捷联惯导系统初始对准的SVM自适应Kalman滤波算法

作为捷联惯导系统初始对准关键技术的Kalman滤波要求事先精确已知系统及量测噪声的统计特性,当在滤波过程中这些特性改变时,滤波器性能将会降低甚至发散,针对这一问题采用了一种支持向量机(SVM)自适应Kalman滤波(SVMAKF)算法,根据协方差匹配技术应用支持向量机来动态调谐量测噪声方差阵R,当量测噪声随时间改变时,SVMAKF可以实时的估计出准确的噪声方差阵,这就降低了系统对量测噪声先验统计特性的依赖性,能够改善kalman滤波器的状态估计效果.基于SVMAKF的捷联惯导系统初始对准计算机仿真结果表明在滤波精度和滤波器鲁棒性上,SVMAKF都有比传统Kalman滤波器好的表现.     

传递对准滤波中机翼变形噪声的在线补偿算法

针对机翼变形噪声对传递对准滤波的显著影响,通过特性分析将其处理为时变多阶有色观测噪声,提出了一种在线补偿算法。该算法以标准卡尔曼滤波方程为基础,推导了不扩维情况下补偿多阶有色观测噪声的滤波方程。算法依据滤波过程的序列量测数据,结合模型估计残差的F检验法,在线递推估计机翼变形噪声的自回归阶数、系数及白噪声,构建补偿方程的量测量、量测矩阵和量测噪声进行补偿滤波。通过将该算法应用于速度+姿态对准匹配方案,并与将机翼变形噪声等效为注入量测白噪声和扩充为系统状态的方法比较。仿真结果表明,该算法对时变机翼变形噪声影响下的新息适应性强,收敛稳定,估计精度高,适用于复杂空中环境下机载导弹快速精确传递对准。     

时间序列曲线盒维数的一种快速算法

盒维数是应用最为广泛的维数之一,它在信息处理、预测等领域都有成功的应用。目前,对盒维数的计算主要采用网格法,但该算法需处理分形集合在网格中的计数问题,所以计算机处理起来很不方便。针对一维时间序列,提出了在不同间隔时间内寻求最大离差的方法,避免了集合的计数问题。应用该算法在上证指数的时间序列曲线的盒维数的计算表明上证指数存在着长程正相关。Ｗｉｅｎｅｒｆ过程曲线的盒维数的计算同样表明该算法是可行和有效     

色噪声环境下基于约束Kalman波束形成算法

针对色噪声环境和低快拍数下波束形成器波形畸变的问题,提出了一种色噪声环境下基于约束Kalman的波束形成算法。该算法首先利用波束形成器的代价函数来构建状态和量测方程,其次对量测有色噪声进行一阶马尔可夫建模并对量测扩充得到新的量测方程,最后利用Kalman滤波方程来求解阵列权值矢量。所提算法是通过对色噪声白化来消除其对波束形成算法性能的影响。仿真结果显示,在色噪声环境和低快拍数下本算法具有更快的收敛速度和更高的输出信干噪比,并且波束图的旁瓣水平明显降低。     

ESO滤波器在运动参数估计中的仿真研究

通常情况下使用Kalman滤波器进行参数估计，然而在目标运动模型和噪声统计特性存在不确定性的条件下，Kalman滤波的应用将会受到一些限制。在分析ESO滤波器滤波性能的基础上，将其应用在运动参数估计中，有效地解决Kalman滤波所遇到的问题．并从系统噪声分别为高斯白噪声、有色噪声和目标作机动运动这三个方面与Kalman滤波器进行了比较。仿真结果表明ESO滤波器算法简单，有效，具有鲁棒性。     

有色观测噪声条件下的分布式Kalman最优融合

传统分布式Kalman融合算法通常假定观测噪声是白噪声,在有色观测噪声条件下将导致系统性能的降低,而白化有色观测噪声会加剧传感器估计误差的相关性,对这种相关性的处理是分布式Kalman融合的难点.提出了一种基于有色观测噪声多传感器系统的分布式Kalmn最优融合算法,将系统状态分解为不相关的两部分,进行非扩维Kalman滤波以及分布式状态融合,证明了分布式状态融合等价于集中式Kalman最优融合,并进一步分析了具有反馈和非反馈两种结构的多传感器系统,给出了反馈结构下修正的分布式Kalman最优融合算法.同时分析了有色观测噪声对Kalman滤波器的影响.理论分析与蒙特卡罗仿真表明:所提算法具有全局最优性并且便于工程实时计算.     

