掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
陣列信號處理及MATLAB實現 版權信息
- ISBN：9787121373428
- 條形碼：9787121373428 ; 978-7-121-37342-8
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
陣列信號處理及MATLAB實現 本書特色
陣列信號處理是信號處理領域的一個重要分支，它采用傳感器陣列來接收空間信號。與傳統的單個定向傳感器相比，陣列信號處理具有靈活的波束控制、較高的信號增益、極強的干擾抑制能力，以及更高的空間分辨能力等優點，因而具有重要的軍事、民事應用價值和廣闊的應用前景。具體來說，陣列信號處理已用于雷達、聲納、通信、地震勘探、射電天文及醫學診斷等多種國民經濟和軍事領域。本書共12章，主要內容涵蓋波束形成、DOA估計、二維DOA估計、寬帶陣列信號處理、陣列分布式信源定位、陣列近場信源定位、稀疏陣列信號處理、向量傳感器陣列信號處理及其MATLAB實現等。本書的讀者對象為通信與信息系統、信號和信息處理、微波和電磁場、水聲等專業的高年級本科生和研究生。
陣列信號處理及MATLAB實現 內容簡介
本書分為12章, 主要內容涵蓋波束形成、DOA估計、二維DOA估計、寬帶陣列信號處理、陣列分布式信源定位、向量傳感器陣列信號處理及其MATLAB實現等。
陣列信號處理及MATLAB實現 目錄
目 錄
第1章 緒論 1
1.1 研究背景 1
1.2 陣列信號處理的發展史及現狀 1
1.2.1 波束形成技術 2
1.2.2 空間譜估計方法 4
1.2.3 陣列多維參數估計 7
1.3 本書的安排 9
參考文獻 10
第2章 陣列信號處理基礎 17
2.1 矩陣代數的相關知識 17
2.1.1 特征值與特征向量 17
2.1.2 廣義特征值與廣義特征向量 17
2.1.3 矩陣的奇異值分解 18
2.1.4 Toeplitz矩陣 18
2.1.5 Hankel矩陣 19
2.1.6 Vandermonde矩陣 19
2.1.7 Hermitian矩陣 19
2.1.8 Kronecker乘積 20
2.1.9 Khatri-Rao乘積 21
2.1.10 Hadamard乘積 21
2.1.11 向量化 22
2.2 高階統計量 22
2.2.1 高階矩、高階累積量和高階譜 22
2.2.2 累積量性質 24
2.2.3 高斯隨機過程的高階累積量 25
2.2.4 隨機場的累積量與多譜 26
2.2.5 二維隨機場的高階矩及高階累積量估計 28
2.3 四元數理論 29
2.3.1 四元數 29
2.3.2 Hamilton四元數矩陣 30
2.3.3 Hamilton四元數矩陣的奇異值分解 30
2.3.4 Hamilton四元數矩陣的右特征值分解 32
2.4 平行因子理論 33
2.4.1 平行因子模型 33
2.4.2 可辨識性 34
2.4.3 PARAFAC分解 36
2.5 信源和噪聲模型 37
2.5.1 窄帶信號 37
2.5.2 相關系數 37
2.5.3 噪聲模型 38
2.6 陣列天線的統計模型 38
2.6.1 前提及假設 38
2.6.2 陣列的基本概念 38
2.6.3 天線陣模型 40
2.6.4 陣列的方向圖 41
2.6.5 波束寬度 42
2.6.6 分辨率 43
2.7 陣列響應向量/矩陣 44
2.8 陣列協方差矩陣的特征分解 47
2.9 信源數估計方法 50
2.9.1 特征值分解方法 50
2.9.2 信息論方法 50
2.9.3 其他信源數估計方法 52
參考文獻 52
第3章 波束形成算法 54
3.1 波束形成定義 54
3.2 常用的波束形成算法 55
3.2.1 波束形成原理 55
3.2.2 波束形成的*佳權向量 56
3.2.3 波束形成的準則 59
3.3 自適應波束形成算法 60
3.3.1 自適應波束形成的*佳權向量 60
3.3.2 權向量更新的自適應算法 63
3.3.3 基于變換域的自適應波束形成算法 64
3.4 廣義旁瓣相消（GSC）的波束形成算法 65
3.5 基于投影和斜投影的波束形成算法 66
