基于分数低阶协方差的AR SαS模型α谱估计

根据自回归(AR) SαS模型的α谱,分析了基于分数低阶矩(FLOM)法估计AR SαS模型参数的不足.提出了一种基于分数低阶协方差(FLOC)的AR SαS模型参数估计方法,并给出了基于FLOC的AR SαS模型α谱方法.分别对AR SαS模型参数的估计、α稳定分布噪声中单一正弦信号的估计和两个正弦信号的分辨进行了仿真.仿真结果表明,基于FLOC的AR SαS模型α谱估计方法对于不同的α值均具有较好的韧性.特别是在α值较小,即α稳定分布噪声概率密度函数(PDF)拖尾比较严重时,本文所提出的基于FLOC的AR SαS模型α谱估计方法,其性能明显优于基于FLOM的AR SαS模型α谱估计方法.     

基于分数低阶统计模型的自适应滤波器组谱估计方法

 本文研究了一些自适应滤波器组谱估计方法(AFSE)在对称alpha-stable噪声(SαS)环境下的性能.提出了三种新的基于分数低阶统计模型(FLOS)的自适应滤波器组谱估计方法(AFSE_-FLOS).这些新方法是基于分数低阶协方差(FLOC),因此在对称alpha-stable噪声环境下比基于二阶和一阶统计模型的方法估计性能好.计算机仿真结果表明这些基于分数低阶统计模型的新方法在对称alpha-stable噪声环境下的性能比对应的基于二阶和一阶统计模型的方法性能好,在高斯噪声环境下,与其对应的方法性能相似.     

基于分数低阶统计量的双谱及其估计方法

稳定分布可更好地描述实际中所遇到的具有显著脉冲特性的随机噪声.为了更好地抑制信号背景中的非高斯噪声,本文提出了基于分数低阶的双谱定义,并给出在分数低阶有色噪声背景下双谱非参数和参数模型的估计方法.仿真结果表明,同传统的双谱估计相比较,非参数法分数低阶双谱估计能有效的识别信号,保留了信号的幅度和相位信息,但存在较大的估计方差.基于AR模型的分数低阶双谱估计具有最大的谱平坦度,能够有效地抑制噪声,具有良好的韧性.     

非高斯杂波中反辐射导弹的Wald检测方法

Alpha稳定分布是一种有广泛适用范围的非高斯分布模型,本文基于Alpha稳定分布杂波假设,提出了一种反辐射导弹(ARM)的Wald检测方法.当Alpha稳定分布的特征参数α值较小时,基于功率谱或基于共变α谱的频率估计性能将明显下降,为此本文提出基于分数低阶协方差(FLOC)谱方法估计ARM载机信号的多普勒频率,并针对载机信号的强相关性用对消器抑制载机信号,最后导出了标准对称Alpha稳定分布杂波下ARM的Wald检测统计量.仿真结果表明,基于FLOC谱能够准确地估计信号频率,抑制载机信号;基于Alpha稳定分布杂波假设的Wald检测性能与广义似然比检测(GLRT)的渐近性能相当,且明显优于基于高斯分布杂波假设的Wald检测性能.     

基于粒子群优化的偏斜α稳定分布参数估计

基于粒子群优化算法,结合偏斜α稳定分布的分数低阶矩性质,提出了一种新的α稳定分布参数估计方法.针对已有方法无法实现多个参数同时估计的不足,结合α稳定分布分数低阶矩的特点,首先判断出对称参数的符号以及分数低阶矩阶数的取值范围,进而确定目标函数.仿真试验结果表明:所提方法可以同时给出3个参数的估值,验证了该方法的有效性,同时与Kuru-FLOM相比在精度上有所提高或相当.     

基于Screened Ratio原理的冲击噪声环境下DOA估计算法

该文提出了一种冲击噪声环境中DOA估计的算法。算法首先根据Screened ratio原理构造阵列信号的相关矩阵,然后利用MUSIC算法实现DOA估计。与基于分数低阶矩(FLOM)的算法相比,该文算法不需要选择FLOM参数p。计算机仿真表明该文算法在冲击噪声环境下具有更佳的稳定性和估计精度。     

一种基于分数低阶协方差的自适应 EP潜伏期变化检测方法

由于诱发电位(EP)信号中含有分数低阶α稳定分布噪声,致使传统的基于二阶统计量的EP潜伏期变化检测方法性能显著退化.本文提出了一种基于分数低阶协方差的自适应EP潜伏期变化检测方法(AFLC),通过对带噪信号的非线性处理,把其转变为二阶矩过程,从而保证了算法在α∈(0,2]范围内的可靠收敛,并获得了EP潜伏期变化估计的较高韧性和精度.给出了性能分析,计算机仿真和实验数据分析的结果.     

