自适应矩估计最大相关熵算法的混沌序列预测

为了提高非高斯噪声环境下混沌时间序列的预测精度,提出了一种基于自适应矩估计的最大相关熵算法(AdamMCC).在AdamMCC中,采用最大相关熵准则作为代价函数有效地抑制了异常噪声值对预测性能的影响,利用代价函数梯度的一阶矩和二阶矩估计自适应调整算法的权重参数,在不同阶段为算法提供了更好的最优权重搜索方向,从而提高了AdamMCC的预测性能.采用Mackey-Glass和Lorenz两类混沌时间序列进行仿真实验,验证文中提出的AdamMCC的收敛性能和稳态性能.实验结果表明,在非高斯环境下的预测过程中,相比于最小均方算法、最大相关熵算法和分数阶最大相关熵算法,文中提出的基于自适应矩估计的最大相关熵算法在保持鲁棒性的同时,还能以合理的计算复杂度获得更高的预测精度.     

高斯噪声迭加码间干扰下OFDM解调性能分析

针对无线通信系统中复杂的非高斯噪声环境中接收信号发生畸变的问题,研究一种"高斯噪声迭加码间干扰下"的非高斯噪声,计算统一的数学模型,通过系统误码率等参考变量分析OFDM系统在非高斯噪声环境中的解调性能.对比分析高斯噪声和非高斯噪声环境中解调算法,仿真结果表明:迭加的码元干扰幅值b越小,系统误码率越大;b越大,系统误码率越小.非高斯噪声信道和高斯噪声信道情况下,系统误码率随着信噪比变化交替发生变化,低信噪比,非高斯噪声信道下误码率小于高斯噪声信道下误码率;高信噪比,非高斯噪声信道下误码率大于高斯噪声信道下误码率.高斯噪声迭加的码元干扰,影响着高斯噪声信道下系统解调性能,对OFDM系统解调算法的分析有重要的意义,为今后在复杂环境中进一步研究提供参考.     

基于改进无迹卡尔曼滤波的多径估计算法

【目的】在导航定位系统中，基于卡尔曼滤波框架的多径误差抑制算法是提高定位精度的有效方法。但是，在算法的过程噪声和观测噪声协方差初值的选取不当时，会导致估计结果误差很大甚至发散。另外，由于此类算法是基于最小均方误差准则，算法在受到非高斯噪声干扰时尤其是重尾非高斯噪声，会出现估计精度显著下降的问题。【方法】为了在高斯噪声和非高斯噪声下都能够保持较好的多径估计结果提高定位精度，本文提出一种自适应最大相关熵无迹卡尔曼滤波(adaptive maximum correntropy unscented kalman filter, AMCUKF)多径估计算法，算法在观测更新过程中引入最大相关熵作为优化准则，以解决在非高斯噪声下的估计精度下降的问题，在噪声协方差更新过程中用观测量的残差序列对噪声协方差矩阵进行递归更新，取代过程噪声和观测噪声协方差初值的选取。【结果】在高斯噪声和非高斯噪声下分别进行了仿真实验，通过与两种基于卡尔曼滤波框架的估计算法进行对比表明，AMCUKF多径算法不仅能够在高斯噪声下保持较好的多径估计结果，而且在非高斯噪声下也能够保持更高的多径估计精度，有效抑制非高斯噪声的干扰。     

结合互信息熵差测度的高斯混合模型图像分割

从分割图像与原图像的内在联系出发,提出了一种基于高斯混合模型与互信息熵差结合的分割算法--GMM-DMI算法.利用期望极值化方法确定高斯混合模型的各分量参数,以互信息熵差为模型选择准则,计算前分割图像与当前分割图像的互信息熵差,互信息熵差达到最小时即为最优解.实验结果表明,本算法所得到的目标图像的区域保持形状且定位性能好.     

基于中心误差熵准则的非高斯系统滤波器设计

针对现存的最小熵滤波理论由于熵具有平移不变性,基于最小熵准则的滤波方法只能保证估计误差的随机性尽可能小,而不能保证其收敛到零的问题,基于中心误差熵准则研究了一类线性非高斯系统的滤波器设计问题。首先在最小熵准则的框架下采用非参数估计理论和梯度下降法给出了滤波增益矩阵的设计方法,并对滤波误差系统的均方稳定性进行了分析。接着针对最小熵准则的不足,提出了新的中心误差熵准则,它是由信息势和互熵的加权求和构成的,最大化信息势以实现估计误差随机性的全局最小化,最大化互熵可以将误差概率密度函数的峰值固定到零,从而实现滤波误差尽可能小。最后采用数值算例分别针对最小熵滤波和最大中心误差熵滤波进行仿真,结果表明基于中心误差熵准则的滤波算法具有更好的性能。     

