组合导航自适应卡尔曼滤波改进算法研究

针对常规卡尔曼滤波由于噪声的统计特性与实际情况不相符而引起滤波误差增大的问题,提出了一种新的在线估计系统噪声和量测噪声的自适应滤波算法.新算法通过新息序列自适应量测噪声,对Sage-Husa滤波算法进行改进以估计系统噪声,该算法在噪声统计特性未知的情况下能进行滤波计算.最后对改进的新算法与常规卡尔曼滤波算法作了对比试验...     

基于似然方程校正的时差定位算法

针对传统时差定位闭式解法在量测噪声较大情况下定位性能不佳的缺点,提出了一种新的时差定位算法。该算法首先在无约束条件下利用加权最小二乘得到目标的初始位置估计值,然后利用最大似然方程对初始位置估计值进行校正,校正后的位置估计值将更加接近最大似然估计。通过对算法的仿真分析,结果表明在量测噪声较大的情况下,算法的定位均方误差要小于经典的Chan算法。     

去除红外图像中脉冲噪声的双边加权中值滤波

针对现有方法在去除红外图像的脉冲噪声时,未能有效保持图像的边缘细节和纹理结构,提出了基于统计检测的双边加权中值滤波算法。算法根据脉冲噪声的取值和分布特征,用最小和最大像素值以及统计规律进行噪声检测;对检测出来的噪声像素,以多尺度的方式、自适应地用双边加权系数对邻域中的无噪像素和已经去噪处理的像素进行频次加权,然后取它们的中值作为当前噪声像素的估计值。其中双边加权系数自适应于距离邻近度与灰度相似度。实验结果表明,相对于部分现有方法,所提方法去噪所得的EPI和SSIM值更高,去噪图像的视觉效果更佳。     

基于梯度自适应规则的自适应UKF算法及其应用

针对量测噪声方差统计值未知的非线性UKF(Unscented Kalman Filter)滤波问题,提出了一种基于梯度自适应规则的自适应UKF算法;在标准的非线性UKF算法基础上,根据残差方差阵的估计值与真实值之差构造代价指标函数,并将该函数相对于参数变化的负梯度方向作为参数更新的方向,构建自适应调节机制;将算法应用于GPS/DR(Dead-Reckoning)组合导航系统中,仿真结果显示状态估计误差具有良好的收敛性,估计精度较噪声观测器有明显改善,表明算法对量测噪声方差阵的动态变化具有较强的适应性。     

改进的小波域自适应阈值煤尘图像去噪

煤尘图像在采集和传输过程中受到了噪声的污染。基于Bayes shrinke的小波域自适应阈值去噪算法取得了较好的图像去噪效果,但其阈值的参数估计是在假定噪声和信号不相关情况下得到的,使得其去噪效果降低。提出了一种改进的小波域自适应阈值去噪算法,从而改进了广义高斯分布模型参数的估计方法,并在增加计算量不大的情况下提高了参数估计精度。用改进的小波域自适应阈值去噪算法对煤尘图像进行去噪处理。仿真结果表明,新算法提高了煤尘图像的去噪效果,并且计算量较小,能够满足对煤尘浓度实时测量的要求。     

基于极大似然准则和最大期望算法的自适应UKF 算法

针对噪声先验统计特性未知情况下的非线性系统状态估计问题,提出了基于极大似然准则和 最大期望算法的自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法.利用极大似然准则构造含有噪声统计特性的对数似然函数,通 过最大期望算法将噪声估计问题转化为对数似然函数数学期望极大化问题,最终得到带次优递 推噪声统计估计器的自适应UKF算法.仿真分析表明,与传统UKF算法相比,提出的自适应UKF算法 有效克服了传统UKF算法在系统噪声统计特性未知情况下滤波精度下降的问题,并实现了系统噪 声统计特性的在线估计.     

