一种时变系统模型结构确定和参数估计新算法

将参数检测技术和辨识方法相结合，系统结构在线辨识和参数跟踪相结合，基于Ｕ－Ｄ分解技术，提出一种时变系统结构确定和参数估计的最小二乘辨识新算法。该算法不仅可实现系统阶次和参数的同时估计，而且通过对损失函数的实时监测，实现协方差阵的自适应调整，使辨识算法收敛速度快，对时变系统阶次和参数变化均有很强的跟踪能力。     

锥面共形阵列极化-DOA估计的降维MUSIC算法

针对传统MUSIC(multiple signal classification)算法在锥面共形阵列极化-DOA(direction of arrival)参数联合估计过程中计算复杂度较高的问题,利用单极化阵元构造极化敏感锥面共形阵列,并建立阵列接收信号模型.通过构造同极化接收子阵,将导向矢量中空域信息和极化域信息去"耦合",在考虑阵元遮挡效应的条件下,结合秩损原理实现了基于降维MUSIC算法的极化-DOA多参数估计,减小了极化-DOA参数估计的计算量.通过计算机仿真证明了方法的有效性.     

一种光纤陀螺随机漂移的高精度建模方法

为减小光纤陀螺随机漂移,采用时间序列分析法对其进行ARMA模型辨识.提出一种全局最优的模型阶次搜索算法,将模型适用性检验方法中的BIC(Bayesian information criterion)用于模型阶次搜索,并采用Pandit-Wu建模思想,把二维搜索化为一维搜索,得到了模型阶次的一致性估计.提出了一种改进的U-C算法,并与长自回归模型计算残差法相结合共同估计模型参数.它将非线性参数估计过程转化为线性过程,使用了正置与逆置漂移时序参与估计,以前向和后向模型的滤波误差平方和最小为参数估计的指标,在p+1维空间中求极小值.采用上述方法确定的模型其残差标准差为0.002 4°,最大预报误差为0.011 2°,能准确预报光纤陀螺随机漂移趋势.     

基于三次相位补偿的运动目标参数估计

针对加速度在合成孔径雷达运动目标检测中会产生三次相位影响静止目标抑制和参数估计精度的问题, 提出基于三次相位补偿的参数估计方法. 在分析信号模型的基础上, 通过在时间-调频率平面内采用类似Dechirp和一维搜索的方法实现三次相位的补偿; 完成相位补偿后, 为克服某些时频分布中峰值重叠可能带来的目标丢失问题, 利用改进的分数阶傅里叶变换方法进行运动目标参数估计, 并给出了具体的参数估计方法. 最后, 计算机仿真验证了该方法的正确性和有效性.     

基于模糊函数切片和 FrFT 的快速 LFM 信号参数估计

RAT（Radon-Ambiguity Transform）和FrFT（Fractional Fourier Transform）被广泛应用于线性调频（LFM）信号的参数估计。针对RAT调频斜率估计时的全角度域搜索和FrFT参数估计时的两维搜索导致计算量增加的问题,提出了一种快速LFM信号参数估计方法。采用模糊函数（Ambiguity Function）切片和RAT相结合的方法快速估计调频斜率,并以此确定最优分数阶变换阶数,然后利用一次FrFT实现LFM信号的剩余参数估计。理论分析和实验仿真表明了该方法的有效性。     

自回归模型的参数估计

给出了ｐ阶自回归模型参数估计的一种新的迭代方法，它简便易行，无需计算自相关函数，最后给出了一个实例     

信号建模(6):多频信号模型的递阶迭代参数估计

递推辨识和迭代辨识构成了两大类辨识方法族。利用递阶辨识原理、多新息辨识理论,针对多频标准正弦信号的建模问题,提出了递阶梯度迭代参数估计方法、递阶多新息梯度迭代参数估计方法、递阶牛顿迭代参数估计方法等。给出了几个典型辨识算法的计算流程和计算步骤。文中的方法可以推广到其它多频信号模型的参数辨识。     

自回归模型的参数估计

给出了ｐ阶自回归模型参数估计的一种新的迭代方法，它简便易行，无需计算自相关函数，最后给出了一个实例。     

《青岛科技大学学报(自然科学版)》第38卷(2017)总目次

递推辨识和迭代辨识构成了两大类辨识方法族。利用递阶辨识原理、多新息辨识理论,针对多频标准正弦信号的建模问题,提出了递阶梯度迭代参数估计方法、递阶多新息梯度迭代参数估计方法、递阶牛顿迭代参数估计方法等。给出了几个典型辨识算法的计算流程和计算步骤。文中的方法可以推广到其它多频信号模型的参数辨识。     

极化敏感阵列取向误差校正

针对实际应用的场合中阵元存在取向误差而必须校正的问题,本文基于极化敏感阵列的到达角(DOA)和极化参数估计算法提出了Taylor近似迭代估计方法,即对阵元进行多次一阶Taylor展开估计校正,得到阵列取向误差矩阵。仿真结果表明:该方法得到的校正矩阵对数据校正后DOA和极化参数估计值与信号真实值吻合得很好。     

估计近场源三维参数的新方法

针对近场源的方向角、仰角和距离的三维参数估计,提出了一种新的近场源三维参数的估计方法。该方法利用十字阵列的结构特点和四阶累积量估计信源的方向角、仰角和距离参数。十字阵列的其中一个子阵仅需2个阵元,从而减少了阵列的阵元个数,同时具有无需谱峰搜索和估计精度高的优点,且适用于高斯有色噪声环境。仿真实验证明了该方法的有效性。     

