非高斯噪声环境下基于RLS的稀疏信道估计算法

现有的信道估计算法大多是基于高斯噪声模型假设。然而在实际无线通信环境中,常常出现脉冲噪声使得噪声不再满足高斯模型,而是满足一种广义高斯分布(GGD)噪声模型。采用传统的自适应信道估计算法(如递归最小二乘(RLS)算法)无法抑制这种非高斯噪声的干扰。对此提出一种可抑制非高斯噪声干扰的RLS信道估计算法。该算法通过在标准RLS算法中引入两种稀疏约束函数(L1-范数和L0-范数)来有效地挖掘稀疏结构信息。通过蒙特卡罗仿真,验证了提出的信道估计算法的估计性能比标准RLS算法更好。     

基于MIMO-OFDM系统的低复杂度LS改进算法

本文建立了MIMO-OFDM系统的Matlab仿真模型,在此基础上研究了STBC(Space Time Block Code)空时编码和基于块状导频的信道估计算法.对基于块状导频的LS(Least Square)信道估计算法做了低复杂度的改进,改进后的算法称为LLS(Low complexity LS)算法.经过计算机仿真显示,在传送大量信息时,该算法的运算复杂度及运算时间相较于其他的信道估计算法都大大降低,并且提高了信道估计的误码率性能.     

量测随机延迟下带相关乘性噪声的非线性系统分布式估计

本文提出了乘性噪声和加性噪声相关下的量测随机延迟非线性系统分布式状态估计.在所考虑系统中,相关状态被多传感器簇构成的传感器网所观测.所得理想量测被传送到远程分布式处理网,并伴随服从一阶马尔可夫过程的随机延迟.在此基础上,本文提出了分布式高斯信息滤波(distributed Gaussian-information filter,DGIF),来实现估计精度与计算时间的折中.在单处理节点/单元中,以估计误差协方差最小化为准则,设计了相应的高斯递推滤波,并实现了延迟概率的在线递推估计.进一步地,在分布式处理网中,基于非线性量测方程的统计线性回归,结合一致性算法,给出了一种分布式信息滤波形式,有效实现了分布式融合.分别在单处理单元和分布式处理网中仿真验证了所提算法的有效性.     

MIMO-OFDM 系统角域LS 信道估计算法

当信道估计算法利用先验信息进行MIMO-OFDM 信道辨识时,计算复杂度将显著增加．针对这一问 题,设计一种无需先验信息且计算复杂度低的相移正交角域LS 算法．该算法的基本思想是：在保证LS 算法均方 误差（MSE）性能达到最小的前提下,根据角域内不同发送和接收天线间信道的空间独立特性,采用最有用抽头系 数（MST）技术来提高信道估计性能．仿真结果表明,所提算法具有良好的估计性能．     

基于DFT的时域LS信道估计算法

基于IEEE 802.16d/e标准的OFDMA系统中存在保护子载波和导频非2n等间隔插入,针对该问题,提出一种基于DFT的时域LS信道估计算法。该算法对相比信道自相关矩阵R容易获得的矩阵T进行奇异值分解(SVD),得到基于DFT的低阶近似。仿真结果表明,该算法的信道估计性能和运算复杂度介于LMMSE-SVD算法、IFFT/FFT算法之间,对导频要求更宽松,应用更广泛。     

一种新的非线性回归模型参数估计算法

提出一种新的基于混合基因算法（HGA）的非线性回归模型参数估计算法,新算法通过对问题的解空间交替进行全局和局部搜索,达到快速收敛至全局最优解,较好地解决了传统算法通用性差、易陷入局部极小的问题,实验验证了算法的通用性和有效性。     

基于WOSA-EM算法的线谱频率估计

针对水下目标辐射噪声中多线谱成分的检测与频率估计问题,提出一种基于加权交叠平均法和EM算法的水下目标辐射噪声线谱检测与频率估计方法.首先构造目标辐射噪声的数理模型,然后根据加权交叠平均(WOSA)谱估计方法不产生伪峰的特点,判断可能存在的线谱数量和线谱频率,确定数理模型参数,然后采用EM迭代算法得到线谱频率的极大似然估计.仿真结果表明:提出方法计算量较少,使得多线谱频率估计问题的复杂度大大降低,可用于检测和识别水下目标辐射噪声中的多线谱成分,且对于幅度较大的线谱频率估计时收敛速度较快.     

