α稳定分布噪声中基于最优核时频分析的跳频信号参数估计

针对传统非线性时频分析方法在跳频(frequency hopping, FH)信号参数估计时,会出现严重的交叉项和参数估计精度降低等问题,引入径向高斯核(radially Gaussian kernel,RGK)时频分析方法,该方法根据FH信号的不同自适应选择最优核函数,从而有效抑制交叉项。RGK时频分析方法可在高斯噪声环境下估计FH信号的参数,但在脉冲性较强的α稳定分布噪声中,该方法性能退化甚至失效。对此,结合最大似然估计理论,提出了一种α稳定分布噪声环境下的加权最大似然广义柯西(weighted maximum likelihood generalized Cauchy,WMGC)滤波的新方法。采用基于WMGC滤波器的RGK时频分析方法(WMGC RGK方法,即WR方法),对该噪声中的跳频信号进行参数估计。仿真结果表明,与基于分数低阶及Myriad的时频分析方法相比,WR方法在α稳定分布噪声中具有良好的鲁棒性和优良的跳频信号参数估计性能。     

α稳定分布噪声下基于稳健S变换的LFM信号参数估计

S变换由短时傅里叶变换发展而来,克服了短时傅里叶变换窗长固定、不能同时展现信号高频及低频的缺点,但在脉冲性较强的α稳定分布噪声下,该方法性能退化甚至失效。对此,基于广义柯西分布,构造了一类可有效应用于强脉冲噪声环境的损失函数,并详细分析了其影响函数的稳健性。在此基础上,根据最大似然估计理论和S变换,提出了一种稳健S变换方法。该方法以S变换作为初始值,采用最大似然估计方法在时频域迭代得到,在保留S变换窗长选取灵活等优点的同时,进一步提高了S变换的时频聚集性。仿真实验表明,在处理脉冲噪声环境下的线性调频信号时,与传统的基于Myriad滤波、Meridian滤波等多种非线性滤波的方法相比,提出的稳健S变换不仅能有效抑制脉冲噪声,且在脉冲性较强的α稳定分布噪声环境下,具有良好的鲁棒性和优良的线性调频信号参数估计性能。     

脉冲噪声下基于相关熵的OFDM时域参数估计

针对传统的正交频分复用(orthogonal frequency division multiplexing,OFDM)时域参数估计方法在Alpha稳定分布噪声环境下性能退化的问题,该文提出了一种基于相关熵的时域参数估计新方法。相关熵是适用于非高斯信号处理的一种广义相关函数,用于表征随机变量的局部相似性。该方法利用OFDM信号时域结构具有局部相似性这一特点以及相关熵对脉冲噪声较好的抑制作用,完成Alpha稳定分布噪声下OFDM信号有用符号时间和符号周期这两个时域参数的估计。此外,为进一步提高强脉冲噪声下有用符号时间和符号周期的估计性能,该文利用累积法对相关熵进行了改进。仿真结果表明,在Alpha稳定分布噪声下,本文提出的基于相关熵的方法具有良好的估计性能,并且在强脉冲噪声下优于基于分数低阶统计量的方法。     

Metropolis-Hastings自适应算法及其应用

首先阐述Metropolis-Hastings算法实现的具体步骤,然后证明由此产生的Markov链满足细致平衡条件,从而以目标分布为不变分布.接下来给出几个计算实例,以说明提议函数及其方差的选取对采样结果的影响,并由此推出一种改进的自适应算法用以寻找合适的提议函数及其方差.最后,通过贝叶斯Logistic模型的例子说明M-H方法在贝叶斯分析中的应用,同时也检验M-H自适应算法的效果.     

α稳定分布噪声下基于最优L-柯西加权的LFM信号参数估计

针对传统维格纳霍夫变换(Wigner-Ville Hough transform, WHT) 时频分析方法在稳定分布噪声环境下性能退化的问题,基于L-估计理论,提出了可有效抑制该噪声的最优L 柯西加权(L-Cauchy weighted, LCW)新方法。3En准则是一种常用的异常值剔除方法,其可从数理统计的角度对异常值进行有效抑制,对此,结合柯西分布提出了基于分散系数的异常值剔除准则,并依据数值仿真选取降噪效果最优的分散系数γ。在LCW方法有效抑制α稳定分布噪声的基础上,采用WHT对线性调频(linear frequency modulation, LFM)信号进行参数估计。仿真结果表明,最优γ值的选取与该文提出的异常值剔除准则一致,且与基于分数低阶、加权Myriad滤波以及L-估计等多种方法相比,提出的基于LCW的WHT(LCW-WHT,LW)方法在强脉冲噪声下具有良好的鲁棒性和优良的LFM信号参数估计性能。     

