MVDR自适应波束形成算法研究要点

阵列自适应波束形成及空时自适应处理方法研究阵列自适应波束形成及空时自适应处理方法研究一、引言随着无线通信技术的不断发展和应用，阵列自适应信号处理的研究与应用越来越重要。

作为一种传统的信号处理技术，波束形成已经广泛应用于雷达、无线通信、声纳等领域。

而阵列自适应波束形成则是对传统波束形成方法的一种改进和完善，通过利用阵列天线的多径信道响应和干扰域上的统计特征，实现了自动跟踪和自适应增益控制。

二、阵列自适应波束形成的基本原理阵列自适应波束形成的基本原理是利用阵列天线的多个元件接收到的信号之间的相位和幅度差异，通过加权和相加的方式形成具有指向性的波束。

使得接收波束的指向性最大，从而抑制其他方向的干扰和噪声。

在空间波束形成的过程中，首先需要确定接收信号的传播关系，即阵列天线上的接收效应，然后通过一系列的滤波和加权处理，实现波束形成。

三、空时自适应处理方法1. LMS算法最小均方（LMS）算法是一种运用最小均方差准则的一种自适应滤波算法，它的主要思想是：通过不断的调整滤波器的权值，使滤波器的输出与期望响应尽量接近，从而实现滤除干扰和噪声的目的。

LMS算法的主要缺点是收敛速度较慢，对于信号的非平稳性和干扰的复杂性处理效果不佳。

2. RLS算法递归最小二乘（RLS）算法是一种具有较快收敛速度和较好处理效果的自适应滤波算法。

其核心思想是通过最小化预测误差平方的期望，使滤波器的输出与期望响应尽量接近。

该算法采用递归的方式，能够在每次输入一个新的样本时更新滤波器的权值，从而在实时性要求较高的应用场景具有优势。

3. BSS算法盲源分离（BSS）算法是一种利用统计学原理对混合信号进行分离的算法，可应用于信号处理和通信中的多路径干扰消除、噪声抑制等问题。

BSS算法将观测信号模型化为多个源信号按一定比例线性叠加的形式，并利用源信号之间的统计特性进行分离。

四、阵列自适应波束形成与空时自适应处理方法的研究应用阵列自适应波束形成和空时自适应处理方法在通信和雷达领域得到了广泛应用。

第3章 自适应波束形成及算法波束形成技术在最近几年有着日新月异的发展，它的研究方向在于寻找最快最准确的算法，在减少由阵列数据规模的增加而带来的计算量的同时，保持波束形成的优良性能。

普通的波束形成系统，是一种预多波束形成系统，当它处在各向同性、均匀分布的噪声场时，可能具有相当好的检测能力。

但是，一旦出现近场干扰或者背景噪声有着某种不平稳性，则通信系统的检测能力就会迅速下降，因而出现了自适应波束形成技术。

所谓自适应波束形成（ABF ）就是控制处理器能够根据环境噪声场的变化，不断的自动调节本身的参数以适应周围环境，抑制干扰并检出有用信号。

衡量一个波束形成算法的优劣主要看算法的收敛速度、复杂程度、精度、稳定性以及对误差的正确判断性等。

前四项指标是最常见的衡量算法性能的指标，而最后一项在智能天线应用领域有特别的意义。

在实际的通信系统中，由于天线规模等实际条件的限制以及移动无线信道复杂情况的影响，对波达方向的测量估计误差较大，因此对于采用基于波达方向估计的波束形成算法，能否降低其对误差的敏感就显得十分重要了，尤其是在下行链路中，一旦发生较大的指向偏差，不仅会使得目标用户无法获得一定质量的信号，还可能会带来对其它用户的干扰，从而导致系统性能的急剧下降。

3.1 常见准则分析自适应波束形成技术经过了几十年的发展，己经逐渐走向成熟，鉴于己有许多文献专著专门来介绍波束形成的基本原理和概念，这里，我们着重介绍一些最基本的波束形成准则和算法。

