高斯混合分布杂波下ARM的Wald检测方法

提出一种在高斯混合分布杂波下检测反辐射导弹(ARM)的Wald检测方法.针对基于期望最大化(EM)算法估计杂波参数时,由于初始化不当使迭代运算落入初值陷阱、导致估计错误的问题,提出基于矩-EM算法估计杂波参数的方法,导出了高斯混合分布杂波下ARM目标的Wald检测统计量.不同参数条件下的仿真表明,矩-EM算法能够更准确地估计杂波参数;基于高斯混合分布杂波假设的Wald检测性能明显优于基于高斯分布杂波假设的Wald检测性能.     

基于遗传算法的K-means初始化EM算法及聚类应用

混合高斯模型能够有效地拟合概率密度函数,常用的混合高斯概率密度模型参数估计方法是EM迭代算法,这种算法的缺点是估计精度过分依赖于初始值,而且不能估计模型阶数。基于遗传算法的K-means初始化EM算法可以同时估计模型阶数和参数。试验结果表明,该算法具有更好的聚类效果。     

高斯噪声中的参数盲估计

盲信号处理方法中常忽略噪声的影响,而实际问题中噪声的影响是存在的.本文主要讨论了在协方差矩阵未知的加性高斯噪声中混合系数的盲估计问题.本文以最大似然估计为基础,提出一种求解参数的最优化算法,给出了混合矩阵和协方差矩阵的计算式.采用高斯混合模型(GMM)来逼近源信号的概率密度函数,简化了算法中的积分,导出了一种基于EM算法的迭代式.仿真表明,算法不仅能稳定收敛,而且在低信噪比下也能获得良好性能.     

基于EM的联合信道参数估计和数据检测算法

为提高OFDM系统的传输效率,考虑正交频分复用(OFDM)系统的特殊结构,该文提出一种使用少量导频的EM(Expectation Maximization)迭代信道参数估计算法。在每次迭代中不但更新信道冲激响应而且更新噪声方差的估计值。为进一步提高算法的收敛速度,提出联合信道参数估计和数据检测算法。仿真结果表明,在插入较少导频时,基于EM的信道估计算法仍能收敛到给定参数的信道,联合信道参数估计和数据检测算法迭代次数明显减少,并且保持系统的误码率性能不变。     

α稳定噪声中基于双参数CGM模型的Rao检测

针对α稳定分布概率密度函数无闭式表达的问题,给出了一种解析的近似模型,该模型采用双参数的柯西和高斯混合形式.由分数低阶矩,给出了混合比率的解析表达式.同传统的柯西-高斯混合模型和高斯混合模型相比,该模型具有完全的解析形式.基于该模型,导出了a稳定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...     

基于独立混合模型的EM算法参数初始化实现方法

隐马尔科夫树( Hidden Markov Tree, HMT )的状态不能被观测到,只能观测到另一个与状态有联系的量,通过观测量估计HMT模型参数是一个不完全数据参数估计问题。期望最大化( Expectation Maximization, EM )算法是一种求参数极大似然估计的迭代算法,可以用于解决不完全数据参数估计问题,因此被广泛应用于HMT模型的参数估计中。当初始参数偏离真实参数较大时,EM算法迭代次数多,收敛速度慢,通过一个计算量不大的参数初始化处理,能够有效减少EM算法的迭代次数,加快收敛速度。本文提出了一种基于独立混合模型的参数初始化方法,详细介绍了该方法的实现过程,通过采用独立混合模型进行参数初始化,使得EM算法的迭代次数明显减少,收敛速度大大提高。最后,计算机仿真验证了该方法的可行性和有效性。      

改进高斯混合粒子滤波被动目标跟踪算法

针对被动传感器跟踪系统非线性较强问题,提出了一种基于改进高斯混合粒子滤波的被动传感器目标跟踪算法。该算法基于Sigma点卡曼滤波和粒子滤波的特点,用有限的高斯混合模型来近似后验状态密度、系统噪声和观测噪声的分布。然后结合遗传算法和EM算法来实现模型的降阶,克服了EM算法假定混合成分数为已知、迭代的结果需要依赖初始值、可能收敛到局部最大点或可能收敛到参数空间的边界的缺点,从而改善粒子枯竭的问题。仿真实验结果表明在被动传感器跟踪领域,与传统粒子滤波、基于EM的高斯混合粒子滤波和基于贪心EM的高斯混合粒子滤波相比,该算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法。     

电子倍增CCD噪声参数的估计方法

为定量评价电子倍增CCD(EMCCD)图像噪声的大小,实现对EMCCD 图像噪声参数的准确估计,研究了EMCCD 的噪声分布模型及其参数估计方法。首先,讨论了EMCCD 图像的噪声来源及其统计特性,由此建立了适于EMCCD 的噪声分布模型。然后,提出了两种EMCCD 噪声参数估计方法矩估计法和高斯-牛顿法,采用Monte Carlo 仿真验证其性能。仿真结果表明,矩估计法和高斯-牛顿法的平均相对误差和相对标准偏差均为10-2 量级,估计精度较高,且高斯-牛顿法的估计精度要高于矩估计法。采集一系列无增益时积分时间为50 s的暗场图片和增益为50 的本底图片,利用矩估计法和高斯-牛顿法分别估计出EMCCD 的暗电流噪声、时钟感生电荷噪声和读出噪声,实验结果表明,估计值与EMCCD 指标值一致,证明矩估计法和高斯-牛顿法能有效估计噪声参数且具有较高的精度。     

利用期望最大化算法的EMCCD噪声分布模型的参数估计

讨论了电子倍增CCD（EMCCD）图像的噪声来源及其统计特性,建立了混合泊松-高斯噪声分布模型。针对混合泊松-高斯噪声分布模型的极大似然函数难以求解的问题,对噪声模型进行了适当的初始化设置,利用期望最大化算法对噪声模型进行参数估计,有效实现了噪声参数的极大似然估计。Monte Carlo仿真结果及实验结果表明,期望最大化算法估计性能较好,对混合泊松-高斯分布有较好的拟合效果,能得到较高精度的参数估计值。     

基于改进的高斯混合回归的球磨机料位软测量

针对球磨机系统多模态复杂过程中的料位不确定性,球磨机振动信号存在非线性、噪声和外界干扰等问题,采用一种基于改进的高斯混合回归(GMR)的球磨机料位软测量方法,解决传统高斯混合模型初始化含有噪声和异常值的数据难以聚类的问题。首先,利用改进的K-medoids聚类算法与EM算法分别初始化和优化高斯混合模型(GMM)的最佳高斯分量个数、最优模型参数,然后采用GMR预测输出球磨机料位。最后实验验证了改进GMR模型得到的预测料位可以很好地跟踪真实料位,并且通过实验结果的对比分析,验证了改进模型的有效性和实用性以及较好的预测精度。