阵列信号处理是信号处理的一个重要分支,被广泛而迅速地应用在通信、雷达、声纳、地震勘探、射电天文等领域。传统的阵列信号处理的研究主要集中在基于高斯型噪声的环境下。但是,诸如海洋环境噪声、大气噪声、语音信号和生物医学信号及多种人为噪声等这些在自然界中更普遍存在的是非高斯型脉冲噪声。因此,近年来这类噪声引起了国内外研究工作者的广泛重视,并从理论上对此进行了深入的研究和发展。目前,作为阵列信号处理的主要内容之一的波束形成技术多依赖于高斯噪声环境,在应对脉冲噪声环境时原有方法往往产生退化,这阻碍了该技术的现实应用和发展。因此,非高斯脉冲噪声下的波束形成技术的研究尤显其重要意义。 本课题主要研究了在α稳定分布脉冲噪声下利用分数低阶统计量及神经网络的方法进行阵列信号处理(主要是波束形成)的问题。在非高斯分布中,α稳定分布是非常重要的一类模型,用来描述重拖尾特征的非高斯脉冲信号和噪声。特别是,α稳定分布包括了高斯分布的情况(当α=2时),可以说α稳定分布是广义上的高斯分布。 首先,本文对课题所应用到的知识点做了概要的介绍,其中包括α稳定分布模型,FLOS基本理论,神经网络常用方法以及波束形成技术。 其次,介绍了基于上述理论,本文研究工作的理论、模型及模拟结果分析。在阵列信号处理中,基于分数低阶统计量(FLOS)的方法包含了期望信号的波达方向(DOA)信息,因此非常适用于处理脉冲噪声下的波束形成问题。值得注意的是,基于FLOS的方法在处理α稳定分布信号和噪声时表现出良好的韧性。为了减少阵列处理的计算复杂度,把阵列信号处理看作一个从输入空间到输出空间的非线性映射,并利用RBF网络来逼近这一映射。为了克服脉冲噪声带来的负面影响,对RBF网络的输入向量采用了分数低阶预处理。文中模拟部分给出了RBF网络与各种经典算法的详细的性能对比、改变各参数情况下网络输出的分析及有无FLOS预处理的RBF网络输出的误差分析,模拟表明经过FLOS预处理的RBF网络能够在脉冲噪声条件下较好地逼近这一非线性映射。 最后,本文对上述工作做以小结,并展望了未来进一步的研究工作。