阵元非均匀高斯白噪声背景下的近场声源定位研究

为解决非均匀高斯白噪声背景下常规近场声源定位算法精度低的问题,提出一种基于噪声协方差矩阵估计的近场声源定位,预白化MUSIC算法,该方法首先从阵列输出数据中估计出噪声协方差矩阵,再利用估计出的噪声协方差矩阵预白化阵列协方差矩阵,从而提高常规算法的估计性能.仿真结果表明,在非均匀高斯白噪声背景下的近场声源定位中,预白化MUSIC算法定位性能高于常规MUSIC和Capon算法的估计性能.     

基于低秩矩阵近似的鲁棒DOA估计方法

针对非均匀噪声背景下传统非离散化方法在少快拍条件下波达方向（DOA）估计性能恶化的问题, 提出基于原子范数最小化和零化滤波器的非离散化参数估计方法. 该方法利用参数空间连续性构建基于原子集合的阵列信号稀疏表示模型, 将信号协方差矩阵的恢复问题转化为原子${\ell _0}$范数最小化问题. 基于信号协方差矩阵的厄米特托普利兹结构和低秩特性, 将原子${\ell _0}$范数最小化问题转化为实际可解的基于低秩矩阵近似的半定规划问题, 从而恢复信号协方差矩阵. 根据零化滤波理论通过求解零化滤波器系数获取DOA参数估计. 仿真结果表明, 在非均匀噪声和少快拍同时存在条件下, 该方法比现有同类方法具有更高的估计精度和鲁棒性. 在不同最大噪声功率比条件下,本文方法的均方根误差比现有方法平均减小59.4%.      

基于双高斯先验的低秩矩阵分解模型

为了更好地拟合复杂噪声,增强低秩矩阵分解模型的鲁棒性,将双高斯先验引入到传统的高斯混合模型中,提出了基于双高斯先验的低秩矩阵分解(low-rank matrix factorization with double Gaussian prior, DGP-LRMF)模型,通过模型分解得到的2个矩阵均服从高斯先验,从而实现对噪声的有效建模,并在贝叶斯理论框架下利用EM算法实现模型参数的推断。实验结果验证了所提模型能够有效地处理含有复杂噪声的数据,取得了更优且更具稳定性的去噪效果。     

低秩矩阵恢复模型改进及其在石油测井中的应用

传统的低秩矩阵恢复模型在去噪过程中通过将观测矩阵分解为低秩部分和稀疏部分达到噪声去除的目的,但该模型要求噪声矩阵必须是稀疏的。然而石油测井所获得的数据中噪声来源复杂,并不能完全保证噪声分布满足稀疏性的要求,使该模型在去噪时表现出一定的局限性,去噪效果不稳定,进而导致后续的数据处理准确率降低。为此,提出将加权范数的思想应用于传统的低秩矩阵恢复模型中,并在惩罚项中将F范数与待恢复矩阵的核范数相结合,构造改进的低秩矩阵恢复模型,使其能够在保证解的稳定性的同时,可以更好地挖掘观测矩阵的低秩性以及增强稀疏矩阵的稀疏性。通过非精确的拉格朗日乘子法分别对改进前后的模型进行求解,并对两种模型去噪后的测井数据分别采用支持向量机(SVM)和相关向量机(RVM)进行油气层识别,结果表明经改进的低秩矩阵恢复模型去噪后的测井数据在保证了油气层识别效率的同时,识别准确率上有了明显提升。     

基于空间协方差矩阵的欠定卷积盲源分离

利用空间协方差矩阵表示的盲源分离模型与瞬时理想模型的一致性,本文提出了基于空间协方差矩阵的欠定卷积盲源分离方法。本方法用零均值高斯随机变量的协方差矩阵来表示各个源信号经过传输信道后的短时傅里叶变换,采用层次聚类估计出高斯随机变量协方差矩阵的初值,并使用极大期望值算法(EM)求解对数似然函数,最后采用维纳滤波法语音增强技术求解时频域内的源信号。通过仿真实验,验证了算法的有效性。     

未知噪声背景下的改进型MMUSIC算法

针对不能确知被估计信号源的相关性和非平稳且噪声功率未知的高斯噪声环境,提出一种改进型的修正多重信号分类(MMUSIC)算法.用协方差差分法消除阵列协方差矩阵中的未知噪声矩阵,再用MMU-SIC算法对得到的协方差差分矩阵进行解相关或解相干处理.该算法只要求阵元数为不少于2L+1,即可在不影响相干信号源估计的同时,保证不相关信号源的估计性能.仿真结果表明:算法能够在不能确知信号源相关性和低信噪比的未知噪声环境下,对信号源进行有效的波达方向估计,获得很高的估计精度和角度分辨率.     