3.5.1 基于投影的波束形成算法 66
3.5.2 基于斜投影的波束形成算法 68
3.6 過載情況下的自適應波束形成算法 70
3.6.1 信號模型 70
3.6.2 近似*小方差法波束形成算法 71
3.7 基于高階累積量的波束形成算法 72
3.7.1 陣列模型 73
3.7.2 利用高階累積量方法估計期望信號的方向向量 74
3.7.3 基于高階累積量的盲波束形成 74
3.8 基于周期平穩性的波束形成算法 74
3.8.1 陣列模型與信號周期平穩性 75
3.8.2 CAB類盲波束形成算法 76
3.9 基于恒模的盲波束形成算法 78
3.9.1 信號模型 78
3.9.2 隨機梯度恒模算法 78
3.9.3 *小二乘恒模算法（LS-CMA） 79
3.10 穩健自適應波束形成 81
3.10.1 對角加載方法 82
3.10.2 基于特征空間的方法 82
3.10.3 貝葉斯方法 83
3.10.4 基于*壞情況性能優化的方法 84
3.10.5 基于概率約束的方法 84
3.11 本章小結 85
參考文獻 85
第4章 DOA估計 89
4.1 引言 89
4.2 Capon算法和性能分析 90
4.2.1 數據模型 90
4.2.2 Capon算法 90
4.2.3 改進的Capon算法 91
4.2.4 Capon算法的均方誤差分析 92
4.3 MUSIC算法及其修正算法 95
4.3.1 MUSIC算法 95
4.3.2 MUSIC算法的推廣形式 96
4.3.3 MUSIC算法性能分析 98
4.3.4 求根MUSIC算法 102
4.3.5 求根MUSIC算法性能 103
4.4 *大似然法 103
4.4.1 確定性*大似然法 104
4.4.2 隨機性*大似然法 105
4.5 子空間擬合算法 106
4.5.1 信號子空間擬合（SSF） 107
4.5.2 噪聲子空間擬合（NSF) 108
4.5.3 子空間擬合算法的性能 109
4.5.4 子空間擬合算法的實現 111
4.6 ESPRIT算法及其修正算法 118
4.6.1 ESPRIT算法的基本模型 118
4.6.2 LS-ESPRIT算法 121
4.6.3 TLS-ESPRIT算法 122
4.6.4 ESPRIT算法理論性能 123
4.7 基于四階累積量的DOA估計 126
4.7.1 四階累積量與二階統計量之間的關系 126
4.7.2 四階累積量的陣列擴展特性 128
4.7.3 MUSIC-like算法 129
4.7.4 virtual-ESPRIT算法 130
4.8 傳播算子 132
4.8.1 譜峰搜索傳播算子和性能分析 132
4.8.2 旋轉不變PM 138
4.9 基于廣義ESPRIT算法的DOA估計算法 140
4.9.1 陣列模型 140
4.9.2 譜峰搜索廣義ESPRIT方法 141
4.9.3 無須搜索的廣義ESPRIT算法 143
4.10 基于壓縮感知理論的DOA估計 144
4.10.1 壓縮感知基本原理 144
4.10.2 基于壓縮感知理論的DOA估計算法 148
4.11 相干信源DOA估計 148
4.11.1 引言 148
4.11.2 空間平滑算法 150
4.11.3 改進的MUSIC算法 151
4.11.4 基于Toeplitz矩陣重構的ESPRIT算法 152
4.12 大規模均勻線陣下基于DFT的DOA估計算法 154
4.12.1 數據模型 155
4.12.2 基于DFT的低復雜度DOA估計算法 155
4.12.3 算法分析 157
4.12.4 仿真實驗 160
4.13 本章小結 161
參考文獻 161
第5章 二維DOA估計 167
5.1 引言 167
5.2 均勻面陣中基于旋轉不變性的二維DOA估計算法 168
5.2.1 數據模型 168
5.2.2 基于ESPRIT的二維DOA估計算法 170
5.2.3 基于PM的二維DOA估計算法 174
5.3 均勻面陣中基于MUSIC類的二維DOA估計算法 180
5.3.1 數據模型 181
5.3.2 二維MUSIC算法 181
5.3.3 降維MUSIC算法 181
5.3.4 級聯MUSIC算法 187
5.4 均勻面陣中基于三線性分解的二維DOA估計算法 189
