阻Chebyshev神经网络用于图像去噪,最后将两种新型的去噪方法用于油田管道图像去噪。具体的研究内容如下:首先基于忆阻器的理论,介绍了惠普（Hewlett-Packard,HP）忆阻器模型、阈值自适应忆阻器模型以及磁控忆阻器模型,对其开展了理论研究与MATLAB仿真实验工作,并重点对电压阈值自适应忆阻器模型以及初始状态非零的磁控忆阻器模型进行分析,说明了忆阻器可充当神经网络的突触部分以及忆阻器可实现生物的脉冲时间依赖的可塑性（Spike-Time-Dependent Plasticity,STDP）特性。其次,本文将电压阈值自适应忆阻器与脉冲神经网络（Pulse Coupled Neural Network,PCNN）模型进行结合,提出了忆阻脉冲神经网络（Memristive Pulse Coupled Neural Network,MPCNN）模型。该神经网络的连接强度由忆阻器的总输出决定,实现神经元间的连接强度可随外部输入改变而自适应动态变化,进一步提出了基于该模型的图像去噪算法。利用磁控忆阻器突触与Chebyshev神经网络相结合,设计了忆阻Chebyshev神经网络,对含有高斯噪声图像进行降噪,并用MATLAB软件进行仿真,利用峰值信噪比（Peak Signal to Noise Ratio,PSNR）与结构相似度指标（Structural Similarity,SSIM）两种衡量指标验证了该去噪算法的可行性与优越性。最后,将以上的两种新型忆阻神经网络去噪算法用于油田管道图像去噪,并从主观与客观两方面对仿真结果进行了评价,证明了本文提出的方法具有良好的去噪效果。
李敏玥[4]（2020）在《基于多项式的接收机非线性行为建模方法研究》文中进行了进一步梳理信息化快速发展的时代,电子信息设备种类逐渐繁多,并在同一时空密集连续的工作,使得电子信息设备所处的电磁环境日益恶化,电子信息系统的电磁环境效应已成为通信链路能否正常工作不可忽视的因素。接收机作为电子信息系统的核心设备,由于其内部存在非线性器件,当不期望的强电磁干扰信号的功率超出接收机敏感度门限时,其能量将从天线端口进入接收射频前端,产生如互调、增益压缩等非线性现象,进而直接影响到整个通信系统的通信质量。因此,为保障通信系统能够在复杂电磁环境下有效运行,就必须对接收机的非线性效应展开研究和评估,其关键技术之一就是建立接收机的行为模型。本文基于单次变频超外差式接收机的外部输入输出数据,针对其非线性效应提出了一种基于多项式的接收机行为建模方法,建立的行为模型可预测接收机的非线性响应,对复杂电磁环境下的接收机非线性效应评估有参考价值。论文主要研究工作如下:1.深入分析了超外差式接收机的基本结构和非线性效应。为了更准确地建立接收机的行为级模型,分析接收机产生非线性特性的根源,并对其中主要非线性器件的效应机理进行阐述。2.提出了一种针对超外差式接收机的行为模型结构和建模方法。分别采用Hammerstein模型的无记忆非线性模块和线性模块表征接收机的非线性特性及记忆效应,并在此结构基础上进行扩展改进。非线性单元在时域用瞬时传输函数组成的正交结构表示,线性单元用线性滤波器描述。采用一种两步辨识法,分别辨识非线性模块中的瞬时传输函数和线性模块中的未知参数。将单音激励驱动接收系统得到的输出非线性数据分别用三个非线性基函数:幂级数、Bessel函数、Chebyshev多项式所组成的高阶多项式去拟合,运用傅里叶级数的系数求解公式,分别推导出三个拟合多项式与瞬时传输函数的关系;通过记忆效应的定义运用最小二乘法获取线性模块的参数。3.通过MATLAB和ADS仿真相结合的方法,验证所提出的接收机非线性行为建模方法。AM-AM特性及时域频域的ADS仿真结果和行为模型编程计算结果吻合良好。行为模型编程计算结果表明,基于幂级数、Bessel函数、Chebyshev多项式的接收机行为模型可以有效的表征接收机的动态行为特性。时间效率上,基于Bessel函数的行为模型占据了一定的优势。
陶秀利[5]（2020）在《基于神经网络的滤波器综合优化设计研究》文中认为为适应无线通信技术的发展,微波器件研究朝着宽带、高频、低成本等趋势发展的同时,研发和生产时间亦越发紧张。面对日新月异的科技发展态势,一套高效率、高精度的宽带微波滤波器设计方法尤为重要。本文主要以采用平行耦合线结构实现的基于多模谐振器的宽带带通滤波器为研究对象,结合运用BP神经网络构建的滤波器综合模型,围绕其不等波纹响应的综合和优化设计展开深入分析和研究。本文主要研究工作如下:（1）研究了基于BP神经网络的宽带带通滤波器综合方法,能直接由滤波器设计指标综合得其物理尺寸。基于传统切比雪夫响应综合理论,推导了完整的任意对称不等波纹响应的滤波器理论综合过程,并以此过程为基础提出了神经网络模型的数据采集方案。采用擅长函数逼近的BP神经网络来表达滤波器综合模型的映射关系,并围绕模型的数据采集、训练及性能评价展开分析研究,最终建立了结构简单、高精度、高训练速度和响应速度的神经网络综合模型。（2）进一步,为解决初始仿真中频移和带内反射瓣分布差异问题,提出了两种针对平行耦合线多模滤波器的不等波纹响应优化方法。根据对频率响应特性和变化趋势分析,提出下截止频率修正公式,并运用神经网络综合模型实现优化设计,解决了频移问题。此外,通过分析初始仿真与目标曲线差异的原因,研究了修正法并讨论了修正公式确定规则,对中间微带线长度及下截止频率进行优化,优化后结果与目标曲线高度一致。通过与测量数据的对比验证了所设计不等波纹响应对于改善加工实测性能的有效性。与传统方式相比,本文提出的滤波器设计方法能避免多次设计时繁琐中间过程的重复计算,在保证高精度的同时运用同一神经网络实现了综合和优化设计。神经网络建立后,将具有物理意义的参量转化为单纯的数学数据,降低了对设计先验知识的要求。所提出的优化方法,极大加强了对不等波纹波形设计的可控性。
