非平稳ARMA信号自校正去卷滤波器

本文用现代时间序列分析方法[1],对于通过已知线性系统被观测的未知非平稳ARMA输 入信号,提出了一种新的自校正递推去卷滤波器,它可用ARMA新息滤波器形式表示,适用 于非最小相位和不稳定的线性观测系统.仿真例子说明了其有效性.     

非平稳ARMA信号自校正平滑器及其在雷达跟踪系统中的应用

本文处理带白色观测噪声的未知非平稳ARMA信号估计问题,应用现代时间序列分析方法提出了非平稳ARMA信号自校正平滑器,推广了Hagander和Wittenmark的结果,并给出了在雷达跟踪系统中的应用,仿真结果说明了其有效性。     

ARMA信号的自校正去卷平滑器

本文从时间序列分析观点处理自适应信号去卷问题.应用新息方法和射影理论,对于通 过线性系统被观测的未知的ARMA信号,本文提出了两类新的自校正最优去卷平滑器,包括 了一些文献中的问题和结果作为特例[1-8],可应用于数据和信号处理[1,5,7,8]、通讯[2,6]、语音识 别[3]等许多不同领域.仿真例子说明了本文结果的有效性.     

一类生理信号的采集、建模和辨识

本文对生理信号的采集、建模和辨识作了较系统的探讨。在生理信号的采集方面,介绍了实时和离线信号的采集的设计思想和实现方案。在生理信号的数据建模方面,引入了ARMA建模方案,着重研讨了模型的实现途径、参数辨识和平稳化方法,编制建模程序及实现框图。在心功能病类辨识方面,对典型心功能信号——ECG、CAG和ACG,根据类比原则,利用模型分析结果,对三类心血管病——高血压、冠心病和心肌炎作了聚类辨识,取得用参数域值辨识病理的结果。     

ARMA信号的自校正去卷平滑器

本文从时间序列分析观点处理自适应信号去卷问题.应用新息方法和射影理论,对于通过线性系统被观测的未知的ARMA信号,本文提出了两类新的自校正最优去卷平滑器,包括了一些文献中的问题和结果作为特例,可应用于数据和信号处理、通讯、语音识别等许多不同领域.仿真例子说明了本文结果的有效性.     

组合ARMA与SVR模型的时间序列预测

经典的ARMA模型常用于平稳时间序列的预测,而对于自然界绝大部分的非平稳序列一般采用确定性时序分析和随机时序分析.确定性时序分析对随机性信息浪费严重,而随机时序分析经过差分平稳序列后又回归到ARMA模型.本文利用在充分ARMA模型拟合后的残差序列进行支持向量回归(SVR)拟合,进而对原序列进行组合预测,比起单一模型的拟合及预测,该组合有效地提高了预测精度.     

基于傅立叶短时分析的敏感语音信号提取

傅立叶变换在信号处理中具有十分重要的作用,在语音信号处理中,傅立叶变换在传统上也一直起主要作用。然而,语音信号是一个非平稳过程,因此适用于周期信号、瞬变信号或平稳随机信号的标准傅立叶变换不能用来直接表示语音信号。本文利用傅立叶短时分析实现了对语音信号中敏感信息的提取,具有一定的实用性和创新性。     

基于非线性混沌理论的非平稳信号的比较分析

本文研究采用基于非线性混沌理论的两种非线性参数估计方法(代替数据法和Lyapunov指数估计法)对非平稳信号进行分析.首先对上述两种非线性方法的具体算法进行介绍,然后对两组本质不同的非平稳振动信号进行对比分析.这两组信号是通过测试具有不同非线性约束边界条件的薄壁构件获得.分析结果表明,在时域波形上直观相似的非平稳信号,用上述非线性混沌分析的方法可以有效地加以定量区分.     

