广义相关时延估计算法的自适应实现形式

认为广义相关时延估计算法的缺陷是依赖对输入信号及噪声先验知识,特别是对其功率谱的了解,而在实际应用中,往往缺乏这种先验知识,只能以估计值来代替,从而影响时延估计精度,自适应滤波器一般只需要很少或根本不需要任何关于输入信号和噪声的先验知识且性能良好,若用自适应滤波器替代广义相关法中的预滤波器就可放松或免除对输入信号和附加噪声的条件限制,提高时延估计的精度,广义相关时延估计算法时域中的预滤波器就是其频域中的权函数,从理论上证明了,任何一个广义相关权函数,都能够变换成一个或几个Roth处理器的组合形式,实际上,Roth处理器就是自适应滤波器实现的,能对原始带噪信号做最优化估计的维纳滤波器,从而实现了自适应广义相关时延估计算法。     

实时广义相关时延估计器

在水下航行体的测试中，通常采用被动定位方式获得航行体的运动轨迹，被动定位一般利用空间关系已知的3个或3个以上的水听器来接收目标的辐射噪声，由时延估计器求得这些噪声信号间的相对时延，从而实现目标定位，广义相关时延估计器是其中具有重要价值的一类时延估计器，但是，由于所处理的信号是随机信号，其频谱结构起伏大，时变性强，且存在环境噪声的干扰，其先验权函数难以预知，因而极大地影响了估计器的性能，为了解决这一问题，提出了实时权函数估计算法，并设计了多DSP并行处理系统加以实现，通过在不同时间和水域对不同水下航行体的实际测试检验了估计器的有效性，实际应用表明，该广义相关器在目标源信号谱结构变化时时延估计性能基本不受影响，具有稳健的时延估计性能和自适应能力。     

基于变步长最小均方误差自适应滤波器的变压器机器鱼避障时延仿真

为了解决变压器机器鱼避障过程中时延信息难以准确估计的问题,提出一种基于变步长LMS（最小均方误差）自适应滤波器的时延估计方法。不同于传统的互相关时延估计算法,变步长LMS自适应滤波器算法不需要信号和噪声的统计先验知识,具有更好的适用性。算法根据最小均方误差准则和最速下降法对滤波器的输出和权系数向量进行自适应调节,迭代过程中采用变步长代替传统的固定步长提高了收敛速度,然后对权系数向量进行Sinc函数插值获得时延估计结果。仿真分析了不同信噪比条件的时延估计性能,并且与传统互相关算法进行了比较,结果表明所提算法相对于传统互相关算法具有更好的抗噪性和更明显的时延估计峰值。     

有色环境下的LMS算法研究

研究有色噪声和非平稳信号(如回声取消)情况下自适应滤波,提出解相关自适应最小均方(LMS)算法。首先设计出自适应预滤波器同时对输入信号和误差信号解相关,使输入信号和误差信号的白化,然后证明该方法并不改变维纳最优解,最后提出改进的变步长解相关自适应LMS算法。仿真实验表明:无论在有色噪声环境下还是白噪声环境下,该算法都改善了LMS算法性能,即提高了收敛速度又减小稳态误差。     

广义二次相关时延估计算法改进

在基于TDOA的声源定位算法中时延估计的精确度是关键,时延估计极小的误差也会导致定位结果的偏离,因此为了提高声源定位的精度,必须对时延进行准确的估计.传统的广义互相关时延估计方法是通过添加相应的加权函数来提高语音信号中的有效成分,从而提高时延估计的精度.然而现实中声学环境非常复杂,在较低信噪比的情况下,传统广义互相关时延估计法的性能开始下降,导致时延估计误差变大.针对这一问题提出了一种基于二次相关的广义互相关时延估计改进算法,该方法首先通过滤波器对接收到的音频信号进行滤波,再利用二次相关抑制了噪声对信号的干扰,然后对加权函数进行改进,提高时延估计精度.最后计算机仿真实验表明,无论在低信噪比还是在高信噪比甚至是弱混响的环境下,该方法都获得了较好的时延估计性能.     

广义相关时延估计方法在漏水检测定位中的应用

广义相关时间延迟估计是解决时间延迟估计的重要方法.文章分析了应用广义相关时延估计方法处理管道泄漏噪声信号时间延迟估计问题.研究了广义相关时延估计方法在管道泄漏信号时延估计应用中的关键技术.计算机仿真结果表明广义相关时延估计方法可以有效的应用于管道漏检测定位中.     

时间延迟估计的循环相关法

依据离散时间序列的长度有限性,将其扩充为以序列长度为周期的周期序列,又依据周期序列的相关原理———循环相关,对信号进行时间延迟估计.由于循环相关的平稳特性,即使在较大延迟量存在的情况下,仍然能够达到准确的时延估计效果.模拟得到了不同强度的高斯噪声或不同时间延迟量下的广义相关能量图和循环相关能量图.模拟实验结果表明,在低信噪比或大延迟量的环境下,循环相关时延估计方法比广义相关时延估计方法具有明显的优势.     