宫宇[6]（2020）在《5G智能通信系统中关键技术研究及实现》文中进行了进一步梳理在5G通信系统中,一方面需要扩大带宽以提供更高的通信质量和更低的通信延迟,另一方面需要与人工智能结合以支撑更广泛的应用场景。然而,宽带通信会大大增加5G系统中数字多波束合成的计算复杂度和信号处理复杂度;另外,以深度学习为代表的人工智能技术的计算复杂度很高,很难直接部署在5G通信的边缘应用场景;这些都大大增加了5G智能通信系统的实现难度。针对上述问题,本文提出了一种宽带数字多波束合成的实现方案,并提出了一种高速率、高吞吐率的深度神经网络加速方案,在此基础上设计并实现了一套适用于5G智能通信系统的高速数字信号处理硬件平台。本文的主要研究内容包括:（1）设计了一种适用于5G智能通信系统的大带宽、低延迟、低计算复杂度的数字多波束合成技术方案。该技术方案基于先抽取再滤波和多相滤波的方法,对传统数字波束合成方案做了改进,降低了系统的计算复杂度和延迟。该技术方案相比于传统的数字波束合成方案,能够在处理大带宽的高速信号时达到100%的数据吞吐率,在8通道合成2波束时,相较分数延迟滤波器算法,计算复杂度只有其47.9%;在单通道单波束时,延迟只有其64.53%。并且随着通道数目和合成波束数目的增加,延迟和计算复杂度的优势更加明显。（2）设计了一种低延迟、实时的、大数据吞吐率的神经网络硬件加速方案。该技术方案基于FPGA平台,通过对乘法器的合理分配和乘法器分时复用实现了多通道卷积核并行计算。同时对池化层和全连接层的实现做了优化,降低了计算延迟的同时,保证了工程的可实现,实现了神经网络推断的实时性。对每层网络单独的定点量化策略保证了计算的精度和结果的准确性。实验表明,本方案的神经网络推断可以达到95.4%的准确率,且速度可以达到1060FPS,远高于CPU,略低于GPU。同时由于FPGA功耗低的特性,本方案推断每张图的功耗仅为0.01188W,远远低于GPU和CPU。（3）设计并实现了一套适用于大带宽5G智能通信系统的数字信号处理硬件平台。该硬件平台采用单板级硬件扩展成为系统级平台的设计方案,根据波束合成和边缘计算的核心算法,根据5G通信系统中大带宽和低延迟的技术特点,集成了信号接收、信号处理、信号传输和控制信号传输的功能。单板级平台可以8通道接收1Gbps的高速400MHz的宽带信号,通过高速FPGA协同实时处理高速信号,高速QSFP+光收发器和千兆Ethernet接口提供两种高速数据传输方式,最高速度可达到6.25Gbps,同时PCIe提供上位机扩展接口和控制信号接口。该硬件平台对5G智能通信系统中的核心算法可以实现高速实时运行,同时满足信号的接收、传输以及多通道扩展的需求。对5G智能通信系统的落地实现起了推动性作用。
张明哲[7]（2019）在《宽带高效率功率放大器设计及人工神经网络设计方法研究》文中研究说明射频功率放大器作为无线发射机前端的关键模块之一,它的带宽,功率增益,线性度,输出功率和效率等指标必然会严重影响无线通信系统的整体性能。而随着无线通信系统的快速更新和迭代,所引发的频谱资源占用越发复杂,系统能耗逐渐升高等问题,也进一步推动了对宽带、高效率通信系统的研究。作为系统中的核心器件,工业和市场对高效率的宽带射频功率放大器也不断提出更高的要求。综上,对于射频功率放大器设计过程中亟待解决的带宽与效率问题,本文分别针对宽带高效功率放大器的实现技术与基于人工神经网络建模宽带匹配网络的方法进行了研究。文章的主要研究内容包括以下两个方面:1.针对多倍频程的宽带高效功率放大器的最优阻抗随着频率变化,导致传统宽带匹配网络的优化方案难以兼顾整个频带的难题,本文提出了针对宽带高效功率放大器的人工神经网络算法,通过借助人工神经网络强大的学习输入输出非线性关系的能力,建立宽带匹配网络的人工神经网络模型,结合反向优化算法,实现准确快速设计功率放大器宽带匹配网络的目的,基于此方法所设计的功率放大器的性能在许多方面都优于现有的宽带高效功放,证明了所提出方法的优越性。2.通过研究连续型谐波控制类宽带高效功率放大器的设计方法,基于晶体管的等效模型与谐波控制理论,提出了基于带通滤波网络和改进的椭圆低通滤波结构设计匹配网络的方案。将不同的滤波器拓扑与宽带功放的设计相结合,能够更好地控制谐波,进一步提高频带内的电路效率和输出功率。依据此方法所设计的功率放大器在1.45-2.55 GHz的频率范围内,测得的输出功率达到40 d Bm以上,同时漏极效率在70%到84%之间。
黄家露[8]（2019）在《宽带接收前端的非线性辨识补偿处理与应用》文中指出软件无线电（Software Defined Radio,SDR）技术的出现满足了复杂电磁环境下不断增长的无线通信需求。要想发挥SDR后端软件灵活配置的技术优势,接收前端必须是宽带大动态系统,实现全频带范围内信号的全概率接收。然而,宽带接收前端的一些非线性器件（如放大器、滤波器、混频器、模数转换器（Analog to Digital Converter,ADC）等）级联产生的非线性失真分量严重制约了接收系统的无杂散失真动态范围（Spurs-Free-Dynamic-Range,SFDR）,影响频带内微弱信号的接收性能。因此,提高宽带接收前端SFDR是发挥SDR技术优势的一个关键所在。目前,提高接收前端SFDR的主要手段是通过数字后补偿方式减小或消除非线性器件产生的非线性失真。然而研究较为成熟的频域盲辨识补偿方法不仅只适用于窄带接收前端,并且计算复杂度高,不能在线实时补偿。