毫米波LFMCW雷达加速运动目标回波检测与加速度-速度估计

在毫米波线性调频连续波（LFMCW）雷达中,目标加速度存在使回波多普勒信号受到二次项调制,造成多普勒频谱畸变,从而导致目标检测性能下降和参数估计精度损失．采用最大似然模型进行加速运动目标检测和加速度-速度估计,提出了适合在一般高斯噪声环境中（包括色噪声）该模型的速度-加速度联合估计快速算法．另外也推导出了一般高斯环境下Chirp信号参数估计的CRB界,为一般高斯环境下Chirp信号参数的方差提供了实际下界．     

几类非高斯噪声模型的转换研究

分析了几类非高斯噪声模型的统计特性;在此基础上采用矩估计法给出了它们的模型转换算法.采用无惯性非线性变换器研究了双模噪声环境下确定信号的最大似然检测方法;采用迭代法给出了双模噪声环境下余弦信号参量的最大似然估计方法;在此基础上从信号检测和参量估计性能两个方面验证了模型转换算法的有效性.仿真结果表明,把双峰噪声当作双模噪声是准确的.由此说明双模噪声思想是一种实用的想法.     

LFM信号参数估计的最大似然改进算法

为实现含噪声LFM信号参数的快速检测和精确估计,提出了一种基于延时相关解线调的最大似然估计改进算法,即首先在时域内进行延时相关解线调,然后对解线调后含噪声信号进行经典功率谱估计,得到调频斜率的粗略估计,将此估计值作为初始值,再进行最大似然估计,得到调频斜率的精确估计值,用此精确估计值对原LFM信号进行解线调,再以同样的思路可以得到LFM信号初始频率的最大似然精确估计值。仿真实验证明了该算法的有效性。     

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。     

噪声环境下Nakagami-m参数估计方法研究

多径衰落信道估计是移动通信系统在实际环境中为了提高接收机性能而迫切需要解决的问题。Nakagami-m参数估计方法主要有盲估计和基于导频信号的信道参数估计方法,重点研究了基于最大似然的Nakagami-m参数盲估计方法,该方法充分利用了最大似然估计是一种最优选择原理,当其概率密度函数取最大值时,可以把m的期望值作为其参数估计值,由此无需导频信号而直接估计出系统的信道系数。理论分析和仿真试验均证明了该方法在噪声环境下的可行性和适用性。     

基于EM算法的非高斯噪声参数估计

EM算法是一种从＂不完全数据＂中求解模型参数的极大似然估计的方法,在非高斯噪声的参数估计问题中是一种比较优秀的算法。非高斯噪声的参数估计问题的主要困难是充分统计量是不存在的,这意味着从观测空间到估计空间的映射依赖于这里试图估计的参数。在未知噪声概率密度的情况下,EM算法可以更准确地对非高斯噪声参数进行估计,估计方差接近C-R下界。     

LFM脉冲雷达回波Doppler与多径时延的联合估计

基于最大似然参数估计,本文提出了一种对LFM脉冲雷达回波Doppler频移和多径时延联合估计的方法.该方法先利用WHT估计Doppler频移,然后结合发射信号的先验知识重构参考信号,最后利用WVD能将时间上有重叠的多径信号在时频域分开的特性,采用本文称之为"修正时频相关函数"估计多径时延.该方法只需一个周期的脉冲信号就能完成频移和时延的联合估计,对加性高斯白噪声具有强的鲁棒性,其运算量小.     

