粒子群优化的广义回归神经网络宽带波束成形算法

"这篇研究论文探讨了一种基于广义回归神经网络集成的宽带波束形成算法，由张贞凯、田雨波和周建江共同撰写，发表在2012年8月的《宇航学报》第33卷第8期。该算法结合了粒子群优化算法、核主成分分析以及广义回归神经网络，旨在解决宽带波束形成中的问题。通过降维处理输入变量，构建多个低复杂度的泛回归神经网络模型，并利用聚类启发式集成算法确定波束成形的权重系数，兼顾网络间的差异性和准确性。仿真结果显示，即使在网络结构简单的情况下，该集成的波束形成算法仍能保持良好的性能。关键词包括神经网络集成、波束形成、粒子群、模糊聚类和广义回归神经网络。" 这篇研究的核心在于改进传统的宽带波束形成技术。波束形成是无线通信和雷达系统中的一种关键技术，它通过调整信号接收或发送的方向性，以增强特定方向上的信号强度，同时抑制其他方向的干扰。在宽带系统中，由于频率范围宽，波束形成面临更大的挑战，如频率依赖性的相位校正和多径传播的影响。 论文首先介绍了构建宽带波束成形所需的协方差矩阵，这是分析信号间相关性的基础。接着，采用了核主成分分析（KPCA）方法，这是一种非线性特征提取技术，用于在高维数据中寻找主要成分，以减少数据复杂性。然后，通过粒子群优化算法（PSO）对KPCA和广义回归神经网络（GRNN）进行优化，PSO是一种全局优化算法，能有效地搜索神经网络的最优参数。 GRNN是一种特殊的前馈神经网络，其学习过程基于最小二乘估计，能够快速训练且预测精度较高。在本研究中，通过对神经网络的输入变量进行降维处理，生成了多个低复杂度的GRNN模型。这些模型通过聚类启发式集成算法连接起来，该算法能够智能地组合不同模型的预测，以提高整体的波束形成性能。这种方法不仅考虑了各个网络的差异，还确保了它们的预测准确性。 仿真结果证明了所提算法的有效性，即使在网络结构简单的情况下，也能实现良好的波束形成效果，这在资源有限或计算复杂度受限的环境中具有显著优势。因此，这种基于广义回归神经网络集成的宽带波束形成算法对于优化无线通信和雷达系统的性能具有重要的理论和实践意义。