因此,本文提出了两种时域数字后补偿算法用于宽带接收前端线性度的改善,并提出了单通道辨识-多通道同步补偿的方法用于提升多通道阵列接收前端的线性度。另外,提出并通过仿真与实验验证了一种基于主动非线性变换的新型信道加密技术。该物理层信道加密技术利用主动加入的非线性失真对非合作方的信息接收、判决环节制造障碍,增强加密信号的抗截获能力。本论文的主要贡献可归纳为以下四个方面:1、在对单通道宽带射频接收前端的非线性失真机制进行定性、定量分析的基础上,提出了一种旨在消除其非线性失真的基于参数化模型的非线性盲辨识补偿算法。该算法首先采用基于减谱法原理的减谱-时频变换（Spectrum Reduction Algorithm based on Time-Frequency Conversion,SRA-TFC）方法分别在时域提取接收前端输出信号的大信号成分（大功率基波信号）和小信号成分（主要包含非线性失真信号）;然后以大信号的非线性逆模型（补偿模型）与小信号的残差平方和最小作为系统逆模型参数的辨识准则,并利用改进的加权迭代改善算法实现逆模型参数的自适应提取和更新;最后在线实时地对接收机输出信号进行非线性失真补偿处理。最后,仿真结果和实验结果均表明,该时域非线性盲辨识补偿算法能消除绝大部分的非线性失真分量,能使宽带射频接收前端的SFDR提高15-20 dB,增强了在强干扰存在时对微弱信号接收与检测的能力。2、本文通过数字后补偿的方式来消除阵列接收前端输出信号的非线性失真分量,提高了被非线性失真分量所掩盖的微弱目标信号的信干噪比（Signal-to-Interference-plus-Noise Ratio,SINR）,相当于从根本上减少导致阵列信号参数估计精度过低和不稳定的重要因素。针对多通道阵列接收前端非线性失真的补偿,提出了单通道辨识—多通道同步补偿的盲辨识补偿方法,并对该方法的可行性进行详细数学推导和仿真验证。通过实采均匀圆阵（Uniform Circular Array,UCA）天线阵列信号的试验结果表明:该算法可以使宽带阵列接收前端的各通道SFDR在全频带内均增加5-15 dB,并且提高了微弱目标信号的二维波达方向（Two-Dimensional Direction Of Arrival,2-D DOA）估计精度。3、提出了一种基于最小二乘支持向量机（Least Squares Support Vector Machine,LS-SVM）的宽带数字射频前端非线性补偿技术。该技术利用LS-SVM超强的拟合能力对非线性逆系统进行辨识与建模,以使整个射频接收前端的输入输出趋于线性映射,从而提升其动态范围。该技术首先要构建合适的训练样本集,然后通过LS-SVM回归算法进行训练学习,得到射频接收前端的LS-SVM逆模型,接着对逆模型的超参数进行优化,并求解逆模型的最优参数。最后以射频接收前端的输出信号为测试样本进行数字域后补偿处理。仿真结果和实验结果均表明,该技术可使接收前端的SFDR提高20 dB左右,增强了在强干扰存在时接收前端对微弱信号接收与检测的能力。4、提出了一种基于主动记忆非线性变换的物理层信道加密技术。区别于信源加密等传统安全通信技术,该技术在加密信息发送前通过非线性模型而主动加入强非线性失真分量,使得非合作方难以截获、恢复、破译原始信息。而合作接收方则根据已知的非线性模型进行逆变换,从而消除主动加入的非线性失真分量,并恢复出加密信息,最后利用解密密钥破译出原始信息。首先详细描述了该信道加密技术的原理与步骤。然后设计了三种非线性模型,并详细地理论推导出它们在强非线性的情况下是可逆的。并基于这三种非线性模型的循环变换,设计了一种增强该信道保密技术抗截获能力的优化机制。最后仿真与实验结果验证了该保密技术的有效性和安全性。
李威[9]（2018）在《基于智能天线的毫米波雷达目标识别技术》文中研究表明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。
王永[10]（2018）在《介质损耗角在线检测关键技术研究》文中研究表明随着社会生产力的提高和科技的进步,电力系统直接影响了社会生产和生活的方方面面,同时电力系统安全也越来越凸显其重要性。作为电力系统的重要组成部分,高压电气设备的绝缘性能是电力系统安全稳定运行的重要影响因素。高压电气设备出现绝缘事故,不仅会导致设备损坏,还会引发其他安全事故。快速准确的判断高压电气设备的绝缘性质显得非常必要。介质损耗角作为描述电气设备绝缘特性最重要的指标之一,能够直接反映出电气设备的运行状况。目前由于介质损耗角在线测量方法测量稳定性和重复性较差、测量误差较大且抗干扰能力差,并不能完全取代传统的定期停电检修。因此,研究高精度、高准确性和高可靠性的介质损耗角在线测量方法具有重要的工程和实用价值。快速傅里叶变换（Fast Fourier Transform,FFT）由于其算法简单和易于在嵌入式处理器中实现的特点,已成为介质损耗角测量的主要方法之一。但频谱泄漏和栅栏效应影响了基于FFT的介质损耗角测量方法的准确度。电力系统实际信号的复杂性更加影响了基于FFT的介质损耗角测量方法的准确性和可靠性。为此,论文针对谐波分析法在介质损耗角测量中存在的不足,在实际电网信号下分别对基于加窗插值FFT的介质损耗角测量、电网基波频率改变时的介质损耗角测量以及复杂畸变电网信号下的介质损耗角测量误差等问题展开研究。论文首先对基于FFT的谐波分析方法存在的频谱泄漏和栅栏效应进行了分析,提出了基于Blackman自卷积窗的介质损耗角测量改进方法,通过构建Blackman自卷积窗,对采样信号进行加权,有效地抑制频谱泄漏,通过离散频谱插值,对栅栏效应造成的基波频率测量偏差进行修正,并利用最小二乘多项式拟合算法拟合出修正频谱,从而有效改善了测量准确性。