其中，自适应处理器可以根据许多不同的准则选择最佳权矢量[8]。

一般来说，这些准则包括：最大信噪比（MaxSNR ）、线性约束最小方差（LCMV ）、最大似然（ML ）、最小二乘（LS ）。

3.1.1 最小二乘（LS ）准则LS 准则是在有限数目的时间采样上使阵列输出和期望响应间的差值最小。

在该方案中，收集数据向量i u 一组p 个快拍。

设要求根据一组输入信号矢量：1()[(),,()]T M x n x n x n = 1,2,,n n =（3-1）采用图3-1的滤波器对需要的信号()(1,2,,)d k k n =进行估计，并取滤波器的输出()y n 为()d k 的估计值ˆ()dk*ˆ()()()()H T dk y n w x k x k w === 1,2,,k n =（3-2）图3-1 采用线性组合器的波束形成器式中12[,,,]T M w w w w =为加权矢量。

阵列天线自适应波束形成算法研究的开题报告
一、选题背景
随着通信和雷达技术的快速发展，阵列天线广泛应用于通信、雷达、无线电定位等领域。

阵列天线相比单天线在收发信号方面具有高增益、
方向性强的优势。

阵列天线自适应波束形成算法是一种有效的信号处理方法，可以提
高天线数组的信号接收和发送性能，抑制噪声和干扰，实现目标信号的
有效定位和跟踪。

因此，阵列天线自适应波束形成算法的研究对于提高
无线通信系统和雷达性能具有重要意义。

二、研究内容
本次研究旨在深入探讨阵列天线自适应波束形成算法的原理、实现
方法和性能评估。

具体研究内容如下：
1. 阵列天线的工作原理和组成结构，阵列方向性和增益特性的分析。

2. 阵列天线自适应波束形成的基本原理和实现方法，包括线性限制
最小方差(LMS)算法、协方差矩阵反演(Capon)算法、多用户检测(MUD)
算法等。

3. 自适应波束形成算法的性能评估方法，包括波束形成器增益、脱
耦度、副瓣抑制比、对抗性干扰抑制等指标的评估方法。

4. 利用MATLAB等工具对自适应波束形成算法进行仿真实验，分析
算法在不同场景下的实际应用效果。

三、研究意义
本次研究对于阵列天线自适应波束形成算法的基本原理和性能评估
进行深入探究，可以为无线通信系统和雷达等应用领域提供更加高效、
可靠的信号处理方法，提高系统的传输速率和跟踪性能。

与此同时，研究成果还可以为相关企业和机构提供切实可行的技术解决方案，推动我国阵列天线技术的发展，提升我国在通信和雷达领域的核心竞争力。

第3章 自适应波束形成及算法（3.2 自适应波束形成的几种典型算法）3.2 自适应波束形成的几种典型算法自适应波束形成技术的核心内容就是自适应算法。

目前已提出很多著名算法，非盲的算法中主要是基于期望信号和基于DOA 的算法。

常见的基于期望信号的算法有最小均方误差（MMSE ）算法、小均方（LMS ）算法、递归最小二乘（RLS ）算法，基于DOA 算法中的最小方差无畸变响应（MVDR ）算法、特征子空间（ESB ）算法等[9]。

3.2.1 基于期望信号的波束形成算法自适应算法中要有期望信号的信息，对于通信系统来讲，这个信息通常是通过发送训练序列来实现的。

根据获得的期望信号的信息，再利用MMSE 算法、LMS 算法等进行最优波束形成。

1．最小均方误差算法（MMSE ） 最小均方误差准则就是滤波器的输出信号与需要信号之差的均方值最小，求得最佳线性滤波器的参数，是一种应用最为广泛的最佳准则。

阵输入矢量为： 1()[(),,()]TMx n x n x n =（3-24）对需要信号()d n 进行估计，并取线性组合器的输出信号()y n 为需要信号()d n 的估计值ˆ()dn ，即 *ˆ()()()()H T d n y n w x n x n w === （3-25） 估计误差为：ˆ()()()()()H e n d nd n d n w x n =-=-（3-26）最小均方误差准则的性能函数为：2{|()|}E e t ξ= （3-27）式中{}E 表示取统计平均值。

最佳处理器问题归结为，使阵列输出()()Ty n w X n =与参考信号()d t 的均方误差最小，即：2{|()|}M i n E e t式（3-28）也就是求最佳权的最小均方准则。

由式（3-26）～（3-28）得：2*{|()|}{()()}E e t E e n e n ξ==2{|()|}2R e []T Hxdxx E d nw r w R w =-+ （3-29）其中，Re 表示取实部，并且：[()()]H xx R E x n x n = （3-30）为输入矢量()x n 的自相关矩阵。

