基于EM算法的GO分布参数最大似然估计

G0分布是目前合成孔径雷达(Synthetic Aperture Radar,SAR)图像数据建模的一个重要模型,建模能力强、实用性好,受到了广泛的关注.G0分布的应用离不开准确有效的参数估计,而由于G0分布表达式复杂,统计意义上最优的最大似然估计法一直没能用在G0分布上.本文首先给出了一种新的方式来推导得出G0分布,在此基础上,采用最大期望(Expectation Maximization,EM)算法为G0分布给出一种有效的最大似然参数估计方法.文中的方法与现有的G0分布参数估计方法通过实验进行了比较,实验结果充分证明了所提方法的有效性.     

Alpha稳定分布噪声下基于柯西分布的相位键控信号码速率最大似然估计

针对现有的相位键控(PSK)编码信号码速率估计方法在Alpha稳定分布中性能严重退化的问题,该文提出一种基于柯西分布的码速率最大似然估计(CMLE)新方法,该方法可同时估计码速率与定时偏差.CMLE利用窗口法将信号划分为定时偏差窗和多个宽度一定的非重叠且已同步的时域窗,每个窗只包含一个码元符号;在 Alpha稳定分布噪声下,利用窗中符号信息构造了基于柯西分布的似然函数,可同时获得定时偏差窗宽与码元符号窗宽的最大似然估计.仿真结果表明,该方法能有效抑制Alpha稳定分布噪声并具有良好的参数估计性能.     

信息理论与技术

0009602高动态多普勒频率的最大似然估计器〔刊〕/王晓湘//北京邮电大学学报.—2000,23(1).—61～65(K)采用泰勒级数展开的形式表示高动态的多普勒频率参数,推导并实验分析了对各阶频率参数估计的最大似然估计器(MLE);计算机模拟采用 FFT 处理方法,给出了算法对所模拟的接收机动态的估计均方根误差和失锁概率。参3     

提高HF雷达距离分辨的参数估值法

给出了一种提高HF雷达距离分辨的信号处理方法.首先用参数模型来描述雷达探测信号,然后用最大似然(ML)法对模型参数进行估计.最后给出仿真实验结果.     

线性调频参数估计方法的数学统一

本文给出了连续复线性调频(LFM)信号Radon-Wigner变换(RWT)、Wigner-Hough变换(WHT)、分数阶傅立叶变换(FrFT)、解线调方法(Dechirp)和最大似然(ML)方法的相互转换关系.给出了参数估计的最佳表述及其离散形式,省略包含调频率的表达式系数,将RWT、WHT、FrFT和Dechirp和ML方法用统一表达式表述.几种方法的离散LFM信号参数估计均可以用ML或去斜方法实现,并采用FFT方法提高运算速度,因此最佳快速算法的计算量和估计性能是相同的.本文对于这几种参数估计方法的快速算法和估计性能研究具有指导意义.     

一种LFM信号最大似然估计模型与参数估计快速算法

从最大似然估计模型入手,提出了一种适合在一般高斯噪声环境（包括色噪声）下LFM信号目标的参数估计模型和基于此估计模型的调频斜率和初始频率估计的快速算法。此方法获得了最大似然方法估计精度高的优点,且运算量比传统的最大似然方法大大降低。另外推导出了一般高斯环境下的LFM参数估计的CRB界,为一般高斯环境下的估计的参数的方差提供实际下界。     

基于SISE方程的广义gamma分布参数估计方法

广义gamma分布是近年来用于SAR图像统计建模重要分布之一,参数估计是制约其应用的核心问题。该文提出了一种新的参数估计方法。首先分析了的对数累积量参数估计方法(Mehtod-of- Log-Culmulants, MoLC)的不足,接着推导了基于SISE (Scale-Independent-Shape-Estimation)方程的参数估计表达式,并给出了具体的求解方法。最后,利用蒙特卡洛仿真的实验结果表明,该文方法稳定性和有效性优于MoLC。     

快速傅里叶变换载波频偏估计算法

基于最大似然法参数估计,本文提出一种快速傅里叶变换(FFT)的频偏估计算法,它能直接检测得到载波频偏绝对值大小,且精度与输入端信噪比无关.它可应用于中继卫星通信中高速数传且频带有效QPSK的同步解调.     

