基于SαSG分布噪声模型的自适应混合矩滤波方法

α-稳定分布可以更好地描述实际应用中所遇到的具有显著脉冲特性的随机信号和噪声.与其他统计模型不同,α-稳定分布没有统一闭式的概率密度函数,其二阶及二阶以上统计量均不存在.针对系统中存在独立SαS噪声与高斯噪声,基于SαSG分布模型,提出了一种稳定分布与高斯混合噪声环境下的自适应混合矩滤波的修正RMN（混合参数）算法,并对算法进行了步长归一化改进.计算机模拟和分析表明,这种算法是一种在SαSG分布背景噪声条件下具有良好韧性的滤波方法.     

基于低阶预白化与新型网络传递函数的盲源分离方法

α-稳定分布可以更好地描述实际应用中所遇到的具有显著脉冲特性的随机信号和噪声。与其它统计模型不同, α稳定分布没有统一闭式的概率密度函数,其二阶及二阶以上统计量均不存在。本文先简要介绍稳定分布统计特性,再提出了适用于盲信源分离的神经网络结构与基于分数低阶统计量与子空间技术的预白化过程,并利用一种新型传递函数修正了分离算法,提出了一种基于分数阶预白化与新型传递函数的盲信源分离方法。计算机模拟和分析表明,这种算法是一种在高斯和分数低阶α稳定分布噪声条件下具有良好韧性的盲信源分离方法,是对传统的二阶统计量基础上的盲信源分离方法的改造与推广。     

基于分数阶谱的频域广义白化滤波方法

在简要介绍稳定分布统计特性的基础上,描述了稳定分布的谱表示,提出了一种不同于二阶过程功率谱的共变谱密度概念及基于共变函数与共变谱密度的稳定分布白噪声的概念及其判断标准,对传统意义上的白噪声进行了广义化,并依据稳定分布的参数模型,论述了一种基于α谱的频域广义白化滤波方法。仿真实验表明,这种算法是一种在高斯和分数低阶α稳定分布噪声条件下具有良好韧性的白化滤波方法,是对传统的二阶统计量基础上的白化滤波方法的改造与推广。     

分数低阶矩的信号盲分离方法

具有尖峰脉冲特性的α稳定分布信号或噪声不存在二阶及二阶以上的统计量,传统基于二阶统计量(SOS)或高阶统计量(HOS)盲分离和独立成份分析(ICA)算法效果不理想,甚至失效。对脉冲噪声环境下的盲分离技术进行了研究,推导出一种基于分数低阶矩的信号盲分离算法,并进行了仿真检验,结果表明所提出的方法对实现α稳定分布信号或含有α稳定分布噪声的信号盲分离效果很好,并具有良好的韧性。     

分数低阶循环统计量及其在脉冲噪声环境下时延估计中的应用

本文以α稳定分布作为噪声模型,研究了非高斯噪声对传统的二阶循环统计量的影响,提出了分数低阶循环统计量的概念,研究并证明了其性质。在此基础上提出基于分数低阶循环统计量的新的时延估计方法—RCCC(Robust Corre- lated Cyclic Covariation)。计算机模拟表明,这种算法是一种在高斯和α稳定分布噪声条件下具有良好韧性的时延估计方法。     

脉冲噪声环境下循环ESPRIT新方法

以a稳定分布作为噪声模型,研究了脉冲噪声环境下循环平稳信号的波达方向估计问题.针对在脉冲噪声环境中,基于传统二阶循环统计量的算法效果显著退化的问题,提出了分数低阶循环相关矩阵概念;并在此基础上,提出了分数低阶总体最小二乘(TLS)循环ESPRIT算法的2种形式.计算机仿真表明所提出的算法可有效地估计出脉冲噪声条件下的波达方向,其性能优于传统的基于二阶循环统计量的循环ESPRIT类算法,有潜在的应用前景.     

基于广义二阶循环统计量的通信信号调制识别研究

针对传统的二阶循环统计量在Alpha稳定分布噪声中显著退化的问题,提出了广义二阶循环统计量的概念。在研究了所选通信信号的广义二阶循环统计量的基础上,提取信号广义二阶循环谱中特定频率和循环频率处的幅值作为特征参量,采用最小误差准则作为分类器算法,实现信号调制方式识别。仿真结果表明,在Alpha稳定分布噪声背景下该方法性能优于传统二阶循环统计量的方法,且在高斯噪声背景下也具有良好的性能。     