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。     

基于耦合技术计算Markov链性能势的仿真算法

在对遍历Markov链的性能灵敏度分析中,可以用计算Markov链的实现因子来代替计算Markov链的性能势。给出了一种基于耦合技术的仿真方法来估计实现因子。使用经过优化的耦合矩阵,通过仿真来快速获得实现因子的估计。这种方法有两个优点：一是不用去求稳态分布,二是能减少仿真中的计算时间。     

G/M/1排队系统的性能灵敏度分析与仿真

对G／M／1排队系统，通过研究其嵌入Markov链，讨论了系统的稳态性能灵敏度分析问题，导出了系统的稳态分布与其嵌入Markov链的稳态分布之间的关系式，给出了用嵌入Markov链的势能表示的稳态性能灵敏度公式。并提出了通过嵌入Markov链来计算系统性能灵敏度的仿真算法，由于该算法基于系统的一条单一样本轨道，故可直接应用于系统的控制与优化。最后提供了两种具体的G／M／1排队系统的例子来说明该算法的应用。     

基于粒子群优化算法的KK分布参数估计方法

针对KK分布的参数估计,首先介绍了半经验估计法,然后提出了一种基于粒子群优化的估计方法。该方法将杂波数据统计直方图与KK分布概率密度函数在部分采样点上的差异作为代价函数,通过粒子群优化搜索参数的最优值。通过蒙特卡罗方法对半经验估计法在权重参数不同时的性能进行了仿真,然后分析了杂波数据样本点数的多少等因素对所提算法精度的影响,最后基于实测合成孔径雷达图像杂波数据对该算法进行了验证。仿真结果表明,该算法对KK分布参数具有良好的估计性能,KK分布与K分布等相比,对合成孔径雷达图像杂波数据具有更强的拟合能力。     

α稳定分布噪声下一种稳健加权滤波的统一框架

针对传统滤波方法在α稳定分布噪声环境下性能退化的问题,从加权Myriad滤波以及加权Merid滤波方法出发,以M估计理论为基础,推导得到稳健加权(robust weighted,RW)滤波方法的统一算法结构,并据此提出了基于RW滤波的新算法,即基于稳健加权滤波的统一框架,从而将加权Myriad、加权Merid以及基于广义柯西分布的加权滤波器统一起来。此外,针对线性调频(linear frequency modulation, LFM)信号采用基于RW的LVD(RW LVD)方法估计其参数,并根据估计性能对RW方法的抑噪效果进行分析。仿真结果表明,与基于加权Myriad滤波、加权Merid滤波以及基于广义柯西分布的加权滤波等多种方法相比,在强脉冲噪声下RW滤波方法能有效抑制脉冲噪声,并具有良好的稳健性。     

脉冲噪声下基于共变序列的自适应时延估计

针对实际应用中常遇到的脉冲性噪声问题,以α稳定分布模型进行描述,提出了一种基于共变序列的自适应时延估计方法,简称CAED.该方法通过求取两个观测序列的互共变和一个观测序列的自共变,去除了不相关脉冲噪声,保留了观测序列间时间延迟的信息;将自共变、互共变序列作为两个自适应滤波器的输入信号,在最小均方误差准则控制下,由收敛的两个滤波器权系数矢量峰值位置之差可获得源信号到达两个接收端的相对时延.通过计算机仿真对比实验验证了该算法在强脉冲噪声、低信噪比情况下的优良估计性能.     

Minimum geometric power distortionless response beamforming against heavy-tailed noise of unknown statistics

A minimum geometric power distortionless response beamforming approach against impulsive noise(including all αstable noise) of unknown statistics is proposed.Due to that definite logarithmic moments require no priori knowledge of impulsive noise,this new beamformer substitutes the logarithmic moments for the second-order moments and iteratively minimizes the geometric power of the beamformer's output snapshots,subjected to a linear constraint.Therefore,the proposed beamformer can provide significantly highe...     

α稳定分布噪声下水声线性调频信号的识别

线性调频(linear frequency modulation,LFM)信号是一类重要的水声信号,在低信噪比(signal-to-noise ratio, SNR)和α稳定分布噪声条件下,对LFM信号进行识别会遇到一些困难。针对这个问题,在浅海水声多途脉冲噪声信道条件下,提出了适用于低SNR条件的LFM信号识别方法。该方法首先通过非线性变换抑制脉冲噪声,然后进行离散分数阶傅里叶变换(discrete fractional Fourier transform,DFRFT),通过分数阶傅里叶变换(fractionalFourier transform,FRFT)的结果构造出识别特征量,最后通过支持向量机(support vector machine,SVM)完成对LFM信号的识别。仿真实验结果表明,在混合信噪比（mixed signal-to-noise ratio,MSNR）为-15 dB时正确识别率高于94%。     

