排序方式: 共有38条查询结果,搜索用时 15 毫秒
1.
2.
混合高斯模型是对非高斯数据进行概率密度拟合典型模型,其参数估计可以通过期望最大化(EM)迭代算法获得。多维混合高斯模型参数的EM估计因结构庞杂而难以求解,而对主动检测背景的统计特性拟合来说,一维的混合高斯模型一般即已足够。描述了该情形下的混合高斯模型及其参数估计问题之后,导出了一种工程实用的、简化的EM迭代算法,并给出了可计算机编程实现的算法流程图。然后详细探讨了对EM估计精度与速度有着重要影响的参数初始化问题,给出了三种可选择的初值设置方案:高速度方案、高精度方案和二者的折衷方案,并分析了它们各自的适用场合。最后,结合一组数值仿真实例,演示了EM迭代算法的良好的混合高斯模型参数估计性能。 相似文献
3.
4.
针对传统的最小方差无畸变响应(Minimum Variance Distortionless Response,MVDR)波束形成方法存在的旁瓣较高且抑制干扰性能不稳健的情况,提出一种旁瓣级可控的自适应波束形成算法。该算法在MVDR基础上进行峰值搜索,将获得的峰值点从大到小进行排序,取次大值作为最高旁瓣的值,将得到的最高旁瓣值与期望旁瓣值比较,在其方位添加虚拟干扰加以抑制,从而得到新的波束图。再对新的波束图进行峰值搜索,不断重复上述过程,经过有限次迭代以达到期望旁瓣值。计算机仿真结果表明在均匀线阵基础上该算法能够将旁瓣控制到期望旁瓣级以下且比较稳健。 相似文献
5.
混合高斯参数估计的两种EM算法比较 总被引:1,自引:0,他引:1
混合高斯模型是一种典型的非高斯概率密度模型,获得广泛应用。其参数的优效估计可以通过最大似然方法获得,但最大似然估计往往因其非线性而难以实现,故期望最大化(Expectation-Maximization,EM)迭代算法成为一种常用的替代方法。常规EM算法性能受迭代初值设置影响大,且不能对模型阶数做出估计。一种名为贪婪EM的改进算法可以克服这两个缺点,获得更为准确的模型参数估计,但其运算量一般会远大于前者。本文对这两种EM算法进行综合研究,深入挖掘两者之间的关系,并基于相同的数值仿真实例,直观地演示比较两者的性能差异。 相似文献
6.
不完全描述混合高斯有色背景干扰下幅度未知微弱信号的检测问题是当前声纳、雷达所面临的一大类检测问题的典型描述.Rao检测器是可胜任这类任务的一种渐近最佳检测器,具有检测性能高、结构简明、工程实用性强等优点.本文首先完成了Rao检测器的构建,接着对其检测性能进行了仿真分析,最后给出了总结. 相似文献
7.
8.
针对现有自适应交互式多模型算法(AIMM)在水下目标跟踪过程中模型切换和跟踪精度上的不足,该文结合无迹卡尔曼滤波(UKF)算法,提出一种改进的AIMM-UKF算法。该算法在自适应修正马尔可夫转移概率矩阵的基础上,利用判定窗对其进行二次修正,实现匹配模型概率的快速增大和对非匹配模型的抑制。仿真结果表明,改进算法相比原有自适应算法,能更加充分地利用后验信息,拥有更好的模型切换速度,跟踪精度提升约24%。 相似文献
9.
针对非高斯背景下局部最优检测(Locally Optimal Detector,LOD)结构复杂、稳健性弱的问题,对传统的限幅器进行改进,提出了一种自适应限幅检测器(Adaptive Limiter Detector,ALMD).首先对弱信号的检测性能进行了系统研究,然后依据混合高斯模型对非高斯背景建模,在此基础上得到了限幅阈值与限幅检测性能之间的解析表达式,最后通过推导确定了最佳限幅阈值,明显提高了检测性能.仿真结果表明ALMD与LOD性能接近,但结构简单,性能稳健,适应性更强. 相似文献