单通道自校正去卷平滑器

对于单通道线性随机系统的ＡＲＭＡ输入信号，本文用现代时间序列分析方法，基于白噪声估值器提出了一种新的自校正去卷平滑器，可处理非平稳ＡＲＭＡ输入信号、不稳定和／或非最小相位系统，并给出了仿真结果．     

多变量自校正递推去卷滤波器

本文用时域上的新息分析方法，对于线性多变量系统的输入信号，提出了一种新的自校正递推去卷滤波器，它具有ＡＲＭＡ新息滤波器形式，可处理多变量非平稳ＡＲＭＡ输入信号、不稳定和／或非最小相位系统。仿真例子说明了其有效性。     

多通道最优和自校正去卷估值器

基于白噪声估计理论，对于通过带有观测噪声的线性系统被观测的多变量ＡＲＭＡ输入信号，本文提出了最优和自校正去卷新方法，可统一处理去卷滤波，预报和平滑问题，可处理非平稳ＡＲＭＡ输入信号及不稳定和／或非最小校位系统，仿真例子说明了其有效性。     

带有色观测噪声的多变量自校正去卷滤波器

本文运用新息理论和射影的方法，通过在线辨识ＡＲＭＲ新息模型提出了多变量非平稳ＡＲＭＡ信号自校正去卷滤波器。     

多变量ARMA信号自校正最优去卷平滑估计方法及其渐近稳定性*

本文讨论信号去卷估计问题。运用新息理论和射影方法，基于ＡＲＭＡ新息模型设计多变量ＡＲＭＡ信号最优去卷平滑器，讨论了平滑器的渐近稳定性。在信号模型及噪声统计未知时，通过在线辨识ＡＲＭＡ新息模型提出了ＡＲＭＡ信号自校正去卷平滑器。     

多通道非平稳ARMA信号自校正去卷滤波器

对于通过一个已知的线性系统被观测的多通道非平稳ＡＲＭＡ信号，本文用现代时间序列分析方法［１］，基于ＡＲＭＡ新息模型，提出了自校正去滤波新方法。仿真例子说明了其有效性。     

解决多通道Wiener滤波问题的ARMA新息滤波器

应用现代时间序列分析方法，提出了解决多通道Ｗｉｅｎｅｒ滤波问题的ＡＲＭＡ新息滤波器。它由构造ＡＲＭＡ新息模型和解一个Ｄｉｏｐｈａｎｔｉｎｅ方程组成，可统一处理最优滤波、平滑和预报问题，可处理非平稳信号和噪声，并引出一种等价的Ｗｉｅｎｅｒ滤波器。仿真例子说明了其有效性。     

单片微机系统RAM自检的研究

在各种单片微机测控系统中，ＲＡＭ的正常与否直接关系到该系统的正常工作，ＲＡＭ的自检可有效地避免ＲＭＡ不正常工作带来的损害，本讨论了单片微机应用系统中ＲＡＭ自检的方法。     

单片微机系统RAM自检的研究

在各种单片微机测控系统中，ＲＡＭ的正常与否直接关系到系统的正常工作，ＲＡＭ的自检可以有效地避免ＲＡＭ不正常给系统带来的损害。本文讨论了单片微机应用系统中ＲＡＭ自检的方法。     

含ARMA噪声系统模型的参数辨识方法*

实际问题中，大量的动态系统控制问题可归结为含ＭＡ，ＡＲＭＡ噪声系统模型的参数辨识问题。本文提出ＲＭＡ，ＲＡＲＭＡ两种系统模型参数辨识的一种新方法，主要手段是构造和研究特殊的辅助线性模型。理论分析和实际计算表明，本文方法较传统表度有明显提高。     

非平稳ARMA信号自校正滤波器及其应用

本文处理带白色观测噪声的非平稳ARMA信号估计问题.应用状态空间方法和现代时 间序列分析方法[1],基于ARMA新息模型,提出了非平稳ARMA信号自校正滤波器,推广了 Hagander和Wittenmafk的结果[2],并给出了在雷达跟踪系统和检测数据数字滤波方面的应 用.仿真结果说明了本文结果的实用性和有效性.     

具有随机多丢包的ARMA信号最优线性估计

研究网络环境下具有随机丢包的自回归滑动平均(ARMA)信号的估计问题,其中丢包现象通过一个满足Bernoulli分布的随机变量描述.通过ARMA模型与状态空间模型的转化,将具有丢包的ARMA信号估计问题转化为具有丢包的状态空间模型的状态和白噪声估计问题.利用射影理论分别给出线性最小方差最优线性状态估值器和白噪声估值器,进而获得ARMA信号估值器.仿真结果表明,当存在数据丢失时,所提出的算法与以往基于完整数据的最优估计算法相比具有最优性和有效性.     

牛顿法在CELP零极点模型改进方法中的应用

传统的码激励线性预测(CodeExcitedLinearPredictive,CELP)语音编码方法采用有限阶的全极点预测模型来描述语音信号的短时相关性,对频谱谷点显著的语音信号(如清音等)并不适合。论文针对传统CELP编码器的这个缺点,尝试采用零极点预测模型对传统CELP编码器中的短时预测进行改进,并提出了一种基于牛顿法的零极点模型参数估计方法。实验结果表明,论文所提的方法可以有效地减少CELP编码器合成语音的归一化均方误差,提高合成语音的质量。     

Wiener滤波问题的一种Diophantine方程解

用时域上的现代时间序列分析方法,基于ARMA新息模型和白噪声估值器,提出Wiener滤波问题的一种Diophantine方程解。它可统一处理平稳或非平稳ARMA信号的最优滤波、平滑和预报问题。仿真例子说明了其有效性。     

Choosing the parameters of the NARMA model implemented with the recurrent perceptron for speech prediction

Speech signals have statistically nonstationary properties and cannot be processed properly by means of classical linear parametric models (AR, MA, ARMA). The neural network approach to time series prediction is suitable for learning and recognizing the nonlinear nature of the speech signal. We present a neural implementation of the NARMA model (nonlinear ARMA) and test it on a class of speech signals, spoken by both men and women in different dialects of the English language. The Akaike’s information criterion is proposed for the selection of the parameters of the NARMA model.     

基于Nios的聚类向量ARMA轴温探测器——列车轴温探测系统的信号处理

阐述了在向量ARMA(AutoRegressive Moving Average,自回归滑动平均)模型中的聚类算法,介绍了使用Altera DSP Builder和SOPC Builder实现聚类向量自回归滑动平均的卡尔曼最优平滑滤波器的设计方法,给出了聚类向量ARMA卡尔曼最优平滑滤波器的设计框图,比较了32阶FIR（Finite Impulse Response ,有限冲击响应）滤波器与聚类向量ARMA卡尔曼最优平滑滤波器的滤波效果,同时还利用16阶DITFFT（时间抽取快速Fourier变换）展