混合高斯自回归模型参数估计方法之ML-DC

混合高斯自回归模型可以对有色非高斯数据的概率密度和功率谱密度进行有效的拟合.而ML-DC算法则可解决这一模型的参数估计问题。描述了混合高斯自回归模型及其参数估计问题之后,分别导出了功率谱密度参数的最大似然估计和概率密度参数估计的动态簇算法,并由此组成了参数耦合估计的ML-DC算法。最后结合一组仿真实例对其估计性能进行了详细探讨,指出并解释了算法的适用范围。     

不完全信息下导弹参数与状态的联合估计

基于UKF推导了非线性系统参数的递推最大似然估计算法, 并结合UKF实现了对不完全信息下导弹的参数与状态的实时联合估计。首先通过引入导弹的导引律, 建立导弹的状态滤波模型, 进而给出参数辨识的一般递推似然法, 并在UKF状态滤波算法的基础上推导出非线性递推最大似然参数估计方法, 实现了参数估计与状态滤波的并行计算。仿真结果表明, 该方法收敛速度快, 具有很好的实时性和较高的估计精度。     

基于EM算法的极大似然分布式量化估计融合新方法

该文针对水下目标探测中的多传感器分布式量化估计融合问题,建立了分布式量化估计融合模型,在考虑信道噪声且其统计特性不完全已知条件下,充分利用EM算法在观测数据缺失时参数估计的优越性,提出了一种基于期望极大化(EM)算法的极大似然分布式量化估计融合新方法。该方法将未知的水声信道噪声参数以及局部量化器量化概率建模为EM算法中二元高斯混合模型参数,利用极大似然估计方法的估计不变性得到目标参数的估计融合结果。仿真实验表明:该方法在局部传感器观测样本数目大于5000和信噪比大于6 dB时与已有理想信道条件下的估计方法性能相当,该方法为水下目标探测中分布式量化估计融合系统的工程实现提供了理论依据。     

基于Ozaktas算法的LFM信号参数估计误差分析

Ozaktas算法因其运算复杂度低、精度高、提出时间早而成为目前对LFM信号进行处理时最为常用的离散分数阶Fourier变换算法,但其附加的量纲归一化对LFM信号参数估计存在影响。为此,在对LFM信号参数估计建模基础上,分析了基于Ozaktas算法的参数估计二维离散网格效应,并进一步得到了影响初始频率和调频率估计精度的因素。可以发现:在满足采样定理条件下,基于Ozaktas算法的LFM信号参数估计能保持较好的估计精度,且在一定程度上可以通过增大采样频率或减小采样时长来进一步提高估计精度。最后,通过仿真分析验证了上述理论推导的正确性。     

欠采样条件下基于DCS的LFM信号带宽估计方法

针对传统方法不适用于欠采样条件下线性调频(LFM)信号在低信噪比(SNR)条件下带宽估计问题,提出一种基于分布式压缩感知(DCS)的带宽估计方法,利用同一信源多个脉冲的联合稀疏特性进行LFM信号带宽估计。首先构建LFM欠采样信号模型,其次利用DCS算法对LFM带宽进行联合稀疏重构,然后分析了所提LFM信号带宽估计方法性能,最后利用仿真验证了方法的可行性和有效性。     

ML parameter estimation for Markov random fields with applicationsto Bayesian tomography

Markov random fields (MRFs) have been widely used to model images in Bayesian frameworks for image reconstruction and restoration. Typically, these MRF models have parameters that allow the prior model to be adjusted for best performance. However, optimal estimation of these parameters (sometimes referred to as hyperparameters) is difficult in practice for two reasons: (i) direct parameter estimation for MRFs is known to be mathematically and numerically challenging; (ii) parameters can not be directly estimated because the true image cross section is unavailable. We propose a computationally efficient scheme to address both these difficulties for a general class of MRF models, and we derive specific methods of parameter estimation for the MRF model known as generalized Gaussian MRF (GGMRF). We derive methods of direct estimation of scale and shape parameters for a general continuously valued MRF. For the GGMRF case, we show that the ML estimate of the scale parameter, sigma, has a simple closed-form solution, and we present an efficient scheme for computing the ML estimate of the shape parameter, p, by an off-line numerical computation of the dependence of the partition function on p. We present a fast algorithm for computing ML parameter estimates when the true image is unavailable. To do this, we use the expectation maximization (EM) algorithm. We develop a fast simulation method to replace the E-step, and a method to improve the parameter estimates when the simulations are terminated prior to convergence. Experimental results indicate that our fast algorithms substantially reduce the computation and result in good scale estimates for real tomographic data sets.     

