基于Volterra滤波器的混沌背景弱信号检测

针对混沌背景弱信号检测问题,提出了一种基于Volterra滤波器的混沌背景弱信号检测算法.在Volterra滤波系数计算过程中,采用了解线性方程组算法代替原有的自适应算法,提高了混沌预测精度以及混沌背景中弱信号检测性能.仿真结果表明,本文所提出的算法在信混比达到-70dB时,仍能检测混沌背景中微弱信号.     

监护信息重构方法研究

监护信息系统中通常采用系统建模的方法对监护数据进行分析处理、并识别异常状况.通常这些模型是在模型结构确定的条件下,应用监护数据辨识获得.实际检测获得的监护数据通常包含大量异常值,这会严重降低模型辨识的准确性.提出了一种监护信息系统中异常值分析处理方法.应用Hampel辨识器算法,识别监护数据中异常值出现的位置;并采用kalman滤波器算法的方法对于出现异常值的数据点进行数据重构,实现监护信息系统中出现异常值分析处理.通过应用PhysioNet生物医学信号研究资源中的两组数据集,包括心率和中心静脉压,进行实验研究,结果表明此方法对监护数据异常值分析和处理中取得很好的效果.     

基于多模型方法的自适应卡尔曼滤波

针对一类观测噪声统计特性未知的离散时间系统设计一种多模型自适应卡尔曼滤波器。基于多个不同的固定观测噪声协方差阵建立多个固定模型卡尔曼滤波器,将多个固定模型卡尔曼滤波器和一个常规自适应卡尔曼滤波器共同组成多模型自适应卡尔曼滤波器。针对每一个滤波器建立一个基于输出误差的指标切换函数,每一个采样时刻将指标切换函数取得最小值的滤波器的状态估计值切换为系统的当前状态估计值。仿真结果表明,与常规的自适应滤波器相比,此方法可以极大地改善滤波器的滤波效果。     

一种基于匹配滤波的空时分组码译码方法

空时分组码译码采用直接法构造判决统计量。两副发射天线、一副接收天线的空时分组码系统的判决统计量还有另外一种构造方法——匹配滤波法。将匹配滤波法进一步推广到多维空时分组码系统,给出了匹配滤波器的构造方法,并在SPW平台上对这种方法进行了仿真。分析和仿真结果表明:提出的增强匹配滤波法易于实现,适用于多维空时分组码系统,其误码性能与直接法相同。     

基于平方根UKF的多传感器融合跟踪

为了提高融合算法的精度,将UKF(Unscented Kalman Filter)算法与多传感器顺序滤波融合跟踪算法相结合,提出了基于UKF的多传感器序贯融合算法.UKF算法利用非线性方程自身的传播,估计系统状态,避免了对非线性方程线性化的过程.顺序滤波融合算法用同一时刻的量测依次更新状态,计算复杂性低.仿真结果表明,UKF顺序滤波融合跟踪算法比传统的扩展卡尔曼滤波(EKF)算法有更高的跟踪性能,是一种有效的非线性融合算法.     

模拟VLSI电路参数型故障的测试方法

为了提高模拟集成电路参数型故障的测试精度,以小波滤波器组实现的子带滤波为理论工具,研究了基于多故障特征提取的模拟集成电路测试方法.研究和对比了奥克塔夫(Octave)和金字塔两种小波分解结构下对Haar和Daubenchies两种小波在时域和频域中的故障分辨特性和诊断能力.对国际标准电路的实验表明:采用Octave结构时,在时域可完成故障检测,以相干函数在频域区分故障困难;而采用金字塔型结构时,在时域和频域皆易完成故障诊断:采用Daubenchies小波的效果优于Haar小波.     

未知噪声统计的交错估计GPS导航定位算法

将未知噪声统计量的估计与信号状态估计交替进行的算法引入 Ｇ Ｐ Ｓ定位,计算机模拟结果表明效果很好。     

基于卡尔曼滤波的二次型神经网络学习算法及收敛性分析

提出了二次型多层前馈神经网络的卡尔曼滤波学习算法,并证明了该算法的收敛性。与文献［２,３］中的学习算法和经典的误差反向传播学习算法相比,新的学习算法具有更快的学习速度、良好的泛化能力,并且对学习率有很好的鲁棒性,不容易陷入局部极小点。仿真实验结果表明了新算法的有效性。     

一类新的离散时延递归RBF神经网络

提出了一类带有离散时间 FIR/ IIR滤波器的递归 RBF神经网络 ,用离散时间 FIR/ IIR滤波器代替通常的 RBF神经网络中的线性输出权值 ,以适用于离散动力学系统的辨识和控制以及混沌时间序列预测 .本文给出的学习算法简单 ,可以避免传统的递归算法的不稳定性 .将该类神经网络用于动力学系统的建模 ,收到很好的效果 .     

高斯白噪声背景下机动目标未来运动状态的一步实时预报与滤波

对高斯白噪声背景下机动目标的运动共性进行了研究,绕过了建立系统加速度模型的麻烦,得到了未来运动趋势的一步实时预报模型,并具有很好的实时性.文章中还给出了算例与仿真计算结果.