多传感器多变量AR模型信息融合辨识方法

对于带白色公共干扰噪声、白色观测噪声和传感器偏差的多传感器多变量自回归（AR）模型,当AR模型参数、传感器偏差和噪声方差未知时,提出了一种信息融合多段辨识方法,其中用多重递推增广最小二乘法（MRELS）得到AR模型参数和传感器偏差的局部和融合估值器,再用相关方法得到局部和融合噪声方差估值器。这些估值器具有一致性。一个仿真例子验证了其有效性。     

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。     

两传感器自校正信息融合白噪声Wiener反卷积滤波器

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,对于带未知模型参数和噪声方差的两传感器反卷积系统,提出了自校正信息融合白噪声Wiener反卷积滤波器。它具有渐近最优性。一个Bernoulli-Gaussian白噪声反卷积的仿真例子说明了其有效性。     

基于噪声方差估计和模型参考的传感器动态补偿

针对采用最小二乘法(least-squares, LS)无法得到传感器动态补偿器参数无偏估计的问题,提出了一种基于输入信号噪声方差估计和模型参考的无偏辨识算法.该算法先通过小波变换估计噪声的方差,再由估计得到的方差,通过偏差消除的递推最小二乘法,对补偿器的参数进行无偏辨识.同时,利用参考模型建立卡尔曼滤波器,消除高频噪声对测量精度的影响.在薄膜热电偶上进行了仿真研究,以验证该方法的有效性.结果表明,算法降低了对输入辨识信号的要求,即不再必须为白噪声,具有较强的实用性.     

基于图像分割的噪声方差估计

提出一种基于图像分割的噪声方差两步估计算法。第一步,对含有噪声的图像进行平滑,再利用统计区域归并算法对图像进行分割,并计算每个区域的方差,根据统计规律选择适当的区域估计图像中噪声方差。第二步,利用初始估计的方差,修正平滑滤波、图像分割及噪声估计的参数,进行新一轮的平滑、分割和方差估计,得出更为准确的估计结果。在大量图像和不同噪声情况下的实验结果表明,该算法可以快速、准确地估计图像中噪声方差。     

多维和多重递推辅助变量辨识算法

对带白色观测噪声的多维自回归(AR)模型,应用相关方法,分别提出了多维和多重递推辅助变量(RIV)算法,给出了未知AR参数的强一致估计;推广了一维RIV算法。提出了模型噪声和观测噪声方差的信息融合估值器,它们具有强一致性。一个仿真例子说明其有效性。     

基于迭代停止准则的自适应TV模型

针对全变分去噪模型参数调整困难的不足,提出基于峰值信噪比和基于归一化步长差分能量的停止准则,并获得了具有自适应迭代性能的全变分模型。同时,该模型在滤波过程中,根据图像能量信息和噪声方差对拉格朗日规整化参数进行同步更新。多组仿真实验结果表明,该模型在去除噪声的同时保护了图像的边缘细节。无论是主观视觉效果还是RMSE、PSNR、SSIM等客观性能指标都明显优于其他全变分模型。     

多传感器AR信号自校正加权融合Wiener滤波器

对带多传感器和带未知模型参数及未知噪声方差的自回归(AR)信号,应用递推辅助变量(RIV)算法得到局部模型参数估值器,用相关方法得到局部噪声方差估值器。用取局部估值器的平均得到信息融合估值器。将它们代入最优加权融合AR信号Wiener滤波器,提出一种自校正加权融合Wiener滤波器。它们以概率1收敛于最优融合Wiener滤波器,因而具有渐近最优性。它的精度比每个局部自校正Wiener滤波器精度都高。仿真例子说明了其有效性。     

结合局部方差信息的各向异性扩散图像去噪算法研究

针对各向异性扩散算法容易模糊图像细节和边缘以及去噪不彻底的问题,通过局部方差信息调整参数将LCC扩散函数与ECU扩散函数相结合,综合利用图像局部方差描述的局部区域信息和梯度信息,提出了一种结合局部方差信息的各向异性扩散模型。该模型不仅同时依赖局部方差信息和梯度信息,而且能够在不同性质区域根据局部方差信息调整参数适时地调整LCC扩散函数与ECU扩散函数扩散速度,充分利用LCC扩散函数和ECU扩散函数的优势。实验结果表明,该模型与其它几种经典算法相比,不仅能够有效地去除噪声、保持图像弱边缘,而且对图像的细节保持也有较好的效果。     

基于BM3D的图像噪声方差估计方法

传统的图像噪声方差估计方法在处理具有较多内容变化或者丰富纹理信息的图像时,往往容易造成较大的估计偏差.提出了一种基于BM3D的图像噪声方差估计方法.首先使用传统的F-NLE噪声估计方法获取图像噪声的初步估计值,并根据噪声初步估计值生成多组噪声方差候选值;然后,使用得到的噪声方差候选值作为BM3D滤波方法的参数,对含噪图...     