第3章自适应波束形成及算法(3.2自适应波朿形成的几种典型算法)3.2自适应波朿形成的几种典型算法自适应波束形成技术的核心内容就是自适应算法。

U前已提出很多著名算法，非盲的算法中主要是基于期望信号和基于DOA的算法。

常见的基于期望信号的算法有最小均方误差(MMSE)算法、小均方(LMS)算法、递归最小二乘(RLS)算法，基于DOA算法中的最小方差无畸变响应(MVDR)算法、特征子空间(ESB)算法等叫3.2.1基于期望信号的波束形成算法自适应算法中要有期望信号的信息，对于通信系统来讲，这个信息通常是通过发送训练序列来实现的。

根据获得的期望信号的信息，再利用MMSE算法、LMS算法等进行最优波束形成。

1.最小均方误差算法(MMSE) 最小均方误差准则就是滤波器的输出信号与需要信号之差的均方值最小，求得最佳线性滤波器的参数，是一种应用最为广泛的最佳准则。

阵输入矢量为：兀(“)=［召(“),...,心(n)f(3-24)对需要信号d(n)进行估计，并取线性组合器的输出信号y(”)为需要信号〃(“)的估计值d(n)f即d(n) = y(n) = w H x(n) = x' (n)w(3-25)估计误差为：e(〃)= = d(n)-w n x(n)(3-26)最小均方误差准则的性能函数为：§ = £{le⑴鬥(3-27)式中纠}表示取统计平均值。

最佳处理器问题归结为，使阵列输出y(n) = w T X(n)与参考信号〃⑴的均方误差最小,即：MinE{ I ⑴门(3-28)式(3-28)也就是求最佳权的最小均方准则。

由式(3-26)〜(3-28)得：§ = E{ I e(/) I2 ) = E{e(ii)e\n)} =E{ I d(n)f}-2 Re[vr7r v J + w HR^w(3-29)其中，Re表示取实部，并且：= E[x(n)x n (n)](3-30)为输入矢量x(“)的自相关矩阵。

时域解析信号的MVDR自适应波束形成方法
王良;宋志杰;华洋
【期刊名称】《数据采集与处理》
【年(卷),期】2009(024)003
【摘要】针对频域最小方差无失真响应(MVDR)方法在源方位快速变化情况下稳定性差的问题,提出了一种基于时域解析信号的MVDR自适应波束形成方法TAMVDR(Time-domain Aanlysis MVDR).在构造时域解析信号的基础
上,TAMVDR通过对每一路时域解析信号引入复权,利用期望方向的输出响应不变的约束使阵列输出功率最小.在一次快拍条件下,TAMVDR即可获得最优解.仿真及试验数据处理结果表明,在目标方位快速变化条件下,TAMVDR的信号检测和方位分辨性能明显优于频域MVDR方法,且计算量较小.
【总页数】5页(P318-322)
【作者】王良;宋志杰;华洋
【作者单位】中国海洋大学信息科学与工程学院,青岛,266100;中国海洋大学信息科学与工程学院,青岛,266100;中国海洋大学信息科学与工程学院,青岛,266100【正文语种】中文
【中图分类】TN911
【相关文献】
1.基于声压振速联合处理的矢量线阵时域解析MVDR方法研究 [J], 李海涛;王余;王易川
2.子阵级ADL-MVDR自适应波束形成算法 [J], 费晓;张贞凯;田雨波
3.时空联合估计权向量的MVDR自适应波束形成方法 [J], 张甲坤;郑晓庆;王良
4.双约束条件的时域MVDR自适应波束形成方法 [J], 董晋;胡鹏;冯金鹿
5.MVDR自适应波束形成技术在水声中的研究进展 [J], 许光;周胜增
因版权原因，仅展示原文概要，查看原文内容请购买。

mvdr和capon公式
MVDR（Minimum Variance Distortionless Response）和CAPON（Capone's Minimum Variance) 是信号处理领域中常用的两种自适应波束形成算法。

