基于子空间-斜投影的MIMO-OFDM盲信道估计算法

信道估计是MIMO-OFDM系统的关键技术,相比非盲信道估计而言,盲估计技术具有带宽利用率高,系统传输效率高的优点.基于子空间盲估计算法在信道变化不是很快的情况下有比较精确的估计效果,但是多径衰落、噪声等会引起子空间之间的非正交,从而导致估计性能急剧恶化,此时采用斜投影可以很好的解决这个问题,仿真结果表明子空间——斜投影算法对信道估计性能有明显的提高.     

一种基于鲁棒性的计算机视觉目标跟踪算法

为解决由于大面积遮挡引起的观测模型噪声协方差增大、滤波精度和稳定性降低的问题,提出了一种有效的鲁棒遮挡视频目标跟踪方法.首先,提出了一种适应于噪声统计特性未知的无迹扩展H_∞滤波方法,将UT变换引入到适用于噪声统计特性未知的扩展H_∞滤波中取代复杂的雅克比矩阵计算,并采用生成的无迹扩展H_∞滤波优化重要性概率密度函数;然后,将遮挡引起的目标模型的变化看作是观测噪声统计特性的变化,在PF的框架内建立目标状态估计与噪声统计特性之间的关系,将粒子预测值和基于当前观测信息的估计值进行权重求和处理,通过状态和观测模型的噪声协方差自适应调整权值大小来克服遮挡情况下目标观测信息的失效问题.最后,给出了具体实现步骤.实验结果表明,该方法具有较好的跟踪精度和稳定性,即使在大面积遮挡情况下,对粒子的更新概率仍然保持在90%左右.     

基于自适应卡尔曼滤波器的锂电池SOC估计策略

针对卡尔曼滤波(KF)估计SOC过程中噪声的统计特性与实际不符时,滤波精度严重降低问题,为提高SOC估计精度,在二阶RC电池等效电路模型的基础上,提出一种自适应扩展卡尔曼滤波算法(AEKF),通过自适应协方差匹配算法对系统噪声协方差和测量误差协方差进行实时更新,有效解决了滤波参数设置不合理所造成的SOC偏差,实现了系统状态的最优化预测。利用MATLAB进行仿真比较,验证了新算法能够精确地估计SOC,对环境具有一定的适应能力,可以有效校正SOC初值,并降低累积误差和噪声干扰。     

一种基于自适应粒子滤波的多层感知器学习算法

针对神经网络状态空间模型中系统噪声统计特性未知导致滤波发散或者滤波精度不高的问题,提出一种自适应的粒子滤波神经网络训练算法.该算法用粒子滤波估计网络的权时,利用序贯更新先验信息的序贯可信度最大化方法在线估计未知系统噪声方差.仿真结果表明:该自适应粒子滤波算法明显优于其他传统的神经网络训练算法,如扩展卡尔曼滤波、噪声可调的扩展卡曼滤波、普通粒子滤波等.     

自适应Wiener反卷积滤波的OFDM接收算法

为改进正交频分复用(OFDM)系统在多径衰落信道下的解调性能,提出了基于自适应Wiener反卷积滤波反馈环路的接收算法,对多径衰落信道进行白化处理,使处理后的信道噪声接近于加性高斯噪声(AWGN)。该文推导了OFDM系统中反卷积滤波器抽头系数的估计算法及其在非时变和时变信道中的自适应迭代算法,并且讨论了系统中定时估计、载波频率估计和信道估计算法(它们都是在AWGN信道环境下的算法)的使用方法。仿真表明:该算法可以有效地降低多径衰落的影响,得到优良的解调性能。     

异步DS-CDMA系统盲自适应多用户检测

目的提出适用于多径衰落信道中的异步DS-CDMA盲自适应多用户检测算法。方法通过研究多径信号码空间和数据矢量空间,采用噪声子空间技术进行异步DS-CDMA系统期望信号矢量估计,同时利用了多径传播和接收机同步失调的特性。结果使用一种修改的ULV更新算法进行噪声子空间跟踪。结论仿真结果验证了本文算法的有效性。     

ACDKF在SINS大方位失准角初始对准中的应用

将可以估计系统参数、噪声统计特性和修正滤波增益的自适应估计方法引入到CDKF算法中,并将其应用到SINS大方位失准角初始对准中,实现SINS大方位失准角初始对准,解决了噪声特性不准确的非线性问题,避免了线性化误差对滤波精度的影响,克服了噪声统计特性不准确的局限性,进一步提高了导航精度.采用自适应中心差分卡尔曼滤波(ACDKF)进行初始对准,提高了CDKF算法的收敛性和系统的稳定性.仿真结果表明:ACDKF能够克服噪声统计模型不准确对滤波结果的影响,对失准角的估计精度优于CDKF,进一步提高了系统的精度和可靠性.     

改进新息自适应交互多模的GPS/SINS组合导航滤波算法

针对量测噪声统计特性未知会影响GPS/SINS组合导航滤波精度的问题,提出了一种改进新息自适应的交互多模滤波算法:在估计新息协方差矩阵时,将在不同长度估计窗下得到的估计值进行加权组合,优化了估计窗口的选取;然后估计系统的量测噪声阵,并以该估计值为中心对称地构建交互多模模型集,再进行交互多模滤波,该方法解决了传统交互多模算法在噪声统计特性未知情况下模型数量与计算速度之间的矛盾。仿真结果表明:相比于标准卡尔曼滤波和单一估计窗口新息自适应交互多模滤波,该方法具有更高的滤波精度和抗干扰性。     

基于EM算法的随机动态系统建模

提出一种在噪声统计信息未知的情况下,对随机动态系统模型进行建模的方法.采用状态空间模型描述随机动态系统,模型的参数通过EM算法进行估计,通过改进该算法中的Kalman滤波,实现了对噪声协方差矩阵的估计.基于改进的Kalman滤波,EM算法可以用于噪声统计信息未知的动态系统建模.     

基于支持向量回归机的自适应差分滤波算法研究

针对差分滤波(DDF)算法存在因噪声统计特性与实际不符而导致的滤波精度降低甚至发散的问题,提出了一种基于支持向量回归机的自适应差分滤波(SVRADDF)算法.将测量值的新息协方差与理论协方差之间的差值作为支持向量回归机的输入、输出调节噪声统计特征的自适应因子,实时修正DDF噪声协方差,根据实际噪声变化调整噪声协方差矩阵,从而提高滤波精度.针对水下目标纯方位角跟踪系统的蒙特卡洛仿真实验表明,在相同初始噪声特性条件下,所提出的SVRADDF算法具有较好的估计效果和鲁棒性,估计精度、稳定性及收敛时间等性能明显优于单纯DDF算法.