基于MDL准则的MUSIC信号频率估计算法

在正弦信号频率估计方法中,高分辨率谱估计的MUSIC算法利用信号子空间和噪声子空间的正交性进行信号频率的估计,可以得到很高的测频精度.但是信号源数的选择将会影响此方法的有效性.本文研究了基于最小描述长度(MDL)准则的MUSIC算法,信号子空间和噪声子空间的估计以及信号源数的确定同时进行,解决了MUSIC算法中信号源数对估计结果的影响.仿真结果表明利用该方法可准确地估计多个正弦信号的频率值.     

基于ESPRIT的噪声抑制频率估计算法

在中低信噪比时,协方差矩阵受噪声影响较大导致ESPRIT算法性能降低,使其与克拉美罗下限(CRLB)有一定距离。针对该问题,提出一种基于ESPRIT的噪声抑制频率估计算法,利用信号频域内若干子带的谱线估计协方差矩阵,通过该矩阵的特征向量张成信号子空间,估计信号各分量的频率。实验结果表明,该算法能用于多个频率分量的信号分析,归一化频率估计的范围为 ,且性能接近于CRLB下限。     

一种基于LS拟合判别函数的SVR特征选择算法

本文提出一种基于最小二乘（LS）拟合判别函数的SVR特征选择算法（简称15特征选择法）。该算法采用了一个适合支持向量回归（SVR）的新目标函数,并在特征子集选择中根据实验数据集冗余特征较少的特点,采用顺序后向选择算法。仿真实验表明,本方法与常用的降维方法PCA和KPCA相比有更好的效果。     

基于非参数平滑的OFDM系统信道估计算法

研究了双衰落信道下正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统中信道估计的非参数方法.提出的方案首先利用梳状导频或散布导频和最小二乘算法估计出导频处的信道频率响应并进行简单的分段线性插值,然后用基于非参数统计方法的Savitzky-Golay平滑滤波器对插值后的信道估计值进行非参数平滑.与传统信道估计算法相比,算法大大降低了信道估计的均方误差、系统的误符号率和计算复杂度,运算量仅正比于有效子载波数,且对多普勒频移具有很强的鲁棒性.数值仿真结果证明了上述结论的正确性.统计检验结果表明,该算法在最小二乘意义下是最优的.     

一种基于快速噪声估计的MMSE语音增强算法

提出一种基于快速噪声估计的MMSE语音增强算法,实验表明这种算法比起谱相减法和基于语音短时对数谱的最小均方误差（MMSE-LSA）算法能更显著地提高算法的客观性能,在非平稳噪声环境中能快速估计出变化的噪声功率谱。     

基于LS-SVR融合算法的颜色恒常性研究

目标物的图像会因环境光源的不同而呈现不同的颜色值,为对图像中的内容进行准确研究,需将记录图像调整到标准光源下,这就是颜色恒常性研究.无监督恒常性算法具有运算量小且简单的优势,但受限于假设条件,为此提出采用图像的多特征进行融合研究来提高恒常性研究的通用性.采用基于结构风险最小化原则的LS-SVR算法来对5种基本算法提取图像的多特征进行融合,评估出环境光源的色度.以标准图像库中的图像作为研究对象,结果表明:在各种光照条件下,多特征融合的LS-SVR算法能取得比5种算法更小的误差,评估出来的场景光源更接近于实际光源,为目标场景的准确分析与识别提供了科学依据.     

一种新的基于线性EIV模型的鲁棒估计算法

提出了一种新的基于线性EIV模型的鲁棒估计算法——鲁棒扩充算法．该算法从结构化数据区域出发,逐渐扩充模型数据集,并不断更新模型参数的估计,直至找到所有模型数据．在每次迭代中,使用C-Step方法对集合进行调整,从而保证了算法的鲁棒性．同时,提出了关于粗差数据和结构化数据分布的结构化密度假设,结合Mean Shift算法,完成对算法的初始位置选取．仿真结果表明,该算法可以有效地处理含有多个结构和大量离群样本的混杂数据,与现有算法相比,具有更强的鲁棒性和更高的精度．     