实现最小互熵编码多用户检测的快速算法

基于最小互熵(minimum cross entropy,MCE)的迭代多用户检测算法在高度互相关的系统(即非扩频系统)中可以渐近地获得单用户的性能,是一种最优检测算法.但标准的MCE算法的计算复杂度极高,因而使其难以实用.该文提出了一种实现MCE算法的快速算法,避免了标准MCE算法在计算度量函数时的重复运算,在用户间符号同步和异步两种情况下均可以将计算复杂度降低K倍(K为用户数),而无性能损失.对于异步系统,还可以此基础上,通过对度量函数作合理近似,使运算度进一步减少1/3,在加性高斯白噪声信道下的仿真结果表明,这种近似所产生的性能损失低于0.2 dB.     

执行阀黏滞过程的控制性能评估

控制性能评估是衡量工业过程控制回路性能和质量的重要技术,常见性能评估方法一般针对线性过程,而忽视了执行阀黏滞等造成的非线性特征.为此研究了一类存在执行阀黏滞现象的非线性系统,并提出了一种基于改进的径向基函数神经网络时间序列建模的控制性能基准估计方法.将Hinich检验算法引入网络评价函数,利用改进的网络评价指标训练径向基网络,以去除过程输出的非线性,进而采用时序分析技术准确估计出系统的控制性能基准.通过仿真分析,验证了方法的有效性.     

一种MIMO-OFDM信道估计方法

为提高现有MIMO-OFDM系统信道估计算法性能,降低算法运算的复杂性,提出一种基于变换域的MIMO-OFDM信道估计方法.该算法不需要任何信道统计信息,通过变换域内自适应低通滤波器降低了高斯白噪声和子载波间干扰对该估计算法准确度的影响,并且利用在变换域内得到的导频位置的信道估计结果,通过补零内插算法得到其他子载波位置的信道估计结果.仿真结果表明:该算法的误码率性能优于最小平方算法,稍逊于线性最小均方误差算法;该算法计算复杂度低,易于在实际系统中实现.     

基于广义互熵主元分析的故障检测方法

针对实际化工过程会受到不同程度非高斯扰动影响的问题,提出一种基于广义互熵主元分析的故障检测方法。从重构误差的角度出发,考虑过程的非高斯性,采用广义互熵准则构建PCA模型,利用核密度估计法确定故障检测指标的控制限。将所提出的方法用于田纳森-伊斯曼过程进行故障检测,并与基于传统PCA的故障检测方法和基于核PCA的故障检测方法进行对比。由田纳森-伊斯曼过程21种故障检测结果可知,本文所提出的广义互熵PCA在处理非高斯系统的故障检测方面表现出良好的性能,即有较低的误报率和漏报率。     

基于高斯混合密度函数估计的语音分离

基于最大熵法(MaximumEntropy,ME)、最小互信息量法(MinimumMutualInformation,MMI)和最大似然法(MaximumLikelihood,ML)是解决盲信号分离问题的常用算法,分析了ME、MMI以及ML算法之间的关系.基于高斯混合模式(GaussianMixtureModel,GMM)概率密度函数估计,提出了一种采用反馈结构的扩展最大熵语音分离算法.与传统ME的计算机模拟实验结果比较得知,新算法具有更好的收敛性能和语音分离效果     

基于最优熵滤波器的非线性非高斯带有数据缺失随机系统的故障隔离

文中提出了一种非线性非高斯带有数据缺失随机系统的故障隔离方法。利用EM算法对缺失数据进行修补,通过构建滤波器对系统的状态估计,将故障隔离问题简化为熵的最优化问题。滤波器的状态误差用非线性非高斯系统方程表示,并且获得状态误差的概率密度函数。通过在只存在目标故障时使状态误差的概率密度函数的熵最大化,而在只有非目标故障时使状态误差的概率密度函数的熵最小化,从而分离出目标故障,实现故障隔离。最后利用仿真示例,与完整数据下的故障隔离效果进行比较,验证了该方法的有效性。     

一种改进的DFT迭代的MIMO—OFDM系统信道估计算法

针对MIMO—OFDM通信系统中的非整数采样信道,提出了一种基于DFT迭代的低复杂度信道估计算法,该算法避免了复杂的矩阵求逆运算,较好地降低了高斯白噪声的影响．与最小二乘（least square,LS）估计算法相比,该算法有较大的性能改善．同时,提出的估计算法同样适用于整数采样信道,具有很好的实用价值．     

基于快速独立分量分析的盲多用户检测算法

为了抵抗多址干扰的影响,充分利用了各个用户信号之间的独立性,使用负熵作为非高斯性测度,提出了一种基于快速独立分量分析的盲多用户检测算法.该算法在干扰用户的扩频码未知情况下能够获得优异的符号估计性能.通过与传统匹配滤波器、MMSE检测算法比较,实验结果表明在同步CDMA信道中,MAI较低的时算法检测性能与MMSE检测器的性能接近,随着MAI增加,算法的性能明显优于MMSE算法.     

