基于快速傅里叶变换的三维非高斯粗糙表面数值仿真

实际工程粗糙表面多数符合非高斯分布,非高斯粗糙表面的数值仿真和生成对于研究两表面间润滑、接触行为具有重要意义。基于有限脉冲滤波技术,利用快速傅里叶变换算法,生成具有给定峰度、偏态和自相关函数的非高斯粗糙表面。当非高斯粗糙表面生成时,将其高度分布视为随机序列,用幅值和相角两个分量来表示,通过分别求解这两个分量使粗糙表面具有给定的表面粗糙度参数。结果表明,对于各向同性和各向异性表面,生成表面的自相关函数与给定的自相关函数吻合良好,并具有给定的峰度和偏态。     

高耸结构非Gauss风载响应分析

考虑风载中脉动风速平方项的影响,推导了非Gauss风载的前四阶矩函数;基于Fourier变换由风载谱密度求得结构风振响应的四阶中心矩,通过Gram-Charlier渐进展式来确定结构响应的一维概率密度分布;利用时域分析的相关函数检验了位移和速度响应相互独立性假设的合理性,进而构造出响应的联合概论密度,给出了一种非Gauss风载下分析高耸结构风振响应的方法;对Gauss和非Gauss风载模型下高耸结构风振响应及其动力可靠性受阻尼、地貌类别的影响进行了参数研究.     

非线性非高斯模型的高斯和滤波算法

通过将模型的状态噪声和观测噪声均表示成高斯和的形式，推导出非线性非高斯状态空间模型的高斯和递推算法，进一步提出了对应的扩展卡尔曼和滤波器（extended Kalman sum filter, EKSF）和高斯厄密特和滤波器（Gauss-Hermite sum filter, GHSF）。EKSF和GHSF分别用扩展卡尔曼滤波器（extended Kalman filter, EKF）和高斯厄密特滤波器（Gauss-Hermite filter, GHF）作为高斯子滤波器。分析的结果表明，现有的高斯和滤波算法是本文算法的特例；仿真结果表明，EKSF和GHSF能有效处理非线性非高斯模型的状态滤波问题，与高斯和粒子滤波器（Gaussian sum particle filter, GSPF）相比，EKSF和GHSF在保证精度的同时，大大降低了计算量，仿真时间分别约为GSPF的5%和6%。     

非高斯乘性噪声环境下伪码捕获方法

针对非高斯乘性噪声环境提出了一种伪码捕获方法，将伪码捕获等价为假设检验问题，利用局部最佳检测算法推导出非高斯乘性噪声环境下的伪码捕获检测统计量.给出了基于局部最佳检测算法的捕获结构，并与传统的平方和检测器和非高斯加性噪声环境下局部最佳检测器进行了性能仿真对比.结果表明，文中所提出的捕获方法在非高斯乘性噪声环境下检测性能有较大幅度的提高.     

大气低频噪声混合模型的MCMC参数估计

大气噪声是低频通信中的主要干扰，且具有严重非高斯分布特性，对非高斯噪声模型的参数估计对于提高低频接收机的性能具有重要意义。设计了估计非高斯混合模型参数的马尔可夫链蒙特卡罗(Markov chain Monte Carlo， MCMC)算法,该算法通过构建贝叶斯层次模型，利用Gibbs抽样和M-H抽样更新迭代参数。利用乘积特性，将稳定分布作为等价的高斯分布来处理,并在层次模型中设置多个额外参数，以增强其灵活性。仿真实验与实测数据表明，该算法迭代收敛快、精度高，有很高的实用价值。     

基于KLD采样的自适应UPF非线性状态估计方法

针对标准UPF算法存在的计算量大、实时性差的问题,设计了一种利用KLD采样在线实时改变粒子个数的自适应UPF算法.该算法的核心思想是利用KLD采样原理,根据预测粒子在状态空间中的分布情况来在线实时的确定下一次滤波迭代所需的粒子个数,减少对滤波算法没有帮助的粒子,仅保留保证滤波估计精度所需的最少粒子个数,从而有效减小算法的运算量,提高算法的实时处理能力.最后,将自适应UPF算法与粒子滤波、标准UPF算法进行了仿真比较,仿真结果表明在保持高精度估计能力的同时,自适应UPF算法比标准UPF算法具有更好的实时性,是解决非线性非高斯系统状态估计问题的一种有效方法.     

硬化非高斯结构响应首次穿越的Monte Carlo模拟

在对比分析已有硬化非高斯模型(Winterstein硬化模型、Ding和Chen模型)的基础上,提出了一个基于Zhao和Lu模型的新硬化非高斯模型.新模型预测偏度和峰度的误差比既有硬化模型小,且最大误差分别为0.311和0.479,表明新模型具有良好的精度;同时新模型扩展了Zhao和Lu模型的适用范围.最后运用新硬化模型模拟硬化非高斯过程样本,发展了硬化非高斯结构响应首次穿越的Monte Carlo模拟方法.数值算例验证了本文方法用于硬化非高斯结构响应首次穿越失效概率计算有较高的精度;杭州新火车东站大跨屋盖以及南水北调工程渡槽结构工程实例说明了本文方法的使用过程.     

非高斯型互相关随机数的发生技术

在用蒙特卡罗法进行仿真研究（例如进行测量不确定度评定）时,常常需要发生多个非高斯型互相关的随机数.就这一问题,给出完整的解决方案：用Hermite展开式生成近似的非高斯变量,借助Cholesky分解建立各变量之间的相关性.方法的关键在于对互相关系数矩阵进行“预变形”,使Cholesky分解也适用于非高斯变量.此外,还利用Cholesky分解式下三角矩阵的特点,对矩调整和建立相关性两个过程进行解耦.给出了详细的算法说明.     

非高斯环境下船变测量最大熵卡尔曼滤波方法

在进行惯性量匹配船体变形测量时, 光纤陀螺组件(Fiber Gyroscope Unit, FGU)往往暴露在复杂海况的外扰环境中, 经典卡尔曼滤波误差较大甚至出现发散。针对于此, 引入最大熵准则(Maximum Correntropy Criterion, MCC)和基于权重矩阵的加权最小二乘(Weighted Least Squares, WLS)方法改进KF迭代过程, 推导了一种用于噪声模型未知和非高斯环境中的MCC卡尔曼滤波器(MCC Kalman filter, MCCKF)。最后, 基于角速度匹配法开展多组对比实验。实验证实相较于自适应和传统MCC滤波器, 新算法无需实时调参, 抑制外扰能力更优, 可实现更高精度的变形角估计, 满足快速收敛和抗复杂外扰的鲁棒性要求。     

Robust detector for range-spread targets in non-Gaussian background

Based on the target scatterer density,the range-spread target detection of high-resolution radar is addressed in additive non-Gaussian clutter,which is modeled as a spherically invariant random vector.Firstly,for sparse scatterer density,the detection of target scatterer in each range cell is derived,and then an M/K detector is proposed to detect the whole range-spread target.Secondly,an integrating detector is devised to detect a range-spread target with dense scatterer density.Finally,to make the best of the advantages of M/K detector and integrating detector,a robust detector based on scatterer density(DBSD) is designed,which can reduce the probable collapsing loss or quantization error effectively.Moreover,the density decision factor of DBSD is also determined.The formula of the false alarm probability is derived for DBSD.It is proved that the DBSD ensures a constant false alarm rate property.Furthermore,the computational results indicate that the DBSD is robust to different clutter one-lag correlations and target scatterer densities.It is also shown that the DBSD outperforms the existing scatterer-density-dependent detector.