一种自适应的鲁棒性矩阵补全方法

针对传统矩阵补全无约束优化模型在处理奇异噪声损坏的缺失矩阵时鲁棒性较差的问题, 提出一种自适应的鲁棒性矩阵补全方法. 该方法在目标函数中使用截断核范数作为秩函数旳低秩逼近, 并采用对奇异噪声鲁棒的F范数作为损失项恢复矩阵中的缺失值, 以降低异常值对算法的影响, 提高恢复精确度. 在求解该模型过程中, 先采用凸优化技巧引入一个动态权重参数, 此参数可在更新恢复值时根据当次恢复误差大小自适应地调节下一次更新, 再进一步建立求解优化问题的有效迭代方法. 实验结果表明, 该算法在处理被奇异噪声损坏的矩阵时有较好的鲁棒性和精确性, 从而可得到更好的图像修复效果.     

基于双核范数鲁棒矩阵分解的遮挡图像恢复

低秩矩阵分解是计算机视觉、机器学习和数据挖掘中普遍使用的数据分析工具.矩阵分解方法可用于连续遮挡的图像数据的恢复,而低秩矩阵分解可转化为核范数优化模型.为了增强矩阵分解模型的鲁棒性,提出基于双核范数的鲁棒矩阵分解方法,该方法将每个数据矩阵分解为低秩干净数据、低秩噪声数据和稀疏噪声数据之和.建立最小化矩阵双核范数与L1范...     

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。     

基于解析振速平滑的声矢量阵相干信号方位估计

为了提高矢量水听器阵列相干信号源方位估计能力,提出了两种基于解析振速的矢量阵平滑算法.两种算法均利用解析振速的特殊形式抑制协方差矩阵的相干项,实现秩的恢复,然后结合修正MUSIC实现目标方位估计.第二种算法充分利用声压,振速通道抑制各向同性噪声能力与白噪声特性,首先构造了一个新的协方差矩阵,然后利用解析振速平滑恢复矩阵秩,理论推导表明这种算法可以大大提高信噪比.仿真证明,新提出的两种算法都可以无空间损耗地完成相干信号的方位估计,相比于传统的矢量阵空间平滑算法有较好的估计精度与分辨率,并且第二种算法由于信噪比的提高,其估计性能更为优越.     

空域色噪声下的多输入多输出雷达角度估计

由于多输入多输出(multiple input multiple output, MIMO)雷达的空域色噪声协方差矩阵通常为非对角矩阵,因此在色噪声下信号子空间与噪声子空间无法有效分离,从而致使传统算法无法有效估计目标角度。为此,首先利用信号协方差矩阵的低秩性和色噪声协方差矩阵的稀疏性来抑制空域色噪声。然后,根据MIMO雷达数据的内在多维结构特性,建立四阶张量CP(canonical or parallel factor analysis, CANDECOMP/PARAFAC)分解模型。针对传统交替最小二乘算法对数值病态性较为敏感而导致CP分解精度低的问题,利用张量因子矩阵之间的共轭关系来降低求解的病态敏感度,提高张量分解的稳健性。最后,利用最小二乘拟合法从因子矩阵的估计值中得到目标角度。仿真结果表明,所提算法能够对色噪声有效抑制并提高了角度估计的精度。     

基于重构噪声子空间的相干信号DOA估计

传统DOA(direction of arrival)估计算法无法处理相干信号,因此提出一种基于重构噪声子空间的高精度DOA估计算法.该算法利用阵元接收数据的自协方差与互协方差信息构造成增广矩阵作为新的协方差矩阵,对该矩阵进行奇异值分解得到相应的噪声子空间和特征值矩阵.为了获得更精确的信号向量,重构一个由新特征值矩阵对应的特征向量所组成的噪声子空间.最后通过谱峰搜索得到DOA估计值.算法不影响对非相干信号估计的效果,并且比IMMUSIC(improved multiple signal classification)算法具有更高的估计精度,在低信噪比及信号入射间隔较小的情况下也有良好的准确性.仿真结果表明,提出的改进算法在低信噪比及低采样快拍数的条件下,能有效估计出相干信号的波达方向.     

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角元素进行去噪,再对去噪后的协方差矩阵重排.仿真结果表明:可以有效提高子空间类算法在低信噪比、少快拍数条件下的性能.     

基于低秩矩阵填充的推荐算法

针对已有协同过滤推荐技术中评分矩阵极度稀疏问题,提出了一种基于低秩矩阵填充技术的推荐算法.该算法从贝叶斯框架出发,提出了能够解决低秩矩阵问题的分层高斯先验模型,并将广义近似消息传递算法嵌入到贝叶斯框架,规避了贝叶斯学习过程中烦琐的矩阵逆运算,提升了算法运算速度,同时在广义近似消息传递算法中施加阻尼运算以促进收敛.在开放数据集上的实验结果表明,所提出的算法与相关的矩阵填充推荐算法相比,有效地提高了推荐准确度.     

