非高斯噪声下的参数自适应高斯混合CQKF算法

研究非高斯噪声环境下的高斯混合滤波方法,进行纯方位跟踪系统的目标跟踪。利用改进的参数自适应方法,调整位移参数的大小,从而修正了高斯混合模型,提出了在非高斯噪声下的参数自适应高斯混合CQKF算法;基于非高斯噪声下的离散系统模型,分析了高斯混合CQKF算法中建模过程的局限性,并结合初值优化方法,提出了利用参数自适应方法修正高斯混合滤波模型的方法,从而克服了高斯混合滤波的局限性,提高了滤波精度。仿真实验表明在非高斯噪声下参数自适应高斯混合CQKF算法比原算法有更高的滤波精度。      

应用于CDMA系统的迭代DOA估计算法

提出一种应用于CDMA系统的高分辨率迭代DOA估计算法,这种算法利用迭代逐步从空间谱中移出被检测出的信号,然后从残留空间谱进一步搜寻信号.算法对信号的相关性没有做任何假设,所以在相干多径环境中不需要进行运算量很大的特征值分解或空间平滑.实验证明这种方法的性能优于MUSIC算法或MVM算法.     

基于协方差矩阵重构的DOA估计方法

针对空间信号的波达方向估计,提出了协方差矩阵重构测向算法。由数据协方差矩阵的特征分解求得信号特征值及其对应的信号特征向量,根据各个信号特征向量构造相应的子协方差矩阵,算法定义一个新协方差矩阵。从理论上证明了新协方差矩阵在信号相干时仍然满秩,新算法在解除信号相干性的同时没有造成阵列孔径的损失。与空间平滑类算法相比,估计同样相干信号数,新算法能节省更多阵元。仿真实验证实了新算法优越的分辨能力和估计性能。     

基于高斯混合模型自适应肤色识别算法

肤色识别是色情图像识别、人脸检测等图像处理技术的关键步骤,肤色识别效果的好坏直接影响相关图像处理技术的效果。图像中存在干扰因素时基于单高斯模型的肤色识别效果不佳,为了解决这个问题,在YCbCr色度空间基础上,提出了基于高斯混合模型自适应肤色识别算法。实验表明该算法识别效率较高,能较好地识别存在干扰因素图像中的肤色,具有一定的实用性。     

复杂噪声中基于累积量的二维DOA估计

针对自相关算法的局限性,研究了复杂环境(乘法与加法观测噪声共存时)中,通过高阶累积量对二维DOA估计的问题.算法能同时确定目标的仰角与方位角;高阶累积量使得算法能够更加有效抑制消除乘法噪声.该方法对任何平稳的加性与乘性噪声均不敏感,因而具有较大的实用性.     

宽带信号DOA估计的一种快速算法

CSM(Coherent Signals-subspace Method)算法需要构造聚焦矩阵和进行预估计,运算量大且估计精度容易受预估计的影响,很难达到信号实时处理的目的。为此,提出了一种基于前后向平均的改进非相干信号子空间算法(ISM:Incoherent Signals-subspace Method)。该算法通过把宽带信号分解为若干个窄带信号,对每个窄带信号先用前后向平均法进行去相关处理,再利用ISM算法对宽带非相干信号和相干信号进行DOA(Direction Of Arival)估计。该算法不需要进行预估计,且去相关处理简单容易实现,对宽带相干信号的估计虽然性能不如相干信号子空间算法,但运算量比CSM算法减小很多,是一种快速的宽带信号DOA估计算法。通过实验仿真和性能分析,验证了该算法的有效性。     

非平稳噪声背景下多径信号DOA估计方法

针对目标信号传输过程中的多径现象或电磁干扰引起的同时存在独立和相干信源(多径信号)的情况,提出了一种非平稳噪声背景下的混合信源DOA分步估计方法。该算法利用常规谱估计算法估计独立信源,在利用广义协方差差分方法排除掉非平稳噪声信息后,然后根据斜投影算子的性质排除独立信源,对剩余的相干信源则可采用修正空间平滑算法恢复为满秩,进而可以用MUSIC算法进行DOA估计。相比较传统的广义差分方法,该算法在提高阵列信源过载能力的同时,避免了对独立信源的平滑运算,计算复杂度降低,并且适用于更广泛的未知噪声背景及低信噪比环境。计算机仿真结果证明了新算法的有效性和正确性。     

大规模MIMO系统中联合范数去噪与矩阵重构的DOA估计

为了解决移动通信环境中,在低信噪比、少快拍数情况下信号波达方向(Direction of Arrival,DOA)估计性能差问题,提出一种联合范数去噪与Toeplitz矩阵重构的DOA估计算法.首先根据阵列协方差矩阵的Hermitian特性,利用协方差矩阵范数估计其最大特征值,进而估计噪声功率,然后对阵列协方差矩阵主对...     