脉冲噪声环境下单基地MIMO雷达目标角度估计算法

以α稳定分布作为脉冲噪声数学模型,研究了脉冲噪声环境下单基础多输入多输出(MIMO)雷达目标角度估计问题。为了解决基于分数低阶统计量的目标角度估计算法需要脉冲噪声先验信息的问题,利用雷达接收数据构造出两种鲁棒的相关矩阵,即相关熵相关矩阵和非线性压缩核函数相关矩阵,提出了基于这两种鲁棒相关矩阵的单基地MIMO雷达目标角度估计算法。仿真实验表明:在α稳定分布脉冲噪声环境下,新提出的责任中算法的性能明显优于传统的基于二阶统计量和基于分数低阶统计量的目标角度估计算法。     

基于Alpha稳定分布噪声模型的Rao统计检测

Alpha稳定分布是一种具有广泛应用范围的噪声分布模型.为此,本文提出了一种基于Alpha稳定分布噪声模型的Rao统计检测方法,导出了Alpha稳定分布噪声条件下正弦信号的Rao检测统计量.通过仿真给出了不同特征指数α时Rao检测的检测性能,并与基于高斯假设的Rao检测进行了比较.仿真结果表明,这种Pao检测器在Alpha稳定分布噪声条件下对微弱信号具有较好的检测性能,明显优于基于高斯假设下的Rao检测.     

脉冲噪声环境下基于分数低阶循环相关的自适应时延估计方法

以α稳定分布作为噪声模型,研究了非高斯噪声对传统的二阶循环统计量的影响,提出了分数低阶循环相关的概念,研究并证明了其性质,对传统意义上的二阶循环统计量进行了广义化,并在此基础上结合自适应技术提出了一种基于分数低阶循环相关的自适应时延估计方法。计算机模拟表明,该方法可有效估计高斯噪声和脉冲噪声条件下的时变和非时变时延值,其性能不仅优于基于二阶循环相关的自适应时延估计算法,而且优于最小平均p范数(LMP)自适应时延估计方法。     

一种基于改进的谱减法的语音增强算法

为改善语音质量,提高语音识别系统的性能,提出了一种新的基于改进的谱减法的语音增强算法。新算法在所有噪声都能转化为加性高斯白噪声的基础上,依据高斯白噪声幅度谱服从瑞利分布的特点,对噪声幅度谱进行精确的估计,并采用频带方差进行端点检测以及时检出语音。仿真分析表明：该方法能够较好地抑制噪声,噪声消除效果较传统算法具有明显的提高。     

Gaussian Process-based Feature-Enriched Blind Image Quality Assessment

The objective of blind-image quality assessment (BIQA) research is the prediction of perceptual quality of images, without reference information. The human’s perceptual assessment of quality of an image is the backbone of BIQA research. Therefore, human-provided, mean opinion score (perceptual quality) has been analyzed in detail, and it has been observed to follow the Gaussian distribution and thus can be ideally modeled by the same. In this paper, we have proposed an integrated two-stage Gaussian process-based hybrid-feature selection algorithm for the BIQA problem. Moreover, a new consolidated feature set (obtained from the proposed algorithm), consisting of momentous Natural Scene Statistics (NSS)-based features is used in combination with the Gaussian process regression algorithm for the design of a new blind-image quality evaluator, referred to as GPR-BIQA. The proposed evaluator is tested on eight IQA legacy databases, and it is found that the proposed evaluator proficiently correlate with the human opinion, and outperformed a substantial number of existing approaches.     

一种基于Laplacian语音模型的语音增强算法

本文提出了一种新的基于Laplacian语音模型的语音增强算法。首先,在假定语音和噪声的短时DCT系数分别服从Laplacian和Gaussian分布的基础上,推导了最小均方误差意义下的语音信号短时DCT系数估计;然后,根据语音存在概率估计,提出了语音信号短时DCT系数估计的修正因子。在增强算法中,提出了面向判决的Laplacian语音模型参数估计和基于Laplacian语音模型的改进最小量控制递归平均(IMCRA)噪声估计算法。仿真结果表明,本文算法不仅在噪声抑制性能方面优于近两年国际上提出的几种基于Gaussian语音模型的语音增强算法,而且在增强语音质量方面也具有更好的性能。     

用期望最大化算法抑制角闪烁的预处理方法

用高斯混合模型作为角闪烁噪声的近似统计模型,结合Kalman滤波器,提出了一种利用期望最大化(EM)算法抑制角闪烁噪声的预处理方法.首先采用EM算法处理一帧内的原始测量数据,预先得到目标真实位置的最大似然估计,这个预估计量服从渐进高斯分布,且其方差可求.然后将这个预估计量作为Kalman滤波器的输入量进行跟踪滤波,同时将目标位置的预测值作为下一帧EM迭代过程的初始值,进而形成闭环的跟踪滤波结构.仿真结果表明,该方法有效地抑制了角闪烁,使得Kalman滤波算法更加有效,从而提高了目标跟踪的精度.     

