| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 引言 | 第10-11页 |
| 1.2 课题的国内外发展现状 | 第11-15页 |
| 1.2.1 阵列信号DOA估计的发展现状 | 第11-12页 |
| 1.2.2 仿生智能优化算法的发展现状 | 第12-14页 |
| 1.2.3 仿生智能优化算法在阵列信号参数估计的研究现状 | 第14-15页 |
| 1.3 论文的主要研究工作和章节安排 | 第15-18页 |
| 1.3.1 主要研究工作 | 第15页 |
| 1.3.2 章节安排 | 第15-18页 |
| 第2章 DOA估计理论基础和蝙蝠算法 | 第18-26页 |
| 2.1 阵列信号模型 | 第18-22页 |
| 2.2 蝙蝠算法 | 第22-25页 |
| 2.2.1 蝙蝠算法的基本原理 | 第22-23页 |
| 2.2.2 蝙蝠算法的数学模型 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 基于蝙蝠优化算法的最大似然DOA估计方法 | 第26-36页 |
| 3.1 最大似然算法的DOA估计 | 第26-28页 |
| 3.1.1 均匀线阵信号模型 | 第26-27页 |
| 3.1.2 确定性最大似然算法估计算子 | 第27-28页 |
| 3.2 基于蝙蝠优化算法的最大似然DOA估计方法 | 第28-30页 |
| 3.3 仿真实验 | 第30-34页 |
| 3.4 算法的计算量分析 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于文化BA优化的OMP稀疏分解DOA估计 | 第36-50页 |
| 4.1 稀疏分解的DOA估计 | 第36-41页 |
| 4.1.1 信号的稀疏分解 | 第36页 |
| 4.1.2 正交匹配追踪算法 | 第36-38页 |
| 4.1.3 稀疏分解的DOA估计模型 | 第38-39页 |
| 4.1.4 稀疏分解的DOA估计算法实现 | 第39-41页 |
| 4.2 基于文化BA优化的OMP稀疏分解算法 | 第41-45页 |
| 4.2.1 文化蝙蝠 | 第41-44页 |
| 4.2.2 基于CBA优化算法的信号OMP稀疏分解 | 第44-45页 |
| 4.3 仿真实验 | 第45-47页 |
| 4.4 算法的计算复杂度分析 | 第47-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第5章 基于小生境BA优化算法的MIMO雷达二维DOA估计 | 第50-68页 |
| 5.1 L阵MIMO雷达二维DOA估计 | 第50-56页 |
| 5.1.1 L阵MIMO雷达结构与信号模型 | 第50-54页 |
| 5.1.2 MIMO雷达模型的MUSIC-二维DOA估计 | 第54-56页 |
| 5.2 基于小生境BA优化的MUSIC算法 | 第56-61页 |
| 5.2.1 小生境技术 | 第56-57页 |
| 5.2.2 小生境BA优化算法 | 第57-59页 |
| 5.2.3 基于小生境BA优化的MUSIC算法 | 第59-61页 |
| 5.3 仿真实验 | 第61-65页 |
| 5.4 算法的计算量分析 | 第65-66页 |
| 5.5 本章小结 | 第66-68页 |
| 第6章 全文总结 | 第68-70页 |
| 6.1 研究工作及展望 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 作者简介及科研成果 | 第76-78页 |
| 致谢 | 第78页 |