5.4.1 數據模型 190
5.4.2 三線性分解 191
5.4.3 可辨識性分析 192
5.4.4 二維DOA估計 193
5.4.5 算法復雜度和優點 194
5.4.6 仿真結果 194
5.5 均勻面陣中基于壓縮感知三線性模型的二維DOA估計 195
5.5.1 數據模型 195
5.5.2 三線性模型壓縮 195
5.5.3 三線性分解 196
5.5.4 可辨識性分析 197
5.5.5 基于稀疏恢復的二維DOA估計 198
5.5.6 算法復雜度和優點 199
5.5.7 仿真結果 200
5.6 雙平行線陣二維DOA估計：DOA矩陣法和擴展DOA矩陣法 200
5.6.1 陣列結構及信號模型 200
5.6.2 DOA矩陣法 201
5.6.3 擴展DOA矩陣法 202
5.6.4 性能分析與仿真 205
5.7 均勻圓陣中二維DOA估計 206
5.7.1 數據模型 207
5.7.2 波束空間轉換 207
5.7.3 UCA-RB-MUSIC算法 208
5.7.4 UCA-Root-MUSIC算法 209
5.7.5 UCA-ESPRIT算法 209
5.8 本章小結 210
參考文獻 211
第6章 寬帶陣列信號處理基礎和寬帶波束形成 213
6.1 引言 213
6.2 寬帶陣列信號處理基礎 214
6.2.1 寬帶信號的概念 214
6.2.2 陣列信號模型 215
6.3 寬帶信號源的DOA估計 216
6.3.1 非相干信號子空間方法（ISM） 216
6.3.2 相干信號子空間方法（CSM） 217
6.3.3 聚焦矩陣的構造方法 218
6.4 穩健的麥克風陣列近場寬帶波束形成 221
6.4.1 概述 221
6.4.2 基于凸優化的穩健近場寬帶波束形成器設計 224
6.4.3 穩健近場自適應波束形成 235
6.5 本章小結 242
參考文獻 242
第7章 陣列分布式信源定位 246
7.1 引言 246
7.2 線性陣列中基于ESPRIT的分布式信源定位算法 248
7.2.1 數據結構 248
7.2.2 基于ESPRIT的分布式信源定位算法 251
7.2.3 性能分析 253
7.2.4 仿真結果 254
7.3 線性陣列中基于DSPE的分布式信源定位算法 255
7.3.1 數據結構 255
7.3.2 基于DSPE的分布式信源定位算法 255
7.4 線性陣列中基于級聯DSPE的分布式信源定位算法 256
7.4.1 數據結構 256
7.4.2 基于級聯DSPE的分布式信源定位算法 256
7.4.3 性能分析 258
7.4.4 仿真結果 259
7.5 線性陣列中基于廣義ESPRIT的分布式信源定位算法 261
7.5.1 數據結構 261
7.5.2 基于廣義ESPRIT的分布式信源定位算法 262
7.5.3 基于多項式求根的中心DOA估計方法 266
7.5.4 性能分析 268
7.5.5 仿真結果 272
7.6 移不變陣列中基于快速PARAFAC的分布式信源定位算法 274
7.6.1 數據結構 274
7.6.2 基于快速PARAFAC的分布式信源定位算法 276
7.6.3 性能分析 280
7.6.4 仿真結果 281
7.7 本章小結 282
參考文獻 283
第8章 陣列近場信源定位 286
8.1 引言 286
8.1.1 研究背景 286
8.1.2 研究現狀 287
8.2 近場信源目標定位：二階統計量算法 288
8.2.1 數據模型 288
8.2.2 基于二階統計量的近場源參數估計算法 289
8.2.3 算法主要步驟 290
8.2.4 算法復雜度和優點 290
8.2.5 仿真結果 291
8.3 近場信源目標定位：二維MUSIC算法 291
8.3.1 數據模型 291
8.3.2 算法描述 292
8.3.3 算法仿真結果 293
8.4 近場信源目標定位：降秩MUSIC算法 293
8.4.1 數據模型 294
8.4.2 算法描述 294
8.4.3 算法步驟 295
8.4.4 算法復雜度分析 296
8.4.5 算法優點 296
8.4.6 仿真結果 296
8.5 近場信源目標定位：降維MUSIC算法 297
8.5.1 數據模型 297
