有色噪声中信号的GLRT检测算法研究

针对在高斯广义平稳(WSS)有色噪声环境中含有未知参数信号的检测问题,对于广义似然比检验(GLRT)和匹配子空间方法,提出了一种新的检测算法.通过AR(自回归)参数模型得到含有未知参数的信号加噪声渐进概率密度函数,利用参数变换的方法把一个非线性最小二乘估计问题转化为线性求解问题,然后采用最小二乘估计方法得到参数的极大似然估计(MLE),从而建立了具有恒虚警特性的GLRT检测器.最后结合匹配子空间方法得到了检测概率和虚警概率的表达式,计算机仿真实验验证了方法的有效性.     

非高斯背景下的频域广义匹配检测

采用广义匹配滤波器在功率谱未知的非高斯噪声中检测宽带信号。在估计功率谱时,为减小周期图法谱估计产生的误差,采用了平滑周期图法来估计非高斯噪声的功率谱,并在此基础上对信号进行恒虚警概率损失下的广义匹配滤波检测。实验证明,用平滑周期图法估计功率谱并进行的广义匹配检测,可以得到较好的检测效果。其检测性能稍弱于功率谱取真值时的检测,但远远优于传统的匹配滤波器。这一结论用到处理复杂的声纳和雷达信号,在实际应用中有一定的指导意义。     

混响背景下的距离扩展目标的GLRT检测

研究浅海混响背景下距离扩展目标的检测问题,由于海洋环境的干扰,影响信号检测效果.为此,提出了一种混响背景下的广义似然比双门限检测器(DHGLRT-RE).首先利用自回归(AR)模型对混响进行建模,利用估计的AR系数对混响进行预白化处理得到近似的白噪声环境,然后在近似白噪声背景下利用GLRT双门限检测器对目标进行检测.第一门限筛选出信噪比较高的待测距离单元,将对应的检测统计量非相干累加与第二门限进行比较,从而检测目标的有无.仿真结果说明,提出的检测器在混响背景下提高了对距离扩展目标的检测概率.     

一种基于强散射中心的距离扩展目标检测方法

针对高分辨率雷达距离扩展目标检测问题,利用广义似然比检验,提出了一种基于强散射中心的恒虚警检测器.首先,以较高的第一虚警概率设置第一门限,提取强散射中心,然后针对强散射中心采用广义似然比方法得到检测统计量,并与基于第二虚警概率的检测门限进行比较,判断目标有无.仿真实验表明,这种检测器在已知和未知散射中心空域分布时都要优于SDD-GLRT(Spatial scattering density-generalized likelihood ratio test)检测器,并且具有鲁棒性.     

复杂环境下卫星姿态确定技术

在未知扰动噪声分布和强度先验信息前提下,提出了基于无迹卡尔曼滤波(UKF)状态估计的星敏感器和陀螺仪组合的高精度卫星姿态确定方法.设计了基于自回归(AR)模型的扰动噪声的建立方法,进而推导星敏感器与陀螺仪组合定姿的测量方程和过程方程,最终采用交互式多模型(IMM)定姿方法自适应调整模型集中不同噪声水平的概率以“高斯和”形式逼近未知的真实噪声,实现卫星高精度定姿.实验结果表明,IMM定姿精度优于单个模型定姿结果,并且具有较强的鲁棒性,能够为实际工程应用提供参考价值.     

DCT变换域乘嵌入图像水印的检测算法

目前大多数水印算法采用线性相关的方法检测水印,但是,当原始媒体信号不服从高斯分布,或者水印不是以加嵌入方式嵌入到待保护的媒体对象中时,该方法存在一定的问题.数字水印的不可感知性约束决定了水印检测是一个弱信号检测问题,利用这一特性,首先从图像DCT(discrete cosine transform)交流变换系数的统计特性出发,应用广义高斯分布来建立其统计分布模型,然后将水印检测问题转化为二元假设检验问题,以非高斯噪声中弱信号检测的基本理论作为乘嵌入水印的理论检测模型,推导出优化的乘嵌入水印检测算法,并对检测算法进行了实验.结果表明,对于未知嵌入强度的乘水印的盲检测,提出的水印检测器具有良好的检测性能.因此,该检测器能在数字媒体数据的版权保护方面得到了实际的应用.     

基于高斯–广义双曲混合分布的非线性卡尔曼滤波

本文研究带非平稳厚尾非高斯量测噪声的非线性系统状态估计问题.考虑到广义双曲分布包含多种常见厚尾分布特例,且其混合分布为共轭的广义逆高斯分布,选用广义双曲分布建模厚尾噪声;进而引入伯努利变量构建高斯–广义双曲混合分布来建模非平稳厚尾噪声,并利用该分布的高斯分层结构得到系统的概率模型.随后采用变分贝叶斯方法实现对系统状态以及噪声参数的后验估计,得到针对此类噪声系统的卡尔曼滤波(Kalman filter, KF)框架,现有的几种鲁棒滤波算法均是本文算法的特例.机器人跟踪仿真实验表明,所提算法与同类算法相比具有更好的估计精度和数值稳定性,且对于初始参数具有较好的鲁棒性.     