基于协同粒子群优化的GTD模型参数估计方法

针对雷达目标散射中心GTD(Geometric Theory of Diffraction)模型最大似然估计中存在的高维、非线性、混合参数估计问题,提出一种基于协同粒子群优化算法的参数估计方法.该方法能够同时估计得到散射中心的类型、幅度和位置参数,且对初始值不敏感,与基于RELAX的估计方法相比,不需要反复迭代估计,降低了计算复杂度.仿真实验结果表明,该算法能够较准确地估计得到GTD模型的散射中心参数.     

基于柯西分布的跳频信号参数最大似然估计方法

该文针对传统的跳频信号参数估计方法在alpha稳定分布噪声下性能严重退化的问题,引入基于柯西分布的最大似然估计方法。将跳频信号分解到由信号包络参数和频率参数构成的2维平面,基于柯西分布建立最大似然函数,在抑制alpha稳定分布噪声的同时,直接对信号的频率参数进行估计。在构建的最大似然函数基础上,该方法依据跳频信号的短时平稳性,对信号进行加窗,有效获得信号的跳频频率及其跳变次序,进而实现对信号的跳变时刻和跳频周期等参数的估计。仿真结果表明,在alpha稳定分布噪声环境中,相比基于分数低阶统计量及基于Myriad滤波的时频分析方法,该文所提方法提高了跳频信号的参数估计精度,具有良好的稳健性。     

G分布族参数估计新方法

提出了G分布族参数估计的新方法,首先详细分析了当前普遍采用的基于矩估计的G分布族参数估计方法存在的理论缺陷,在此基础上,提出了一种基于Mellin变换的G分布族统一的参数估计方法。该方法以Mellin变换为出发点,详细推导了G分布族中各分布对应的第一个、第二个第二类型的特征函数和它们各自对应的对数矩和对数累积量,最终获得了各分布参数估计简洁的迭代表达式。文中所提方法不但克服了各分布的矩估计器面临的诸多不足,更重要的是把视数同其他参数一样视为待估计的参数,且能够快速、准确地迭代出它们的估计值,保证了G分布族中各分布的拟合精度。以KL(Kullback-Leibler)度量、MSE(Mean Square Error)度量和K-S(Kolmogorov-Smirnov)检验为定量评估准则,对不同分辨率、不同视数的实测SAR图像分别采用文中所提各分布估计器与对应的矩估计器进行拟合实验,实验结果的全面对比分析证明了所提方法的有效性。     

利用期望最大化算法的EMCCD噪声分布模型的参数估计

讨论了电子倍增CCD（EMCCD）图像的噪声来源及其统计特性,建立了混合泊松-高斯噪声分布模型。针对混合泊松-高斯噪声分布模型的极大似然函数难以求解的问题,对噪声模型进行了适当的初始化设置,利用期望最大化算法对噪声模型进行参数估计,有效实现了噪声参数的极大似然估计。Monte Carlo仿真结果及实验结果表明,期望最大化算法估计性能较好,对混合泊松-高斯分布有较好的拟合效果,能得到较高精度的参数估计值。     

不确定退化测量数据下的剩余寿命估计

剩余寿命估计是工程系统预测与健康管理的关键.目前,基于观测的系统退化数据进行剩余寿命估计得到了很大的关注.由于系统随机退化过程和测量误差的影响,测量数据中不可避免包含退化随机性和测量不确定性.然而,现有基于观测数据的剩余寿命估计研究中,没有将退化随机性和测量不确定性对估计的剩余寿命分布的影响同时考虑.鉴于此,提出了一种基于Wiener过程且同时考虑随机退化和不确定测量的退化建模方法,利用Kalman滤波技术,实现了潜在退化状态的实时估计.在退化状态估计的基础上,得到了同时考虑退化状态不确定性和测量不确定性的解析剩余寿命分布.此外,提出了一种基于极大似然方法的退化模型参数估计方法.最后,通过陀螺仪的退化测量数据验证了本文提出的方法优于不考虑测量不确定性的方法,可以提高剩余寿命估计的准确性.     

