认知无线电中一种非高斯背景下的协同频谱感知方案

在认知无线电系统中,由于需要对一定频谱范围内的认知用户进行频谱检测,而传统经典的检测方法无法满足复杂多变的检测环境,基于此,文章研究了在实际情况中更为普遍的非高斯噪声情况下认知用户的频谱检测问题.由于传统的广义似然比检测计算量较大而且实际工程中较难实现,文章采用广义似然比的一种近似形式即Rao检测.通过采用矩估计方法对系统模型的混合系数等进行参数估计,并在拟合非高斯噪声的背景下应用于认知用户的频谱检测,推导出非高斯噪声中Rao检测的检测统计量和检测性能公式,分析比较了非高斯噪声中Rao检测与高斯Rao检测的性能.仿真结果表明,在虚警概率一定的情况下,基于Rao检测的频谱检测方法能有效地提高认知无线电网络中非高斯噪声背景下认知用户的检测性能.     

基于高阶统计量方法的ARMA模型功率谱估计在设备故障诊断中的应用

为了消除或衰减加在机械故障信号上的有色高斯噪声,更好地对信号功率谱进行估计,提出了基于高阶统计量方法的ARMA模型功率谱估计方法。该方法依据是高阶统计量对高斯噪声不敏感的特性。仿真结果表明,该方法能有效的抑制高斯有色噪声的干扰。     

基于噪声方差估计的高斯混合概率假设密度滤波算法

针对传统的高斯混合概率假设密度(GM-PHD)滤波器在噪声先验特性未知或不准确时跟踪性能会下降,提出了一种基于噪声方差估计的高斯混合概率假设密度(NCE-GM-PHD)滤波算法.该算法可以同时在线估计时变的目标个数、多目标状态以及噪声方差.首先,通过引入遗忘因子和采取有偏估计的方法改进了传统的Sage-Husa自适应滤波器.基于改进的自适应滤波器,推导了带噪声方差估计的GM-PHD滤波算法.仿真结果表明,在非时变或时变量测噪声方差未知的情况下,NCE-GM-PHD算法的跟踪性能优于传统的GM-PHD算法,对噪声变化的适应能力更强.     

一种基于灰关联分析法的语音激活检测算法

为在有色非高斯噪声背景下实时、有效地区分语音信号与各种背景噪声,提出了一种基于灰关联分析的语音激活检测(VAD)算法.该算法提取语音信号过零率、线性预测系数、倒谱系数和转移倒谱系数4种特征参数作为关联参数,通过跟踪语音与噪声灰关联度的变化确定判决门限,实现语音激活检测.仿真结果表明:该算法在无噪声背景中识别率为100%,在-5 dB噪声背景环境,识别率可达80%以上.此算法对有色非高斯背景噪声不敏感,而且计算简单、可靠性高,在语音激活检测中具有可行性.     

一种基于三阶累量的空间谱估计的方法

针对有色高斯噪声背景相干信号源空间谱估计中存在的问题，给出一种基于三阶累量的空间谱估计的方法：首先根据三阶累量对高斯型过程不敏感这一事实，抑制高斯有色噪声，然后利用空间差分平滑方法估计相干源的空间谱，最后给出模拟实验验证该方法的有效性．     

基于三阶累积量一维切片的微地震信号时延估计

由于微地震有效信号易受环境噪声的干扰,严重影响时延估计值获取的准确性.基于此,提出了基于三阶累积量一维切片的方法进行微地震信号时延估计.首先计算信号的三阶自累积量和互累积量,为减少运算量满足野外实时要求取其一维切片,最终通过准则函数求取时延值.相对于传统的互相关方法,该方法对相关性未知的高斯噪声具有不敏感的特点,对相关高斯噪声有更强的抑制能力.仿真结果表明,在添加信噪比为-5~15dB的随机高斯噪声和相关高斯噪声时,其时延检测概率和均方根误差优于互相关方法.在实际资料应用中,对实际微地震噪声进行了概率分布统计分析,并且基于井地联合监测方式,选取井中信号作为参考道对地面资料进行时延值的求取.仿真和实际资料处理验证了该方法的有效性和实用性.     

色噪声背景下弱信号频率估计互谱方法研究

现代互谱估计是抑制有色观测噪声的一种有效方法.本文针对旋转不变技术来估计信号参量的方法进行了深入的分析,进而提出了在有色观测噪声背景下,基于最小二乘技术的信号估计的互谱ESPRIT方法。这种方法的突出特点是不需要任何色噪声的先验信息准确地估计出待估计信号,不仅避免了以往互谱估计本身所固有的在整个频域上的谱峰搜索,而且克服了自谱ESPRIT估计方法对噪声的严格限制（要求噪声为白色高斯噪声）。可直接通过特征值确定信号参数估计值。本文方法只需两次SVD分解,计算量大大降低。仿真结果表明,该方法具有较好的谱估计分辨率和良好的稳定性。     

基于复高斯混合模型的鲁棒VAD算法

针对语音激活检测的鲁棒性问题,提出在非平稳噪声环境下使用基于复高斯混合模型的鲁棒语音激活检测算法.算法中假设纯净语音谱满足复高斯混合模型,先验信噪比利用预先训练好的复高斯混合模型计算得到.复高斯混合模型的引入一方面提高了语音激活检测的性能,另一方面避免了使用基于最小均方误差语音增强的先验信噪比估计过程.实验中使用NOISEX-92噪声库来验证系统在噪声环境下的性能.结果表明,该种算法在非平稳噪声环境下具有良好的检测性能.     