仿真研究表明,基于Blackman自卷积窗的介质损耗角测量方法能够有效地提高介质损耗角的测量准确度,且具有较好的抗干扰能力。其次,针对电网实际基波频率很难一直保持在标称频率,从而造成非同步采样的问题,论文提出了一种基于序列重构的介质损耗角测量方法。通过对实际采样信号进行移频和滤波,计算出实际基波频率的估计值,并以此基波频率估计值对实际采样信号使用三次样条插值法进行重构,从而获得准同步采样信号,进而以此信号进行介质损耗角测量,获得较高准确度的介质损耗角测量结果。通过基波频率发生波动、介质损耗角真实值出现改变、采样频率变化、ADC量化位数改变以及白噪声干扰等仿真实验,验证了提出的时域序列重构的介质损耗角测量方法的有效性。再次,研究了实际电网复杂畸变信号对介质损耗角测量准确度的影响。针对现有的时频分析方法在能量聚集和时频参数辨识准确度较低的不足,在S变换的基础上提出了基于K-S分解的时频分析方法。分析了Gaussian窗和Kaiser窗的时频特性,建立了频率自适应调节的Kaiser优化窗,通过对采样信号进行快速傅里叶变换后使用自适应Kaiser优化窗进行加权,并进行频谱平移和频谱相乘,再通过快速傅里叶逆变换求得复数时频矩阵,从而实现复杂畸变信号的时频分析。结合复杂畸变信号下的介质损耗角测量,分析不同的畸变信号对介质损耗角测量误差的影响,为复杂畸变信号下的介质损耗角测量方法提供改进的依据。最后,在之前介质损耗角测量的研究基础上,设计了介质损耗角测量仪,给出了ADC+DSP+ARM的介质损耗角测量硬件设计方案。针对IIR数字滤波器的优化设计,提出了状态评估自适应差分进化算法,通过在进化过程中根据种群的进化状态和分布状态自适应地调整控制参数,并用于对介质损耗角测量仪的低通滤波器的参数优化。对介质损耗角测量仪的软件模块化设计进行了介绍,通过实际测试验证了所设计的介质损耗角测量仪的准确性和稳定性。
二、Chebyshev神经网络电路设计（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、Chebyshev神经网络电路设计（论文提纲范文）
（1）模拟集成电路设计与优化方法研究（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 国内外研究现状 |
| 1.2.1 基于知识的模拟电路设计与优化方法 |
| 1.2.2 基于优化的模拟电路设计与优化方法 |
| 1.3 论文内容及结构 |
| 1.3.1 存在的问题 |
| 1.3.2 论文主要内容安排 |
| 第二章 复数带通滤波器改进拓扑结构的设计与优化 |
| 2.1 复数带通滤波器的研究与设计 |
| 2.1.1 复数带通滤波器的应用背景 |
| 2.1.2 复数带通滤波器的实现原理 |
| 2.1.3 传统五阶有源RC复数带通滤波器的设计 |
| 2.2 五阶有源RC复数带通滤波器拓扑结构的改进 |
| 2.3 实验与分析 |
| 2.4 本章小节 |
| 第三章 解析模型-SPICE仿真混合辅助的模拟电路参数优化 |
| 3.1 常用的全局搜索算法 |
| 3.1.1 遗传算法 |
| 3.1.2 模拟退火算法 |
| 3.1.3 粒子群优化算法 |
| 3.1.4 其他常用的全局优化算法 |
| 3.2 常用的局部搜索算法 |
| 3.2.1 坐标轮换法 |
| 3.2.2 最速下降法 |
| 3.2.3 单纯形法 |
| 3.2.4 其他常用的局部搜索算法 |
| 3.3 基于仿真的结合全局和局部搜索的模拟电路参数优化方法 |
| 3.3.1 遗传算法初始种群的产生 |
| 3.3.2 遗传算法适应度函数的确定 |
| 3.3.3 遗传算法的基本操作 |
| 3.3.4 基于仿真的局部搜索 |
| 3.3.5 基于仿真的全局搜索方法存在的问题 |
| 3.4 解析模型-SPICE仿真混合辅助的模拟电路参数优化方法 |
| 3.4.1 基于解析模型的全局搜索 |
| 3.4.2 基于仿真的局部搜索 |
| 3.4.3 优化实例及结果分析 |
| 3.5 本章小结 |
| 第四章 基于遗传算法和机器学习的模拟电路参数优化 |
| 4.1 机器学习技术概述 |
| 4.1.1 机器学习技术分类 |
| 4.1.2 模拟电路参数优化常用的机器学习技术 |
| 4.1.3 影响机器学习模型精度的因素 |
| 4.2 人工神经网络概述 |
| 4.2.1 人工神经网络简介 |
| 4.2.2 BP神经网络简介 |
| 4.2.3 BP神经网络在模拟电路参数优化中的应用 |
| 4.3 基于遗传算法和机器学习的模拟电路参数优化方法 |
| 4.3.1 基于遗传算法和机器学习的模拟电路参数优化方法概述 |
| 4.3.2 基于遗传算法和机器学习的模拟电路参数优化方法实现 |
| 4.4 本章小结 |
| 第五章 模拟电路参数优化方法的案例分析 |
| 5.1 电路优化中ANN模型的构建 |
| 5.1.1 ANN模型的配置 |
| 5.1.2 ANN模型与其他机器学习模型的性能比较 |
| 5.2 二级轨到轨运放的参数优化 |
| 5.3 五阶有源RC复数带通滤波器的参数优化 |
| 5.4 三级运放的设计与参数优化 |
| 5.4.1 三级运放的设计 |
| 5.4.2 三级运放的参数优化 |
| 5.5 关于数据平坦度对模型精度影响的讨论 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 论文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的的学术成果及奖励 |
