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。     

ICA特征提取技术在背景噪声建模与分析中的应用

应用infomax学习规则对船舶辐射噪声信号进行独立成分分析(ICA)特征提取,并证明了ICA变换能增强信号的非高斯性.在此基础上,根据稀疏编码的特性,利用阈值化的方法将船舶辐射噪声信号有效去噪.通过对含有海洋环境噪声的船舶辐射噪声信号的去噪实验,证明了本方法的有效性,并且去噪结果明显优于传统的几种去噪方法.     

阵元非均匀高斯白噪声背景下的近场声源定位研究

为解决非均匀高斯白噪声背景下常规近场声源定位算法精度低的问题,提出一种基于噪声协方差矩阵估计的近场声源定位,预白化MUSIC算法,该方法首先从阵列输出数据中估计出噪声协方差矩阵,再利用估计出的噪声协方差矩阵预白化阵列协方差矩阵,从而提高常规算法的估计性能.仿真结果表明,在非均匀高斯白噪声背景下的近场声源定位中,预白化MUSIC算法定位性能高于常规MUSIC和Capon算法的估计性能.     

一类基于非平稳噪声参量估计的时变系统参数辨识

对于未知噪声时变统计特性的时变动态系统，论述了一类基于非平稳噪声参量估计的时变系统参数辨识算法．该算法包括三部分，通过在线状态估计，构造残序列模型，试图从测量信号中分离出非平稳噪声，在线估计噪声时变均值和方差，用于整个改进算法的实现．仿真例子验证了该方法的有效性．     

非高斯噪声环境下的智能粒子滤波多用户检测方法

粒子滤波适用于任何非线性非高斯系统的状态估计问题,具有应用灵活、适用范围广等优点．建议分布的选择恰当与否直接决定着粒子滤波的估计精度和估计效率．针对这一难点提出了采用粒子群优化算法来确定粒子的建议分布．粒子群优化算法作为新的群智能算法同样适应于各类非线性非高斯系统,采用该算法确定粒子滤波的建议分布保证了粒子滤波广泛的适应性,同时提高了估计精度．最后在Alpha稳定分布噪声环境下对CDMA系统多用户检测进行了仿真,结果表明,采用智能算法来确定粒子的建议分布极大地提高了粒子滤波的估计精度．     

基于分数低阶统计量的时延估计算法性能分析

传统的时延估计算法大多建立在高斯模型的基础上,利用信号的二阶、高阶估计量,可以得到理想的结果。然而,现实中的信号往往都处在非高斯环境下,如通信线路瞬间尖峰和环境噪声等,这一类信号的时域波形中存在一个明显的峰值,这时利用α稳定分布模型可以较好地表述非高斯脉冲信号和噪声。因此有必要对α稳定分布模型下的,基于分数低阶统计量(FLOS)的时延估计算法进行研究。通过调整参数取值得到的仿真结果,证明了在非高斯情况下,基于FLOS的时延估计算法相对于传统算法估计效果更好。     

基于经验模态分解空域相关滤波的脉冲星信号消噪

针对脉冲星信号信噪比极低,且信号中有色噪声成分远大于高斯白噪声的特点,提出了一种基于经验模态分解(empirical mode decomposition,EMD)的脉冲星信号空域相关滤波消噪方法。首先建立脉冲星信号的分形高斯噪声模型,根据双对数功率谱密度估计分形高斯噪声的Hurst参数值;然后,结合脉冲星累积信号的窗口辐射特性和分形高斯噪声经EMD分解后的噪声分布特点,估计脉冲星信号各层内蕴模态函数(intrinsic mode function,IMF)中噪声的方差;最后,以IMF噪声方差为基础,建立EMD空域相关滤波方法并应用于脉冲星累积轮廓消噪。实验结果表明,与经典的平移不变小波阈值消噪法、平移不变小波空域相关滤波消噪法以及EMD模态单元比例萎缩消噪法相比,改进的EMD空域相关滤波消噪法在抑制脉冲信号中的噪声和保留更多的微脉冲特征细节信息方面更加有效。     

面向连续离散系统的自适应最大相关熵滤波算法

针对目标跟踪中运动模型不精确和测量异常导致的传统滤波算法精度下降问题,提出了一种鲁棒平方根连续-离散自适应最大相关熵容积卡尔曼滤波(RSRCD-AMCCKF)算法。在目标跟踪问题中采用了精度更高的连续-离散时间模型,提高了目标跟踪的解算精度;将加权最小二乘方法与传统最大相关熵准则相结合,得到改进的相关熵代价权函数,之后引入连续-离散时间滤波框架,提高了滤波算法在测量异常情况下的鲁棒性;以高斯核函数作为相关熵的调整因子,依据不同测量环境选择自适应因子,进而对观测噪声的协方差矩阵进行调整。仿真结果表明：与传统算法相比,当测量噪声为高斯噪声时,RSRCD-AMCCKF算法对目标位置和速度估计的精度分别提高了38.4%和27.3%;当测量噪声为非高斯噪声时,RSRCD-AMCCKF算法对目标位置和速度估计的精度分别提高了23.5%和23.9%;当测量值发生突变时,RSRCD-AMCCKF算法对目标位置和速度估计的精度分别提高了12.6%和7.1%。RSRCD-AMCCKF算法在各类测量条件下都具有更高的精度和鲁棒性,更接近目标跟踪的克拉美罗下界,能够较好地实现滤波精度和抗异常测量的统一。     

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.     

