冲击噪声背景下的虚拟空间平滑算法

为解决在冲击噪声背景和相干信源条件下,高斯白噪声的相干信源DOA(Direction-Of-Arrival)估计算法失效的问题,提出了基于虚拟空间平滑共变系数矩阵(ROC-VSS:RObust Covariation-Based Virtual Spatial Smoothing)的DOA估计算法.该算法以虚拟空间平滑...     

冲击噪声背景下一种稳健自适应波束形成算法

 针对冲击噪声背景下,常规波束形成算法性能下降的问题,本文提出了一种适用于任意未知统计特性的代数拖尾冲击噪声环境下的基于归一化的线性约束正交投影(NLCOP)算法。该算法通过对输入信号进行无穷范数归一化,使变换信号的协方差矩阵在代数拖尾的冲击噪声环境下存在且有界,将自适应权矢量约束于噪声子空间,提高了波束形成器在冲击噪声背景下的性能。NLCOP算法无需噪声特征指数的先验信息,具有更低的副瓣电平且干扰抑制能力强。仿真结果验证了该算法的有效性。     

一种改进的粒子群算法

粒子群优化算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优.为了克服这个缺点,通过调整粒子的速度更新公式,使粒子获得更多信息来调整自身的状态,以增强算法跳出局部最优的能力.通过对6个基准函数的仿真实验,表明了改进算法的有效性.     

冲击噪声背景下归一化广义旁瓣相消器

针对冲击噪声背景下常规波束形成算法性能下降的问题,该文提出一种归一化广义旁瓣相消器(N-GSC)算法,该算法适用于任意未知统计特性的代数拖尾冲击噪声环境。算法通过对输入信号进行无穷范数归一化,使信号的二阶统计量存在且有界,再进行维纳滤波,提高了波束形成在冲击噪声背景下的性能。进行了4种冲击噪声背景下的仿真实验。仿真结果表明,与传统的GSC算法和基于分数低阶矩的GSC算法相比,N-GSC算法计算简单,无需噪声特征指数的先验信息或估计,适用于任意分布的冲击噪声环境,具有更强的干扰抑制能力。     

基于猫群算法的图像分类研究

针对传统进化算法在图像分类中存在的收敛速度慢,易陷入局部最优等问题,本文提出用猫群算法求解图像分类问题,将求解组合优化问题转化为猫群的位置寻优过程,并分析了猫群算法及其两种行为模式下的算法模型.讨论了不同模式下猫群的速度、位置更新公式,并阐述了利用该算法求解图像分类问题的具体步骤.通过实验,验证了猫群算法在图像分类中的准确性和有效性.     

噪声环境下函数优化问题的混合优化算法

针对噪声环境下的函数优化问题提出一种混合粒子群优化算法UPSOOHT, 并考察了最优计算量分配（OCBA）和噪声幅度对算法性能的影响. 该算法将粒子群优化算法与假设检验及OCBA有效地结合, 具有很好的全局搜索能力和局部精化能力. 与其他优化算法比较的测试结果表明, UPSOOHT算法的性能和抗噪声能力都具有明显的优势.     

任意分布冲击噪声背景下基于ESPRIT的DOA估计方法

针对冲击噪声背景下的传统波达方向(DOA)估计算法性能下降的问题,该文提出一种适用于任意分布冲击噪声的无穷范数归一化旋转不变子空间(Inf-ESPRIT)算法.该方法首先对阵列接收的快拍数据进行无穷范数归一化处理,然后对伪协方差矩阵进行特征分析,利用ESPRIT算法实现DOA的估计.与传统的基于分数低阶矩的方法相比,该算法具有以下优势:适用于多种不同分布的冲击噪声环境,无需已知冲击噪声特征指数的先验信息或估计值,可以获得更好的估计性能.计算机仿真实验证明了所提算法的有效性.     