它们通常用于在有干扰的情况下估计信号的方向。

这些算法在雷达、通信和声纳等领域都有广泛的应用。

MVDR算法是一种基于最小方差准则的波束形成方法。

它旨在使波束在期望信号的方向上响应最大，而在干扰方向上的响应最小。

MVDR算法通过计算协方差矩阵的逆来实现波束权向量的最优化，以达到抑制干扰的目的。

CAPON算法也是一种自适应波束形成算法，它也是基于最小方差准则。

与MVDR算法不同的是，CAPON算法采用了空间谱估计的方法，通过对信号的空间谱进行估计来计算波束权向量，以实现对期望信号的增强和对干扰的抑制。

这两种算法在实际应用中各有优劣。

MVDR算法在信噪比较高时表现较好，但对于信噪比较低的情况下容易受到信号样本数不足的影响。

而CAPON算法对信号样本数的要求相对较低，适用于信噪比较低的情况，但在信噪比较高时可能会出现主瓣失真的问题。

总的来说，MVDR和CAPON算法都是在自适应波束形成领域中比
较经典的算法，它们在不同的应用场景下都有各自的优势和局限性。

在实际应用中，需要根据具体的情况选择合适的算法来实现信号的
波束形成和方向估计。

声源定位与跟踪中的自适应算法综述声源定位与跟踪是指在多声源环境中，通过分析音频信号来确定声源的位置，并通过跟踪声源的位置变化实现实时的声源定位与跟踪。

在实际应用中，声源定位与跟踪的技术被广泛应用于语音识别、追踪系统、语音增强等领域。

随着科技的发展，研究者们提出了许多自适应算法来实现声源定位与跟踪。

这些算法通过自适应处理音频信号，能够适应不同的环境和噪声干扰，提高了声源定位与跟踪的准确性和稳定性。

自适应算法的核心思想是根据传感器接收到的声音信号，并结合环境噪声等信息，对声源的位置进行估计。

其中，常用的自适应算法包括基于波束形成的MVDR算法、基于延迟和和平均的GCC-PHAT算法、基于互相关的GCC-NCC算法等。

MVDR（Minimum Variance Distortionless Response）算法是一种常用的自适应波束形成算法。

它的核心思想是通过调整不同传感器间的权重来抑制多路径效应和噪声干扰，并最小化输出信号的方差。

MVDR算法在处理定位中的多径效应和噪声干扰方面表现出较好的性能，但对于模型误匹配和信号截断等情况较为敏感。

GCC-PHAT（Generalized Cross Correlation-Phase Transform）算法是一种通过计算差分延迟和相位信息来确定声源位置的自适应算法。

该算法通过计算传感器接收到的音频信号之间的互相关函数，得出音频信号之间的时延差，并结合相位信息推测声源的位置。

GCC-PHAT算法在处理定位中的多路径效应和噪声干扰方面表现出较好的鲁棒性，但对于近距离声源和低频声音的定位存在一定的限制。

GCC-NCC（Generalized Cross Correlation-Normalized Cross Correlation）算法是一种将标准互相关算法与规范化互相关算法相结合的自适应算法。

该算法通过计算互相关函数得到声源定位的初步估计，再通过标准互相关和规范化互相关的结合来提高声源定位的准确性和鲁棒性。

无线通信系统中的自适应波束成形技术研究自适应波束成形技术是无线通信领域中的一项重要技术，它可以提高无线通信系统的可靠性和效率。

本文将介绍自适应波束成形技术的基本原理、优点和应用，并探讨该技术的未来发展方向。

一、自适应波束成形技术的基本原理在无线通信系统中，波束成形是一种技术，用于使发射机将无线信号向目标方向集中，并提高信号的强度和质量。

自适应波束成形技术是波束成形技术的一种，它使用数字信号处理算法来动态地调整方向和形状以适应特定的信道环境。

自适应波束成形技术基于MIMO（多输入多输出）技术，使用多个发射和接收天线来提高信号的质量和可靠性。

自适应波束成形技术的基本原理是通过接收信号时，使用算法计算出当前信道环境的反射和多径延迟效应，从而确定最佳传输方向和波束形状。

在发射时，通过调整相位和振幅来产生所需的波束形状和方向，以使信号传输更加准确和有效。

二、自适应波束成形技术的优点自适应波束成形技术有以下几个优点：1.提高信号质量和可靠性：使用自适应波束成形技术可以将信号在特定方向上集中和增强，从而减少多路径干扰和信道衰落的影响，提高数据传输的可靠性和稳定性。