8.5.2 算法描述 297
8.5.3 算法步驟 300
8.5.4 算法復雜度分析 300
8.5.5
第1章 緒論 1
1.1 研究背景 1
1.2 陣列信號處理的發展史及現狀 1
1.2.1 波束形成技術 2
1.2.2 空間譜估計方法 4
1.2.3 陣列多維參數估計 7
1.3 本書的安排 9
參考文獻 10
第2章 陣列信號處理基礎 17
2.1 矩陣代數的相關知識 17
2.1.1 特征值與特征向量 17
2.1.2 廣義特征值與廣義特征向量 17
2.1.3 矩陣的奇異值分解 18
2.1.4 Toeplitz矩陣 18
2.1.5 Hankel矩陣 19
2.1.6 Vandermonde矩陣 19
2.1.7 Hermitian矩陣 19
2.1.8 Kronecker乘積 20
2.1.9 Khatri-Rao乘積 21
2.1.10 Hadamard乘積 21
2.1.11 向量化 22
2.2 高階統計量 22
2.2.1 高階矩、高階累積量和高階譜 22
2.2.2 累積量性質 24
2.2.3 高斯隨機過程的高階累積量 25
2.2.4 隨機場的累積量與多譜 26
2.2.5 二維隨機場的高階矩及高階累積量估計 28
2.3 四元數理論 29
2.3.1 四元數 29
2.3.2 Hamilton四元數矩陣 30
2.3.3 Hamilton四元數矩陣的奇異值分解 30
2.3.4 Hamilton四元數矩陣的右特征值分解 32
2.4 平行因子理論 33
2.4.1 平行因子模型 33
2.4.2 可辨識性 34
2.4.3 PARAFAC分解 36
2.5 信源和噪聲模型 37
2.5.1 窄帶信號 37
2.5.2 相關系數 37
2.5.3 噪聲模型 38
2.6 陣列天線的統計模型 38
2.6.1 前提及假設 38
2.6.2 陣列的基本概念 38
2.6.3 天線陣模型 40
2.6.4 陣列的方向圖 41
2.6.5 波束寬度 42
2.6.6 分辨率 43
2.7 陣列響應向量/矩陣 44
2.8 陣列協方差矩陣的特征分解 47
2.9 信源數估計方法 50
2.9.1 特征值分解方法 50
2.9.2 信息論方法 50
2.9.3 其他信源數估計方法 52
參考文獻 52
第3章 波束形成算法 54
3.1 波束形成定義 54
3.2 常用的波束形成算法 55
3.2.1 波束形成原理 55
3.2.2 波束形成的*佳權向量 56
3.2.3 波束形成的準則 59
3.3 自適應波束形成算法 60
3.3.1 自適應波束形成的*佳權向量 60
3.3.2 權向量更新的自適應算法 63
3.3.3 基于變換域的自適應波束形成算法 64
3.4 廣義旁瓣相消（GSC）的波束形成算法 65
3.5 基于投影和斜投影的波束形成算法 66
3.5.1 基于投影的波束形成算法 66
3.5.2 基于斜投影的波束形成算法 68
3.6 過載情況下的自適應波束形成算法 70
3.6.1 信號模型 70
3.6.2 近似*小方差法波束形成算法 71
3.7 基于高階累積量的波束形成算法 72
3.7.1 陣列模型 73
3.7.2 利用高階累積量方法估計期望信號的方向向量 74
3.7.3 基于高階累積量的盲波束形成 74
3.8 基于周期平穩性的波束形成算法 74
3.8.1 陣列模型與信號周期平穩性 75
3.8.2 CAB類盲波束形成算法 76
3.9 基于恒模的盲波束形成算法 78
3.9.1 信號模型 78
3.9.2 隨機梯度恒模算法 78
3.9.3 *小二乘恒模算法（LS-CMA） 79
3.10 穩健自適應波束形成 81
3.10.1 對角加載方法 82
3.10.2 基于特征空間的方法 82
3.10.3 貝葉斯方法 83
3.10.4 基于*壞情況性能優化的方法 84
3.10.5 基于概率約束的方法 84
3.11 本章小結 85
參考文獻 85
第4章 DOA估計 89
4.1 引言 89
4.2 Capon算法和性能分析 90
4.2.1 數據模型 90
4.2.2 Capon算法 90
4.2.3 改進的Capon算法 91
4.2.4 Capon算法的均方誤差分析 92
4.3 MUSIC算法及其修正算法 95