| 附件 |
| 学位论文评阅及答辩情况表 |
（2）基于神经网络的光电器件非线性均衡与性能研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 缩略语 |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 可见光通信 |
| 1.1.2 高速可见光通信面临的挑战 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和创新点 |
| 1.4 论文组织结构 |
| 第2章 高速可见光通信系统及LED记忆非线性 |
| 2.1 高速可见光通信系统 |
| 2.1.1 系统框架 |
| 2.1.2 LED记忆非线性特性 |
| 2.1.3 视距链路损耗 |
| 2.2 可见光通信中的高阶调制技术 |
| 2.2.1 高阶调制方式对比 |
| 2.2.2 CAP VLC系统信号模型 |
| 2.3 VLC中的经典非线性补偿技术 |
| 2.3.1 基于Volterra级数及其简化形式的均衡器 |
| 2.3.2 基于正交多项式的非线性均衡器 |
| 2.4 本章小结 |
| 第3章 基于轻量级神经网络的非线性后均衡技术研究 |
| 3.1 基于神经网络的非线性后均衡器设计 |
| 3.1.1 神经网络均衡器信号模型 |
| 3.1.2 多项式激活神经网络 |
| 3.1.3 神经网络与Volterra级数的参数关联 |
| 3.2 神经网络参数体积压缩 |
| 3.2.1 激活函数及结构参数选取 |
| 3.2.2 非结构化剪枝策略 |
| 3.3 基于轻量级神经网络的非线性后均衡实验及性能分析 |
| 3.3.1 实验系统搭建及关键参数 |
| 3.3.2 神经网络与经典方法的性能比较 |
| 3.3.3 系统可达速率探究 |
| 3.3.4 网络剪枝与复杂度分析 |
| 3.4 本章小结 |
| 第4章 基于神经网络的数字预失真器设计及FPGA部署 |
| 4.1 基于神经网络的数字预失真方案设计 |
| 4.1.1 基于间接学习结构的神经网络数字预失真 |
| 4.1.2 VLC系统级均衡方案 |
| 4.1.3 LMS自适应后均衡器设计 |
| 4.2 神经网络DPD及LMS后均衡器在FPGA上的部署 |
| 4.2.1 DPD离线训练及参数传递 |
| 4.2.2 神经网络前向传播过程部署 |
| 4.2.3 LMS线性自适应后均衡器的部署 |
| 4.3 神经网络DPD在实时系统中的性能探究及实用性验证 |
| 4.3.1 实时系统搭建及关键参数 |
| 4.3.2 神经网络DPD的实时均衡性能测试 |
| 4.3.3 神经网络DPD实用性对比分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（3）基于忆阻神经网络的图像去噪方法研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外现状 |
| 1.2.1 忆阻器 |
| 1.2.2 人工神经网络 |
| 1.2.3 忆阻器与神经网络的发展 |
| 1.3 图像去噪 |
| 1.3.1 噪声分类及去噪方法 |
| 1.3.2 图像去噪质量评价 |
| 1.4 论文的主要内容及安排 |
| 第二章 忆阻器数学模型及仿真 |
| 2.1 引言 |
| 2.2 惠普忆阻器 |
| 2.2.1 基本原理 |
| 2.2.2 模型仿真及特性 |
| 2.3 阈值自适应忆阻器 |
| 2.4 磁控忆阻器 |
| 2.5 神经元STDP特性 |
| 2.5.1 生物神经元STDP特性 |
| 2.5.2 忆阻器实现STDP特性原理 |
| 2.6 本章小结 |
| 第三章 忆阻脉冲神经网络图像去噪 |
| 3.1 引言 |
| 3.2 传统去噪方法 |
| 3.2.1 均值滤波 |
| 3.2.2 中值滤波 |
| 3.2.3 脉冲神经网络去噪 |
| 3.3 忆阻脉冲神经网络图像去噪算法设计 |
| 3.4 仿真实验及分析 |
| 3.4.1 传统去噪方法与忆阻脉冲神经网络去噪算法性能分析 |
| 3.4.2 实验分析 |
| 3.5 本章小结 |
| 第四章 忆阻Chebyshev神经网络图像去噪 |
| 4.1 引言 |
| 4.2 基函数神经网络 |
| 4.3 Chebyshev神经网络 |
| 4.4 忆阻Chebyshev神经网络图像去噪算法设计 |
| 4.5 仿真实验分析 |
| 4.5.1 传统去噪方法与忆阻Chebyshev神经网络去噪算法性能分析 |
| 4.5.2 实验分析 |
| 4.6 本章小结 |
| 第五章 基于忆阻神经网络的油田管道图像去噪应用 |
| 5.1 引言 |
| 5.2 管道模拟实验系统 |
| 5.3 基于忆阻脉冲神经网络的管道图像去噪 |
| 5.3.1 主观分析 |
| 5.3.2 客观质量分析 |
| 5.4 基于忆阻Chebyshev神经网络的管道图像去噪 |
| 5.4.1 主观分析 |
| 5.4.2 客观质量分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间科研成果 |
| 所获荣誉 |
| 致谢 |
（4）基于多项式的接收机非线性行为建模方法研究（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 主要研究内容及章节安排 |
| 第二章 接收机非线性特性分析 |