2.减少功率消耗：使用自适应波束成形技术可以将信号集中在目标方向上，从而减少了干扰和功率耗费。

这不仅可以提高网络的覆盖范围和效率，还能延长电池寿命，降低能源成本。

3.适应性强：自适应波束成形技术能够根据实时环境的特点动态调整功能和算法。

例如，当环境变化时，系统可以重新计算最佳传输方向和波束形状，以适应新的信道条件和干扰源。

三、自适应波束成形技术的应用自适应波束成形技术的应用领域广泛，包括无线电频谱、卫星通信、无线局域网、移动通信等。

下面介绍一下该技术在不同应用中的应用。

1. 无线电频谱：自适应波束成形技术可以帮助减少不同频段之间的干扰和冲突，提高频段利用率和频带效率。

例如，在军事领域中，自适应波束成形技术被广泛用于雷达和电子通信设备中，以提高信号的强度和可靠性。

机器学习技术中的波束形成方法波束形成是一种信号处理技术，通过控制信号的幅度和相位来改变信号在空间中的辐射特性。

在机器学习领域，波束形成方法被广泛应用于各种任务，包括语音识别、图像处理、雷达信号处理等。

本文将介绍几种常见的机器学习技术中的波束形成方法。

1. 常见的波束形成算法1.1 最大信噪比波束形成（MVDR）最大信噪比波束形成是一种常见的波束形成算法，旨在最大化接收信号的信噪比。

该算法通过最小化输出波束的方差来抑制噪声。

MVDR算法需要估计信号和噪声的协方差矩阵，进而计算出最优的权重向量，实现信号增强。

该方法适用于环境中噪声较强的场景。

1.2 最小均方误差波束形成（MVU）最小均方误差波束形成是一种优化问题，旨在通过选择合适的权重向量来最小化波束输出与期望信号之间的平均均方误差。

该方法可以克服传统波束形成中对信号和噪声统计特性的需求，更加适用于非高斯信号场景。

1.3 基于深度学习的波束形成近年来，深度学习在机器学习领域取得了突破性进展，被应用于各种信号处理任务。

在波束形成中，基于深度学习的方法通过训练神经网络模型来实现波束形成。

这种方法可以自动学习信号和噪声之间的复杂关系，从而提高波束形成的性能。

2. 波束形成在不同领域中的应用2.1 语音识别在语音识别中，波束形成被用于抑制环境噪声，提取出目标语音信号。

通过选择合适的权重向量，波束形成可以增强目标语音信号的能量，抑制背景噪声的干扰，从而提高语音识别的准确性。

2.2 图像处理在图像处理中，波束形成可以用于改善图像的分辨率和对比度。

通过选择合适的权重向量，波束形成可以聚焦于感兴趣的目标区域，提高图像细节的可见性，降低图像噪声的影响。

2.3 雷达信号处理在雷达信号处理中，波束形成被用于增强目标信号并抑制噪声和杂散信号。

通过选择合适的权重向量，波束形成可以实现对目标的空间选择性增强，提高雷达系统的性能。

3. 波束形成方法的评价指标3.1 参数指标波束形成方法的参数指标可以用来评估其性能。

声学自适应波束形成算法
声学自适应波束形成算法是一种利用波束形成技术来改善声学
信号传输和接收质量的方法。

该算法可以自动调整波束，以最大化信号强度和降低噪声干扰。

它可以应用于各种声学系统，例如无线电通信、水声通信和声纳系统。

该算法的基本原理是通过对接收到的声波进行分析，自适应地调整波束，以最大程度地捕捉目标信号，并消除干扰信号。

这种方法可以在复杂的声学环境中实现高质量的声音传输，例如在海洋中进行水声通信时，可以利用自适应波束形成算法来消除水流和海浪的噪声，以便接收远程传输的信息。

该算法的实现需要使用数字信号处理技术，例如滤波器和自适应滤波器，以实现波束的自适应调整。

此外，需要使用特定的算法，例如最小均方误差算法和LMS算法，来对接收到的信号进行处理和调整。

总之，声学自适应波束形成算法是一种非常实用和有效的技术，可以显著提高声学信号的传输和接收质量。

它将在许多声学应用中发挥重要作用，帮助人们更好地利用声音进行通信和探测。

- 1 -。

MVDR波束形成器论文：最优波束形成技术研究及其硬件实现【中文摘要】随着社会信息化进程的加快,个人移动通信日益受到人们的青睐。

现有的第二代移动通信网,无论在频谱资源,还是在移动业务方面都不能满足人们的日益增长的需求。

在这种情况下,智能天线技术、多天线技术应运而生,它们可以提高现有频谱资源的利用率,增加信道容量。

波束形成技术恰恰正是智能天线信号处理的核心技术之一。

波束形成技术的本质是形成空域滤波器,对接收信号中的干扰和噪声成分进行抑制,对接收信号中的期望成分进行增强。

本文主要研究空间谱估计,通过施加约束准则提高最小方差无畸变响应(MVDR)最优波束形成器的稳健性,并在ARM9263微处理器上实现MVDR 波束形成器。