脉冲噪声下基于自适应特征值分解的时延估计新方法

依据分数低阶统计量理论和噪声特征,提出一种鲁棒性自适应特征值分解（RAED）时延估计方法,扩展了自适应特征值分解（AED）时延估方法的使用环境．该算法在脉冲噪声环境下,组合两个接收信号,使其共变矩阵最小特征值对应的特征向量为信道的估计,并基于广义归一化最小平均p范数（广义NLMP）方法自适应得到该特征向量,从而获得时延估计．计算机仿真表明该方法在脉冲噪声环境下具有较好的鲁棒性．     

基于信号相位匹配原理的广义相关时延估计

提出了一种利用信号相位匹配原理估计的线谱相位数据时延估计和广义相关时延估计相结合的时延估计方法,导出了该方法的时延估计公式.仿真和海上实航数据处理结果证明了该方法的正确性,并表明方法具有算法简单,稳健性好,可估计非整数倍时延,提高了低信噪比条件下的时延估计精度,具有重要的工程应用前景.     

基于组合形态滤波与自适应广义形态滤波的ECG去噪算法

针对ECG信号中存在的基线漂移和高频干扰,提出了一种传统线性组合形态滤波与自适应广义形态滤波相结合的新的去噪算法。该算法首先采用传统线性组合形态滤波器滤除基线漂移,然后将无基漂的信号送入采用不同结构元素级联而成的自适应广义形态滤波器滤除高频干扰,最后得到无噪声的ECG信号。结果验证了本文算法的有效性。     

基于改进时延估计的声源定位算法

针对强噪声和强混响条件下, 室内声源定位算法收敛速度慢和定位精度低等问题, 提出一种基于改进时延估计的声源定位方法. 该方法建立在单源多元混响模型下, 首先用四元十字型麦克风阵列估计时延; 然后在广义互相关时延估计算法的基础上, 引入二次相关法以削弱噪声干扰, 同时采用LMS(最小均方)自适应滤波算法弥补广义互相关方法的不足, 提高混响环境下的时延估计精度; 最后, 通过远场近似几何方法定位声源. 实验结果表明, 与相位变换加权广义互相关函数(GCC-PHAT)算法相比, 该方法具有较好的抗噪能力与抗混响能力, 能获得更准确的定位结果.     

声信号时延的倒谱相关分析

介绍了作者发明的一种新的广义相关算法，介绍了该算法引入的思路，分析了该算法优于传统相关算法的几个主要原因，该算法将相关分析和倒频技术有机地结合起来，融两种分析方法的优点于一身，使传统相关函数分析方法无法分辨的时延峰在该算法中也能清楚地呈现，实验和理论表明该算法有着广泛的应用前景。     

基于空频滤波的并行单星约束波束形成算法

由于空域抗干扰算法形成零陷时会导致有用信号一定程度失真,提出了基于空频滤波的并行单星约束波束形成算法。针对宽带接收机的应用,在空频二维宽带处理器的模型下,将各阵元接收数据变换到频域;通过频域并行单星约束方程,保证信号带宽内每个频点上的信噪比,有效防止了传统算法对有用信号的衰减。最后,将每颗卫星信号逆变换到时域,便得到了干扰抑制之后的全部卫星信号。计算机仿真验证了理论分析的正确性和算法的稳健性。     

组网雷达自适应数据融合跟踪算法

针对高速、机动目标的实时、精确跟踪问题,提出一种能在线调整组网雷达中各雷达权值的自适应数据融合算法。按照一定的规则寻找最佳的权系数,使融合后目标的状态估计值最优;把输入信号用作自适应滤波器的量测信号,利用新息相关的自适应滤波算法对状态方程及量测方程中误差的变化调节增益矩阵的大小,同时根据自适应滤波的状态偏差输出信号与当前的量测数据,运用模糊推理规则对组网雷达系统中各雷达的权值进行在线调节;系统输出结果即为自适应数据融合下目标的最优状态估计值。仿真结果验证了该算法在跟踪精度和收敛速度上的优越性,实现了组网雷达系统对目标的自适应跟踪。     

Eckart加权的自适应时间延迟估计

提出了一种Ｅｃｋａｒｔ加权的自适应时间延迟估计方法，分析了其性能，给出了计算机模拟的结果，理论分析和计算机模拟表明；这种时和瞎估计方法不依赖于输入信号和噪声的先验知识，具有较高的估计精度。     

机动目标被动声定位仿真研究

针对基于时延估计的空中机动目标定位与跟踪的算法仿真问题,提出一种以时变时延信号产生算法为基础的仿真方法.该算法利用FIR滤波器线性相位特性,使模拟的目标信号通过时变FIR滤波器产生相对输入信号有时变时延的输出信号.在考虑了目标的机动、干扰信号、环境噪声以及信噪比后构造出模拟的阵列接收信号,通过定位算法得到目标方位.仿真表明该方法能较好地完成对基于时延估计的被动声定位算法的评估,并具有广泛的适用性和实用性.     

基于支持向量回归机的自适应差分滤波算法研究

针对差分滤波(DDF)算法存在因噪声统计特性与实际不符而导致的滤波精度降低甚至发散的问题,提出了一种基于支持向量回归机的自适应差分滤波(SVRADDF)算法.将测量值的新息协方差与理论协方差之间的差值作为支持向量回归机的输入、输出调节噪声统计特征的自适应因子,实时修正DDF噪声协方差,根据实际噪声变化调整噪声协方差矩阵,从而提高滤波精度.针对水下目标纯方位角跟踪系统的蒙特卡洛仿真实验表明,在相同初始噪声特性条件下,所提出的SVRADDF算法具有较好的估计效果和鲁棒性,估计精度、稳定性及收敛时间等性能明显优于单纯DDF算法.