基于不确定度评定的组合导航稳健加权融合算法研究

针对卫星导航系统在实际测量中存在大量野值的情况，利用M估计计算各系统污染分布统计特性，应用不确定度评定分配权值并进行融合。通过实例分析该法在模型及算法选择上均具有优越性。     

基于M残差的方差分量估计

根据M估计的线性表达式原理,导出了不同类观测M估计的线性表达式、多余参数以及观测量和参数估计量的方差协方差矩阵。M残差的二次型的无偏估计是方差分量和多余参数的函数。当误差密度已知时,多余参数的显式可以由方差分量表达,此时二次型是方差分量的显线性函数,由此构成了基于M残差的方差分量无偏估计公式。对Lp估计和正态分布,导出了方差分量估计的实用公式,在边角网中进行了应用。与赫尔默特方法进行比较,结果表明,有粗差时,方差分量估计和参数估计结果随着Lp估计的p的变化相差显著,无粗差时(或粗差被剔除时),不同的方差分量估计方法的结果相差甚微。该方法可以对赫尔默特方法进行有效的检查。     

基于M估计的有效成比例仿射投影算法

在回声消除中,针对回声路径具有稀疏性的优势,有学者提出基于μ准则记忆的改进型成比例仿射投影算法（μ‐MIPAPA）,但该算法抗脉冲干扰性能较差。为此将稳健估计中的M估计应用于该算法,提出一种基于M 估计μ准则记忆的改进型成比例仿射投影算法（μ‐MMIPAPA）。为使算法具有更好的稳态性能,采用改良的 Huber M 估计函数,改进阈值参数的选取方式。有色输入下的稀疏回声信道辨识结果表明了μ‐M M IPA PA的良好稳态性能和抗脉冲干扰性能。     

Alpha稳定分布噪声环境下类M估计相关的DOA估计新算法

提出了一类适用于Alpha稳定分布随机变量的统计量—类M估计相关（MELC）,通过构造阵列输出的类M估计相关矩阵,提出了适用于Alpha稳定分布噪声环境下的波达方向（DOA）估计新算法,即MELC-MUSIC算法。仿真实验表明,在Alpha稳定分布噪声环境下,MELC-MUSIC算法在抗噪声特性、多源信号分辨性以及对不同形式信号（圆对称信号或非圆对称信号）的适应性方面获得比基于分数低阶统计量（FLOS）的MUSIC方法更好的估计性能。     

多传感器稳健加权融合算法研究

针对测量值误差函数不完全符合正态分布的一类问题,提出一种利用M估计的抗差特性估计未知参数,并利用各传感器不确定度分配权值进行融合的加权算法。通过仿真分析证明:该算法在系统模型不确定或信号受干扰时估计效果明显,更接近真实值。     

基于小波分析的稳健滤波技术

小波分析具有良好的时频局部性,在工程表面计量中取得了广泛的运用。在分析小波滤波提取粗糙度评定基准稳健性时,发现小波滤波方式存在与标准高斯滤波方式相同的稳健性差问题。为此,提出一种基于M估计理论的稳健小波滤波方法,列举了四种备选稳健估计权函数,并给出了一种稳健估计权函数调节参数的设置方法。仿真实验和实测实验结果表明,该方法提高了小波滤波方式的稳健性,抑制了异常点对表面评定基准提取的影响。     

新的眼底图像配准方法的研究

针对传统的基于特征的眼底图像配准方法配准精度不高的问题,提出了一种新的眼底图像配准方法。通过具有仿射不变性的尺度不变特征变换（Scale Invariance Feature Transform,SIFT）方法提取待配准图像的特征点匹配对。采用适合眼底图像特点的曲面变换模型,实现图像的配准,变换模型参数通过M估计获得。实验结果表明,该算法提高了配准精度,对正常眼和非正常眼的眼底图像配准都是有效的。     

基于M估计的抗野值卡尔曼滤波方法

针对标准卡尔曼滤波方法中野值对其滤波精度的影响,提出了基于M估计的野值处理方法。这种方法不仅可以去除单个野值的影响,而且在野值成片出现时还能很好地保持滤波稳定性。通过仿真验证了该方法的有效性。     

基于M估计的多传感器数据稳健加权融合算法仿真

提出M估计与不确定度评定相结合的多传感器数据加权融合方法，克服了现有的数据评价函数加权法中存在的大噪声及成片野值处理能力的局限性。通过静态数据仿真结果，表明基于M估计的多传感器数据稳健加权融合算法明显优于最小二乘法。     

Convergence rates for decentralized consistent location parameter estimation in the presence of Gaussian outliers

We consider a distributed system where sensors make location parameter estimates using their observations. A central processor collects the local estimates and declares a final estimate based on them. We present a simple study of the convergence properties of three structures where empirical mean and M-estimates are used in various combinations. It is shown that when occasional outliers exist, decentralized estimators that provide robustness at stages where data corruption occurs perform superiorly.