海杂波协方差矩阵估计及其对目标检测性能的影响

在海杂波中检测有用信号,杂波的协方差矩阵需要利用参考数据进行估计,不同的估计方法对信号的检测性能产生不同的影响。首先,给出了几种杂波协方差矩阵估计,即样本协方差矩阵、正则化样本协方差矩阵、最大似然估计和渐进最大似然估计;然后,分析了海杂波数据的非高斯性和非平稳性;最后,利用正则化匹配滤波器作为信号检测器,分析了不同协方差估计对检测性能的影响。分析结果表明,由于实测数据的非平稳性,检测性能均比仿真数据获得的检测性能要差。而将杂波协方差矩阵的最大似然估计应用于检测器,能够获得较好的检测性能。     

基于逆高斯纹理分布的协方差矩阵估计方法

在复合高斯杂波中检测目标信号, 需要对杂波协方差矩阵进行估计, 相应的检测性能与估计精度密切相关。利用服从逆高斯分布的纹理分量来对复合高斯杂波进行建模, 可以更好地拟合高分辨杂波实测数据。本文给出了一种两步广义似然比检测器, 先假设杂波协方差矩阵已知以获得检测统计量, 再利用纹理分量的先验分布推导协方差矩阵的最大似然估计。同时，基于贝叶斯方法, 假定纹理分量和协方差矩阵均为服从某种先验分布的随机量, 推导了协方差矩阵的最大后验估计。仿真结果显示, 基于知识的自适应检测技术由于引入了纹理分量和杂波的先验信息, 其协方差矩阵的估计精度好于最大似然估计和样本估计方法, 同时具有更好的检测性能。     

一种基于奇异值分解的非线性滤波新算法

提出一种基于奇异值分解的无导数卡尔曼非线性滤波新算法对UKF算法进行改进.该算法利用奇异值分解作为工具,将原算法中的协方差矩阵进行奇异值分解,可以在一定程度上避免在递推过程中,由于计算误差和舍入误差而引起的协方差矩阵失去正定性,从而导致算法失效的问题.在不降低滤波精度,不增加算法复杂度的前提下,新算法具有很好的数值稳定性.实例仿真结果验证了本方法的有效性.     

空间非均匀海杂波的协方差矩阵估计新算法

利用参考样本估计海杂波的协方差矩阵,最典型的方法是归一化样本协方差矩阵（ｎｏｒｍａｌｉｚｅｄｓａｍ ｐｌｅｃｏｖａｒｉａｎｃｅｍａｔｒｉｘ,ＮＳＣＭ）,它隐含着假设参考样本的散斑分量具有相同的统计特性。这一假设成立与否取 决于海杂波是否具有空间均匀性。为了摆脱ＮＳＣＭ 对散斑分量的假设,提出了一种基于对角加载的协方差矩阵 估计算法（ＮＳＣＭ Ｌ）,该算法自适应组合ＮＳＣＭ 和单位矩阵,其组合系数随着参考样本的统计特性变化而自适应 地变化。利用广义似然比检测器（ｇｅｎｅｒａｌｉｚｅｄｌｉｋｅｌｉｈｏｏｄｒａｔｉｏｄｅｔｅｃｔｏｒ,ＧＬＲＴ）检测实测海杂波中的扩展目标,实 验结果表明,当分辨率为３ｍ 时,ＮＳＣＭ Ｌ性能改善高达１５ｄＢ。     

高斯过程回归中的logdet近似算法及数值实验

在高斯过程以及其他空间回归模型中,超参数的最大似然估计(MLE)通常需要求矩阵行列式对数的估计,简称logdet.提出了-种基于幂级数展开的结构,用于广义正定矩阵logdet的近似计算,并给出三种新的补偿方案,进一步提高近似值的精确度和计算效率,所提logdet的近似实现方案仅需50N2产次操作.大量的数值实验,包括对随机产生的正定矩阵、随机产生的协方差矩阵以及两个高斯过程回归实例产生的协方差矩阵序列的检验,都已证实所提方案的可行性.     