一种混沌信号噪声的衰减算法

混沌信号的类噪声特性使得对混有噪声的混沌信号处理相对困难.为此,对Farm er算法进行了改进,改进后的Farm er算法是在原Farm er算法的基础上优化结构,简化算法,提高噪声的衰减的有效性.通过对混有噪声的Henon序列进行仿真实验,仿真结果显示,改进后的Farm er算法能够提高噪声衰减的精度,降低与理想Henon序列的绝对误差.     

含冲击的车内道路噪声主动控制系统

针对道路噪声主动控制系统中,冲击噪声引起的鲁棒性问题,提出了一种对冲击噪声的主动控制方法。首先,进行了道路噪声采集试验,选取了4个最佳参考信号位置,并采集了道路冲击噪声的数据。然后,基于多通道自适应滤波算法,提出了归一化多通道自适应滤波算法和符号算法相结合的冲击噪声主动控制算法。其次,基于提出的冲击噪声主动控制算法,搭建了道路噪声主动控制系统仿真模型,使用采集到的冲击噪声信号和加速度信号进行了仿真分析。最后,使用选取的4个加速度信号和1个扬声器,控制驾驶员处的道路噪声,进行了道路冲击噪声主动控制试验,验证了方法的有效性。与原有算法相比,该算法的稳定性和降噪效果得到了较大的提升。     

一种改进的四阶累积量测向算法

针对降维的四阶累积量矩阵因采样快拍数有限而存在估计误差的问题,提出一种结合To-eplitz近似的四阶累积量旋转不变子空间(ESPRIT)测向算法(TFOC-ESPRIT).该算法在保持虚拟阵列有效孔径不变的同时,通过去除原始四阶累积量矩阵中的冗余元素,得到降维的四阶累积量矩阵,再对降维矩阵进行Toeplitz操作,恢复其Toeplitz结构,最后利用ESPRIT算法估计到达信号的方向.仿真实验表明:与MFOC-ESPRIT算法相比,TFOC-ESPRIT算法有效地提高了测向精度,不仅在少阵元数下能实现多信号的估计,而且当快拍数为400时,在空间白噪声和空间色噪声环境中其归一化成功概率也较高,分别达到了0.996和0.788.     

一种脉冲噪声中的韧性子空间跟踪方法

一般地,基于二阶统计量的子空间跟踪方法对脉冲噪声敏感,性能出现退化.为此以α稳定分布作为脉冲噪声的模型,研究噪声环境中的韧性子空间跟踪方法.以分数低阶统计量理论为依据,把α稳定分布噪声中的子空间跟踪看做一个无约束的优化问题,提出了一个新的代价函数,并推导出一个韧性算法.同时还利用M估计对算法进行了简化.在数值模拟中把新算法应用于方向估计,结果表明了新算法和简化算法的有效性.     

冲击噪声背景下均匀圆阵相干信源的DOA估计

在对称α稳定分布噪声的假设下,现有的基于共变和分数低阶矩的MUSIC（即ROC-MUSIC和FLOM-MUSIC）方法不能用于均匀圆阵信源相干情况下的波达方向（DOA）估计.为了解决这一问题,基于模式空间变换算法以及空间平滑算法的思想,结合ROC-MUSIC算法和FLOM-MUSIC算法,实现在冲击噪声背景下均匀圆阵相干信源的DOA估计.仿真实验验证了该方法的有效性.     

一种新的二维Capon算法的研究

在传统Capon算法的基础上，提出了一种新的基于3个正交均匀直线阵的二维Capon来估计信号的二维DOA，利用其中一个线阵来组合其他2个线阵分别估计的一维DOA，将复杂的二维处理问题转化为简单的一维问题，大大降低了算法实现的复杂度，改善了DOA的估计性能。仿真结果证明了该方法的有效性。     

一种噪声启发式聚类算法

启发式聚类算法的搜索空间中布满了局部极小值"陷阱",从而使得算法容易过早收敛而无法获得高质量聚类结果.文章给出了一种噪声启发式聚类算法NHCA (Noising Heuristic Clustering Algorithm),该算法在搜索空间中增加一组由强至弱的噪声来扩大启发式搜索的局部范围,以保持搜索空间的多样性,达到避免局部极小值影响和提高聚类质量的目的.大量实验结果表明,噪声法对提高启发式聚类算法质量是十分有效的.     