基于unscented粒子滤波的红外弱小目标跟踪

为有效解决非线性环境中的红外弱小目标跟踪问题,提出基于unscented粒子滤波的目标跟踪算法。状态转移先验概率中未考虑当前测量对状态估计的作用,为克服传统粒子滤波算法采用状态转移先验概率作为粒子滤波建议分布的缺点,采用UKF生成粒子滤波的建议分布(UPF),并从中抽样粒子。由于考虑到当前观测值在状态后验估计中产生的影响,改善了目标状态估计的性能,且实验所需粒子数目大大少于传统粒子滤波算法所需粒子数目。用实际红外图像对所提算法做了仿真实验,结果表明,用该方法得到的状态估计结果优于用传统粒子滤波算法和用扩展卡尔曼滤波作为建议分布的粒子滤波算法获得的结果。     

基于自适应渐消EKF的FastSLAM算法

快速同时定位与建图(fast simultaneous localization and mapping, FastSLAM)算法的采样过程会带来粒子退化问题,为了改进算法的性能,提高估计精度,从研究粒子滤波的建议分布函数出发,提出基于自适应渐消扩展卡尔曼滤波(adaptive fading extended Kalman filter, AFEKF)的FastSLAM算法。该算法基于FastSLAM的基本框架,利用AFEKF产生一种参数可自适应调节的建议分布函数,使其更接近移动机器人的后验位姿概率分布,减缓粒子集的退化。因此在同等粒子数的情况下,该算法有效提高了SLAM精度,以此减少所使用的粒子数,降低算法的复杂度。基于模拟器和标准数据集的实验仿真结果验证了该算法的有效性。     

大气噪声幅度分布与抑制处理分析

大气噪声的分析与抑制对低频通信至关重要。结合实测大气噪声数据分析其幅度分布,提出噪声抑制的新非线性变换方法,并理清非线性变换的检测性能与正态性的关系。首先分析实测噪声幅值分布,验证其非高斯性且接近服从对称 α稳定(symmetric α stable,SαS)噪声模型。然后基于高斯化处理后信号检测模型,推导得到新非线性变换方法——过高斯化处理。最后,基于实测大气数据的正态检验统计与误码率(bit error ratio, BER)仿真表明:大气噪声处理技术的BER性能与正态性之间并非一定正相关;过高斯化处理能够有效降低BER,性能接近传统局部最优检测器。     

基于MCMC无味粒子滤波的目标跟踪算法

针对传统粒子滤波目标跟踪算法存在粒子退化的问题,提出了基于马尔可夫链-蒙特卡罗(Markovchain Monte Carlo,MCMC)无味粒子滤波的目标跟踪算法.该算法采用无味卡尔曼滤波(unscented Kalmanfilter,UKF)生成粒子滤波的提议分布,来代替传统粒子滤波算法采用状态转移先验概率作为粒子滤波的提议分布,以改善滤波效果,然后在无味粒子滤波的基础上融合了典型的MCMC抽样算法(Metropolis Hastings,MH),从而可以减少传统粒子滤波未考虑当前量测对状态的估计作用所带来的影响.融合后的算法将当前量测信息融入到滤波过程中,并使采样粒子更加多样化.实验结果表明,该算法较传统方法在跟踪精度方面有显著的提高.     

异常数据恒虚警检测的非参数方法

针对异常数据和/或数据序列的检测,根据再生核希尔伯特空间最大平均偏差异常数据和/或数据序列检测算法,发展出了一种恒虚警检测异常的非参数方法。将来自正常数据的最大平均偏差描述成了一个统计分布,分析表明:奈曼—皮尔逊假设检验可利用这个分布来进行异常假设检验,而bootstrap重采样技术或期望最大算法则可估计出正常数据或数据序列的统计分布,尽管在给定虚警率的条件下,异常假设检验所需的判决门限可由估计到的统计分布计算获得,但可以利用蒙特卡罗积分的方法来简化这个计算。数值仿真的结果验证了提出方法的有效性,同时,表明所提方法优于文献中报道的方法。     

基于高斯混合模型的光纤罗经误差概率分布建模

针对船用光纤罗经误差的概率分布不完全符合高斯分布的情况, 提出了一种基于高斯混合模型(Gaussian mixture model, GMM)的光纤罗经误差概率分布函数(probability distribution function, PDF)建模方法。该方法使用多个高斯分布的线性叠加来拟合光纤罗经误差的概率分布, 并结合一种鲁棒性的期望最大化(expectation maximization, EM)算法来估计GMM中的参数。仿真分析和实测数据验证, 相比于使用单一的高斯分布, 基于所提方法建立的光纤罗经误差概率分布更加符合该导航设备误差的实际概率分布。     

UPF算法及其在目标跟踪问题中的应用

针对传统粒子滤波(PF)算法的缺陷,提出了一种改进的粒子滤波(UPF)算法。该算法以UKF方法生成替代分布并从中采样,解决了传统PF算法中以转换先验密度函数作为替代分布所引发的各种问题。对UPF算法进行了深入的分析研究,并给出了一个纯方位目标跟踪问题的仿真算例。理论分析与仿真结果均表明,改进算法提高了滤波的稳定性和精确性,具有较高的实用价值和广泛的应用前景。