基于抗差估计方法的WSN节点定位算法研究

针对无线传感器网络在实际应用中,节点间测距结果往往含有粗差,并会严重影响未知节点坐标估计值的准确性和可靠性这一问题,引入抗差估计理论,采用IGGⅢ权因子函数,设计了一种基于抗差估计的节点定位算法。该算法能对含有不同幅度的测量误差分别采取保权、降权和淘汰等相应处理,明显提高定位精度。仿真实验表明:在无粗差的情况下,本文算法与经典最小二乘定位算法的定位效果保持了良好的等效性;在含有粗差的情况下,本文算法借助于选择的阈值,对不同的粗差采取剔除以及降权等适当处理,比经典最小二乘定位取得了更高的定位精度,保证了估计结果的无偏性,体现出良好的抗差性能。     

一种基于偏最小二乘法的室外光照估计算法

针对固定视点下的室外场景在线视频光照求解问题,提出一种基于偏最小二乘室外场景实时光照估计算法.在离线阶段提取场景中对光照变化较为敏感的区域,并将这些区域像素值的均值与方差的无偏估计作为场景图像的统计参数,再利用偏最小二乘回归分析建立场景的光照参数与图像统计参数之间的模型;在在线阶段使用所建立的模型实时估计视频每一帧的光照条件.实验结果表明,使用该算法所求解的光照参数对虚拟物体进行绘制并将其融入视频中后,合成场景真实感很强.     

基于距离平方差的目标定位估计算法研究

无线传感器网络定位技术作为无线传感器网络的重要支撑技术之一,具有很大的实际价值和研究意义。无线传感器网络的目标定位估计技术主要应用于目标跟踪和目标运动分析,在工业领域具有广阔的发展前景。无线传感器网络由许多在空间中分布的传感器组成,这些传感器能够测量出传感器与定位目标之间的距离,但是该观测距离因为受环境影响所以是有噪音的。目前基于距离的最小二乘估计的定位算法已得到广泛关注,但是该问题是一个非凸问题,精确求解十分困难。因此学者们提出了基于距离平方的最小二乘估计的定位算法,该算法的数学模型虽然相对精确,但是计算起来十分复杂。本文基于距离平方差,提出了新的目标定位估计算法,该算法计算简单,稳定性强,且能得到与基于距离平方的最小二乘估计的定位算法相当的结果。仿真实验结果表明,无论在低噪音水平、中噪音水平还是高噪音水平下,本文提出的新算法都更有优势,在工程领域有极高的应用价值。     

基于偏最小二乘回归的鲁棒性特征选择与分类算法

提出一种基于偏最小二乘回归的鲁棒性特征选择与分类算法（RFSC-PLSR）用于解决特征选择中特征之间的冗余和多重共线性问题。首先,定义一个基于邻域估计的样本类一致性系数;然后,根据不同k近邻（kNN）操作筛选出局部类分布结构稳定的保守样本,用其建立偏最小二乘回归模型,进行鲁棒性特征选择;最后,在全局结构角度上,用类一致性系数和所有样本的优选特征子集建立偏最小二乘分类模型。从UCI数据库中选择了5个不同维度的数据集进行数值实验,实验结果表明,与支持向量机（SVM）、朴素贝叶斯（NB）、BP神经网络（BPNN）和Logistic回归（LR）四种典型的分类器相比,RFSC-PLSR在低维、中维、高维等不同情况下,分类准确率、鲁棒性和计算效率三种性能上均表现出较强的竞争力。     

基于噪声估计的二值掩蔽语音增强算法

针对现有的助听器语音增强算法在非平稳噪声环境下,残留大量背景噪声的同时还引入了“音乐噪声”,致使增强语音可懂度和信噪比不理想等问题。提出了一种基于噪声估计的二值掩蔽语音增强算法,该算法利用人耳听觉感知理论,结合人耳的听觉特性和耳蜗的工作机理。采用最小值控制递归平均（Minima-Controlled Recursive Averaging,MCRA）算法获得估计噪声和初步增强语音;将估计噪声和初步增强语音分别通过可以模拟人工耳蜗模型的gammatone滤波器组进行滤波处理,得到各自的时频表示形式;利用人耳的听觉掩蔽特性,计算含噪语音在时频域的二值掩蔽;利用二值掩蔽得到增强语音。实验结果表明：该算法很大程度上去除了谱减法引入的“音乐噪声”,与基于MCRA谱减法相比,增强语音的语言可懂度指数（Speech Intelligibility Index,SII）、主观语音质量评估（Perceptual Evaluation of Speech Quality,PESQ）和信噪比（Signal to Noise Ratio,SNR）都得到了提高。