二值传感器网络的分布式稀疏LMS算法

在基于无线传感器网络的参数估计中,每个节点在数据采集、存储、处理和传输等方面的能力是有限的。二值传感器网络中的每个节点只能提供低精度1比特测量值,与能够提供模拟测量值（无限精度）的传感器相比,二值传感器有较低的使用成本。如何利用低成本二值传感器网络获得较好的参数估计性能近些年已引起广泛关注,基于该二值传感器网络,论文提出了一种分布式稀疏参数估计的自适应最小均方（LMS）算法。该算法采用稀疏惩罚最大似然优化,并结合期望最大化和LMS方法,获得稀疏信号的在线估计。仿真实验表明,尽管只采用1比特测量,提出的算法仍具有较好的收敛性,并且稳定状态的估计误差接近于非1比特测量的同类算法。      

恒加试验下LED照明灯的三参数Weibull分布的参数估计

三参数Weibull分布拟合LED照明灯寿命的优势较为明显,但要得到三参数Weibull分布参数较为精确的点估计较为困难。目前常用的参数估计方法有极大似然法、矩估计法、Bayes估计法等,由于其计算的方程复杂,导致软件编程繁琐,不易掌握,而且也不一定能得到参数估计。鉴于此,文章针对恒加试验提出一种简便地求解三参数Weibull分布参数估计的方法,该方法不涉及超越方程的求解问题,软件编程相当简单,且统计思想清晰。通过LED照明灯恒加试验下的几个案例数据说明方法的应用,并与已有的方法做了对比分析。     

Gaussian mixture density modeling of non-Gaussian source forautoregressive process

A new approach is taken to model non-Gaussian sources of AR processes using Gaussian mixture densities that are known to be effective for approximating wide varieties of probability distributions. A maximum likelihood estimation algorithm is derived for estimating the AR parameters by solving a generalized normal equation, and a clustering algorithm is used for estimating the parameters of Gaussian mixture density of the source signals. The correlation matrix of the generalized normal equation is not Toeplitz but is symmetric and in general positive definite. Higher order statistics of skewness and kurtosis are used for identifying the source distribution as being Gaussian or non-Gaussian and, consequently, determining the parameter estimation technique between the conventional method and the proposed method. Experiments on non-Gaussian source AR processes demonstrate that under high SNR conditions (SNR⩾20 dB), the proposed algorithm outperforms the conventional AR estimation algorithm and the cumulant-based algorithm by an order-of-magnitude reduction of average estimation errors. The proposed algorithm also has very low estimation errors with short data records. Finally, a maximum likelihood prediction method is formulated for non-Gaussian source AR processes that has shown potential in achieving higher efficiency signal coding than linear predictive coding     

Solution of the Three-Parameter Weibull Equations by Constrained Modified Quasilinearization (Progressively Censored Samples)

The location, shape, and scale parameters of the Weibull distribution are estimated from Type I progressively censored samples by the method of maximum likelihood. Nonlinear logarithmic likelihood estimating equations are derived, and the approximate asymptotic variance-covariance matrix for the maximum likelihood parameter estimates is given. The iterative procedure to solve the likelihood equations is a stable and rapidly convergent constrained modified quasilinearization algorithm which is applicable to the general case in which all three parameters are unknown. The numerical results indicate that, in terms of the number of iterations required for convergence and in the accuracy of the solution, the proposed algorithm is a very effective technique for solving systems of logarithmic likelihood equations for which all iterative approximations to the solution vector must satisfy certain intrinsic constraints on the parameters. A FORTRAN IV program implementing the maximum likelihood estimation procedure is included.     

Improved percentile estimation for the two-parameter Weibull distribution

This paper presents an improvement of a technique recently published to estimate the parameters of the two-parameter Weibull distribution. A simple percentile method is used to estimate the two parameters. Computer simulation is employed to compare the proposed method with the maximum likelihood estimation and graphical methods results. A set of frequently-used and newer expressions for estimating the cumulative density are examined. Comparisons are made with both complete and censored data. The primary advantage of the method is its computational simplicity. Results indicate that with respect to Mean Square Error and estimation of the characteristic value with complete data, the percentile method cannot outperform the maximum likelihood method, although differences are minor in many instances. However, with censored data, improvements over the maximum likelihood are observed. When the shape parameter is estimated, the percentile method is quite competitive with that of maximum likelihood for both complete and censored data under a variety of conditions.     

An exact forward-backward maximum likelihood autoregressiveparameter estimation method

A method for obtaining an exact maximum likelihood estimate (MLE) of the autoregressive (AR) parameters is proposed. The method is called the forward-backward maximum likelihood algorithm. Based on a new form of the log likelihood function for a Gaussian AR process, an iterative maximization is used to obtain an MLE of the inverse covariance matrix. The AR parameters are then determined via the normal equations. Experimental results comparing the new method with other popular AR spectrum estimation methods indicate the new method achieves low bias and low variance AR parameter estimates comparable with the existing methods