基于稳定分布模型的自适应阵列信号处理新方法

传统方法常对阵列信号处理所研究的噪声采用高斯分布的模型进行描述,但当噪声存在显著的尖峰时,往往不能得到满意的结果。利用稳定分布建模实际中所遇到的具有较大脉冲特性的随机噪声,综述了稳定分布模型下的信源定位、波达方向估计、波束形成等阵列信号处理方法,并利用分数低阶统计量提出了几种较有韧性的阵列信号处理新方法。仿真表明它们在高斯和低阶α稳定分布噪声条件下,具有良好韧性与有效性。     

基于自适应Metropolis算法的 α 稳定分布参数估计

基于马尔可夫链蒙特卡罗(Markov chain Monte Carlo, MCMC)方法的α稳定分布参数估计具有良好的性能，但不合适的提议函数常导致算法不收敛或混合性能不好。针对提议函数难以选择的问题，提出了一种基于自适应Metropolis算法的非对称α稳定分布参数估计新方法。该方法利用Markov链的历史信息自动调整提议函数的协方差矩阵，使其不断地逼近目标分布，从而获得更好的估计结果。理论分析和仿真结果表明,此方法不仅能准确地估计出α稳定分布的4个参数，而且具有良好的鲁棒性和灵活性。     

Alpha稳定分布噪声下基于特征值之差频谱感知算法

针对基于特征值的谱感知算法在脉冲噪声的环境下感知性能不佳的问题，分析矩阵全部的特征值，引入矩阵特征值的几何均值，提出了基于分数低阶协方差矩阵的最大特征值与特征值几何均值之差(difference between maximum eigenvalue and geometric mean of eigenvalue, DMGM)的频谱感知算法。选择了Alpha稳定分布噪声模拟脉冲噪声环境，理论分析与仿真实验结果表明，在不增加算法复杂度的前提下，DMGM算法与其他算法相比，更适用于脉冲噪声环境，在低信噪比条件下具有更好的感知性能。     

基于分数低阶统计量的正交小波盲均衡算法

对于服从分数低阶Alpha稳定分布的非高斯信号,其二阶和高阶统计量都是不存在的。当环境噪声为这种噪声时,基于高阶统计量的常数模盲均衡算法(CMA)的均衡性能很差。为了克服环境噪声服从分数低阶Alpha稳定分布时,CMA的性能缺陷,提出了一种基于分数低阶统计量的正交小波盲均衡算法。该算法利用分数低阶统计量来抑制Alpha稳定噪声,根据最小分散系数准则优化盲均衡算法的权向量,并对均衡器输入信号进行正交小波变换,通过降低均衡器输入信号的自相关性来加快收敛速度。水声信道仿真结果表明,该算法性能明显优于CMA。     

拟牛顿分数低阶恒模算法的研究

为了提高分数低阶恒模均衡算法的收敛速度,提出了一种基于分数低阶恒模代价函数的拟牛顿自适应盲均衡算法.由于在权矢量更新方程中引进了代价函数的二阶Hessian矩阵,从而使算法的收敛速度较利用最速下降法的分数低阶恒模算法大大提高且具有较好的韧性.利用Matlab 对两种算法进行仿真,仿真结果对新算法性能的提高进行了验证.     

基于改进的双曲正切函数变步长LMS算法

为了改进现有的变步长最小均方误差(least mean square, LMS)算法在低信噪比时性能较差的缺陷,提出了一种基于改进的双曲正切函数的变步长LMS算法,从理论分析和仿真实验两方面讨论了引入参数对算法收敛性、跟踪性、稳定性的影响及算法的抗干扰性。理论分析和仿真实验表明该算法在高低信噪比时均具有较快的收敛速度和跟踪速度以及较小的稳态误差和稳态失调,并且在低信噪比时该算法的收敛性、跟踪性、稳态性均优于其他多种变步长算法。     

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。     

基于相对误差互相关函数的变步长LMS算法

许多时变步长自适应滤波算法被用来解决标准LMS算法的固有矛盾,但实验表明这些算法易受独立噪声的干扰,或计算量大、耗时太长。针对上述问题,提出了一种新的变步长LMS自适应滤波算法,它采用相对的误差互相关函数来控制步长更新。该算法计算量小、易于控制,具有快速的收敛速度和较小的失调,不受已存在的非相关噪声的影响,可很好地应用于自适应对消系统中,且在低信噪比环境中仍能保持良好的性能。计算机仿真及实测数据的处理与理论分析结果一致。     

基于模糊逻辑的自适应α-β滤波新算法

针对非均匀稀疏采样环境下的被动机动目标跟踪问题,基于模糊逻辑推理,提出了一种新的自适应α-β滤波算法。详细分析了非均匀稀疏采样被动传感器上报数据的特点,将标准化新息和新息的一阶微分作为模糊推理的两个输入变量,并同时引入时间间隔、目标速度等因素,设计输入变量的调整因子,自适应获取滤波器参数。实验结果表明,提出的算法能够准确对机动目标进行跟踪,性能优良,且易于工程实现。     

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.     

基于分数低阶统计量的水下目标定向新方法

针对传统方法对阵列信号处理所研究的噪声采用高斯分布的模型来进行描述,当噪声存在显著的尖峰时,不能得到满意结果的问题。利用稳定分布对实际中所遇到的具有较大脉冲特性的随机噪声进行建模,分析了共变在阵列信号处理中的不足,利用已有的矢量水听器模型建立一种水下目标定向系统,提出了一种基于分数阶相关的水下目标定向算法。仿真表明这种算法是一种在高斯和分数低阶α-稳定分布噪声条件下具有良好韧性的水下目标定向算法,相对共变而言,分数阶相关具有更宽的噪声特征指数范围,更适用于实际应用。     

基于改进PSO算法的调和稳定跳跃下随机波动模型期权定价与套期保值

为同时捕获金融收益率分布的尖峰、厚尾、有偏特性及波动率扩散中的异方差效应、集聚效应,联合刻画股价动态演变中的无限跳跃变化,将无限活跃纯跳跃Lévy分布中的经典调和稳定分布(CTS)引入平方根CIR模型为基础的随机波动率(SV)过程,建立了经典调和稳定分布下随机波动(CTSSV)模型,重构了纯跳跃Lévy分布驱动的随机波动(LVSV)模型框架.利用LVSV模型特征函数表达式,采用分数阶快速傅里叶变换(FRFT)方法推导了欧式期权定价公式.由于模型参数众多和目标函数高维积分困难,提出了多区域自适应粒子群优化算法(MAPSO)估计LVSV模型参数.利用FRFT技术和MAPSO参数估计结果,使用CTSSV模型和方差伽马随机波动(VGSV)模型对恒生指数期权数据进行欧式期权定价和方差一最优期权套期保值,实证研究结果证明了MAPSO算法的优越性和CTSSV模型的有效性.