有色量测噪声下带广义未知扰动的递推上限滤波

针对博弈对抗环境下利用快速采样雷达进行非合作目标跟踪带来的有色噪声和未知干扰共存问题, 本文提出有色量测噪声下带广义未知扰动的随机动态系统递推上限滤波. 这里, 有色量测噪声用于描述由于快速采样或持续干扰带来的噪声相关性, 广义未知扰动用于建模博弈对抗对雷达观测带来的异常影响(先验信息缺失). 针对所考虑系统, 通过参数优化实现状态估计误差协方差上限(而不是理论值)的在线递推, 提出有色噪声下上限滤波(CU-BF), 给出状态估计误差协方差最小上限的近似实现, 讨论了所提CUBF的存在性条件. 在具有时变未知扰动和有色量测噪声的目标跟踪仿真中验证了所提方法的有效性.     

稳定分布自回归有色噪声及其改进的白化方法

为了解决非高斯白噪声经过线性或非线性系统得到的有色噪声的白化问题,依据稳定分布白噪声的概念及其判断标准,和已有的线性自回归(AR)模型,对已有的迭代重加权最小P范数(IRLP)白化算法进行改进,提出了改进的IIRLP白化算法.对线性自回归稳定有色噪声的模型参数进行估计,并探讨了其白化方法.计算机仿真表明,本文算法较已有的IRLP算法具有更好的韧性及稳健性.     

基于W检验统计量的稳健波达方向估计方法

针对实际环境中广泛存在的脉冲性非高斯噪声会降低基于传统二阶循环统计量的各类算法性能的问题,将混有脉冲噪声的信号样值看作粗差,以稳健估计理论为基础,应用进行高斯检验的W统计量,以自适应方式剔除脉冲样值,得到新的循环互相关函数估计表达式,从而实现了DOA(direction of arrival)的稳健估计.该方法无需噪声统计特性的先验知识,适用于各种非高斯噪声环境,且计算机仿真表明其在不同非高斯噪声条件下的估计性能均优于现有的稳健方法.     

自适应平方根无迹卡尔曼滤波算法

将高斯过程回归融入平方根无迹卡尔曼滤波(SRUKF)算法,本文提出了一种不确定系统模型协方差自适应调节滤波算法.该算法分为学习和估计两部分:学习阶段用高斯过程对训练数据进行学习,得到系统回归模型及噪声协方差;估计阶段由回归模型代替状态方程和观测方程,相应的噪声协方差实时自适应调整.该方法克服了传统方法容易受系统动态模型不确定性和噪声协方差不准确限制的问题,仿真结果验证了算法的有效性.     

一种自适应滤波方法在捷联惯导系统大失准角初始对准中的应用

为了对静基座大失准角捷联惯导系统(SINS)进行初始对准,建立了在静基座下基于四元数的SINS非线性误差模型。该误差模型无需对姿态误差角进行小角度假设。为了在观测噪声方差未知的情况下估计SINS失准角,提出一种在线估计观测噪声方差矩阵的自适应扩展卡尔曼滤波方法。仿真结果表明,该自适应滤波方法能在观测噪声方差未知的情况下有效地对静基座大失准角SINS进行初始对准。     

An enhanced adaptive Kalman filtering for linear systems with inaccurate noise statistics

This paper investigates the simultaneous state and noise covariance estimation for linear systems with inaccurate noise statistics. An enhanced adaptive Kalman filtering (EAKF) based on dynamic recursive nominal covariance estimation (DNRCE) and modified variational Bayesian (VB) inference is presented. The EAKF realizes the concurrently estimation of state and noise covariance matrices by introducing a nominal parameter in the traditional recursive covariance estimation and designing a new adaptive forgotten factor for the dynamic model of the estimated information propagation. The simulation of a target tracking example shows that, compared with the existing filters, the proposed filter has good adaptive performance for inaccurate and time-varying noise covariance matrices.     

Estimation of time series noise covariance using correlation technology

Covariance of clean signal and observed noise is necessary for extracting clean signal from a time series.This is transferred to calculate the covariance of observed noise and clean signal’s MA process,when the clean signal is described by an autoregressive moving average (ARMA) model.Using the correlations of the innovations data from observed time series to form a least-squares problem,a concisely autocovariance least-square (CALS) method has been proposed to estimate the covariance.We also extended our work to the case of unknown MA process coefficients.Comparisons between Odelson’s autocovariance least-square (ALS) estimation algorithm and the proposed CALS method show that the CALS method could get a much more exact and compact estimation of the covariance than ALS and its extended form.     