基于有色噪声卡尔曼滤波的GPS多径估计研究

在最大似然多径估计技术的基础上,提出了一种新的基于有色噪声卡尔曼滤波的全球定位系统(GPS)多径信号估计技术.建立了GPS多径信号的卡尔曼滤波估计模型,推导了观测噪声为有色噪声的卡尔曼滤波的状态方程和观测方程,阐述了有色噪声的形成过程,推导了卡尔曼滤波的递推公式.实验结果表明,提出的设计技术可以在20dB·Hz的载噪比条件下对多个GPS多径信号进行较精确的估计.     

无线传感器网络中极大极小设置的分布式检测研究

在分布式检测系统中,无线传感信道普遍存在未知的噪声,而基于最大似然函数的融合在有未知的噪声时性能表现较差.为了提高信号检测的准确性,提出一种基于极大极小方法设置的鲁棒融合规则.该规则采用最大似然函数的融合算法的结构形式和Huber极小极大的方法,得到虚警概率和检测概率表达式,适用于信道噪声为非衰减噪声分布、有界方差的噪声分布和混合高斯噪声分布.对多传感器并行分布式检测系统的仿真与分析,表明了该融合算法可提高信号检测的准确性,同时也具有一定的鲁棒性.     

四阶累积量 ESPRIT 波达方向估计算法研究

ＥＳＰＲＩＴ是一种基于阵列数据相关矩阵信息的广义特征值分解的高分辨率波达方向（ＤＯＡ）估计算法．由于空间噪声的相关性，这种基于自相关的高分辨率算法将出现极大的偏差．本文针对自相关算法的局限性，提出一种基于高阶累积量的ＥＳＰＲＩＴ算法．实验结果表明，借助高阶累积量方法，不仅能有效地抑制高斯色噪声，而且还能获得高精度、高分辨率的渐进无偏估计．     

基于伪协方差矩阵 Otsu 方法的信源数估计

为提高高斯色噪声背景下信源数估计的成功概率, 提出了一种基于伪协方差矩阵的 Otsu 类间方差法。 伪协方差矩阵对一定条件下的高斯白噪声和高斯色噪声具有免疫特性, 而且利用阵元间的时间相关性增加了 阵列的有效孔径, 进而提高了伪协方差矩阵奇异值分解后信号奇异值与噪声奇异值的差异程度。 在此基础上, 利用 Otsu 类间方差法对信号奇异值与噪声奇异值进行分类。 仿真结果表明, 该方法可进一步提高信源数的估 计成功概率。     

利用高阶谱重构功率谱抑制高斯有色噪声

在大地电磁测深法(MT)中,天然交变电磁场是其研究的主要对象。天然电磁场通常非常微弱,而传统的MT处理方法抑制噪声能力,尤其是抑制有色噪声能力相对较弱,从而导致大地电磁响应函数经常出现形态异常,在资料反演解释时,许多地质特征难以有效提取出来,这些问题严重阻碍了MT的实际应用效能和发展。根据任何高斯过程,其高阶统计量(高阶累积量,高阶谱)均为零的性质,通过信号的高阶谱恢复功率谱,再由功率谱估算MT响应函数,以抑制高斯有色噪声的影响。数值模拟试验显示,这种方法在抑制高斯有色噪声方面优于传统功率谱方法。     

高斯与非高斯混合有色噪声中的谐波恢复

提出了一种用于在高斯与非高斯混合有色噪声中进行谐波恢复的新方法。首先利用Hilbert变换将实数观测值变换成复数形式,然后应用一种特殊的高阶累计量识别非高斯噪声的AR参数并对含噪观测值进行预滤波后,再应用基于统计量的方法进行谐波恢复。文中提出的方法能够用来恢复高斯与非高斯混合有色噪声中的一维实数谐波信号,而不用考虑谐波信号是否存在相位耦合和非高斯噪声是否对称分布,仿真实验可以证明。     

基于高阶累积量方法的非高斯非最小相位ARMA模型辨识

从利用高阶累积量对加性高斯噪声有色中非高斯过程辨识的基本理论出发,对近年来基于高阶统计量方法辨识非高斯、非最小相位ARMA模型的算法进行了分析和综述,阐明了借助高阶统计量方法可以克服传统的基于2阶统计量方法在解决此类问题中的缺陷,有效地解决非高斯、非最小相位系统的辨识问题。     

时间延迟估计的高阶谱矩估计算法

高阶谱估计方法是用于色噪声背景下时间延迟估计的一个十分有效的方法。本文提出了相关高斯色噪声背景下时延估计的高阶谱矩估计算法，改变了以往用互谱估计方法不能求未知互相关函数且加性噪声相关的情况。仿真结果表明，在信噪比为-2．5dB条件下，此方法能有效地抑制色噪声，且基本能估计出时间延迟的位置。     

混沌干扰下的随机共振研究

利用随机共振现象可以实现弱信号检测,目前大量的研究是在白噪声或色噪声背景下进行的,对于混沌干扰下的随机共振的研究却很少。研究了混沌背景干扰下的信号检测,发现在混沌干扰下双稳系统也会发生随机共振现象,因此可以检测出淹没在混沌干扰中的信号;在混沌与噪声同时存在的混合背景下,随机共振现象仍然存在,混合背景可以发生与单一噪声背景类似的随机共振现象。     

基于改进的混合高斯模型背景建模在运动目标检测中的实现

混合高斯模型方法广泛应用于现代智能视频监控系统中的运动目标检测,但受制于不可改变的客观环境影响---尤其是光照、背景对象的轻微扰动等影响,往往检测效果不佳,为了解决该问题,使运动目标检测工作可以更好地适用于多种环境,笔者提出了基于改进的混合高斯模型背景建模方法,利用二维中值滤波和形态学原理对强点干扰噪声进行有效过滤,同时保护好信号变化的边界。实验表明：该方法可有效提高抵制噪声干扰效果,具有准确的目标检测效果。