带乘性噪声系统双滤器平滑及反褶积算法

在带乘性噪声系统（ＳＭＮ）间接平滑算法的基础上，通过构造一种新的ＳＭＮ逆向信息滤波算法，建立了ＳＭＮ的双滤器平滑和反褶积算法；为解决ＳＭＮ最优估计问题提供了新的方法。     

一种基于噪声分类的语音增强方法

为了提高噪声估计的准确性,改进语音增强方法性能,在改进的最小控制递归平均算法(Improved Minima Controlled Recursive Averaging,IMCRA)的基础上提出了一种基于噪声分类的语音增强方法。该方法首先对含噪语音进行噪声类型的判断,然后根据判定的噪声类型选取相应的最优参数进行噪声估计,最后采用最优修正的对数谱幅度语音估计计算增强后的语音。该方法相对于传统IMCRA算法,在语音信号的还原和背景噪声的抑制两方面都有较好的性能。     

一种改进的滤波器噪声模型的自适应估计法

提出了一种改进的加权最小二乘法估计噪声统计特性Q和R的方法。该方法在最小二乘法的基础上,通过建立次优估计新息自相关函数来确定权值并递推出最优增益。进而推出了噪声的统计特性,并且简化了Q的推导方法。仿真结果表明,加权后的估计值比不加权的估计值收敛更快,精度更高。     

带有色观测噪声的ARMA模型参数估计的三段算法

提出了带有色观测噪声的自回归滑动平均（ARMA）模型参数估计的三段算法。第一段用递推增广最小二乘法（RELS）估计自回归（AR）参数;第二段用Gevers-Wouters算法估计伴随滑动平均（MA）模型参数;第三段用求不相容线性方程组的最小二乘解得到原始MA参数估值。一个仿真例子说明了其有效性。     

噪声相关时多通道带乘性噪声系统最优滤波

针对多通道乘性噪声系统问题的实际需要,推广Rajasekaran滤波算法,利用线性最小方差的概念和投影公式,导出含有乘性噪声统计特性参数阵特殊乘法运算的新息协方差矩阵,并利用这个中间矩阵,在观测为多通道,且各个通道的乘性噪声不同,以及系统的动态噪声和观测噪声同时刻相关的情况下,导出状态递推滤波算法,该算法在线性最小方差意义下是最优的。并对该算法进行仿真研究,仿真结果表明了该算法的有效性。     

具有观测噪声的AR模型参数的无偏估计

本文研究了带未知白色观测噪声的ＡＲ模型参数的无偏估计问题，提出了一种实现ＡＲ模型参数无偏估计的偏差补偿最小二乘法，这种方法通过对预测数据预滤波，将一个已知零点嵌入被辨识系统，并利用该零点提供的信息，从普通最小二乘估计中提出出噪声引起的偏差并予以消除，从而得到无偏估计，文中给出的数值仿真例子说明了所提算法的有效性。     

乘性噪声系统滤波问题研究

考虑状态和输出均受乘性和加性高斯噪声干扰的随机系统,通过极小化均方误差给出动态系统最优状态估计的递推算法,包括最优预测、滤波以及平滑问题。仿真结果表明,状态估计能较好的反映系统的真实状态,估计器品质良好。     

自协方差总体最小二乘噪声估计算法

提出了一种自协方差总体最小二乘(ATLS)噪声估计算法,该算法在自协方差最小二乘(ALS)噪声估计算法基础上,采用总体最小二乘方法对自协方差线性方程组求解,使得算法具有更强的抗干扰能力,提高了算法的估计精度;并给出了算法的实现步骤。仿真实验表明在先验噪声偏差较大的情况下,ATLS噪声估计算法具有更高的估计精度。     

严格的最小二乘递推算法

当缺乏待估计量的初始统计知识时,最小二乘递推（ＲＬＳ）算法不能给出严格意义下的最小二乘估计．本文继文献［１］之后,应用广义逆的理论,分别就一般加权情形、最优加权情形和指数加权情形给出了严格的最小二乘速推算法（简称Ｒ２ＬＳ算法）．该算法无需事先提供待估计量的任何统计知识而能获得严格意义下的最小二乘估计,且证明了该算法分别为时变与定常系统提供了最短时间无偏状态估计算法与无差状态观测器．     

复杂噪声中基于累积量的二维DOA估计

针对自相关算法的局限性,研究了复杂环境(乘法与加法观测噪声共存时)中,通过高阶累积量对二维DOA估计的问题.算法能同时确定目标的仰角与方位角;高阶累积量使得算法能够更加有效抑制消除乘法噪声.该方法对任何平稳的加性与乘性噪声均不敏感,因而具有较大的实用性.     

基于H_∞滤波器的交互多模型算法

为了解决在实际情况中噪声的统计特征信息经常残缺甚至完全未知的问题,在量测噪声的协方差未知的前提下,提出了一种方法解决含有马尔可夫参数线性离散系统的估计问题.在交互多模型算法的基础上融合H_∞滤波器构造估计器,得到交互过程中必需的噪声统计特征,进而对目标的状态进行估计.该方法不但解决了噪声信息缺失问题,而且保留了交互多模型算法的优异性能.通过与单模型H_∞滤波进行比较,试验仿真结果证实了该算法的有效性.     