一种基于噪声分类的语音增强方法

为了提高噪声估计的准确性,改进语音增强方法性能,在改进的最小控制递归平均算法(Improved Minima Controlled Recursive Averaging,IMCRA)的基础上提出了一种基于噪声分类的语音增强方法。该方法首先对含噪语音进行噪声类型的判断,然后根据判定的噪声类型选取相应的最优参数进行噪声估计,最后采用最优修正的对数谱幅度语音估计计算增强后的语音。该方法相对于传统IMCRA算法,在语音信号的还原和背景噪声的抑制两方面都有较好的性能。     

一种去除高密度椒盐噪声的非线性滤波算法

针对高密度椒盐噪声污染图像的去噪问题,提出了一种有效的非线性滤波算法。在噪声检测中利用域值划分法,先将噪声图像像素点分为信号点和准噪声点,建立噪声矩阵,然后再利用图像边缘特性及局部统计信息,进一步明确噪声点。对于噪声点,采用以该点为中心的多窗口像素点中值及该点像素值的中值进行替换。实验结果表明,该算法对较高密度椒盐噪声...     

一种改进的噪声抵消器LMS自适应算法

指出常规噪声抵消器LMS自适应算法采用恒定的步长，具有收敛速度慢，失调量大的缺点，提出了一种改进的LMS自适应算法，该算法根据对输入信号信噪比的估计，采用变步长，其步长随输入信号信噪比的变化而改变，从而提高了收敛速度，降低了回响，提高了输出信号信噪比，计算和实验结果表明改进的算法在收敛速度，降低回响，消噪性能等方面均优于常规算法。     

非一致噪声下的多阵列直接定位算法

针对实际无源定位系统中多个阵列分散分布以及单个阵列各阵元之间差异造成的噪声功率分布不均匀导致直接定位(DPD)算法精度下降的问题,提出了一种非一致高斯白噪声场中的多阵列最大似然DPD(UN-ML-DPD)算法,并推导出该条件下的克拉美罗界。首先计算各阵列输出协方差矩阵;再将计算结果传到数据处理中心;然后由数据中心通过迭代的方式同时对目标位置与非一致噪声功率进行最大似然联合估计,以收敛后得到的结果作为目标位置精确估计值,从而减弱了非一致噪声对DPD算法的影响;最后在多目标条件下用交替投影法降低算法复杂度。较之传统算法,UN-ML-DPD算法能够提高多阵列在低信噪比下的定位精度。仿真结果表明:UN-ML-DPD算法在-15dB的低信噪比下估计误差小于15km,与DPD算法相比定位精度提高15%以上;能较为准确地估计各阵列噪声协方差矩阵,在标准噪声功率小于30 W时估计误差小于3.5 W;在高信噪比下定位精度能够逼近克拉美罗下界。     

一种新型群体智能优化算法——微进化算法

提出了一种新型群体智能优化算法——微进化算法.该算法采用实数编码,基于个体自身历史最优位置,以群体中最优个体与当前个体的矢量差异信息作为指导,进行启发式搜索.数值实验结果表明:微进化算法简单有效、计算精度高、收敛速度快、鲁棒性强;此外,还具有参数设置简便、计算简单等特点.     

一种求解多目标优化问题的混合演化算法

提出了一种混合演化算法求解多目标优化问题.演化算法是解决多目标优化问题的有效方法,在全局优化问题中具有很好的鲁棒性,但其局部搜索性能有待改善.Hooke and Jeeves方法是一经典的局部搜索算法,将其与演化算法结合求解多目标优化问题,提高了解的收敛质量,因而从整体上提高了算法的性能,并且测试结果也说明了该算法的可行性.