信号建模(5):多频信号模型的递阶参数估计

利用梯度搜索、多新息辨识理论、递阶辨识原理,针对多频标准正弦信号的建模问题,提出了动态数据下递阶梯度参数估计算法、递阶随机梯度参数估计算法、移动数据窗递阶多新息随机梯度参数估计算法、递增数据长度下递阶梯度估计算法等,给出了几个典型辨识算法的计算步骤。文中的方法可以推广到其它多频信号模型的参数辨识。     

基于RARE-Cumulant的互耦校正和DOA估计

基于四阶累计量及RARE(RAnk reducee quation)变换,结合均匀线阵互耦矩阵的特殊性,提出了一种新的互耦校正及波达方向估计算法。虽然四阶累计量比传统的二阶方法算法复杂,却扩展了阵列孔径,提高了在色噪声背景下DOA估计精度,而互耦系数并未因增加了虚拟阵元而增多。RARE变换将互耦系数与波达方向参量分离,有效地实现了多维参数估计的降维处理,减小了多维参量估计的计算量。仿真实验表明,在高斯色噪声背景下,本文方法计算量小,而且估计能力明显优于二阶去耦算法和传统的四阶方法。     

基于四阶累积量的多参数联合估计算法

研究了利用四阶累积量方法估计信号的到达角、极化角和频率．在高斯色噪声情况下四阶累积量参数估计方法可以获得较高的估计精度，但现有的估计方法只利用了四阶累积量矩阵特征分解的特征值，需要多次特征分解和配对运算。计算量很大．提出利用一次特征分解的特征值和特征矢量，这种方法减少了所需的四阶累积量矩阵，且信号参数自动配对,降低了计算量．     

分数阶自相关和FrFT的LFM信号参数估计

基于分数阶自相关和分数阶傅里叶变换的特点,提出了一种LFM信号检测与参数估计方法。相对分数阶傅里叶二维扫描法和匹配傅里叶变换,所提方法将检测与参数估计的二维搜索变为一维搜索,快速实现信号检测和参数估计,在多分量LFM信号情况下借助"Clean"的方法来抑制强分量对弱分量的干扰。计算机仿真表明了该算法在低信噪比多分量LFM信号检测与参数估计中的有效性。     

带随机线性约束的最小二乘估计的相对效率

最小二乘估计是线性模型参数估计理论中应用最广泛的方法之一.随着研究的深入,它的一些缺点也呈现出来,例如存在非容许性、设计阵病态时严重偏离实际值等.对此问题统计学家也提出了一些改进的方法,其中之一就是充分利用一些先验信息.他主要考虑先验信息是随机线性的情形,并通过融合随机线性模型得到混合线性模型,利用最小二乘法得到参数的混合估计.为了测量引入的先验信息对估计的影响程度,引进基于矩阵行列式和欧氏范数标准下的相对效率,并给出了相对效率的上界和下界.     

基于扩展卡尔曼滤波的DIFAR浮标阵定位算法及分析

提出一种基于扩展卡尔曼滤波的DIFAR(Direction Finding and Ranging)浮标阵目标跟踪算法。首先,建立了目标与浮标的数学运动模型及坐标系,然后推导出目标状态方程及观测方程,确定了滤波初始状态值及初始协方差矩阵。仿真结果表明,以测量目标方位和频率作为输入信息,使用卡尔曼滤波技术,在测向方位误差均方差5°,测频误差均方差0.1 Hz情况下,成功完成了目标参数估计任务。最后针对三种典型的浮标布防阵形进行了大量仿真,分析了三种阵形的参数估计性能,讨论了三种阵形的优缺点。     

多变量连续系统离散化模型参数的近似估算

在采样周期较小条件下,多变量线性动态系统的离散化模型参数主要取决于原连续模型中分母、分子多项式的前一、二项系数阵。据此,进一步导出了离散化模型参数阵的近似估算公式,这一结果可用于自校正类控制中对递推参数估计的初值进行恰当设定,以便在起动阶段即可取得良好的闭环响应。     

基于自相关的AR模型的盲辨识算法

研究了一种AR模型的盲辨识算法，该算法可同时辨识AR模型的阶次及相应的模型参数，而不需事先确定AR模型的阶次或者假定AR模型的阶次已知，其特点是计算量小，具有很好的收剑性，适合在线建模，并与常用的奇异值-最小二乘法相比较，无论是运行速度、还是辨识精度方面，都具有优势，尤其随着阶次的增加，优势越明显，仿真结果表明该算法是很有效的。     

MPARMA模型EM算法及观测信息矩阵的计算

混合周期自回归滑动平均模型（Mixture Periodical Autoregressive Moving—Average—MPARMA）是一类新的用于描述周期时间序列中非线性特征的非线性模型,由于MPARMA模型的参数较多,传统的参数估计方法的推导十分冗繁。利用EM（Expectation Maximization）算法,研究了混合周期自回归滑动平均模型的参数估计方法,讨论了EM估计的标准差,详细推导了观测信息矩阵和缺损信息矩阵的计算公式。蒙特卡洛模拟实验结果表明,EM算法是一种简单有效的MPARMA模型参数估计方法。