Robust estimation of covariance matrices

Data manipulations which increase the robustness and accuracy of estimators of covariance parameters by using the innovations correlation approach are considered. The procedures are especially useful for improving estimates of process-noise covariance parameters for slowly varying systems when measurement noise is large. The innovations correlate covariance estimation technique developed by P.R. Belanger (1974) is extended to the case where process noise is weak in magnitude compared to measurement noise. Belanger's method exploits the linear relationship between the desired noise covariance parameters and the correlations of the innovation sequence of a suboptimal Kalman filter to formulate a least-squares algorithm. The estimates of the process-noise covariance parameters are improved by low-pass prefiltering and downsampling the data before applying the least-squares innovations correlation algorithm. Results for a single-output, linear time-invariant system are stated, and the subsequent analysis treats only this case     

Frequency-domain subspace system identification using non-parametric noise models

In the general case of non-uniformly spaced frequency-domain data and/or arbitrarily coloured disturbing noise, the frequency-domain subspace identification algorithms described in McKelvey, Akçay, and Ljung (IEEE Trans. Automatic Control 41(7) (1996) 960) and Van Overschee and De Moor (Signal Processing 52(2) (1996) 179) are consistent only if the covariance matrix of the disturbing noise is known. This paper studies the asymptotic properties (strong convergence, convergence rate, asymptotic normality, strong consistency and loss in efficiency) of these algorithms when the true noise covariance matrix is replaced by the sample noise covariance matrix obtained from a small number of independent repeated experiments. As an additional result the strong convergence (in case of model errors), the convergence rate and the asymptotic normality of the subspace algorithms with known noise covariance matrix follows.     

基于EM-EKF算法的RBF-AR模型参数估计

为了利用EKF（extended Kalman filter）算法对RBF-AR（radial basis function network-based autoregressive）模型进行参数估计,重构了RBF-AR模型的网络结构,将其变换成一种新型的广义径向基函数（radial basis function,RBF）神经网络.与典型三层RBF网络结构相比,该广义RBF网络增加了线性输出加权层.为了克服基于EKF神经网络学习算法由于噪声统计特性未知导致滤波发散或者滤波精度不高的问题,利用EM（expectation maximization）算法对RBF-AR模型噪声协方差矩阵进行估计.同时,通过EKF滤波实时估计RBF-AR模型参数（系统状态）,EKF平滑过程得到了更加准确的期望估计.仿真结果显示,该方法用在此变形的RBF-AR模型结构中是有效的,特别在信噪比低的情况下,估计效果比SNPOM（structured nonlinear parameter optimization method）方法好,而且还能估计出噪声方差.F检验显示了两方法估计得到的标准偏差有显著性差异.     

适用于事件触发的分布式随机目标跟踪方法

研究了一类基于RSSI（Received signal strength indication）测距的分布式移动目标跟踪问题,提出了一种适用于事件触发无线传感器网络（Wireless sensor networks,WSNs）的分布式随机目标跟踪方法.首先考虑移动机器人模型的不确定性,引入了带有随机参数的过程噪声协方差,应用改进平方根容积卡尔曼滤波（Square root cubature Kalman filter,SRCKF）得到局部估计;然后采用无模型CI（Covariance intersection）融合估计方法以降低随机过程噪声协方差带来的不利影响.该方法充分利用有模型和无模型方法的优势,实现系统模型和量测不理想情况下的分布式目标跟踪.基于E-puck机器人的目标跟踪实验表明,事件触发的工作模式可有效地减少能量消耗,带随机参数的滤波方法更适合于随机目标的跟踪.     

基于自适应卡尔曼滤波的导航信息融合方法

针对组合导航系统在测量噪声未知的情况下,常规自适应卡尔曼滤波方法的实时性难以满足的问题,提出了一种实时的自适应卡尔曼滤波方法.该方法通过一个简单的指数函数实时调节卡尔曼滤波模型中的测量噪声协方差矩阵,将测量噪声的理论协方差矩阵与实际协方差矩阵的差值作为指数函数的输入,将函数的输出值与上次测量噪声的协方差矩阵之和送入卡尔...     

模糊自适应卡尔曼滤波算法在航位推算系统中的应用

针对实际的应用中车载航位推算系统的模型参数、噪声的统计特性不确定性,影响估计效果,提出了车载航位推算的模糊自适应卡尔曼滤波模型及其滤波算法;该方法通过监视理论残差与实际残差的比值是否接近1,应用模糊推理系统不断地调整量测噪声协方差的加权,对自适应卡尔曼滤波的量测噪声协方差进行递推修正,通过该算法来抑制噪声对精度的影响,进而提高系统的导航精度;仿真结果表明,这种算法能够有效地提高系统的精度,是一种比较理想的车载DR导航滤波方法。