| 2.1 接收机的基本结构 |
| 2.1.1 射频滤波器 |
| 2.1.2 高频放大器 |
| 2.1.3 混频器 |
| 2.1.4 中频滤波器 |
| 2.1.5 中频放大器 |
| 2.2 接收机的非线性特性分析 |
| 2.2.1 谐波失真 |
| 2.2.2 互调失真及三阶截点 |
| 2.2.3 AM-AM失真、AM-PM失真 |
| 2.2.4 增益压缩及1dB压缩点 |
| 2.2.5 减敏和阻塞 |
| 2.3 接收机的记忆效应 |
| 2.3.1 电记忆效应 |
| 2.3.2 热记忆效应 |
| 2.4 本章小结 |
| 第三章 接收机非线性效应行为建模方法研究 |
| 3.1 行为模型构建思路 |
| 3.2 无记忆非线性行为模型 |
| 3.2.1 幂级数模型 |
| 3.2.2 Saleh模型 |
| 3.3 有记忆非线性行为模型 |
| 3.3.1 Volterra级数模型 |
| 3.3.2 Hammerstein模型及其扩展形式 |
| 3.3.3 Wiener模型 |
| 3.4 接收机行为模型结构选取 |
| 3.5 接收机行为模型构建 |
| 3.5.1 接收机非线性模块构建 |
| 3.5.2 接收机线性模块构建 |
| 3.6 本章小结 |
| 第四章 基于多项式的传输函数分析 |
| 4.1 非线性传输函数近似分析 |
| 4.2 基于幂级数的传输函数分析 |
| 4.2.1 幂级数定义 |
| 4.2.2 包络传输函数形式选取 |
| 4.2.3 瞬时非线性传输函数求解 |
| 4.3 基于贝塞尔函数的传输函数分析 |
| 4.3.1 贝塞尔函数定义 |
| 4.3.2 包络传输函数形式选取 |
| 4.3.3 瞬时非线性传输函数求解 |
| 4.4 基于切比雪夫多项式的传输函数分析 |
| 4.4.1 切比雪夫多项式定义 |
| 4.4.2 包络传输函数形式选取 |
| 4.4.3 瞬时非线性传输函数求解 |
| 4.5 本章小结 |
| 第五章 基于多项式的接收机行为建模方法验证 |
| 5.1 基于ADS的接收机仿真模型 |
| 5.1.1 模型搭建 |
| 5.1.2 ADS获取仿真数据 |
| 5.2 基于多项式的传输函数近似验证 |
| 5.3 行为模型精度验证 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）基于神经网络的滤波器综合优化设计研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 发展历史与研究现状 |
| 1.2.1 滤波器综合理论 |
| 1.2.2 神经网络及其在微波领域的应用 |
| 1.3 本论文的主要工作与结构安排 |
| 第二章 针对不等波纹设计的滤波器和神经网络基础理论 |
| 2.1 滤波器相关理论基础 |
| 2.1.1 滤波器的相关技术指标说明 |
| 2.1.2 不等波纹的滤波响应 |
| 2.1.3 平行耦合微带线 |
| 2.1.4 多模谐振器 |
| 2.2 神经网络相关理论基础 |
| 2.2.1 神经网络简介 |
| 2.2.2 BP神经网络模型 |
| 2.2.3 综合模型和分析模型 |
| 2.3 本章小结 |
| 第三章 基于BP神经网络的宽带带通滤波器综合方法 |
| 3.1 不等波纹响应滤波器的理论综合过程 |
| 3.2 关于理论综合的一些说明和讨论 |
| 3.3 滤波器综合中BP神经网络模型的建立 |
| 3.3.1 滤波器几何参数的电磁敏感性分析 |
| 3.3.2 神经网络模型构建 |
| 3.3.3 训练数据采集 |
| 3.3.3.1 输入输出数据的定义 |
| 3.3.3.2 数据采集范围的讨论 |
| 3.3.3.3 训练数据集大小的确定 |
| 3.3.4 神经网络的建立及训练 |
| 3.3.5 网络性能评价 |
| 3.4 基于神经网络模型的宽带带通滤波器综合 |
| 3.4.1 滤波器实现及仿真分析 |
| 3.4.2 关于频移现象的分析 |
| 3.5 平行耦合线宽带带通滤波器实物加工与测量 |
| 3.6 本章小结 |
| 第四章 平行耦合线多模滤波器的优化设计 |
| 4.1 设计指标变化对多模滤波器的影响 |
| 4.1.1 不同θ_c对滤波响应的影响 |
| 4.1.2 不同f_c对滤波响应的影响 |
| 4.1.3 不同RL对滤波响应的影响 |
| 4.2 基于神经网络综合模型的多模滤波器优化设计 |
| 4.3 运用修正法进行多模滤波器优化设计 |
| 4.4 实物加工与测量 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（6）5G智能通信系统中关键技术研究及实现（论文提纲范文）
| 摘要 |
| abstract |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 选题的目的和意义 |
| 1.2 波束合成与神经网络边缘计算加速研究现状和发展趋势 |
| 1.3 本文章节安排 |
| 第二章 波束合成与神经网络加速技术概述 |
| 2.1 波束合成技术概述 |
| 2.1.1 波束合成数学模型 |
| 2.1.2 模拟波束合成技术 |
| 2.1.3 数字波束合成技术 |
| 2.2 神经网络边缘计算硬件加速技术概述 |
| 2.2.1 神经网络简介 |
| 2.2.2 神经网络的边缘计算 |
| 2.3 本章小结 |
| 第三章 大宽带低延迟DBF技术方案 |
| 3.1 低复杂度数字多波束合成算法设计 |