4.3.1 MUSIC算法 95
4.3.2 MUSIC算法的推廣形式 96
4.3.3 MUSIC算法性能分析 98
4.3.4 求根MUSIC算法 102
4.3.5 求根MUSIC算法性能 103
4.4 *大似然法 103
4.4.1 確定性*大似然法 104
4.4.2 隨機性*大似然法 105
4.5 子空間擬合算法 106
4.5.1 信號子空間擬合（SSF） 107
4.5.2 噪聲子空間擬合（NSF) 108
4.5.3 子空間擬合算法的性能 109
4.5.4 子空間擬合算法的實現 111
4.6 ESPRIT算法及其修正算法 118
4.6.1 ESPRIT算法的基本模型 118
4.6.2 LS-ESPRIT算法 121
4.6.3 TLS-ESPRIT算法 122
4.6.4 ESPRIT算法理論性能 123
4.7 基于四階累積量的DOA估計 126
4.7.1 四階累積量與二階統計量之間的關系 126
4.7.2 四階累積量的陣列擴展特性 128
4.7.3 MUSIC-like算法 129
4.7.4 virtual-ESPRIT算法 130
4.8 傳播算子 132
4.8.1 譜峰搜索傳播算子和性能分析 132
4.8.2 旋轉不變PM 138
4.9 基于廣義ESPRIT算法的DOA估計算法 140
4.9.1 陣列模型 140
4.9.2 譜峰搜索廣義ESPRIT方法 141
4.9.3 無須搜索的廣義ESPRIT算法 143
4.10 基于壓縮感知理論的DOA估計 144
4.10.1 壓縮感知基本原理 144
4.10.2 基于壓縮感知理論的DOA估計算法 148
4.11 相干信源DOA估計 148
4.11.1 引言 148
4.11.2 空間平滑算法 150
4.11.3 改進的MUSIC算法 151
4.11.4 基于Toeplitz矩陣重構的ESPRIT算法 152
4.12 大規模均勻線陣下基于DFT的DOA估計算法 154
4.12.1 數據模型 155
4.12.2 基于DFT的低復雜度DOA估計算法 155
4.12.3 算法分析 157
4.12.4 仿真實驗 160
4.13 本章小結 161
參考文獻 161
第5章 二維DOA估計 167
5.1 引言 167
5.2 均勻面陣中基于旋轉不變性的二維DOA估計算法 168
5.2.1 數據模型 168
5.2.2 基于ESPRIT的二維DOA估計算法 170
5.2.3 基于PM的二維DOA估計算法 174
5.3 均勻面陣中基于MUSIC類的二維DOA估計算法 180
5.3.1 數據模型 181
5.3.2 二維MUSIC算法 181
5.3.3 降維MUSIC算法 181
5.3.4 級聯MUSIC算法 187
5.4 均勻面陣中基于三線性分解的二維DOA估計算法 189
5.4.1 數據模型 190
5.4.2 三線性分解 191
5.4.3 可辨識性分析 192
5.4.4 二維DOA估計 193
5.4.5 算法復雜度和優點 194
5.4.6 仿真結果 194
5.5 均勻面陣中基于壓縮感知三線性模型的二維DOA估計 195
5.5.1 數據模型 195
5.5.2 三線性模型壓縮 195
5.5.3 三線性分解 196
5.5.4 可辨識性分析 197
5.5.5 基于稀疏恢復的二維DOA估計 198
5.5.6 算法復雜度和優點 199
5.5.7 仿真結果 200
5.6 雙平行線陣二維DOA估計：DOA矩陣法和擴展DOA矩陣法 200
5.6.1 陣列結構及信號模型 200
5.6.2 DOA矩陣法 201
5.6.3 擴展DOA矩陣法 202
5.6.4 性能分析與仿真 205
5.7 均勻圓陣中二維DOA估計 206
5.7.1 數據模型 207
5.7.2 波束空間轉換 207
5.7.3 UCA-RB-MUSIC算法 208
5.7.4 UCA-Root-MUSIC算法 209
5.7.5 UCA-ESPRIT算法 209
5.8 本章小結 210
參考文獻 211
第6章 寬帶陣列信號處理基礎和寬帶波束形成 213
6.1 引言 213
6.2 寬帶陣列信號處理基礎 214
6.2.1 寬帶信號的概念 214
