导向矢量是阵列天线的所有阵元对具有单位能量窄带信源的响应. 由于阵列响应在不同方向上是不同的,导向矢量与信源的方向是相互关联的,这种关联的独特性依赖于阵列的几何结构.对于同一阵元阵列,导向矢量的每一个元素具有单位幅度. ------------- [参]:阵列导向矢量在智能天线自适应算法中的应用

作者:桂. 时间:2017-08-22  10:56:45 链接:http://www.cnblogs.com/xingshansi/p/7410846.html 前言 本文主要记录常见的波束形成问题,可以说空间谱估计是波束形成基础上发展而来,在系统论述空间谱之前,有必要分析一些Beamforming的基本特性. 一.波束形成模型 以均匀线阵为例: 按窄带模型分析: 可以写成矩阵形式: 其中为方向矢量或导向矢量(Steering Vector),波束形成主要是针对各个接收信号X进行权重相加. 二

语音识别有近场和远场之分,且很多场景下都会用到麦克风阵列(micphone array).所谓麦克风阵列是一组位于空间不同位置的麦克风按一定的形状规则布置形成的阵列,是对空间传播声音信号进行空间采样的一种装置,采集到的信号包含了其空间位置信息.近场语音识别将声波看成球面波,它考虑各麦克风接收信号间的幅度差:远场语音识别将声波看成平面波,它忽略各麦克风接收信号间的幅度差,近似认为各接收信号之间是简单的时延关系.麦克风阵列可分为一维.二维和三维麦克风阵列.一维麦克风阵列,即线性麦克风阵列,各个麦克风

作者:桂. 时间:2017-09-19  19:41:40 链接:http://www.cnblogs.com/xingshansi/p/7553746.html 前言 MUSIC(Multiple Signal Classification)算法通常用来进行到达角(DOA,Direction of arrival)估计. 一.MUSIC原理简介 根据前文的分析,模型依然建立在窄带信号的基础上: X为接收阵元,F为入射信号,a为对应的导向矢量,W为噪声.可直接记作矩阵形式 通常借助相关矩阵求解:

其中作者:桂. 时间:2017-10-16  07:51:40 链接:http://www.cnblogs.com/xingshansi/p/7675380.html 前言 主要记录二维测向中,分别利用两个一维阵联合解算的思路. 一.AP算法思想 信号模型: 对应相关矩阵 假设噪声为遍历.平稳.空时不相关的零均值高斯随机过程,源信号为未知确定信号: 高维正态分布表达式: 由概率论可知,几个独立同高斯分布随机过程的概率密度函数为: 取对数: 观测向量为X(t),对其求偏导: 得到信号s的极大似然估

作者:桂. 时间:2018-04-24  22:04:52 链接:http://www.cnblogs.com/xingshansi/p/8934373.html 前言 本文为Jacobi并行拆解一文的补充,给出另一种矩阵运算的思路. 一.算法流程 对于复数相关矩阵R,通过矩阵变换,在维度不变的情况下,转化为实数矩阵: 对于MUSIC算法,该思路可以降低Jacobi运算复杂度.额外的操作仅仅是少量的乘法操作,即耗费少量硬件资源换取更快速的处理时间. 直接复数转实数,需要将nxn的矩阵扩展为2n

基于多重虚拟扩展阵列的宽带信号DOA估计[1]. 宽带DOA估计是阵列信号处理领域的一个重要研究方向.在DOAs估计的实际应用中,信号总是会被噪声破坏,在某些情况下,源信号的数量大于传感器的数量,因此不能通过一些传统的算法正确地解决源问题.文中提出了一种将空间重采样和四阶累积量相结合的宽带DOAs方法——多重虚拟扩展阵列(MVEA).在信源个数大于传感器个数的情况下,MVEA能够正确地找到宽带源的方向,通过空间重采样和四阶累积量的虚拟扩展,MVEA获得了比仅采用空间重采样虚拟扩展(SRVE)的方

基于子阵列互累积量(Cross-Cumulant)的远场和近场混合声源定位[1]. 文中采用Uniform linear array (ULA)阵列,将其分为两个互相重叠的子阵列,构建关于子阵列输出信号的两个特殊cross-cumulant matrices,而这两个矩阵仅仅与源信号的DOA有关. 信号模型 阵列模型如下: K个窄带信号,阵元数目为2M+1的对称ULA阵列.假设中间阵元为相位基准.则第m个传感器的接收信号可以表示为: 其中为第k个入射信号的波形,为第m个传感器的噪声,为第k个源信

1.AOA估计在毫米波大规模MIMO中的重要性 在毫米波大规模MIMO的CSI估计中,AoA估计具有重要地位,主要原因归纳如下: 毫米波大规模MIMO 的信道具有空域稀疏性,可以简单通过AoA 和路径增益将其准确建模.这类似于波束域MIMO 的几何信道模型.基于该信道模型,CSI 估计可以先获取角度信息,然后通过最小二乘(Least Square, LS)逼近求解 路径增益.相比之下,传统MIMO 的散射信道模型不但不能准确反映毫米波大规模MIMO信道的稀疏特性,反而会增加信道建模的复杂性,这是

郑重声明:原文参见标题,如有侵权,请联系作者,将会撤销发布! Nature May 17, 2018 Received: 5 July 2017; Accepted: 3 April 2018;Published online 9 May 2018. Abstract 深度神经网络在从目标识别到复杂的游戏(例如Go1,2)等领域都取得了令人瞩目的成功.然而,对于人工智能体而言,导航仍然是一个巨大的挑战,通过强化学习训练的深度神经网络3-5无法与哺乳动物空间行为的能力相提并论,而后者是由内嗅皮层中