服务器负载的小波-神经网络-ARMA预测

为提高服务器负载预测的精度,提出一种新的基于小波的预测方法。该方法首先对具有非平稳特征的服务器负载序列进行小波分解与重构,得到一个低频信号和多个不同尺度的高频信号;对具有近似平稳特征的低频信号建立ARMA预测模型;对变化较多的各高频信号分别建立神经网络预测模型;然后分别对各信号进行一步预测并组合预测结果,获得原始负载的最终预测。实验表明:该方法能够有效预测非平稳的服务器负载序列,预测精度明显高于传统预测方法。     

跳频信号SPWVD参数估计方法研究

跳频信号是典型的非平稳信号,必须采用非平稳信号处理方法.WVD是时频分布中最常用的一种手段,可用来进行跳频信号分析,但存在严重的干扰项.SPWVD是WVD的改进,可以减少WVD交叉干扰项的影响.文章介绍了跳频信号的模型以及SPWVD的离散化实现过程,对SPWVD进行了计算机仿真.结果表明WVD和SPWVD均可时跳频信号进行分析,而SPWVD可以抑制交叉项的影响,并且这种分析方法更加有效、合理.     

多通道非平稳ARMA信号自校正去卷滤波器

对于通过一个已知的线性系统被观测的多通道非平稳ＡＲＭＡ信号，本文用现代时间序列分析方法［１］，基于ＡＲＭＡ新息模型，提出了自校正去滤波新方法。仿真例子说明了其有效性。     

多变量自校正递推去卷滤波器

本文用时域上的新息分析方法，对于线性多变量系统的输入信号，提出了一种新的自校正递推去卷滤波器，它具有ＡＲＭＡ新息滤波器形式，可处理多变量非平稳ＡＲＭＡ输入信号、不稳定和／或非最小相位系统。仿真例子说明了其有效性。     

单通道自校正去卷平滑器

对于单通道线性随机系统的ＡＲＭＡ输入信号，本文用现代时间序列分析方法，基于白噪声估值器提出了一种新的自校正去卷平滑器，可处理非平稳ＡＲＭＡ输入信号、不稳定和／或非最小相位系统，并给出了仿真结果．     

单通道最优和自校正去卷平滑器及其应用

基于白噪声估计理论，本文提出了单通道ＡＲＭＡ信号的一种新的最优和自校正去卷滤波器和平滑器，可处理非平稳ＡＲＭＡ输入信号及不稳定和非最小相位系统，并给出了在雷达跟踪系统中的仿真应用例子。     

解决多通道Wiener滤波问题的ARMA新息滤波器

应用现代时间序列分析方法，提出了解决多通道Ｗｉｅｎｅｒ滤波问题的ＡＲＭＡ新息滤波器。它由构造ＡＲＭＡ新息模型和解一个Ｄｉｏｐｈａｎｔｉｎｅ方程组成，可统一处理最优滤波、平滑和预报问题，可处理非平稳信号和噪声，并引出一种等价的Ｗｉｅｎｅｒ滤波器。仿真例子说明了其有效性。     

Choosing the parameters of the NARMA model implemented with the recurrent perceptron for speech prediction

Speech signals have statistically nonstationary properties and cannot be processed properly by means of classical linear parametric models (AR, MA, ARMA). The neural network approach to time series prediction is suitable for learning and recognizing the nonlinear nature of the speech signal. We present a neural implementation of the NARMA model (nonlinear ARMA) and test it on a class of speech signals, spoken by both men and women in different dialects of the English language. The Akaike’s information criterion is proposed for the selection of the parameters of the NARMA model.     

多通道最优和自校正去卷估值器

基于白噪声估计理论，对于通过带有观测噪声的线性系统被观测的多变量ＡＲＭＡ输入信号，本文提出了最优和自校正去卷新方法，可统一处理去卷滤波，预报和平滑问题，可处理非平稳ＡＲＭＡ输入信号及不稳定和／或非最小校位系统，仿真例子说明了其有效性。     

应用Diophantine方程的多通道最优去卷

应用时域上的现代时间序列分析方法,提出了具有ARMA新息滤波器形式的多通 道最优去卷估值器.它要求解一个Diophantine方程,可处理非平稳输入信号,且可统一处理 最优去卷滤波、平滑和预报问题.仿真例子说明了其有效性.     

带有色观测噪声的多变量自校正去卷滤波器

本文运用新息理论和射影的方法，通过在线辨识ＡＲＭＲ新息模型提出了多变量非平稳ＡＲＭＡ信号自校正去卷滤波器。