基于自适应预白化的水下动目标LFM回波联合检测

有色混响噪声背景以及水下动目标径向速度造成的回波和样本失配导致匹配滤波器对于线性调频LFM(linear frequency modulation)回波检测性能下降。基于自适应预白化处理的广义似然比GLRT(generalized likelihood ratio test)方法利用混响噪声背景的自回归AR(autoregressive)模型构建白化滤波器来抑制混响噪声,但回波和混响噪声的混叠会造成AR模型偏差。结合匹配滤波的回波定位特性和基于自适应预白化处理GLRT方法的混响噪声背景抑制特性,提出结合这两种方法的联合检测算法。仿真和实验数据测试表明联合检测算法对于水下动目标LFM回波检测性能优于单纯的零速样本匹配滤波和GLRT方法。     

区域自适应中值滤波器

传统的基于噪声检测的中值滤波算法，对于检测出的噪声点往往采用相同的滤波处理方法，而忽视了噪声点自身特性的差异，限制了其滤波性能的进一步提高。针对这一问题，提出了一种区域自适应中值滤波器，算法在噪声检测的基础上，应用改进的区域判别方法实现对噪声点所属区域的判别，进而根据其所属区域的不同有针对性的选取滤波处理方法．仿真研究表明，该滤波器算法在有效抑制噪声的同时，获得了更强的边缘细节保护能力，较之传统方法具有更为出色的滤波性能。     

股指时间序列的低维分形表示及相似性研究

针对复杂波动股指时间序列分形表示以及相似性问题,建立了以复杂波动趋势特征为基础的低维分形表示方式,提出了一种基于低维分形表示的相似性度量方法.定义了一种基于维数简约的趋势特征提取技术,以满足低维分形表示方式对波动趋势特征的需要.在此基础上,构造出一种综合考虑复杂波动趋势特性的相似性度量方法用以划分不同类别的股指时间序列.采用多组真实数据进行计算实验,并与其他三种相似性度量方法进行相比,实验结果表明本文方法优于对比方法.     

多变量混沌时间序列Volterra自适应实时预测

针对多变量混沌时间序列,给出一种Volterra滤波器实现结构.该滤波器利用基于奇异值分解的最小二乘法确定初始核,通过归一化最小均方差(normalized least mean square,NLMS)算法实时确定滤波系数,并用这种多变量Volterra结构对Lorenz时间序列进行仿真.计算结果表明,在无噪声情况下,该方法的实时一步预测精度比目前单变量混沌时间序列Volterra自适应预测方法的一步预测精度提高了102倍,表明这种实现结构易实现且收敛性能更好;在有噪声的情况下,该方法的实时多步预测性能优于局部多项式预测法的多步预测性能,且抗噪性更强.     

基于频域Katz分形维数的快速盲频谱感知

针对目前频谱感知方法对噪声不确定性敏感、低信噪比下准确度较差和运算速度慢的问题,提出了基于频域Katz分形维数的快速盲频谱感知方法。该方法根据信号和噪声的频域Katz分形维数特征的不同来感知主用户的存在。Monte Carlo仿真结果表明,该方法具有对噪声功率不敏感、受调制参数影响小、低信噪比下准确度高和运算速度快的优点,并能有效克服盒维数方法对某些调制参数的信号无法感知的缺点,可用于低信噪比、噪声具有不确定性情况下的快速盲频谱感知。     

基于奇异值熵和分形维数的雷达信号识别

针对低信噪比条件下雷达信号脉内调制方式识别算法识别率低的问题,提出了基于奇异值熵和分形维数的雷达信号识别算法。该方法首先通过Choi Williams分布得到信号的时频图像,提取时频图像的奇异值熵;然后再提取信号频谱的盒维数与信息维数,组成三维特征向量;最后使用基于支持向量机的分类器实现雷达信号的分类识别。对8种典型雷达信号的仿真试验结果表明该方法抗噪性强、识别率高,在信噪比大于1 dB时,平均识别率能达到95%以上。     

基于直方图的自适应高斯噪声滤波器

图像滤噪时,利用原图像的信息越多滤波效果越好,但这通常是不可行的或不可能的。为此提出了一种图像恢复的新方法。该方法通过输入图像估计出原图像的直方图,并从该直方图得到一个包含原图像信息的模糊隶属度函数,以此隶属度函数构建一个模糊加权平均滤波器。该滤波器能够根据图像区域特性差异及噪声强弱自适应地采用不同的滤波尺度。实验结果表明,该滤波器滤波效果优于传统的滤波器和其它模糊滤波器,特别是当噪声发生概率超过0 3时,其滤波效果更加明显。     

混沌逆滤波与分形参数在目标检测中的应用

对目标跟踪的雷达测量数据进行处理 ,说明了通过混沌逆滤波可以找到观测数据中隐藏的工程背景中的动力特性 ;并且利用分形布朗运动 ( FBM)模型研究测量残差数据 ,其分形特性反映了目标的物理性质 .给出了混沌滤波器在提高雷达数据信噪比和分形参数在目标特性检测中的应用方法.     