| 3.2 低复杂度数字波束合成系统实现优化 |
| 3.3 系统方案分析 |
| 3.3.1 子信道数目K分析 |
| 3.3.2 系统计算复杂度分析 |
| 3.3.3 系统延迟分析 |
| 3.4 波束合成分析 |
| 3.4.1 覆盖范围分析 |
| 3.4.2 旁瓣抑制分析 |
| 3.5 本章小结 |
| 第四章 神经网络边缘计算加速 |
| 4.1 基于FPGA的神经网络硬件加速系统架构设计 |
| 4.2 基于FPGA的神经网络硬件加速系统实现优化 |
| 4.2.1 卷积层 |
| 4.2.2 池化层 |
| 4.2.3 全连接层 |
| 4.3 定点量化策略 |
| 4.4 系统性能分析 |
| 4.5 本章小结 |
| 第五章 5G智能通信系统硬件平台设计与实现 |
| 5.1 系统技术指标 |
| 5.2 系统级平台设计 |
| 5.3 单板级平台设计 |
| 5.3.1 单板硬件设计 |
| 5.3.2 信号接收设计 |
| 5.3.3 信号处理设计 |
| 5.3.4 信号传输设计 |
| 5.4 系统性能测试及分析 |
| 5.4.1 单板级平台性能测试 |
| 5.4.2 系统级平台性能测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（7）宽带高效率功率放大器设计及人工神经网络设计方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 宽带高效功率放大器的研究内容及现状 |
| 1.3 论文的主要内容及创新点 |
| 第2章 宽带射频功率放大器设计理论 |
| 2.1 GaN的物理特性 |
| 2.2 射频功率放大器概述 |
| 2.2.1 功率放大器基本性能指标 |
| 2.2.2 射频功率放大器分类 |
| 2.3 宽带匹配网络的理论限制 |
| 2.4 宽带电路匹配方法 |
| 2.4.1 SRFT方法 |
| 2.4.2 滤波器匹配方法 |
| 2.5 本章小结 |
| 第3章 基于人工神经网络的宽带功率放大器设计 |
| 3.1 人工神经网络算法 |
| 3.1.1 人工神经网络基本概念 |
| 3.1.2 多层感知神经网络 |
| 3.1.3 神经网络的训练 |
| 3.1.4 神经网络在电路设计中的应用 |
| 3.2 功率放大器最优输出阻抗 |
| 3.3 宽带匹配网络的实现 |
| 3.3.1 设计流程 |
| 3.3.2 宽带输出匹配网络 |
| 3.4 基于人工神经网络建立模型 |
| 3.4.1 神经网络模型 |
| 3.4.2 训练和测试数据 |
| 3.4.3 匹配网络建模过程 |
| 3.5 验证神经网络模型 |
| 3.5.1 反向优化模型 |
| 3.5.2 结果分析 |
| 3.6 本章小结 |
| 第4章 连续型逆F类宽带高效功率放大器设计方法 |
| 4.1 等效电路模型和网络拓扑 |
| 4.2 连续型逆F类的最优阻抗 |
| 4.3 输出匹配网络的设计方法 |
| 4.4 输入匹配网络的设计方法 |
| 4.5 连续型逆F功放电路及波形验证 |
| 4.6 测试结果 |
| 4.7 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 发表论文和参加的科研情况说明 |
| 致谢 |
（8）宽带接收前端的非线性辨识补偿处理与应用（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 线性化技术的国内外研究现状 |
| 1.3 机器学习在非线性系统辨识的国内外研究现状 |
| 1.4 物理层安全通信的国内外研究现状 |
| 1.5 本文研究结构 |
| 2 基于参数化模型的宽带接收前端非线性补偿技术 |
| 2.1 接收前端的非线性失真分析 |
| 2.2 记忆非线性模型 |
| 2.3 非线性盲辨识补偿算法原理 |
| 2.4 频域非线性盲辨识补偿算法 |
| 2.5 时域非线性盲辨识补偿算法 |
| 2.6 仿真与实验验证 |
| 2.7 本章小结 |
| 3 多通道阵列接收前端非线性补偿技术 |
| 3.1 引言 |
| 3.2 基于非线性补偿的阵列信号处理系统 |
| 3.3 阵列系统的非线性补偿算法 |
| 3.4 实验验证 |
| 3.5 本章小结 |
| 4 基于LS-SVM的宽带接收前端非线性补偿技术 |
| 4.1 LS-SVM |
| 4.2 基于LS-SVM的宽带接收前端非线性补偿算法 |
| 4.3 仿真与实验验证 |
| 4.4 本章小结 |
| 5 基于主动非线性变换的物理层加密技术 |
| 5.1 基于主动非线性变换的物理层加密算法 |
| 5.2 加密算法的安全性分析 |
| 5.3 增强算法安全性的优化设计 |
| 5.4 仿真与实验验证 |
| 5.5 本章小结 |
| 6 全文总结及展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录1 攻读学位期间发表论文与专利目录 |
| 附录2 英文缩写及释义 |
（9）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 |
（10）介质损耗角在线检测关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 介质损耗概述 |
| 1.2 介质损耗角定义 |
| 1.3 课题的研究背景与意义 |
| 1.4 国内外介损角测量研究现状 |
| 1.4.1 硬件检测法 |
| 1.4.2 软件检测法 |