说明:番外篇是对正篇矢量切片(Vector tile)中提到的一些值得继续延伸的关注点继续进行探索和学习,所涉及的内容以解决实际问题为主要导向. 一.新的需求? 在完成了矢量切片的工作后,新的需求出现了, 也就是我在上一篇中所提到的:我所拥有的历史数据都是基于某一个特定的Projection,那么如何利用GeoServer以及OpenLayers去制定一个针对特定坐标系的矢量切片呢? 其实很简单,回顾一下我们上一篇文章是如何实现并调用矢量切片的: 发布数据 --> 配置参数[选择数据格式(Geo

摘自<水平线阵的反卷积常规波束形成>,IRONMAN--------------------------------------------------- 在常规的波束形成中,是将阵列上的每个接收机的同时刻数据乘上一个预设的系数然后求和并最终得到一系列的具有特定指向性的波束.但是由此得到的波束它的主瓣宽度很宽而且旁瓣衰减有限,能量泄漏很严重.为了解决这些问题,许多的学者提出了一些高分辨的波束形成算法,MVDR和DMR就是其中的代表.然而这些算法虽然能够得到很窄的波束宽度和低的旁瓣级,但是需要大

说明:番外篇是对正篇矢量切片(Vector tile)中提到的一些值得继续延伸的关注点继续进行探索和学习,所涉及的内容以解决实际问题为主要导向. 一.新的需求? 在完成了矢量切片的工作后,新的需求出现了, 也就是我在上一篇中所提到的:我所拥有的历史数据都是基于某一个特定的Projection,那么如何利用GeoServer以及OpenLayers去制定一个针对特定坐标系的矢量切片呢? 其实很简单,回顾一下我们上一篇文章是如何实现并调用矢量切片的: 发布数据 --> 配置参数[选择数据格式(Geo

http://www.eepw.com.cn/news/listbylabel/label/FOC/ FOC(field-oriented control)为磁场导向控制,又称为矢量控制(vector control),是一种利用变频器(VFD)控制三相交流马达的技术,利用调整变频器的输出频率.输出电压的大小及角度,来控制马达的输出.其特性是可以个别控制马达的的磁场及转矩,类似他激式直流马达的特性.由于处理时会将三相输出电流及电压以矢量来表示,因此称为矢量控制. 达姆施塔特工业大学的K. Has

文章版权由作者李晓晖和博客园共有,若转载请于明显处标明出处:http://www.cnblogs.com/naaoveGIS/ 1.背景 在真实项目中,往往GIS服务数据源被其他多个信息中心或者第三方公司所掌控,当需要快速搭建一套能够对所有GIS数据,根据权限不同.需求不同.而进行展示的系统.为了避免在代码层面上过多的定制化开发,我们需要能提出一种可以整合管理多源矢量服务并进行权限控制的架构. 目前商业GIS软件中,Esri公司给出了其Portal产品,可以对arcgis Server发布的各矢

矢量化指的是用数组表达式代替循环来操作数组里的每个元素. NumPy提供的通用函数(既ufunc函数)是一种对ndarray中的数据进行元素级别运算的函数. 例如,square函数计算各元素的平方,rint函数将各元素四舍五入: 还有一些函数接受2个参数,叫二元ufunc,比如add函数和maximum函数: numpy.where函数 numpy.where函数是三元表达式 x if condition else y 的矢量化版本,例如: np.where函数的第二个参数和第三个参数不是必要的

之前在拓扑上的应用都是些静态的图元,今天我们将在拓扑上设计一个会动的图元--叶轮旋转. 先看看最后我们实现的效果:http://www.hightopo.com/demo/fan/index.html 我们先来看下这个叶轮模型长什么样 从模型上看,这个叶轮模型有三个叶片,每一个叶片都是不规则图形,显然无法用上我们HT for Web的基础图形来拼接,那么我们该怎么做呢?很简单,在HT for Web中提供了自定义图形的方案,我们可以通过自定义图形来绘制像叶片这种不规则图形. 在绘制叶片之前,我们

矢量IO=Scatter/Gather:   在多个缓冲区上实现一个简单的IO操作.减少或避免了缓冲区拷贝和系统调用(IO)   write:Gather 数据从几个缓冲区顺序抽取并沿着通道发送,就好比全部缓冲区全部连接起来放入一个大的缓冲区进行发送,缓冲区本身不具备gather能力. read:Scatter 从通道读取的数据会按顺序散布到多个缓冲区,直到缓冲区被填满或者通道数据读完.   Gather: Scatter: 示例代码: /** * channel Gather/Scatter

矢量图绘制工具Svg-edit调整画布的大小 ------------------------------ ------------------------

Android中矢量动画 Android中用<path> 标签来创建SVG,就好比控制着一支画笔,从一点到一点,动一条线. <path> 标签 支持一下属性 M = (Mx, y) 移动到x,y,并不会划线 L (Lx, y) 直线连到x,y,还有简化命令H(x) 水平连接.V(y)垂直连接 Z,没有参数,连接起点和终点 C=(Cx1, y1, x2, y2, x, y),控制点x1,y1 x2,y2,终点x,y Q=(Qx1, y1, x, y),控制点x1,y1,终点x,y A