空域色噪声背景下双基地MIMO雷达角度估计

空域有色噪声会导致现有多输入多输出(multiple input multiple output, MIMO)雷达算法性能下降, 甚至完全失效。针对空域色噪声背景下双基地MIMO雷达联合波离角(direction of departure, DOD)和波达角(direction of arrival, DOA)估计问题, 分析了现有算法失效的原因。考虑到匹配滤波后无噪协方差矩阵的低秩特性、色噪声协方差矩阵的稀疏特性以及MIMO雷达数据的多维结构特性, 提出一种基于张量分析的角度估计算法。首先, 构造角度估计的协方差张量, 通过去除协方差张量中受噪声协方差影响的元素对色噪声进行抑制。其次,利用张量填充技术对无噪协方差矩阵进行恢复。然后,利用平行因子分解获得目标角度的方向矩阵。最后, 采用最小二乘算法对目标的DOA和DOD进行拟合。仿真结果表明, 所提算法对色噪声不敏感, 且无孔径损失。相比现有矩阵及张量分析算法, 所提算法具有更高的估计精度。     

一种基于角点匹配的视图合成方法

提出了一种基于角点匹配的视图合成方法,其基本思想是：首先,利用SUSAN方法分别提取样本图像对的角点;然后,基于归一化协方差相关准则和双向匹配方法确定样本图像对之间最佳的匹配角点集;再利用匹配角点集确定基本矩阵;最后利用基本矩阵完成视图变形。该方法合成视图无需相机参数或其他几何信息,无需人工指定对应点,合成过程实现了全自动,消除了视图合成过程所需的用户工作以及人为因素对视图合成效果的影响。     

高频数据下高维协方差阵的RCM算法估计与应用

基于因子模型的估计方法是高频数据下高维协方差矩阵估计的一个重要方向.为了解决行业分类门限法的主观性问题,本文使用RCM算法对剔除了主要成分的残差矩阵进行重新排序并进行分块对角化门限处理.本文首先在数值模拟中设定残差矩阵包含分块对角结构并将其顺序打乱,随后使用RCM算法进行重新排序,结果表明其能够还原乱序残差矩阵中所包含的分块对角结构.基于2015年股灾期间和2018全年的高频数据,本文将预平均法和使用RCM进行分块对角处理的POET方法进行结合,并在实证研究中对包括该估计量在内的多种协方差估计量进行了样本外预测效果的比较.结果显示改进后的估计量具有更好的预测能力,进行含总敞口约束的最小方差组合投资时的日内波动率整体较低.     

基于矩阵相似度的空时二维干扰检测方法

针对干扰目标污染训练样本引起功率非均匀,造成空时自适应处理(space-time adaptive processing,STAP)目标检测性能下降这一问题,提出一种基于矩阵相似度的STAP非均匀样本选取方法。该方法首先从受污染样本与干净样本的差异性度量角度入手,采用均值Hausdorff距离度量样本矩阵相似性,然后结合凸优化包计算不同样本的相似度,最后根据相似度的不同,实现对受污染样本的剔除。仿真结果表明,同广义内积法(generalized inner product,GIP)相比,采用均值Hausdorff矩阵相似度的挑选方法对于受小干扰强度目标污染的样本检测更加有效,避免了弱干扰目标对于协方差矩阵估计的影响,从而改善了STAP在功率非均匀环境下的目标检测性能。     

基于相对距离准则的STAP协方差矩阵估计算法

针对杂波功率依距离缓变的非均匀环境,提出了基于相对距离准则的加权协方差矩阵估计算法。通过对加权最大似然估计概念的描述和原始问题的公式化,在相对距离准则下设计加权函数,使得在样本矩阵求逆(SMI)检测器的条件下,检测算法的相对距离达到最大,并给出了实用的近似加权系数求解方法。通过性能分析可知,在相对距离最大条件下估计的协方差矩阵的条件信杂噪比损失同时达到最大。最后的仿真分析也验证了该算法的正确性和有效性。     

