基于最小输出熵的盲反卷积方法

针对多通道卷积混叠模型，基于信息理论的最小熵准则，利用单时间点观测样本给出了一类多通道盲反卷积方法，这种方法不同于其它方法的地方在于考虑了源和观测信号的上下文信息。     

一种新的尖峰信号盲反卷积方法

介绍一种新的盲反卷积方法，以解决尖峰信号的盲卷积问题，该方法不需知道信号和噪声的先验知识。基于尖峰信号高斯混合模型，给出一个自适应反卷积滤波器和一个自适应零记忆非线性估计器，以实现信号的恢复。将进化计算和梯度算法相结合，对反卷积滤波器和零记忆非线性估计器进行参数寻优，从而获得良好的信号恢复效果。最后给出计算机仿真结果。     

半参数测量误差模型中参数的随机加权估计

给出了半参数测量误差模型中参数的随机加权最小二乘估计.讨论了用随机加权方法逼近最小二乘估计的分布,证明这种逼近是以概率1渐近有效的,并用模拟例子验证了提出方法的有效性.     

一类H_∞线性连续时变反卷积滤波器

在反卷积框架下研究未知输入的估计问题,提出一类线性连续时变H∞反卷积滤波器.反卷积滤波器的结构等效于输出观测器和一个线性映射,该线性映射反映了未知输入与输出估计误差之间的内在联系.基于有界实引理给出了反卷积滤波器的时域设计方法和滤波器存在的充分条件.滤波器的设计参数可通过求解一个Riccati方程来构造.文中还给出了反卷积滤波的稳态解,并通过数值算例证明了所提出方法的有效性.     

用于信号盲提取的最大三阶相关峭度反卷积算法

传统的低阶自适应滤波器难以抑制或消除激光位移信号的高阶统计噪声,且在微位移测量条件下,基于最大熵或自然梯度的盲源分离方法的收敛速度和信噪比会急剧降低.为此,文中利用混合信号的峭度变化特性,提出了最大三阶相关峭度反卷积算法,设计了反卷积逆滤波器,分析了最大三阶相关峭度反卷积算法的收敛性和稳定条件,并构建了实验平台进行盲提取实验.结果表明,最大三阶相关峭度反卷积算法可有效地盲提取激光位移信号和多重反射信号,较FastICA算法具有更快的收敛速度和更高的信噪比.     

基于变分贝叶斯的视觉散焦光图像快速盲复原算法

为实现数字图像的高精度应用,降低外界光线对视觉成像的影响,提出一种基于变分贝叶斯的视觉散焦光图像快速盲复原算法。通过梯度和卷积处理,计算视觉散焦光图像后验概率期望,利用Sobolev空间函数分布方法提取最优初始图像和散焦光模糊函数先验概率。以变分贝叶斯的近似分布思想,无限逼近实际的后验概率;使用相对熵计算多个分布间距离,最大程度贴近真实值;将最小损耗代价函数输入双边滤波器内,即以近似清晰图像为指导图,剔除剩余高频噪声,得到最优图像盲复原结果。实验结果表明,所提算法盲复原后图像对比度高,边缘细节清晰,复原速度快,具有极高的应用价值。     

半参数回归模型中参数随机加权估计的大样本性质

主要考虑了同方差型的半参数线性回归模型中参数的随机加权最小二乘估计（RwLsE）．讨论了用随机加权Bootstrap方法来逼近LSE的分布,证明这种逼近是以概率1渐近有效的．     

逼近意义下的时间序列周期分析

§1.引言估计问题最早是在逼近意义下讨论的,至少可追溯到十九世纪初,高斯等人为了测定天体运行轨道,提出了最小二乘法。但是,随后发展起来的估计理论却主要建立在概率结构之上,目前应用的估计方法,大多是基于概率意义的。近年来,随着电子计算机的广泛采用,蓬勃发展的数值逼近方法越来越多地应用于解决估计问题,逼近意义的估     

熵损失下定数Progressive删失情形Weibull分布尺度参数的估计

在熵损失下得到了尺度参数的最小风险同变估计的精确形式, 并讨论了一类形如［cT_α+d］^-1的估计的容许性; 考虑形状参数的估计方法, 进一步给出了熵损失下定数渐进删失Weibull分布两参数都未知时尺度参数的估计.     

双连续α次积分C-半群的概率逼近问题

基于局部凸拓扑τ的Banach空间X上双连续α次积分C半群性质的研究,用概率论的方法,将算子半群理论和逼近论相结合,利用n次积分C半群收敛速度的概率型估计式、Rie-mann-Stieltjes积分、算子值数学期望、连续修正模的概念及双连续C半群的概率逼近,给出了双连续α次积分C半群的概率型逼近式及收敛速度的估计式。     

标准SIMO信道盲解卷固定点算法

从最简单的IIR-SIMO信道出发,采用离散傅立叶变换从理论上推导出了源信号估计值与观测信号的基本关系,据此提出了源信号固定点迭代计算方法,并基于最小均方误差准则给出了确定滤波器阶数的代价函数.在此基础上,进一步将这种分析方法推广到标准SIMO信道,进而最终建立了标准SIMO信道盲解卷固定点新算法.该算法无需设置迭代步长,也不像已有的许多SIMO盲解卷算法一样要求源信号属于有限字符集.针对混迭语音信号进行的仿真结果验证了算法理论分析的正确性和算法的有效性.     

