共查询到10条相似文献,搜索用时 31 毫秒
1.
2.
在正交频分多址接入(Orthogonal Frequency Division Multiple Access, OFDMA)蜂窝网络中,小区间干扰的统计特性与网络性能密切相关。下行小区间干扰的累积分布函数(Cumulative Distribution Function, CDF)还没有一个闭合表达式。该文提出一种参数可显式计算的高斯混合模型对下行小区间干扰分布进行近似。进一步,利用高斯混合模型将下行小区间干扰的累积分布函数近似表示为若干个误差函数的加权和。仿真验证了高斯混合模型的准确性,并且表明基于高斯混合模型的累积分布函数能很好地近似下行小区间干扰的累积分布函数。 相似文献
3.
为了提高基于块先验的自然图像复原效果,有效去除图像中的噪声和模糊,提出了一种基于空间约束高斯混合模型的块似然对数期望(Expected Patch Log Likelihood, EPLL)复原框架。基于图像块的空间分布信息,将图像块的空间约束高斯混合统计特性作为先验,在图像块复原的基础上实现整幅图像的全局优化复原。对比相关的图像复原方法,提出的方法去噪和去模糊效果更好,并且保图像细节。利用客观性能指标对复原结果进行评价。实验结果表明,提出的方法有效易行,而且复原图像表现出良好的可视效果。 相似文献
4.
针对多编队机动目标先后出现时的跟踪问题,该文提出了一种基于交互式多模型高斯混合概率假设密度滤波(IMM-GM-PHD)算法的无先验信息跟踪方法。首先,在IMM-GM-PHD算法预测过程完成的基础上,引入密度检测机制,利用相关域为所有预测高斯分量挑选有效量测,结合密度聚类(DBSCAN)算法检测是否出现新编队目标。其次,在IMM-GM-PHD算法状态更新完成的基础上,利用更新高斯分量的组成情况完成模型概率的更新。最后,在状态估计优化过程中,结合编队目标的特点,加入相似度判别技术,利用杰森-香农(JS)散度度量高斯分量间的相似度,剔除没有相似分量的高斯分量,进一步优化估计结果。仿真结果表明,该文方法能够快速有效地跟踪非同时出现的多编队机动目标,具有较好的跟踪性能。 相似文献
5.
6.
时间独立分量分析模型的新息方法 总被引:1,自引:0,他引:1
考虑时间独立分量分析(TICA)模型中的时间结构信息,引入新息思想,提出TICA的新息模型和估计方法(ITICA)。研究表明:1)TICA的新息模型仍然满足经典独立分量分析(ICA)的潜在分量统计独立和非高斯假设,TICA模型中的混合矩阵(或分离矩阵)可以从对应的ITICA模型中估计得到;2)随着新息的引入,新模型中的潜在独立分量非高斯性增强,ITICA方法能有效提高估计的效率。实验结果表明,ITICA方法可以改善经典ICA算法的收敛性,解决实际中近似独立源信号估计过程中出现的收敛振荡和速度慢的问题,结合先验知识和选择合适的新息还可以有效提高算法的辨识精度。 相似文献
7.
一种新的移动机器人全局定位算法 总被引:4,自引:0,他引:4
粒子滤波器能够给出移动机器人全局定位非线性非高斯模型的近似解.然而,当新感知出现在先验概率的尾部或者与先验相比感知概率太尖时,传统的粒子滤波器会退化导致定位失败.本文提出了一种重要性采样跟中心差分滤波器(central difference filter,CDF)相结合的新算法,并对测量更新步的加权粒子集应用基于KD-树的加权期望最大(weighted expectation maximization,WEM)自适应聚类算法获得表示机器人位姿状态后验密度的高斯混合模型(Gaussian mixture model,GMM).实验结果表明,新方法提高了定位准确率,降低了计算复杂度. 相似文献
8.
本文基于随机有限集的高斯混合多目标滤波器(Gaussian Mixture Multi-Target Filter,GM-MTF)提出几种传感器控制策略.首先,基于容积卡尔曼高斯混合多目标非线性滤波器,借助两个高斯分布之间的巴氏距离,推导GM-MTF的整体信息增益,并以此为基础提出相应的传感器控制策略.另外,设计高斯粒子的联合采样方法对多目标滤波器的预测高斯分量进行采样,用一组带权值的粒子去近似多目标统计特性,利用理想量测集对粒子的权值进行更新,继而研究利用Rényi散度作为评价函数,提出一种适应性更好的传感器控制策略.最后,给出基于目标势的后验期望(Posterior Expected Number of Targets,PENT)评价的高斯混合实现过程.仿真实验验证了提出算法的有效性. 相似文献
9.
稀疏信号的分布模型是影响基于近似信息传递(AMP)的压缩感知(CS)信号重建效果的关键因素。因实际图像的小波近似系数、各级的水平细节系数、垂直细节系数以及对角细节系数的模型参数存在较大差异,现有基于拉普拉斯、贝努力高斯(BG)和高斯混合等模型的AMP方法因未考虑此差异而影响重建效果。为了提高模型估计的准确性,将各级小波系数的BG模型参数分开估计,进而提出了一种改进的图像压缩感知稀疏重建的新方法,即期望最大分段贝努力高斯近似信息传递算法(EM-SSBG-AMP)。仿真结果表明,相同采样率下,新算法的峰值信噪比(PSNR)明显高于5阶期望最大高斯混合近似信息传递算法(EM-GM-AMP),重建时间与5阶EM-GM-AMP相当。 相似文献