Parameter estimation for the 3-parameter Gamma distribution usingthe continuation method

This paper shows a maximum-likelihood (ML) parameter estimation algorithm for the 3-parameter Gamma distribution. The algorithm, a combination of the continuation method and the extended Gamma distribution model, can find the local ML estimates of the parameters without a careful selection of the starting point in the iterative process. This algorithm is more efficient than previous algorithms, and can find the multiple local ML estimates     

Algorithm for the detection and parameter estimation of multicomponent LFM signals

A novel algorithm based on Radon-Ambiguity Transform (RAT) and Adaptive Signal Decomposition (ASD) is presented for the detection and parameter estimation of multicomponent Linear Frequency Modulated (LFM) signals. The key problem lies in the chirplet estimation.Genetic algorithm is employed to search for the optimization parameter of chirplet. High estimation accuracy can be obtained even at low Signal-to-Noise Ratio(SNR). Finally simulation results are provided to demonstrate the performance of the proposed algorithm.     

基于任意阵列形式的LFM信号参数估计

基于任意阵列形式的LFM信号参数估计算法，利用分段解线调建立频域波束空间数据模型，通过Beamspace—ESPRIT算法和线性调频波束形成器算法(CBF)实现了调频斜率和初始频率的高精度估计。针对多信号交叉项的影响，提出了逐次滤波和迭代滤波的解决办法。算法对线性调频参数无模糊估计的条件进行了研究，并给出了欠采样条件下初始频率估计解模糊的方法。仿真实验证明了算法的有效性。     

EM框架下实现被动测距的状态估计和参数学习

在红外成像跟踪系统中,通常仅能测量目标的角度信息,不能直接测量目标与观测站间的距离。研究了基于红外成像系统的被动测距技术,首先利用状态空间模型的分析方法建立被动测距的状态估计和参数学习的混合估计模型,然后介绍EM的基本原理和参数的最大似然估计。EM算法的E步利用粒子滤波和粒子平滑器来完成,实现被动测距的状态估计;M步利用梯度搜索的方法来求解参数。被动测距是一个带有未知参数的非线性系统的状态估计,文中利用状态估计与参数学习的状态空间模型来描述,并利用EM法来求解,为被动测距的求解提供了一条新的途径。模拟实验表明,基于粒子滤波和梯度搜索的EM方法能同时完成被动测距的状态估计和参数学习。     

基于小波-Radon变换的线性调频信号检测与参数估计

线性调频信号（LFM）是一类应用广泛的非平稳信号.本文选取高斯线调频小波作为基函数,研究了基于小波-Radon变换的线性调频信号检测与参数估计的基本方法,然后提出了基于小波-Radon变换的多分量LFM信号检测与参数估计的算法.计算机仿真实验结果验证了该算法的有效性。     

Maximum likelihood parameter estimation of F-ARIMA processes using the genetic algorithm in the frequency domain

This work aims to treat the parameter estimation problem for fractional-integrated autoregressive moving average (F-ARIMA) processes under external noise. Unlike the conventional approaches from the perspective of the time domain, a maximum likelihood (ML) method is developed in the frequency domain since the power spectrum of an F-ARIMA process is in a very explicit and more simple form. However, maximization of the likelihood function is a highly nonlinear estimation problem. Conventional searching algorithms are likely to converge to local maxima under this situation. Since the genetic algorithm (GA) tends to find the globally optimal solution without being trapped at local maxima, an estimation scheme based on the GA is therefore developed to solve the ML parameter estimation problem for F-ARIMA processes from the frequency domain perspective. In the parameter estimation procedure, stability of the F-ARIMA model is ensured, and convergence to the global optimum of the likelihood function is also guaranteed. Finally, several simulation examples are presented to illustrate the proposed estimation algorithm and exhibit its performance.