基于信号结构重构的UWB稀疏信道盲估计

针对跳时脉冲位置调制的超宽带（ultra wideband based on time hopping pulse position modulation,TH-PPM UWB）通信系统,提出一种新的稀疏信道盲估计算法。该算法首先对信号结构进行重构,把发射信号与信息符号之间的非线性模型转换为线性模型,简化了信号处理难度;然后基于重构后的线性模型,推导出接收信号一阶统计向量与信道向量之间的关系,结合UWB信道的稀疏特性,估计出UWB信道参数,避免了无谓的抽头估计,提高了估计精度。仿真结果表明：新算法的均方误差（mean squared error,MSE）性能优于基于一阶统计量的盲信道估计算法,其BER性能也仅比理想信道差约1 dB。     

多输入多输出浅海水声信道响应的盲估计

提出一种在频率域实现的MIMO（multi—inputs multi—outputs）盲解卷积算法，可以在较低信噪比下求解得到浅海水声信道冲激响应的逆滤波器响应，不受时间域的原始信道阶数很长且稀疏的影响，经过求逆后得到原始MIM0浅海水声信道的冲激响应．最后采用合理的声场仿真模型验证了算法的有效性．     

单通道的语音盲去混响

针对单通道的语音盲去混响研究中存在的问题，提出了一种盲去混响的方法.首先对语音信号进行可变长度的分段，然后采用复倒谱技术，对房间声学冲激响应进行预估计，得到去混响的初始解，并以此作为盲解卷积算法的初始解进一步去混响.仿真和实验表明，该方法具有很好的去混响效果.     

基于高斯混合密度函数估计的语音分离

基于最大熵法（Ｍａｘｉｍｕｍ Ｅｎｔｒｏｐｙ,ＭＥ）、最小互信息量法（Ｍｉｎｉｍｕｍ Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ,ＭＭＩ）和最大似然法（ＭａｘｉｍｕｍＬＩｋｅｌｉｈｏｏｄ,ＭＬ）最解决盲信号分离问题的常用算法,分析了ＭＥ、ＭＭＩ以及ＭＬ算法之间关系。基于高斯混合模式（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ,ＧＭＭ）概率密度函数估计,提出了一种采用反馈结构的扩展最大熵语音分离算法,与     

一种改进的深度网络残差学习的图像降噪方法

近年来,基于深度卷积神经网络的学习方法在图像降噪方面取得了前所未有的成果,通过调整网络结构和参数来获取更好的图像降噪效果已成为研究热点.降噪卷积神经网络在深度神经网络中采用残差学习方法,在提高降噪效果的同时,在一定程度上解决了盲降噪问题.其不足之处在于算法收敛时间长.该文针对降噪卷积神经网络结构做了进一步的改进,提出了一种基于反卷积降噪神经网络的图像降噪算法.该文工作的主要特色如下：1) 在原有的网络结构中,引入反卷积神经网络,优化了残差学习方式;2) 提出一种新的损失函数计算方法.使用BSD68和SET12测试数据集对本文提出的方法进行验证,实验结果表明,该文算法的降噪性能与降噪卷积神经网络算法相比,在相同降噪效果情形下,该文算法的收敛时间缩短了120%～138%.同时,与传统的深度学习图像降噪算法比较,该文方法的降噪效果和运行效率也都有提高.     

自校正信息融合Wiener反卷积滤波器

对于含有未知模型参数和噪声统计的多传感器信号反卷积系统,应用现代时间序列分析方法,基于自回归滑动平均（ARMA）新息模型参数的在线辨识,可在线估计噪声方差,进而提出了自校正信息融合Wiener反卷积滤波器。证明了它的渐近最优性,即若ARMA新息模型参数估计是一致的,则它收敛于当噪声方差已知时的最优融合Wiener反卷积滤波器。同单传感器情形相比,它可提高滤波精度。一个带三传感器的反卷积系统的仿真例子说明了其有效性。     

基于SP-LCCMA的STBC MC-CDMA系统盲信道估计

研究了空时编码多栽波码分多址系统(STBC MC-CDMA)盲信道估计技术.根据信道位于信号子空间的特点,提出基于信号子空间投影线性约束恒模算法(SP-LCCMA)的盲信道估计,避免了噪声子空间信道估计的缺点,将估计信道应用于STBC MC-CDMA系统多用户检测.仿真结果表明,提出算法的收敛速度和信干噪比(SINR)性能优于一般恒模算法.     

贝叶斯框架下的模糊图像盲去卷积算法

为了去除图像模糊的同时,保持图像边缘等细节信息,需要对原始图像和点扩散函数进行准确的估计.在贝叶斯框架下,基于总变分模型,建立原始图像和点扩散函数的先验模型,同步估计原始图像和点扩散函数.对于总变分模型不可微分的问题,在不影响速度的前提下,用迭代重加权范数算法处理该问题.基于共轭分布理论,提出以伽马分布作为未知参数的先验模型,准确估计参数.实验表明该算法在对原始图像、点扩散函数和参数准确估计的基础上,成功地解决了模糊图像的盲去卷积问题,算法的速度和效果都得到了改进.与同类算法相比,本文提出的算法具有一定优势.