3G中盲检测算法的进一步研究

主要研究了DS-CDMA系统中多址干扰(MAI)抑制技术的盲多用户检测算法,提出了一种改进型盲多用户检测LMS算法——GJLMS算法。在加性高斯白噪声信道与时变信道环境中,对该检测的最小均方(LMS)算法、递归最小二乘(RLS)算法、卡尔曼(Kalman)滤波算法和GJLMS算法的抗干扰性能及剩余输出能量的仿真结果进行了计算机编程仿真,仿真结果表明:GJLMS算法的误码率、抗干扰性能及剩余输出能量稳态输出明显好于LMS算法,且其BER特性都能达到10-4以下,具有理想的BER特性曲线。     

基于复高斯混合模型的鲁棒VAD算法

针对语音激活检测的鲁棒性问题,提出在非平稳噪声环境下使用基于复高斯混合模型的鲁棒语音激活检测算法.算法中假设纯净语音谱满足复高斯混合模型,先验信噪比利用预先训练好的复高斯混合模型计算得到.复高斯混合模型的引入一方面提高了语音激活检测的性能,另一方面避免了使用基于最小均方误差语音增强的先验信噪比估计过程.实验中使用NOISEX-92噪声库来验证系统在噪声环境下的性能.结果表明,该种算法在非平稳噪声环境下具有良好的检测性能.     

利用高阶统计量进行非最小相位FIR系统识别研究

该文将高阶统计量应用于线性，时不变非最小相位ＦＩＲ系统的识别问题。对由非高斯、非对称分布白噪声激励的非最小相位ＦＩＲ系统，当仅已知其输出信号（可能含有噪声）时，该文提出一种利用输出信号三阶，四阶累积量进行系统辨识的新算法，在计算机仿真中，将该算法与ＧＭ法和Ｔ法进行比较，结果表明，当输出信号中含有高斯有色观测噪声时，新算法的处理效果明显好于ＧＭ法和Ｔ法。     

一种快速的语音干扰效果客观评估方法

为提高语音干扰效果客观评估的效率,以平均单点能量比为客观评估测度,以误组率为主观评价测度,以最小二乘法为主客观拟合方法,提出一种新的方法。使用Matlab对标准语音文件叠加高斯白噪声,模拟受噪声干扰的语音文件,该方法的主客观拟合程度达到89.5%。使用通信干扰设备测试数据进行验证,正确率达到86%,计算时间不超过10s,证明对于噪声干扰,该算法效率较高。     

基于改进变分模态分解及循环相关熵谱的轴承故障诊断

针对强背景噪声下非高斯脉冲噪声和高斯噪声对滚动轴承故障诊断产生严重干扰的问题,提出了一种基于改进变分模态分解(variational mode decomposition, VMD)并与循环相关熵谱(cyclic correntropy spectrum, CCES)相结合的故障诊断方法。首先,针对VMD传统重构指标易受噪声影响的问题,引入相关熵峭度(correlation entropy kurtosis index, CEK)指标对VMD分解后的模态分量进行选择与重构,去除高斯噪声;然后针对重构后信号仍存在的脉冲噪声影响问题,对重构信号进行CCES投影融合去除非高斯脉冲噪声干扰并增强特征;最后对融合结果进行分析与故障诊断。经仿真测试与实验表明,所提出的方法可以在高斯噪声和非高斯脉冲噪声背景下有效提取滚动轴承故障特征频率并实现故障诊断。     

基于q-高斯的模糊神经网络在飞机作战效能评估中的应用

为了增强模糊神经网络的自学习和自适应能力,提出基于q-高斯的模糊神经网络评估飞机作战效能.采用q-高斯函数作为模糊神经网络的模糊隶属度函数,利用量子粒子群算法优化基于q-高斯的模糊神经网络参数,将非广延熵指数q编码为粒子并随着种群的进化自适应地调整.通过评估飞机作战效能,结果表明,基于q-高斯的模糊神经网络作战效能评估的结果更准确,自学习和自适应能力更强.     

基于KL准则层次文本聚类

聚类已经被用来提高文本检索或文本分类效率和效果的一种手段,我们在本文中提出层次聚类算法是依据KL测度构造一组聚类,其实质是最小条件熵聚类,通过用结构α-熵代替香农熵推广最小条件熵准则,当α=2时,基于结构α-熵最小熵测度与最近邻方法的误差率相等.实验结果表明,HKLC算法比其它算法在文本聚类中具有良好性能.