基于高阶统计量的对称分布信号检测

本文研究高斯噪声中具有对称分布的随机信号检测问题,提出了一种基于偶数阶高阶统计量的信号检测方 法。该方法利用高阶累积量估计的渐近正态性,采用随机变量Taylor展开的方法估计高阶累积量估计的方差,再对偶数阶 的高阶累积量进行归一化处理,将信号的检测转化为一般的X2检验问题,并通过仿真实验以广义高斯褶积信号为例对其 检测性能进行分析。     

四象限探测器基于高斯分布的激光光斑中心定位算法

为了提高四象限探测器在FPGA中实时激光光斑位置测量的精度,提出了一种基于高斯分布的光斑中心定位算法。首先,四象限探测器光敏面上分布的激光光斑采用高斯分布模型等效。结合探测器的工作原理,合理设置高斯积分区间,计算出呈高斯分布的光斑在探测器各象限内的光能量,从而对应各象限输出的光电流,得到包含光斑位置信息的正态分布关系式。再通过标准正态分布表查询快速求解出光斑中心位置,将算法在硬件上实时地实现。最后,分别对基于高斯分布的定位算法和基于圆模型的传统算法进行仿真与实验验证。结果表明,基于高斯分布的定位算法的测量精度相较于传统算法提高了43.8%。由此证明基于高斯分布的定位算法能有效提高激光光斑中心位置测量精度。     

Probabilistic data association for symbol detection in MIMO systems

The application of the probabilistic data association (PDA) algorithm to the symbol detection in narrowband spatial multiplexed multiple input multiple output systems with known channel state information is investigated. The performance of a new proposed complex formulation of PDA algorithm, which matches the full parameters of the complex Gaussian distribution (which are the mean vector, covariance matrix and the pseudo-covariance matrix), is compared with the real vector formulation of a generalised PDA algorithm and a PDA implementation, which employs complex Gaussian approximations with matched mean and covariance only     

基于高斯分布判决的SAR原始数据压缩方法

针对合成孔径雷达(SAR)数据概率密度函数偏离高斯分布时分块自适应量化(BAQ)压缩算法性能下降的问题,提出一种判断SAR数据是否符合高斯分布的新方法,并将其应用于SAR原始数据压缩。该方法借助几何关系将高斯曲线用等面积的三角形替代,计算出二者的交点坐标,并对各交点范围内二者的积分值进行比较,得到三个判决条件;然后,将满足这些条件的SAR数据判断为标准高斯分布数据并进行BAQ压缩,对判断为非高斯分布的数据采用矢量量化方法压缩。最后,实测数据的仿真实验说明本文方法的性能优于BAQ和文献[9]的方法。     

Gaussian mixture density modeling of non-Gaussian source forautoregressive process

A new approach is taken to model non-Gaussian sources of AR processes using Gaussian mixture densities that are known to be effective for approximating wide varieties of probability distributions. A maximum likelihood estimation algorithm is derived for estimating the AR parameters by solving a generalized normal equation, and a clustering algorithm is used for estimating the parameters of Gaussian mixture density of the source signals. The correlation matrix of the generalized normal equation is not Toeplitz but is symmetric and in general positive definite. Higher order statistics of skewness and kurtosis are used for identifying the source distribution as being Gaussian or non-Gaussian and, consequently, determining the parameter estimation technique between the conventional method and the proposed method. Experiments on non-Gaussian source AR processes demonstrate that under high SNR conditions (SNR⩾20 dB), the proposed algorithm outperforms the conventional AR estimation algorithm and the cumulant-based algorithm by an order-of-magnitude reduction of average estimation errors. The proposed algorithm also has very low estimation errors with short data records. Finally, a maximum likelihood prediction method is formulated for non-Gaussian source AR processes that has shown potential in achieving higher efficiency signal coding than linear predictive coding     

帧间约束MMSE语音增强算法

本文主要讨论基于语音短时谱估计的语音增强算法，在语音短时谱幅度最小均主误差估计（ＭＭＳＥ）的基础上，本文提出了一种基于帧间频域分布约束的改进的语音短时谱幅度ＭＭＳＥ估计算法，该算法充分利用了语音分析帧之间存在的相关性，并以频域分布约束的形式结合到估计式中，考虑到在ＭＭＳＥ估计式中需要利用语音频谱的分布，本文采取了两种解决办法，利用高斯分布模型进行近似；利用语音材料进行统计得到近似的分布模型，新算法