| 1.4.3 介损角测量方法的发展趋势 |
| 1.5 本文主要工作 |
| 第2章 介质损耗角在线检测的基本原理 |
| 2.1 引言 |
| 2.2 基于傅里叶变换的介损角检测原理 |
| 2.2.1 离散傅里叶变换 |
| 2.2.2 快速傅里叶变换 |
| 2.2.3 基于FFT的介损角测量 |
| 2.3 基于傅里叶变换的介损角检测方法的主要问题 |
| 2.3.1 频谱泄漏问题 |
| 2.3.2 栅栏效应 |
| 2.4 窗函数及其性能 |
| 2.4.1 窗函数主要技术指标 |
| 2.4.2 典型窗函数 |
| 2.5 电网信号对介损角测量的影响 |
| 2.6 本章小结 |
| 第3章 基于加窗插值FFT的介损角改进测量方法 |
| 3.1 引言 |
| 3.2 基于Blackman自卷积窗的介损角测量方法 |
| 3.2.1 Blackman自卷积窗的构建 |
| 3.2.2 离散频谱插值 |
| 3.2.3 基于 Blackman 自卷积窗的介损角改进测量方法 |
| 3.3 介损角测量结果的统计描述 |
| 3.3.1 谐波和白噪声干扰信号模型 |
| 3.3.2 介损角测量准确度统计模型 |
| 3.4 仿真实验与分析 |
| 3.4.1 基波频率波动对测量结果的影响 |
| 3.4.2 介损角真值对介损角测量的影响 |
| 3.4.3 ADC量化位数与介损角测量的关系 |
| 3.4.4 白噪声干扰对测量结果的影响 |
| 3.5 本章小结 |
| 第4章 基于序列重构的介损角测量新方法 |
| 4.1 引言 |
| 4.2 基波频率估计 |
| 4.2.1 实际电网信号模型 |
| 4.2.2 电网的实际基波频率 |
| 4.2.3 采样信号移频 |
| 4.2.4 滑动均值滤波器的频域特性 |
| 4.2.5 信号的滑动均值滤波 |
| 4.3 采样序列重构 |
| 4.3.1 三次样条插值 |
| 4.3.2 时域采样信号的序列重构 |
| 4.4 基于序列重构的介损角测量算法 |
| 4.4.1 算法基本流程 |
| 4.4.2 性能分析 |
| 4.5 仿真实验与分析 |
| 4.5.1 信号基波频率变动对测量准确度的影响 |
| 4.5.2 介损角真值变化对测量准确度的影响 |
| 4.5.3 采样频率改变对测量准确度的影响 |
| 4.5.4 ADC量化位数对测量准确度的影响 |
| 4.5.5 白噪声对介损角测量的影响 |
| 4.6 本章小结 |
| 第5章 复杂畸变电网信号下的介损角参数时频测量方法研究 |
| 5.1 引言 |
| 5.2 S变换原理 |
| 5.2.1 S变换 |
| 5.2.2 S变换的局限性 |
| 5.3 K-S分解 |
| 5.3.1 自适应优化 Kaiser 窗 |
| 5.3.2 K-S分解模型 |
| 5.4 基于K-S分解的信号时频分析 |
| 5.4.1 基于K-S分解的谐波时频分析算法 |
| 5.4.2 仿真实验研究 |
| 5.5 复杂畸变电网信号下介损角测量误差分析 |
| 5.5.1 稳定谐波信号对介损角测量的影响 |
| 5.5.2 不稳定谐波信号对介损角测量的影响 |
| 5.5.3 多重电能质量扰动(谐波+扰动)信号对介损角测量的影响 |
| 5.6 本章小结 |
| 第6章 介损角测量仪设计 |
| 6.1 引言 |
| 6.2 介损角测量仪的系统结构 |
| 6.2.1 工作原理 |
| 6.2.2 总体框架 |
| 6.3 仪器的硬件设计与优化 |
| 6.3.1 数据采集模块 |
| 6.3.2 数字信号处理模块 |
| 6.3.3 管理模块 |
| 6.3.4 接口模块 |
| 6.4 软件设计与实现 |
| 6.4.1 软件架构 |
| 6.4.2 模块设计 |
| 6.5 数字滤波器优化设计 |
| 6.5.1 低通IIR数字滤波器优化目标 |
| 6.5.2 低通IIR滤波器的优化设计 |
| 6.5.3 差分进化算法 |
| 6.5.4 状态评估自适应差分进化算法 |
| 6.6 仪器的实际测试 |
| 6.7 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 攻读博士学位期间发表的学术论文 |
| 附录B 攻读博士学位期间参与的科研项目 |
| 附录C 攻读博士学位期间申请的专利 |
四、Chebyshev神经网络电路设计（论文参考文献）
- [1]模拟集成电路设计与优化方法研究[D]. 李亚萍. 山东大学, 2021(10)
- [2]基于神经网络的光电器件非线性均衡与性能研究[D]. 潘卫东. 中国科学技术大学, 2021
- [3]基于忆阻神经网络的图像去噪方法研究与应用[D]. 黄文丽. 东北石油大学, 2020(03)
- [4]基于多项式的接收机非线性行为建模方法研究[D]. 李敏玥. 西安电子科技大学, 2020(05)
- [5]基于神经网络的滤波器综合优化设计研究[D]. 陶秀利. 电子科技大学, 2020(07)
- [6]5G智能通信系统中关键技术研究及实现[D]. 宫宇. 上海交通大学, 2020(09)
- [7]宽带高效率功率放大器设计及人工神经网络设计方法研究[D]. 张明哲. 天津大学, 2019(01)
- [8]宽带接收前端的非线性辨识补偿处理与应用[D]. 黄家露. 华中科技大学, 2019(01)
- [9]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)
- [10]介质损耗角在线检测关键技术研究[D]. 王永. 湖南大学, 2018(06)