基于半监督广义可加Logistic回归的信用评分方法

传统的信用评分模型主要基于有监督学习(supervised learning)方法,但是,在实际的贷款问题中,有标记样本信息的获取往往成本较高、难度较大、周期较长,而无标记样本信息则大量存在.为了能在建模中充分利用无标记样本信息,本文提出了一种基于半监督广义可加(semi-supervised generalized additive,SSGA) Logistic回归的信用评分模型.该模型不但能处理线性不可分问题,也能同时利用有标记与无标记样本信息,并同步实现模型参数的估计和显著变量的选择.通过模拟实验表明,所提出的模型在外推预测和变量选择方面的表现均显著优于有监督模型.最后,将该模型应用于个人信用贷款违约风险的评估中.     

基于特征子空间与流形正则化的高效增量半监督特征选择方法

基于Fisher Score的前向序列选择法是目前性能良好并广泛使用的一种有监督特征选择方法.然而，该方法只能对有标签样本进行分析，无法利用大量"廉价"的无标签样本信息；并且随着已选特征的个数的增加，对候选特征进行评分的计算复杂度呈三次方形式增加.针对这两个问题，提出基于特征子空间与流形正则化的高效增量半监督特征选择方法.一方面，该方法通过提取有标签与无标签数据的局部线性表示来进行半监督特征选择，使得所选特征能够保持数据的局部流形结构信息；另一方面，该方法基于特征子空间理论进行特征评分，时间复杂度取决于特征空间的维数而非已选特征的个数，如果特征空间的维数是固定的，该方法将花费几乎恒定的时间来评价每一个候选特征.相比于基于Fisher Score的前向序列选择法选择特征的三次方复杂度，所提方法在时间效率方面得到很大提升.在五个标准数据集上进行了实验，所得结果验证了该方法的有效性.     

基于改进协同训练的本体映射方法

针对基于机器学习的本体映射方法存在的人工标记代价高和样本不平衡问题,将本体映射建模为二视图上的协同训练问题,分别从本体模式层和数据层提取特征集。通过对本体概念对进行预匹配,缩小样本不平衡度。分析了传统协同训练方法的局限性,结合主动学习思想,设计了一种考虑样本价值的改进协同训练算法,在每轮迭代中选择更有价值的未标记样本更新训练集。实验结果表明,该方法学习效率更高,同时能取得较好的本体映射结果。     

Progressive transductive learning pattern classification via single sphere

In many machine learning problems, a large amount of data is available but only a few of them can be labeled easily. This provides a research branch to effectively combine unlabeled and labeled data to infer the labels of unlabeled ones, that is, to develop transductive learning. In this article, based on Pattern classification via single sphere (SSPC), which seeks a hypersphere to separate data with the maximum separation ratio, a progressive transductive pattern classification method via single sphere (PTSSPC) is proposed to construct the classifier using both the labeled and unlabeled data. PTSSPC utilize the additional information of the unlabeled samples and obtain better classification performance than SSPC when insufficient labeled data information is available. Experiment results show the algorithm can yields better performance.     

基于深度残差适配网络的通信辐射源个体识别

为解决通信辐射源识别中传统的人工特征提取方法鲁棒性不足和深度学习方法需要大量带标签目标域数据的问题,提出一种基于深度残差适配网络的通信辐射源个体识别方法.应用深度学习技术实现从源域到目标域上的迁移识别,只需要将带标签的源域数据和无标签的目标域数据进行训练.原始通信辐射源信号经过预处理后输入网络训练,将源域和目标域的分布...     