频率和DOA估计的等价性

定义了频率估计和信号到来角估计的信号模型，介绍了基于小波包理论的频率估计，推导了两者的等价性和分辨率的关系，仿真结果验证了频率和DOA估计的一致性。     

基于自适应快拍数的DOA估计

在DOA估计中,为达到相同的估计精度,不同信噪比所需的快拍数是不一样的,低信噪比所需快拍数较多,高信噪比所需快拍数较少。然而传统DOA估计所采用的快拍数是固定的,造成无法选取适当的快拍数。研究了估计精度一定时,所需最小快拍数随信噪比的变化规律,提出了一种自适应快拍的DOA估计算法,该算法根据信噪比自适应选取合适的快拍数。分别以MUSIC算法、ESPRIT算法为例验证了本算法的有效性,仿真实验结果表明:当信噪比为15 dB时,MUSIC算法运算量降低6.7%,本文ESPRIT算法运算量降低61%;本算法估计精度比较稳定,低信噪比下,仍能保持较高的估计精度。     

累量域高分辨率二维波达方向估计算法

提出一种利用虚拟双线性平行阵进行累量域高分辩率二维波达方向估计的新算法。该算法将累量用于协方差的计算,构造了一个虚拟ＤＯＡ矩阵,并基于此矩阵进行波达方向估计。理论分析表明,对虚拟ＤＯＡ矩阵特征值分解,就可以得到源信号的二维ＤＯＡ估计。同时由于累量对高斯噪声的自然盲性,因而算法具有稳健性。该算法的另一特点是可以提供虚拟扩展孔径,提高了孔径的利用率。     

一种改进的基于DCT的信道估计迭代算法

提出了一种适用于正交频分复用系统信道估计的基于DCT的改进迭代算法.该算法通过迭代修正传统DCT/IDCT方法估算出的频率响应幅值和相位偏移,能有效抑制加性高斯白噪声和载波间干扰影响.仿真结果表明,与未采用迭代的DCT/EIDCT算法相比,该算法有更好的性能;与采用DCT/EIDCT初始化的迭代算法相比,该算法具有与其几乎相同的性能,但实现更简单;同时,该算法的迭代次数可通过在初始化过程中引入幅值补偿而大大减少.     

四四元数域低秩逼近及其在矢量阵列波达方向和估计中的应用

提出了新的多元数概念——四四元数,以及四四元数框架下特征分解和奇异值分解等信号处理领域常用的矩阵运算新规则.在此基础上提出了四四元数矩阵的一种低秩逼近算法,并将其用于矢量传感器阵列信号建模及波达方向(DOA)估计中.结果表明,四四元数特征分解及奇异值分解能获得比现有方法更好的低秩逼近性能,基于四四元数模型的矢量传感器阵列信号DOA估计算法,在资源占用、子空间逼近以及对模型误差的鲁棒性等方面均明显优于传统算法.     

矢量传感器声源方位与噪声协方差阵联合估计

针对空域非均匀白噪声,通过矩阵变换估计噪声协方差矩阵,进而采用噪声预白化技术获取声源方位的最大似然估计,该方法避免了原最大似然算法加权参数选取的一维搜索过程,提高了算法效率;针对空域色噪声,利用噪声协方差矩阵的先验分布信息,结合噪声预白化技术,提出声源方位与噪声协方差矩阵迭代联合估计算法.仿真实验表明,空域非均匀白噪声背景下,与原最大似然估计方法相比,方位估计精度基本相同,但算法效率更高;空域色噪声背景下,与原最大似然估计方法相比,该方法提高了方位估计精度.     

空间非平稳噪声状态下的超分辨测向技术研究

在空间非平稳噪声状态下对任意形天线阵超分辨测向技术的性能进行了研究，并对传统协方差距阵差法做了改进，经计算机仿真验证，改进后的测向算法性能良好。     

一种新型的恒模自适应阵列初始化方法

智能天线在移动通信中的应用已经引起了广泛的关注．恒模阵列能够形成自适应波束,但其初始权矢量的选取影响着对所需信号的捕获性能．该文提出一种在信号到达方向(DOA)已知的情况下,基于泰勒(Taylor)阵列的恒模阵列权值初始化新方法．仿真结果表明,这种新方法不仅能解决抗干扰问题,还可加快恒模算法的收敛速度．     

基于特征矢量输入的神经网络测向方法

提出了一种新的基于特征矢量的采集输入数据方法,经该方法训练的径向基函数神经网络（RBFNN）可用于码多分址（CDMA）系统中多源信号波达角（DOA）的估计。该方法对信道噪声不敏感,能以较少的训练样本就可得到推广能力较好的神经网络。仿真结果表明,以新方法训练的RBFNN对多源信号DOA估计精度较高,实时性好,适用于CDMA通信系统的高分辨率测向。     

最小平方OFDM信道估计与信号检测的联合迭代算法

提出一种基于正交频分复用(OFDM)的联合最小平方(LS)信道估计与信号检测迭代算法.与一般的LS信道估计相比,该算法可大大提高估计的精度,而且通过时域低通滤波可有效地抑制加性白高斯噪声(AWGN)和载波间干扰(ICI)的影响,使OFDM系统在移动条件下很好地工作,并能给出很精确的信号检测结果.仿真结果表明,该算法具有很好的均方误差和误比特率性能.     

基于矢量基学习的自适应迭代最小二乘支持向量机回归算法

为增强最小二乘支持向量机(LS-SVM)回归建模的稀疏性、鲁棒性和实时性,在加权LS-SVM的基础上,提出了基于矢量基学习的自适应迭代回归算法。在训练过程中,该算法通过矢量基学习和自适应迭代相结合的方法得到1个小的支持向量集,同时采用加权方法确定权值以减小训练样本中非高斯噪声的影响。回归学习和动态系统辩识的仿真结果表明:在回归建模精度相似的情况下,该算法确定的支持向量为全部学习样本的4.9%~8.9%,训练时间为标准LS-SVM的0.011%~0.383%;由于能够鲁棒跟踪时变非线性系统的动态特性,适合在线实时训练;可进一步用于非线性系统的建模和实时控制研究。