关联白噪声驱动系统的数值模拟算法

采用常规积分算法和随机等价方法分别导出了关联白噪声驱动随机系统的近似的一阶算法和二阶近似算法．与常规算法比较，等价方法避免了一阶非高斯项的出现带来的困难，有效地提高了多噪声驱动系统的数值模拟算法的精度，为关联白噪声驱动随机系统的各种统计性质的研究提供了一种行之有效的途径．     

基于隐马尔可夫树非高斯信号的建模分析与分类识别

研究了基于小波域隐马尔可夫树模型非高斯信号的建模方法．探讨了海洋环境噪声和船舶辐射噪声在不同工况下所表现出的不同模型特征，并根据它们在HMT模型参数上的特征差异提出了一种新的检测方法，实验证明，该方法的检测性能比过零检测、能量检测以及二阶统计量检测方法要好．通过结合小波域隐马尔可夫模型和支撑向量机，提出了一种新的水声非高斯噪声信号的识别分类方法，实验证明，该方法具有较好的分类性能．     

一种获取船舶主要噪声源参数的方法

为了确定船舶主要辐射噪声源的声源参数,在分析辐射噪声特性及其传播规律的基础上,建立一个浅海波导条件下船舶主要辐射噪声源的数学模型.在不同信噪比条件下,利用快速场积分的方法计算船舶宽带辐射噪声的近场声压,并以全局概率优化搜索方法遗传算法作为反演工具,求解由近场声压数据构成的非线性方程组,从而得到辐射噪声源的参数.仿真结果表明,在浅海波导条件下,在信噪比高于15 dB时,该数学模型可有效反演出船舶主要辐射噪声源的声源参数.     

基于高斯混合密度函数估计的语音分离

基于最大熵法（Ｍａｘｉｍｕｍ Ｅｎｔｒｏｐｙ,ＭＥ）、最小互信息量法（Ｍｉｎｉｍｕｍ Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ,ＭＭＩ）和最大似然法（ＭａｘｉｍｕｍＬＩｋｅｌｉｈｏｏｄ,ＭＬ）最解决盲信号分离问题的常用算法,分析了ＭＥ、ＭＭＩ以及ＭＬ算法之间关系。基于高斯混合模式（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ,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     

低频线谱检测ALE算法应用

 舰船辐射噪声在低频段具有稳定的特征信息丰富的线谱成分,此线谱成分的检测对水下目标的定位和识别具有重要意义.为了有效地将舰船辐射噪声特征线谱从宽带背景噪声中分离出来,应用ALE算法理论对舰船噪声信号进行研究.ALE算法作为自适应FIRDF算法的一种变形,是自适应噪声抵消器的典型应用.低频线谱检测中采用ALE算法无需参考信号,自适应地将线谱成分信号进行匹配,可以从宽带噪声中将线谱成分分离出来,且线谱成分明显增强.理论分析仿真结合实际海试数据对LOFAR谱图进行研究,结果表明,ALE算法在低频线谱信号检测中能够达到期望的效果.与常规方法相比,检测性能得到有效提高,有利于辐射噪声线谱的提取.     

基于矢量泰勒级数的鲁棒语音识别

矢量泰勒级数是一种有效的抗噪声鲁棒语音识别算法.然而在对数谱域,美尔滤波器组的不同通道之间有较强的相关性,因而难以从含噪语音中准确估计噪声的方差.提出了一种基于矢量泰勒级数的倒谱域特征补偿算法.该算法在倒谱域,用一个高斯混合模型描述语音倒谱特征的分布,通过矢量泰勒级数从含噪语音中估计噪声的均值和方差.实验结果表明,此算法能明显提高语音识别系统的性能,优于基于矢量泰勒级数的对数谱域特征补偿算法.     

基于RBF神经网络的线性混叠盲分离算法

提出一种RBF神经网络算法应用于线性混叠信号的盲分离。所用的RBF神经网络算法是从输入信号的数据中训练出中心值和宽度值，再训练通过用最大熵值的代价函数推导的权值。所用的代价函数保证了网络的输出尽可能独立，使信号能正确地分离。仿真验证了所用的算法能减少分离时间和提高分离效率。对比ME算法，该算法更好。     

闪变噪声的模拟

闪变噪声是一种普遍存在的自然现象,尽管其形成机理还没有定论,但闪变噪声的功率谱与频率具有f -a的关系是十分确定的。准确模拟闪变噪声,对于研究闪变噪声的特点以及闪变噪声对特定系统的影响,具有重要的意义。通过从闪变噪声具有的功率谱形式出发,得到闪变噪声序列的自相关函数,采用Levinson-Durbin迭代算法构造出高阶AR(p)模型来模拟闪变噪声,研究结果表明当阶次p大于1024时,AR(p)模型可以很好地模拟闪变噪声。     

基于倒谱特征的舰船辐射噪声识别算法研究

研究了舰船辐射噪声的倒谱信息．倒谱可以避免连续谱特征的不稳定性，基于此，将倒谱代替连续谱作为舰船辐射噪声识别的特征，并对实测的海上数据进行了仿真实验．结果表明，该方法可以有效地达到识别舰船辐射噪声的目的，且识别率高．     

自适应非线性FIR主动噪声控制

针对非线性主动噪声控制系统的非高斯噪声问题,利用Hammerstein/Wiener模型思想简化Volterra滤波器,提出基于函数映射的非线性FIR主动噪声控制器.给出基于二阶Renyi误差熵和均方误差加权和的广义滤波-X梯度下降算法,实现自适应非线性主动噪声控制,并分析了控制算法的收敛性.该方法综合了信息熵和均方误差对误差信息的优势,结构简单且学习参数少.仿真结果表明了该方法的有效性.