基于FLOC的ARMA SαS模型α谱估计方法

分析了基于分数低阶矩（FLOM）估计ARMA SαS模型参数的不足,根据分数低阶协方差（FLOC）的概念,提出了一种基于分数低阶协方差系数估计ARMA SαS模型参数的方法。在此基础上,给出了ARMA SαS模型的α谱估计。通过对给定ARMA SαS模型的α谱估计、α稳定分布噪声中正弦信号的估计与分辨进行仿真,详细比较了基于FLOM的ARMA SαS模型α谱估计和基于FLOC的ARMA SαS模型α谱估计的性能。结果表明,α值较小时,基于FLOC的ARMA SαS模型α谱估计的性能明显优于基于FLOM的ARMA SαS模型α谱估计。     

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.     

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.     

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。     

α稳定分布噪声下数字频移键控信号的分数低阶循环谱分析

针对α稳定分布噪声环境下数字通信信号的二阶与高阶循环统计特征显著退化问题,结合分数低阶矩和共变理论对二进制频移键控（Frequency Shift Keying,FSK）信号的分数低阶循环谱公式进行了理论推导,并对2FSK信号在不同混合信噪比、分数阶因子和特征指数条件下的分数低阶循环谱进行了详细的仿真分析.理论和仿真结果表明:2FSK信号分数低阶与二阶的循环谱结构相同,其谱峰对应的循环频率相同,谱峰的幅度值不同,取决于循环谱的阶因子.相对于在低混合信噪比下失效的二阶循环谱,分数低阶循环谱对α稳定分布噪声具有更强的抗干扰性和适用性.     

稳定分布下基于FAM的低阶循环谱算法研究

该文在α稳定分布下结合共变理论、循环平稳和分数低阶矩(FLOM)等理论和方法,提出基于FAM (FFT Accumulation Method)的低阶循环谱算法,对算法中存在的循环泄露现象及算法复杂度进行了分析,并以调制信号(AM,QPSK)做了实验仿真.结果表明在α稳定分布下循环平稳信号的低阶循环谱密度和在高斯模型下的二阶循环谱结构是一致的,但基于α稳定分布假定所设计的信号处理算法对信号噪声特性不确定情况具有较好的韧性和抗脉冲噪声性能.最后在循环谱域构造了调制信号的低阶循环特征参数,为复杂背景下的调制识别提供了新的途径.     

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.     

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。     

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。     

Alpha稳定分布噪声条件下的广义S变换时频分析

在分析Alpha稳定分布噪声干扰下的非高斯信号时,基于传统二阶广义S变换时频算法效果显著退化。针对该问题,提出了基于分数低阶的广义S变换时频分析（FLO-GST）算法。该算法将分数低阶谱理论和常规广义S变换时频分布算法有机结合,同时优化窗口调节因子改善时频聚集性,得到较好的时频图谱。通过计算机仿真,并与其他时频算法进行对比,结果表明,该算法能有效抑制脉冲噪声干扰,更好的描述稳定分布噪声下非平稳信号的时频图谱,具有良好的韧性。      

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。     

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。     

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.     

脉冲噪声下基于分数低阶矩的MQAM信号载频与符号率联合估计

针对传统MQAM信号载频与符号率估计算法在脉冲噪声下性能不佳甚至失效的问题,该文结合分数低阶矩与共变理论,推导了MQAM的分数低阶循环谱密度函数,并分析了升余弦脉冲成型条件下的MQAM信号循环谱特征。将分数低阶矩引入离散频域平滑谱(DFSM)估计。提出了一种基于分数低阶矩的MQAM载波频率与符号率联合参数估计算法,采用相邻谱切面求平均的方法,有效的避免了由于分辨率不足造成估计误差。仿真实验结果表明,与二阶DFSM循环谱估计算法相比,本文算法不仅能够抑制脉冲噪声的影响,而且在较为恶劣的噪声条件下均能有效的估计MQAM信号的载频与符号率,具有更好的抗干扰能力与适用性,适用于不同调制阶数的MQAM信号。      

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.     

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.