6.2.2 陣列信號模型 215
6.3 寬帶信號源的DOA估計 216
6.3.1 非相干信號子空間方法（ISM） 216
6.3.2 相干信號子空間方法（CSM） 217
6.3.3 聚焦矩陣的構造方法 218
6.4 穩健的麥克風陣列近場寬帶波束形成 221
6.4.1 概述 221
6.4.2 基于凸優化的穩健近場寬帶波束形成器設計 224
6.4.3 穩健近場自適應波束形成 235
6.5 本章小結 242
參考文獻 242
第7章 陣列分布式信源定位 246
7.1 引言 246
7.2 線性陣列中基于ESPRIT的分布式信源定位算法 248
7.2.1 數據結構 248
7.2.2 基于ESPRIT的分布式信源定位算法 251
7.2.3 性能分析 253
7.2.4 仿真結果 254
7.3 線性陣列中基于DSPE的分布式信源定位算法 255
7.3.1 數據結構 255
7.3.2 基于DSPE的分布式信源定位算法 255
7.4 線性陣列中基于級聯DSPE的分布式信源定位算法 256
7.4.1 數據結構 256
7.4.2 基于級聯DSPE的分布式信源定位算法 256
7.4.3 性能分析 258
7.4.4 仿真結果 259
7.5 線性陣列中基于廣義ESPRIT的分布式信源定位算法 261
7.5.1 數據結構 261
7.5.2 基于廣義ESPRIT的分布式信源定位算法 262
7.5.3 基于多項式求根的中心DOA估計方法 266
7.5.4 性能分析 268
7.5.5 仿真結果 272
7.6 移不變陣列中基于快速PARAFAC的分布式信源定位算法 274
7.6.1 數據結構 274
7.6.2 基于快速PARAFAC的分布式信源定位算法 276
7.6.3 性能分析 280
7.6.4 仿真結果 281
7.7 本章小結 282
參考文獻 283
第8章 陣列近場信源定位 286
8.1 引言 286
8.1.1 研究背景 286
8.1.2 研究現狀 287
8.2 近場信源目標定位：二階統計量算法 288
8.2.1 數據模型 288
8.2.2 基于二階統計量的近場源參數估計算法 289
8.2.3 算法主要步驟 290
8.2.4 算法復雜度和優點 290
8.2.5 仿真結果 291
8.3 近場信源目標定位：二維MUSIC算法 291
8.3.1 數據模型 291
8.3.2 算法描述 292
8.3.3 算法仿真結果 293
8.4 近場信源目標定位：降秩MUSIC算法 293
8.4.1 數據模型 294
8.4.2 算法描述 294
8.4.3 算法步驟 295
8.4.4 算法復雜度分析 296
8.4.5 算法優點 296
8.4.6 仿真結果 296
8.5 近場信源目標定位：降維MUSIC算法 297
8.5.1 數據模型 297
8.5.2 算法描述 297
8.5.3 算法步驟 300
8.5.4 算法復雜度分析 300
8.5.5
展開全部
陣列信號處理及MATLAB實現 作者簡介
張小飛，教授/博導，通信工程研究所常務副所長、電磁頻譜空間動態認知系統重點實驗室常務副主任。中國通信學會青年工作委員會委員、中國電子學會教育工作委員會青年組委員、江蘇省科技評估專家。擔任10多家刊物的編委，為20多家國際會議TPC成員；任國際刊物客座主編；受邀作會議主題報告10多次、主持國際會議一次。近年來發表SCI論文80多篇，ESI高被引論文2篇；出版著作11部，公開專利20項。主持國家自然科學基金3項，其他項目20多項。獲得通信學會自然科學一等獎1項、國防科學技術進步獎2項、江蘇省科技進步獎1項；入選“333”人才計劃、青藍工程“中青年學術帶頭人”、“六大人才高峰”B類；獲得江蘇省航空航天學會“優秀科技工作者”稱號；入選中國百篇最具影響國際學術論文。研究方向：移動通信、陣列信號處理、通信信號處理。
書友推薦
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
朝聞道
- >
隨園食單
- >
伯納黛特,你要去哪(2021新版)
- >
推拿
- >
中國歷史的瞬間
- >
上帝之肋:男人的真實旅程
- >
龍榆生：詞曲概論/大家小書
本類暢銷
