非高斯噪声下的回声消除算法研究

回声消除一直是信号处理领域的热门研究方向,其中自适应滤波器是在回声消除问题中最为广泛应用的技术,但自适应滤波算法主要是在基于高斯噪声条件下的应用,而现实环境广泛存在着非高斯的噪声,这严重影响了基于L2范数的自适应噪声滤波算法的噪声消除性能。为解决回声消除方法对非高斯噪声的适用性问题,根据回声路径具有明显的稀疏系统特性,结合比例矩阵的设计思想以及符号算法(SA),提出一种改进的MIPNSA算法。该滤波算法既能很好地适应于不同的背景噪声,同时也在较大程度上增强了对稀疏系统的适应能力。仿真测试结果表明,在高斯噪声和非高斯噪声条件下,本算法比现有的一些算法的回声消除效果更佳。     

基于广义最大Versoria准则的稀疏自适应滤波算法

针对脉冲噪声干扰环境下传统稀疏自适应滤波稳态性能差,甚至无法收敛等问题,同时为提高稀疏参数辨识的精度的同时不增加过多计算代价,提出了一种基于广义最大Versoria准则（GMVC）的稀疏自适应滤波算法——带有CIM约束的GMVC（CIMGMVC）。首先,利用广义Versoria函数作为学习准则,其包含误差p阶矩的倒数形式,当脉冲干扰出现导致误差非常大时,GMVC将趋近于0,从而达到抑制脉冲噪声的目的。其次,将互相关熵诱导维度（CIM）作为稀疏惩罚约束和GMVC相结合来构建新代价函数,其中的CIM以高斯概率密度函数为基础,当选择合适核宽度时,可无限逼近于l_{\mathrm{0}}-范数。最后,应用梯度法推导出CIMGMVC算法,并分析了所提算法的均方收敛性。在Matlab平台上采用\alpha-stable分布模型产生脉冲噪声进行仿真,实验结果表明所提出的CIMGMVC算法能有效地抑制非高斯脉冲噪声的干扰,在稳健性方面优于传统稀疏自适应滤波,且稳态误差低于GMVC算法。     

一种新型均值滤波器及在压力分布中的应用

提出了一种加入时间窗的时空自适应窗体中心加权的中值均值滤波算法,在自适应的时空滤波窗体内采用中心加权的中值选取并结合加权均值算法滤除压力分布中混合噪声。实验证明：该方法对于受椒盐噪声、高斯噪声污染比较严重的压力分布数据有较好的滤波效果,与小波、维纳滤波等其他线性滤波算法相比计算量要小得多。     

基于2阶Renyi熵的自适应主动噪声控制

在前馈主动噪声控制中,基于均方误差准则的传统算法仅考虑了信号的2阶统计量,忽略了实际存在的非高斯信号,不能满足对非高斯噪声的控制要求.提出基于2阶Renyi熵的滤波X自适应有限脉冲响应 (finite impulse response,FIR)主动噪声控制算法,定义2阶Renyi熵作为性能指标,利用Parzen窗方法估计误差的概率密度函数,给出基于2阶Renyi熵的信息梯度下降算法,实现自适应FIR控制,同时分析了算法的收敛性和计算复杂度.对单频信号和实测宽带非高斯噪声的仿真结果表明该算法能很好地消除非高斯噪声.     

扩散式变阶数最大相关熵准则算法

固定阶数的分布式自适应滤波算法只有在待估计向量的阶数已知且恒定的情况下才能达到相应的估计精度,在阶数未知或时变的情况下算法的收敛性能会受到影响,变阶数的分布式自适应滤波算法是解决上述问题的有效途径。但是目前大多数分布式变阶数自适应滤波算法以最小均方误差(Mean square Error,MSE)准则作为滤波器阶数的代价函数,在脉冲噪声环境下算法的收敛过程会受到较大影响。最大相关熵准则具有对脉冲噪声的强鲁棒性,且计算复杂度低。为提高分布式变阶数自适应滤波算法在脉冲噪声环境下的估计精度,利用最大相关熵准则作为滤波器阶数迭代的代价函数,并将得到的结果代入固定阶数的扩散式最大相关熵准则算法,提出了一种扩散式变阶数最大相关熵准则(Diffusion Variable Tap-length Maximum Correntropy Criterion,DVTMCC)算法。通过与邻域的节点进行通信,所提算法以扩散的方式实现了整个网络的信息融合,具有估计精度高、计算量小等优点。仿真实验对比了在脉冲噪声下DVTMCC算法和其他分布式变阶数自适应滤波算法、固定阶数的扩散式最大相关熵准则算法的收敛性能。仿真结果表明,在脉冲噪声环境下DVTMCC算法能够同时估计未知向量的阶数和权值,性能优于参与对比的算法。     