脉冲噪声环境下基于矩阵差分的远近场混合源定位

为了提高脉冲噪声环境下基于二阶协方差矩阵差分（COV-MD）的远近场混合源定位算法的估计性能,本文提出了基于分数低阶协方差矩阵差分（FLOC-MD）和基于压缩变换协方差矩阵差分（CTC-MD）的远近场混合源定位算法。所提出的算法首先利用一维MUSIC谱峰搜索获得远场源信号的方位角估计,然后利用矩阵差分法实现远近场信号源的分离得到扩展的近场源分数低阶协方差矩阵（或压缩变换协方差矩阵）,最后在利用类旋转不变方法（ESPRIT-Like）估计得到的近场源方位角的基础上,再次利用一维MUSIC谱峰搜索获得近场源距离的估计。计算机仿真结果表明:CTC-MD算法和FLOC-MD算法在强脉冲和低信噪比情况下的估计性能都要明显优于COV-MD算法和其他基于二阶统计量的远近场混合源定位算法,同时CTC-MD算法的性能要好于FLOC-MD算法并且不依赖于脉冲噪声的先验信息。      

α稳定分布下的自适应数据块滤波算法

本文基于分数低阶统计量原理提出了α稳定分布下的自适应数据块LMP和LMAD滤波算法.新算法利用更多的输入信号和误差信号的信息,更准确地估计梯度,调整自适应滤波器权向量增量方向,提高了收敛速度.采用变步长因子改善算法的稳态误差,进一步提高了算法的收敛性能.仿真结果表明,在分数低阶α稳定分布信号条件下,自适应数据块滤波新算法较NLMP算法和NLMAD算法有更好的收敛性能.     

脉冲噪声环境下的SCOT加权时间延迟估计新方法

针对平滑相干变换(SCOT)加权广义相关时间延迟估计方法在脉冲噪声环境下的退化现象,依据分数低阶α稳定分布噪声的尖峰脉冲特性和分数低阶统计量理论,提出了基于分数低阶协方差的SCOT加权时间延迟估计方法,并进一步提出了不依赖于分数低阶α稳定分布噪声参数估计的基于非线性变换(Sigmoid变换和反正切变换)的SCOT加权时间延迟估计方法。理论分析和计算机仿真结果表明,新方法在高斯和非高斯脉冲噪声环境下都具有良好的顽健性。     

分数低阶α稳定分布噪声下HB加权自适应时间延迟估计新方法

针对LMS-HB自适应时间延迟估计方法在分数低阶α稳定分布噪声环境下的退化现象,依据分数低阶统计量理论,提出了基于分散系数最小化的LMP-HB自适应时延估计方法,并进一步提出了不依赖于参数估计的基于非线性变换的HB加权自适应时延估计方法。理论分析和计算机仿真结果表明,新方法在高斯和分数低阶α稳定分布噪声环境下具有良好的韧性。     

冲击噪声环境中的联合对角化波达方向矩阵法

针对对称α平稳(SαS)噪声环境中信号源的高分辨二维波达方向(DOA)估计问题,提出了一种新的联合对角化(JD)分数低阶矩(FLOM)-DOA矩阵方法.构建了一种特殊的阵列结构,把其分为三个子阵,然后通过联合对角化获得信号的二维角估计.新方法不仅保持原协变异DOA矩阵方法无需二维谱峰搜索和参数配对等优点,还较好地解决了一维角度兼并问题.仿真结果表明,新方法优于协变异DOA矩阵法.     

一种基于最小1-范数准则的TDOA估计算法

针对脉冲噪声条件下利用传统广义互相关法(Generalized Cross-Correlation,GCC)进行时延(TDOA,Time Difference of Arrival)估计性能退化问题,提出一种基于最小1-范数准则的TDOA参数估计算法.对于高斯噪声,传统GCC估计方法能够实现统计最优,但当噪声的统计分布为非高斯分布时,利用传统GCC参数估计方法的估计精度和鲁棒性急剧下降.利用最小1-范数准则,提出一种存在α-稳定分布重尾脉冲噪声环境下的TDOA估计算法.系统仿真实验与结果分析表明,与传统GCC方法和分数低阶矩(Fractional Lower Order Moments,FLOM)方法相比,该算法在鲁棒性和估计精度方面均有明显改善.     