设计阵列亏秩时几种估计性能的比较

在给定的线性模型下，讨论了在设计阵列亏秩时，最小二乘估计、最优加权最小二乘估计和线性无偏最小方差估计的性能比较。得出了在一定条件下，最优加权最小二乘估计等价于线性无偏最小方差估计。在噪声方差矩阵可逆、未知参数方差矩阵可逆条件下，可算出最优加权最小二乘估计与线性无偏最小方差估计方差的差表达式，并在一定条件下，两者趋于一致。     

自校正加权观测融合Kalman估值器

对于带未知噪声统计的多传感器系统,应用现代时间序列分析方法,基于滑动平均（MA）新息模型参数的两段递推最小二乘法在线辨识,可在线估计未知噪声方差,进而提出了一种加权观测融合自校正Kalman估值器,可统一处理自校正滤波、预报和平滑问题,并证明了它的收敛性,即若MA新息模型参数估计是一致的,则它与相应的最优加权观测融合Kalman估值器的误差收敛到零,因而具有渐近全局最优性。一个带3传感器跟踪系统的仿真例子说明了其有效性。     

基于BCRLS-AEKF的锂离子电池荷电状态估计及硬件在环验证

研究有色噪声下的锂离子电池参数辨识与荷电状态（SOC）估计,并进行硬件在环实验验证.在动力电池模型的参数辨识过程中,利用带遗忘因子的偏差补偿递推最小二乘法进行偏差补偿,提高了有色噪声数据的参数辨识精度.在此基础上,利用自适应扩展卡尔曼算法进行SOC估计,使得滤波算法中的估计结果可以随着噪声统计特性的变化而自适应更新,实现了模型参数和电池状态的联合估计.最后,借助BMS测试系统模拟电池电压电流信息输出,完成了硬件在环实验以验证所提出的方法.实验结果表明,利用所提出算法估计得到的电池端电压和SOC误差分别小于10 mV和0.5%.      

面向脉冲噪声环境的多径信道鲁棒估计方法

在低压电力线通信(power line communication,PLC)中,由于脉冲噪声的干扰和阻抗不匹配引起的多径信道的影响,传统的在加性高斯白噪声环境下的信道估计算法运用到电力线通信时,往往效果很差,甚至得到的结果毫无意义。针对电力线通信中的脉冲噪声,采用了Middleton Class A脉冲噪声模型。通过基于高阶矩的方法对脉冲噪声的参数进行估计。根据估计得到的脉冲噪声参数,提出了新颖的、在脉冲噪声环境中鲁棒的信道估计算法。通过仿真,验证了提出的算法是可靠的,并且具有一定的灵活性。     

多通道带乘性噪声系统的最优固定域平滑算法

在以往的乘性噪声系统的观测模型中，由于假定各通道的乘性噪声是完全相同的，因此并不是真正的多通道系统。而本文则考虑各通道乘性噪声不同的情况，即真正意义上的多通道带乘性噪声系统。在褚东升等“噪声相关时多通道带乘性噪声系统最优滤波”的基础上，进一步给出了固定域平滑算法。该算法在线性最小方差意义下为最优的。通过仿真计算，说明了该算法的有效性。     

改进变步长LMS在组合学习结构预失真的研究

针对预失真间接学习结构易受加性噪声、模数转换（Analog to Digital Converter,ADC）量化噪声等影响,提出一种通过设置判别门限自适应切换直接学习结构和间接学习结构的组合学习结构数字预失真方案。该方案在直接学习结构中采用最小二乘法（Recursive Least Square,RLS）算法对参数进行快速粗估计,切换至间接学习结构时采用改进变步长最小均方（Least Mean Square,LMS）算法进一步提取参数。分析仿真表明,组合学习结构的预失真方案其线性化性能较间接学习结构有很大提升,且在算法收敛速度基本持平的情况下有效抑制了间接学习结构中的非相关噪声。     

关于Gauss-Markov估计在噪声方差矩阵不可逆时的化简

讨论了Gauss-Markov(简记为)估计与最优加权最小二乘估计之间的关系,证明了即使模型噪声方差阵不可逆,在一定条件下GM估计与最优加权最小二乘估计仍可以是统一的.     

带乘性噪声系统在加性噪声相关时的最优固定域平滑及反褶积算法

最优平滑及最优反褶积在石油地震勘探、通讯工程、语音处理等应用领域都具有十分重要的意义。以往的带乘性噪声系统的平滑及反褶积大都对系统模型的噪声特性有着较强的限制条件，要求动态噪声及观测噪声互相独立或只能在同时刻相关。该文给出了一种在动态噪声为有色噪声及动态噪声和量测噪声在有限时间段上相关的情形下带乘性噪声系统的固定域平滑及反褶积算法，该算法在线性最小方差意义是最优的。通过仿真计算，说明了该算法的有效性。     

SIMO系统最小二乘辨识估计量的统计特性

系统辨识在系统工程、自动化及控制等领域都起着非常重要的作用。分析了单输入多输出（SIMO）系统的辨识问题，讨论了用最小二乘方法所给出的估计参数的统计特性，从统计学的角度证明了估计参数是否具有无偏性以及相合性等性质，另外还提出了一个关于有偏估计的猜想。