基于集成学习与特征降维的小样本调制识别方法

针对有标签样本较少条件下的通信信号调制识别问题, 提出一种基于集成学习与特征降维的小样本调制方式分类模型。首先,通过集成人工特征与深度学习自动提取特征构成特征集合。然后,设计特征选择算法对特征合集进行优选生成高效特征子集。最后, 利用可快速收敛的高性能分类器对信号进行区分, 实现在少量有标签样本和大量无标签样本条件下的调制方式分类。仿真结果表明, 通过对8种数字信号进行调制识别, 在信噪比为20 dB时, 所提算法可将信号最高识别率提升至96%, 同时该算法设计简单, 具有较大应用价值。     

基于噪声子空间特性的波束形成器设计

为高效、高性能地合成阵列接收信号, 提出基于噪声子空间特性的波束形成器设计。首先, 利用噪声的宽带分布特性, 对Capon空间谱的噪声区域做粗采样, 由此进行残留噪声补偿, 获得信号协方差矩阵的估计; 其次, 利用噪声子空间与信号子空间的正交性, 通过信号协方差矩阵分解构造出信号正交补投影算子; 最后, 利用噪声子空间与干扰子空间的正交性, 用该投影算子对观测信号进行处理, 获得干扰功率估计, 进而推导出干扰加噪声协方差矩阵和最终的波束形成器。仿真结果表明, 该方法仅耗费较少的快拍, 即可在大信噪比范围内实现较高信干噪比输出。     

基于高斯过程回归的平方根UPF算法

针对系统动力学模型不准确可能导致滤波精度下降,以及系统状态协方差阵可能出现的负定性问题,提出一种新的高斯过程回归平方根分解无迹粒子滤波(Gaussian process regression square-root decomposition unscented particle filter,GPSR-UPF)算法。在该算法中,采用高斯过程回归求取UPF的重要性密度函数。当系统模型不准确时,通过高斯过程回归学习训练数据,进而获取系统的回归模型及系统噪声协方差,同时引入平方根变换抑制系统状态协方差阵的负定性。将提出的GPSR- UPF算法应用到捷联惯导/全球定位系统(strapdown inertial navigation system / global positioning system, SINS/GPS)组合导航系统中进行仿真验证。结果表明,所提出滤波算法的性能优于基本的无迹粒子滤波算法,能提高组合导航系统的解算精度。     

基于稀疏重构的L型阵列MIMO雷达降维DOA估计

针对L型阵列多输入多输出(multiple-input multiple-output,MIMO)雷达二维空间角估计问题,提出一种基于协方差矩阵联合稀疏重构的降维波达方向(direction of arrival,DOA)估计算法。该算法根据L型阵列MIMO雷达联合流型矢量的特点,通过降维矩阵的设计及回波数据的降维变换,最大程度地去除了所有的冗余数据;通过协方差矩阵联合构造稀疏线性模型,将2维角参量空间映射到1维空间,极大降低字典长度和求解复杂度的同时,不牺牲阵列孔径,实现了二维空间角度的有效估计和参数的自动配对。理论分析与实验仿真表明:与RD_MUSIC算法相比,本文降维处理有效提高阵元利用率的同时,最大程度地降低了回波数据的维数;与传统子空间类算法相比,基于协方差矩阵联合构造的稀疏线性模型充分利用了阵列孔径,无需预先估计目标数目,参数估计性能在低信噪比及小快拍数据长度下优势明显。最后,仿真结果验证了本文理论分析的正确性和算法的有效性。     

基于互质阵虚拟阵列空间平滑的相干信号DOA估计方法

针对相干信号波达方向(direction of arrival, DOA)以空间平滑方法为基础的算法中阵列孔径损失严重以及低信噪比环境下算法估计性能较差等问题,提出一种无需信源数先验信息的互质阵列相干信号DOA估计方法。首先,对互质阵列得到的协方差矩阵矢量化,在虚拟阵元空洞位置内插天线零元,重构协方差矩阵为Toeplitz矩阵,拓展阵列孔径。然后,对重构阵列进行前后向空间平滑处理,消除信号相干性,提高算法估计性能。最后,将前后向平滑矩阵类比均匀对称阵列的协方差矩阵,设计代价函数转化为凸优化问题,通过谱峰搜索进行DOA估计。理论分析及仿真结果表明,该方法无需入射信号信源数,计算复杂度低,且在低信噪比环境下相干信号DOA估计数、估计分辨率以及估计精度都得到了明显改善。