一种对称α稳定噪声中的DOA估计新方法

本文研究了对称α稳定(SαS)噪声环境中窄带信号源的DOA估计问题。SαS过程能很好地描述许多具有冲激特性的信号和噪声,但其二阶和高阶统计量不存在。利用SαS过程的性质,提出了一种基于数据矩阵加权的子空间类DOA估计新方法。该方法与分数低阶矩法作了比较,仿真结果显示了所给算法的优越性。     

冲击噪声下基于子空间拟合的DOA估计新算法

研究了在对称α稳定分布(Symmetric α-stable,SαS)冲击噪声背景下的基于子空间拟合的多目标DOA估计算法.由于SαS冲击噪声造成传统DOA算法性能下降,提出了基于分数低阶矩统计量的FLOM-SSF/NSF算法和Screened Ratio原理的SR-SSF/NSF算法.计算机仿真表明两种算法都能有效地改善SαS型冲击噪声对DOA估计的影响,有更好的稳健性,其中SR-SSF/NSF算法性能略好于FLOM-SSF/NSF算法.     

基于分数低阶本征滤波的雷达目标检测方法

在非高斯相关杂波背景下,通常杂波分布的概率密度函数结构复杂甚至无闭式表达,难以建立统计检测模型。针对此问题,以α稳定分布为背景,基于分数低阶统计量和最佳滤波器理论,以滤波器输出分数低阶信杂比最大为准则,给出了一种分数低阶本征滤波(FLOEF)模型。该模型利用杂波的分数低阶协方差矩阵对非高斯相关杂波进行白化,可显著改善信杂比,实现非高斯相关杂波背景下雷达目标的有效检测。通过仿真和实测数据给出了FLOEF在不同条件下的检测性能,并同传统基于二阶统计量的本征滤波进行了比较,结果验证了FLOEF的优越性。     

分数低阶循环统计量及其在脉冲噪声环境下时延估计中的应用

本文以α稳定分布作为噪声模型,研究了非高斯噪声对传统的二阶循环统计量的影响,提出了分数低阶循环统计量的概念,研究并证明了其性质。在此基础上提出基于分数低阶循环统计量的新的时延估计方法—RCCC(Robust Corre- lated Cyclic Covariation)。计算机模拟表明,这种算法是一种在高斯和α稳定分布噪声条件下具有良好韧性的时延估计方法。     

基于SαSG分布噪声模型的自适应混合矩滤波方法

α-稳定分布可以更好地描述实际应用中所遇到的具有显著脉冲特性的随机信号和噪声.与其他统计模型不同,α-稳定分布没有统一闭式的概率密度函数,其二阶及二阶以上统计量均不存在.针对系统中存在独立SαS噪声与高斯噪声,基于SαSG分布模型,提出了一种稳定分布与高斯混合噪声环境下的自适应混合矩滤波的修正RMN（混合参数）算法,并对算法进行了步长归一化改进.计算机模拟和分析表明,这种算法是一种在SαSG分布背景噪声条件下具有良好韧性的滤波方法.     

基于Durbin与Burg算法的AR SαS有色噪声α谱估计

稳定分布可更好地描述实际中所遇到的具有显著脉冲特性的随机噪声。在简要介绍稳定分布统计特性的基础上,描述了稳定分布的谱表示。为了对AR SαS过程进行α谱估值,通过对广义Yule-Walker方程进行分析,借鉴杜宾推算法和Burg算法推导了一种求解广义Yule-Walker方程的新方法。仿真结果表明,该方法能够较为准确地估计出AR模型参数,且能准确地估计出AR SαS过程的α谱。     

一种基于分数低阶协方差矩阵的波束形成新方法

利用稳定分布对具有脉冲特性的噪声进行建模，提出了一种新的分数低阶协方差概念，推导了一种基于分数低阶协方差矩阵的波束形成方法，并分析了其旁瓣特性。模拟表明新方法具有更高的信号干扰噪声比及更强的波束形成与旁瓣抑制能力。新算法在高斯和分数低阶稳定分布环境下比传统的算法具有更好的韧性。