基于分形特征的我国干旱灾害小波分析

小波分析可用于揭示旱灾时序数据的演变规律,这对其早期预警具有重要意义.利用我国近60年的的旱灾成灾率时序数据,在 探讨其分形及小波特征基础上,利用Mallat算法进行了多分辨小波分解与重构.结果显示:中国旱灾时序数据存在分形特征,其 最小嵌入维为6; 6层小波分解与重构能够清晰揭示其时序变化的多个周期,其中30-35年(中心32年)周期上能量密度最大.研究证明: 1)分维计算中的最小嵌入维作为小波分解的最大有效分解层数可行,通过对旱灾成灾率时序数据的分析也证实了该猜想,这拓展了分形 计算的应用. 2)我国旱灾成灾率受6个实质性状态变量驱动,具有多周期特征.目前仍处于旱灾成灾率的增长期.     

一种自适应音频数字水印算法的研究与仿真

提出了一种自适应扩展回声音频数字水印算法。利用PN序列将音频信号的单回声内核进行扩展后作为水印信号,结合了回声隐藏的鲁棒性和扩频技术的保密性等特点,从而提高了水印算法的安全可靠性。基于心理声学模型设计二维模糊控制器,实现了水印嵌入强度的自适应。采用ABX主观测试和相关度水印检测测试对算法进行了仿真试验,通过将嵌入水印后的音频信号进行低通滤波、加入噪声以及重采样等方法来模仿音频信号在实际网络环境下可能遭受的各种攻击和干扰,仿真实验证明,算法具有良好的鲁棒性和不可知觉性。     

基于改进的RBF模糊神经网络滤波的噪声消除

改进RBF模糊神经网络前件和后件的结构和学习算法，克服了RBF模糊神经网络模糊规则冗余的缺点。利用该系统对舍噪声的非线性信号逼近，达到消除噪声的目的。同时，应用该系统对地震信号进行滤波处理仿真，结果表明改进后的RBF模糊神经网络具有学习算法简单，计算量小，实时性好，而且能有效地抑制噪声。     

基于IFOA-SA-BP神经网络的雷达信号识别

为提高雷达信号的识别率,提出一种改进的果蝇优化算法(improved fruit fly optimization algorithm, IFOA)和模拟退火(simulated annealing, SA)算法相融合并用于优化反向传播(back propagation, BP)神经网络的雷达信号识别算法。首先,该算法提取雷达信号的调和平均盒维数、信息维数和差分近似熵特征作为信号识别的三维特征。然后,改进果蝇优化算法的寻优步长并添加逃脱系数以修改适应度函数,同时引入三维空间的搜索概念扩大果蝇的搜索范围,再对果蝇算法所求解的接受机制通过SA算法进行修正。最后,将融合后的算法IFOA-SA用于优化BP神经网络得到网络最优的初始权值和阈值,并用此网络进行雷达信号的分类识别。通过与BP和FOA-BP进行对比,结果表明IFOA-SA-BP能够提高雷达信号的识别率,证实了该算法的有效性。     

基于IFOA-SA-BP神经网络的雷达信号识别

为提高雷达信号的识别率,提出一种改进的果蝇优化算法(improved fruit fly optimization algorithm, IFOA)和模拟退火(simulated annealing, SA)算法相融合并用于优化反向传播(back propagation, BP)神经网络的雷达信号识别算法。首先,该算法提取雷达信号的调和平均盒维数、信息维数和差分近似熵特征作为信号识别的三维特征。然后,改进果蝇优化算法的寻优步长并添加逃脱系数以修改适应度函数,同时引入三维空间的搜索概念扩大果蝇的搜索范围,再对果蝇算法所求解的接受机制通过SA算法进行修正。最后,将融合后的算法IFOA-SA用于优化BP神经网络得到网络最优的初始权值和阈值,并用此网络进行雷达信号的分类识别。通过与BP和FOA-BP进行对比,结果表明IFOA-SA-BP能够提高雷达信号的识别率,证实了该算法的有效性。     

基于分形盒维数的线性调频信号参数估计

针对当前线性调频（linear frequency modulation, LFM）信号参数估计算法中对调频斜率的估计复杂度高、实时性差且信噪比适应范围较小等缺点,提出了基于分形盒维数的LFM信号调频斜率估计方法。该方法通过计算信号调频斜率与盒维数的关系曲线,利用盒维数对LFM信号的调频斜率进行估计,探讨了信号的幅度和相位对信号盒维数的影响,计算了不同信噪比下的估计误差,并与传统的基于匹配傅里叶变换（matching Fourier transform, MFT）的LFM信号参数估计算法进行了对比仿真,绘制了脉冲宽度、调频带宽与盒维数三者的关系曲线图。仿真结果表明,该算法在建立了对应关系数据库后,在信噪比变化范围比较大的情况下的估计误差仍然比较小,且算法简单,对于实时性估计具有很好的应用价值。