非高斯噪声下Kalman滤波熵理论算法研究

从一个新的角度结合具体的算法讲述了Kalman滤波器的原理,并对噪声为非高斯情况下结合熵的理论提出了假设,解决了噪声为非高斯情形下的滤波器设计的瓶颈.传统的Kalman滤波器是在噪声为高斯的情形下得出的最优滤波估计,但是现实生活中大多数噪声却是未知的、不确定性并且非高斯的.为了清楚说明熵原理应用于非高斯滤波器的设计结果,运用了数学统计的方法,对比滤波效果,说明了其可行性,证明了这种方法更适应于对噪声情况未知、参数不明确的情况,为研究广义噪声的随机系统提出了一种新的通用的解决途径.     

基于中值的自适应均值滤波算法

中值滤波和均值滤波通常被分别用来处理脉冲噪声和高斯噪声.但是当图像同时存在高斯噪声和脉冲噪声时,单独用那种滤波方法都不会达到最好的去噪效果.针对该问题,提出了一种基于中值的改进自适应加权均值滤波算法.该算法采用了一种基于自适应阈值的方法对滤波系数加以优化,使其可以更有效地减少噪声,又可以较好的保持图像的边缘细节信息.实验结果表明,该算法能较好的滤除混合噪声,且滤波效果优于传统的滤波算法.     

非高斯噪声下Kalman滤波熵理论算法研究

从一个新的角度结合具体的算法讲述了Kalman滤波器的原理,并对噪声为非高斯情况下结合熵的理论提出了假设,解决了噪声为非高斯情形下的滤波器设计的瓶颈。传统的Kalman滤波器是在噪声为高斯的情形下得出的最优滤波估计,但是现实生活中大多数噪声却是未知的、不确定性并且非高斯的。为了清楚说明熵原理应用于非高斯滤波器的设计结果,运用了数学统计的方法,对比滤波效果,说明了其可行性,证明了这种方法更适应于对噪声情况未知、参数不明确的情况,为研究广义噪声的随机系统提出了一种新的通用的解决途径。     

一种自适应确定性采样滤波方法

对确定性采样滤波方法进行了改进,提出了一种自适心确定性采样滤波方法.首先,分别推导得到了平稳噪声情况下递推形式的噪声统计参数估计算法,以及三种针对非平稳噪声统计参数的估计算法;然后,将所得到的噪声统计参数估计算法与确定性采样滤波方法相结合,得到自适应确定性采样滤波算法.仿真结果表明,当时变过程噪声统计参数未知时,利用本文所提出的自适应确定性采样滤波估计算法,仍然可以得到精度较高的估计结果.     

自适应高斯粒子滤波在导航中的应用

针对粒子滤波中重要性密度函数难以选取和粒子退化导致的计算精度下降的问题,提出一种新的自适应高斯粒子滤波算法。通过高斯混合密度函数和UT变换来获取状态均值和协方差阵,选择并计算合适的自适应因子来调节均值和方差,在迭代过程中可动态调节重要性密度函数,并用WEM和EM步骤代替重采样,上述滤波算法考虑了最新量测信息的影响,使滤波性能明显改善,能更好地解决非线性非高斯系统模型的抗干扰问题。将提出的算法应用于SINS/GPS组合导航系统跑车试验中,结果表明上述滤波算法能提高导航解算的精度,其性能明显优于已有滤波,同时验证了当系统出现噪声干扰突然变化时提出算法的有效性。     

基于M估计的非线性鲁棒检测卡尔曼滤波算法

针对传统鲁棒非线性滤波在观测噪声为非高斯强干扰噪声情况下,滤波性能下降的问题,提出一种利用卡方检测法预判断的非线性鲁棒检测滤波算法。该算法通过卡方检测设置门限,剔除突变野值,利用M估计修正量测更新。仿真实验对比了几种典型非线性滤波方法在不同观测噪声环境下的性能。所提算法在非高斯强干扰噪声情况下,比传统鲁棒滤波算法估计精度平均提高了25.5%;估计方差平均减少了18.3%。实验结果表明:所提算法可以抑制观测量非高斯强干扰噪声的影响,提高滤波精度及稳定性。     