具体工作包括：(1)建模仿真分析了延迟-相加法、Capon 最小方差法和MUSIC算法在空间谱估计中的应用。

对入射信号的波达方向估计(DOA)进行研究,对其分辨率高低及算法优劣进行了分析。

(2)对常规波束形成中的加权技术和零陷技术进行分析和研究。

仿真表明不同谱加权技术使波束形成器具有不同的性能,零点约束技术可以起到抑制干扰信号的作用。

(3)针对MVDR波束形成器,产生的主波束失配问题,通过施加对角加载技术和线性约束技术,为主波束提供保护。

...【英文摘要】With the rapid development of social information, the personal communication has attracted moreattention. The second generation mobile communication network could not meet the growing demand not only in the spectrum resources, but also in the mobile business. Then smart antenna and multi-antenna technology have emerged which can improve the existing spectrum utilization rate and increase the channel capacity. Beamforming is a core of smart antenna signal processing technology.The beamforming technology...【关键词】MVDR波束形成器 DOA估计 ARM9263 高斯-约当消元法稳健性【英文关键词】MVDR Beamformer DOA estimation ARM9263 Gauss-Jordan elimination method robustness【目录】最优波束形成技术研究及其硬件实现摘要3-5ABSTRACT5-6第一章绪论11-17 1.1 本课题的研究背景和意义11-12 1.2 波束形成技术的发展进程及国内外研究状况12-14 1.3 本文的研究工作和内容安排14-17第二章波束形成理论基础及空间谱估计17-27 2.1 阵列天线的理论基础17-19 2.1.1 均匀线阵17-18 2.1.2 平面内的均匀圆阵18-19 2.2 空间谱估计的传统研究方法19-23 2.2.1 延迟-相加法19-22 2.2.2 Capon最小方差法22-23 2.3 改进的空间谱估计的研究方法23-25 2.4 本章小结25-27第三章加权算法和调零技术在波束形成中的应用27-41 3.1 谱加权算法27-31 3.1.1 均匀加权27-28 3.1.2 谱函数加权28-31 3.2 给定旁瓣水平的最小波束宽度加权算法31-34 3.2.1 Chebyshev多项式法31-33 3.2.2 Taylor 加权法33-34 3.3 调零技术在波束形成中的应用34-38 3.3.1 频率——波束响应35-36 3.3.2 零点约束36-37 3.3.3 一阶零点约束及二阶零点约束37-38 3.4 本章小结38-41第四章基于主波束保护的稳健最优波束形成41-55 4.1 最优波束形成器41-47 4.1.1 阵列信号基本模型41-42 4.1.2 最小方差无畸变响应(MVDR)波束形成器42-44 4.1.3 失配的最小方差无畸变响应波束形成器44-47 4.2 主波束保护的方法47-52 4.2.1 对角加载技术48-51 4.2.2 线性约束的技术51-52 4.3 稳健的最优波束形成器_LCMV(线性约束最小方差波束形成器)52-53 4.4 本章小结53-55第五章最优波束形成技术在ARM9263中的实现55-67 5.1 嵌入式系统简介及硬件平台选择55-59 5.1.1 嵌入式系统简介55-56 5.1.2 硬件平台选择及ARM9263特点56-59 5.2 MVDR波束形成器在AT91SAM9263微处理器上的实现59-62 5.2.1 程序结构及流程59-61 5.2.2 阵列接收信号协方差矩阵求逆算法的实现61-62 5.3 算法处理结果及评估62-65 5.4 本章小结65-67第六章结论与展望67-69参考文献69-73致谢73-75攻读硕士学位期间已发表和录用的学术论文75。