基于改进无迹卡尔曼滤波的多径估计算法

【目的】在导航定位系统中，基于卡尔曼滤波框架的多径误差抑制算法是提高定位精度的有效方法。但是，在算法的过程噪声和观测噪声协方差初值的选取不当时，会导致估计结果误差很大甚至发散。另外，由于此类算法是基于最小均方误差准则，算法在受到非高斯噪声干扰时尤其是重尾非高斯噪声，会出现估计精度显著下降的问题。【方法】为了在高斯噪声和非高斯噪声下都能够保持较好的多径估计结果提高定位精度，本文提出一种自适应最大相关熵无迹卡尔曼滤波(adaptive maximum correntropy unscented kalman filter, AMCUKF)多径估计算法，算法在观测更新过程中引入最大相关熵作为优化准则，以解决在非高斯噪声下的估计精度下降的问题，在噪声协方差更新过程中用观测量的残差序列对噪声协方差矩阵进行递归更新，取代过程噪声和观测噪声协方差初值的选取。【结果】在高斯噪声和非高斯噪声下分别进行了仿真实验，通过与两种基于卡尔曼滤波框架的估计算法进行对比表明，AMCUKF多径算法不仅能够在高斯噪声下保持较好的多径估计结果，而且在非高斯噪声下也能够保持更高的多径估计精度，有效抑制非高斯噪声的干扰。     

协方差矩阵的MINQUE和简单估计的比较

在二次损失函数下,作者研究了多元线性模型协方差矩阵的MINQUE估计和简单估计的比较问题,其中多元线性模型的设计矩阵和离散矩阵可以不满秩,得到了一个充分和必要条件。     

非高斯噪声环境迭代自适应DOA估计的算法

提出一种应用于非高斯噪声环境的迭代自适应(Iterative Adaptive Approach,IAA)波达方向(Direction of Arrival,DOA)估计方法.该方法针对描述非高斯噪声的高斯混合(Gaussian Mixture,GM)模型,给出了通过逐步迭代来估计噪声模型参数,并通过它们来修正信号协方差矩阵的估计,进而将其逆阵作为加权矩阵来进行空间谱估计的方法.仿真结果表明,在非高斯环境下,本文方法有效地提高了迭代自适应DOA估计方法的性能.     

基于延时处理的对角加载信源数估计方法

为了解决在有色噪声背景下信息论准则算法估计信源数失效以及盖氏圆方法在低信噪比下性能下降的问题,提出了一种利用接收信号延时信息的协方差矩阵对角加载技术估计信源数的方法.首先构造接收信号的延时协方差矩阵,抑制色噪声的影响,然后对延时协方差矩阵做出变换处理,得到抑制噪声后的协方差矩阵特征值,最后对得到的特征值进行对角加载技术处理,利用信息论准则进行信号源数目的估计.仿真结果表明了该算法的正确性和有效性.     

一种新的认知无线电宽带盲频谱感知方法

基于信息论准则的宽带频谱感知方法由于很好地克服了噪声不确定性问题而获得了广泛研究.但该类算法的推导需要假定接收数据向量在统计上独立同分布、背景噪声须为高斯白噪声,且其实现复杂度较高.针对这些不足,本文提出一种基于秩准则的宽带盲频谱感知算法.该算法将接收信号的取样协方差矩阵分解成秩为q的"理想"矩阵和"扰动"矩阵之和,利用秩准则函数寻求q值的最优解,然后根据该最优值确定被占用信道的个数及位置.新方法无需依赖噪声功率、信道及主用户信号的统计特征参与感知判决过程,具有广泛的适用性;同时相对于基于信息论准则的宽带频谱感知方法,新方法具有感知判决量表达式简单、计算复杂度低的优点,同时新方法在色噪声场景下表现出优良的感知性能.仿真结果表明了新方法的有效性.     

一种相邻相干信号的DOA估计新方法

提出一种估计相邻相干信号方位的新方法.该方法首先对传统空间平滑算法得到的数据协方差矩阵进行修正,然后对修正后的协方差矩阵进行奇异值分解,由左奇异矩阵得到噪声子空间;再构造新数据协方差矩阵,进行奇异值分解得到噪声子空间;最后取两次噪声子空间的平均值得到噪声子空间,利用MUSIC算法找到极大值对应的信号方向.计算机仿真表明,该方法能有效地估计出小信噪比下角度相隔较小的相干信号.