基于MCC的鲁棒高阶CKF在组合导航中的应用

针对高阶容积卡尔曼滤波器在非高斯噪声情况下滤波精度下降的问题,提出了一种新的基于Maximum Correntropy Criterion（MCC）的鲁棒高阶容积卡尔曼滤波算法。考虑到高阶容积规则可以较好地解决非线性问题,在高阶容积滤波的基础上,结合统计线性回归模型对量测更新过程进行重构,利用MCC估计算法实现状态的量测更新,同时解决了系统的非线性和非高斯问题。将所提算法应用到SINS/GPS组合导航系统中,仿真结果表明,核宽的选取对算法的滤波性能有较大的影响,在高斯混合噪声条件下,所提算法相比传统高阶容积卡尔曼滤波算法具有更强的鲁棒性和更高的滤波精度。     

Algorithm of Gaussian Sum Filter Based on SGQF for Nonlinear Non-Gaussian Models

To improve the filtering effect of the sparse grid quadrature filter (SGQF) under non-Gaussian conditions, the Gaussian sum technique is introduced, and the Gaussian sum sparse grid quadrature filter (GSSGQF) is developed. We present a systematic formulation of the SGQF and extend it to the discrete-time nonlinear system with the non-Gaussian noise. The proposed algorithm approximates the non-Gaussian probability densities by a finite number of weighted sums of Gaussian densities, and takes the SGQF as the Gaussian sub-filter to conduct the time and measurement update for each Gaussian component. An application in the discrete-time nonlinear system with the non-Gaussian noise has been shown to demonstrate the accuracy of the GSSGQF. It outperforms the unscented Kalman filter (UKF), the cubature Kalman filter (CKF) and the SGQF. Theoretical analysis and simulation results prove that the GSSGQF provides significant performance improvement in the calculation accuracy for nonlinear non-Gaussian filtering problems.

     

基于CIM的偏差补偿稀疏NLMAD算法研究

为了解决输入信号受噪声干扰和输出观测噪声具有脉冲特征的稀疏系统辨识问题,提出一种基于CIM的偏差补偿NLMAD(Normalized least mean absolute deviation, NLMAD)算法。 利用NLMAD算法可有效抵御脉冲输出观测噪声的优势,首先应用无偏准则设计偏差补偿NLMAD算法来有效解决由于输入噪声导致的估计偏差问题。再次考虑到稀疏系统辨识问题,将CIM作为稀疏约束惩罚项引入到偏差补偿NLMAD算法提出了新的稀疏自适应滤波算法CIMBCNLMAD。将所提算法应用于输入和输出均含有噪声的稀疏系统辨识和回声干扰抵消场景中,实验表明CIMBCNLMAD算法的稳态性能优于其它自适应滤波算法,说明该方法具有强的鲁棒性且可应用于工程实践。     

自适应梯度幅值和形态学组合滤波算法

针对传统梯度幅值滤波算法中阈值需人工确定而无法正确判断噪声点和产生新噪声点的问题,提出了一种自适应梯度幅值和多结构元素形态学组合滤波算法。首先使用梯度幅度均值与方差的和作为阈值,以及Otsu算法自适应阈值两种自适应滤波算法对图像进行滤波,以自动确定滤波阈值,最大限度滤除噪声点,保持图像细节;然后使用多结构元素组成串联形态学复合滤波器对自适应梯度幅值滤波后的图像进一步滤波,以解决在自适应滤波过程中产生的新噪声问题。通过实验结果对比与分析,该算法滤波后的图像视觉效果明显好于传统滤波方法,从而验证了该算法既能保持图像细节,又能实现较好的图像滤波效果。     

改进的变步长LMS自适应滤波算法及其仿真

对变步长的(LMS)自适应算法进行了讨论,本文提出了一种新的变步长LMS自适应滤波算法,并用计算机进行了仿真,结果表明该算法在误差接近于零时步长具有缓慢的变化的特性,并且在低信噪比的环境下有更好的抗噪性能,滤波效果更好。     

Recursive Generalized Maximum Correntropy Criterion Algorithm with Sparse Penalty Constraints for System Identification

To address the sparse system identification problem in a non‐Gaussian impulsive noise environment, the recursive generalized maximum correntropy criterion (RGMCC) algorithm with sparse penalty constraints is proposed to combat impulsive‐inducing instability. Specifically, a recursive algorithm based on the generalized correntropy with a forgetting factor of error is developed to improve the performance of the sparsity aware maximum correntropy criterion algorithms by achieving a robust steady‐state error. Considering an unknown sparse system, the l₁‐norm and correntropy induced metric are employed in the RGMCC algorithm to exploit sparsity as well as to mitigate impulsive noise simultaneously. Numerical simulations are given to show that the proposed algorithm is robust while providing robust steady‐state estimation performance.