多传感器ARMA信号自校正分布式融合Kalman滤波器

对含未知模型参数和未知噪声方差的多传感器自回归滑动平均（ARMA）信号,应用递推辅助变量(RIV)算法得到局部模型参数估值器,用相关方法得到局部噪声方差估值器,然后用取局部估值器的平均得到信息融合估值器。将这些融合估值器代入ARMA信号的全局最优分布式融合Kalman滤波器,提出了一种自校正分布式融合Kalman滤波器。用动态误差分析方法证明了它收敛于全局最优分布式Kalman滤波器,因而它具有渐近全局最优性。一个目标位置跟踪系统仿真例子说明了其有效性。     

自校正解耦融合Wiener状态预报器

对含未知模型参数和噪声统计的多传感器单输入单输出系统,用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型的在线辨识,可得到未知模型参数和噪声统计估值器,进而在按状态分量标量加权线性最小方差最优信息融合准则下,提出了自校正分量解耦信息融合Wiener状态预报器。它实现了自校正分量解耦局部Wiener状态预报器和自校正分量解耦融合预报器。证明了它的收敛性和渐近最优性。一个目标跟踪系统的仿真例子说明了其有效性。     

相关色噪声的激光损失模型的定态性质分析

应用近几年发展的处理色噪声的近似方法,计算了具有白联的不同自相关时间的加法色噪声和乘法色噪声驱动的单模激光三次方模型的场幅定态几率分布及其均值、协方差,分析了在阈值上时,激光光强均值和协方差受噪声间的关联强度和噪声的“颜色”的影响。     

随机扰动项误设对GARCH模型参数估计的影响

以AR(1)-GARCH(1,1)为例,讨论随机扰动项误设与不同优化算法对模型参数估计结果的影响。结果发现,随机扰动项误设对条件均值方程参数估计值影响不大,而条件方差方程中ARCH项系数、GARCH项系数与真值的偏差较为厉害。进一步分析发现,在小样本情况下采用NLMINB算法,ARCH项系数的均值估计结果更理想一些,但收敛于真值的速度却低于LBFGSB算法;LBFGSB算法估计GARCH项系数结果会更理想,但LBFGSB算法估计CARCH系数时收敛于真值速度却低于NLMINB算法。     

无人机组合导航系统的自适应算法研究

为了缩短捷联惯导系统的初始对准时间并提高对准精度,分别设计了常规卡尔曼滤波器和自适应卡尔曼滤波器用于精对准。在系统噪声统计特性未知时,自适应卡尔曼滤波算法利用滤波残差的均值和方差,不断对卡尔曼滤波的状态噪声方差阵和测量噪声方差阵进行实时修正,从而提高滤波器对模型不确定性和噪声变化的适应能力和鲁棒性。仿真结果表明,使用自适应UKF算法与常规的UKF算法相比,可以获得更优的对准精度和快速性。     

环形激光陀螺仪随机误差模型的研究

为了减少陀螺仪的误差并提高其精度,需要对陀螺仪误差进行估算与补偿,因而建立了陀螺仪的随机误差模型。在环形激光陀螺仪（ＲＬＧ）随机误差模型分析方法中,有功率谱密度（ＰＳＤ）分析,时序ＡＲＭＡ模型,及Ａｌａｎ方差分析。Ａｌａｎ方差分析是在时域上对频率稳定性进行分析的一种通用方法。在Ａｌａｎ方差与ＰＳＤ之间存在定量的关系。通过分析Ａｌａｎ方差,可以分辨出存在于ＲＬＧ中的各种类型噪声。Ａｌａｎ方差分析比在频域上分析ＰＳＤ简单得多。该文用Ａｌａｎ方差对Ｌ－１环形激光陀螺仪进行了具体的分析,得到了存在于Ｌ－１环形激光陀螺仪中的各误差源。表明Ａｌａｎ方差是建立激光陀螺仪随机误差模型的一种很实用的方法。     

利用节流装置噪音测量两相流流量的理论模型

两相流流过节流装置时产生的差压测量噪音是人们熟知的现象。这一噪音是由于相浓度在空间的随机分布所引起的。当流动遇有阻挡体（例如孔板）造成扰动时，噪音的临度将进一步增强。假设分散相浓度分布的方差正比于其平均相浓度，在不考虑阻挡体扰动的条件下，应用两相流分离流理论模型论证了节流装置差压方根噪音的方差近似正比于分散相流量。进而推导出利用噪音测量两相流流量的理论模型。这一论证预示了可以根据简单的理论模型用单一节流装置实现两相流流量的测量。     

基于AR模型和SVM的果蝇振翅声分类

分别对3个不同品系果蝇的振翅声建立了AR模型,提取AR系数和白噪声序列的方差作为特征,然后用支持向量机(support vector machine,SVM)分类同种内的3个不同品系果蝇的振翅声。使用AIC准则确定AR模型的阶数,用Burg方法估计AR模型的参数,用重尾径向基函数作为支持向量机的核函数,实现对不同品系果蝇振翅声的特征提取和分类。实验结果表明3个品系的果蝇振翅声的分类正确率均达到了88%以上。     

精密单点定位的卡尔曼滤波新息与残差随机性对比

为了验证卡尔曼滤波新息和残差描述观测噪声的能力,根据精密单点定位载波相位和伪距观测值的先验方差,利用蒙特卡罗模拟等方差的随机噪声作为分析基准,研究描述信号随机性的平稳性、正态性、自相关性和功率谱指标。实验结果表明,新息只能正确描述伪距观测值噪声的随机性,残差能够同时描述载波相位和伪距观测值噪声的随机性。同时,两者描述伪距观测值噪声的能力相近。因此,不同精度观测值的精密单点定位应该以新息表示的残差为基础进行卡尔曼滤波模型的改进。