用于稀疏系统辨识的变步长加权零吸引最小平均p范数算法

在α稳定分布噪声背景下,为了提高稀疏系统自适应辨识算法的稳态性能,提出了基于无噪先验误差功率函数的变步长加权零吸引最小平均p范数基本算法(BVSS-RZA-LMP)和变步长加权零吸引最小平均p范数改进算法(IVSS-RZA-LMP).两种算法分别根据无噪先验误差功率和加权的无噪先验误差功率计算新的步长;步长随无噪先验误差功率的减小而逐渐减小.当算法达到稳态时, IVSS-RZA-LMP算法不再调整权矢量,改进了BVSSRZA-LMP算法稳态性能.α稳定分布噪声背景下的系统辨识仿真结果表明,当系统较稀疏时, IVSS-RZA-LMP算法能够在较快收敛的情况下获得非常小的稳态误差.     

激光陀螺漂移数据的自适应Kalman滤波

针对Sage-Husa自适应Kalman滤波算法存在不能同时估计系统过程噪声方差和量测噪声方差的问题,结合激光陀螺漂移数据的特点,设计了2种改进的Sage-Husa自适应Kalman滤波算法:系统过程噪声时变的自适应滤波算法和系统过程噪声与量测噪声统计特性分开估计的并行Sage-Husa自适应滤波算法。仿真结果表明:所述方法改进算法能够有效提高数据精度,且对系统的初值不敏感。     

基于改进卡尔曼滤波的陀螺仪误差补偿算法

针对基于卡尔曼滤波的MEMS陀螺仪误差补偿算法中量测噪声方差选取不准确的问题,提出一种基于改进卡尔曼滤波的陀螺仪误差补偿算法.卡尔曼滤波通常采用统计特性估计得到固定的量测噪声方差,无法自适应地估计不同环境下陀螺仪噪声特性.该算法将卡尔曼滤波与神经网络相融合,使用卡尔曼滤波新息矩阵作为神经网络输入,通过神经网络得到新息协方差矩阵,以此自适应地估计卡尔曼滤波量测噪声方差.将该算法应用到陀螺仪信号误差补偿中,使用Allan方差分析法对原始信号以及误差补偿后的陀螺仪信号进行分析,实验结果表明该算法能够有效地抑制陀螺仪随机误差,提高MEMS陀螺仪的精度.     

混合式自适应Kalman滤波算法

采用虚拟噪声补偿模型误差和有偏的噪声方差估值器、滤波器收敛性判据相结合的方法来解决自适应Kalman滤波发散的问题。首先若模型不准确,则引入虚拟噪声对模型误差进行虚拟补偿,然后采用有偏的噪声方差估值器、滤波器收敛性判据对噪声方差估计值进行监控,阻止滤波器发散。采用混合式自适应Kalman滤波算法对Gill公司的风向风速仪实时采集的数据进行处理,实验结果表明,该方法能有效的提高性能、抑制滤波发散,具有较强的实用性、自适应能力。     

一种倒数加权的窗口自适应邻域图像滤波算法

对于叠加了白噪声的图像,提出一种倒数加权的窗口自适应邻域图像滤波算法.算法首先利用自适应邻域统计的概念在以每个滤波点为中心的滤波窗口内,为其建立参与滤波的自适应邻域像素集合,随后对纳入自适应邻域的像素进行倒数加权作为滤波结果.仿真和对比实验的结果显示,提出的算法在性能上超过了传统的中值滤波和窗口自适应邻域滤波算法.它能在有效抑制加性白噪声的同时,完好地保持图像的边界和细节信息,并且滤波后的图像获得了良好的视觉效果.     

基于自适应卡尔曼滤波的盲多用户检测算法

对强多址干扰情况下码分多址系统的盲多用户检测算法进行研究,针对多径信道的码分多址系统,提出一种基于自适应卡尔曼滤波的盲多用户检测算法。该算法可在进行状态滤波的同时对未知噪声的统计特性进行在线估计,确保算法收敛于期望用户,提高检测器在动态环境下的跟踪性能。仿真结果表明,与最小均方算法及递推最小二乘算法相比,该算法具有更好的收敛性和动态性能。     

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。     

Adaptive sequential estimation with unknown noise statistics

Sequential estimators are derived for suboptimal adaptive estimation of the unknown a priori state and observation noise statistics simultaneously with the system state. First- and second-order moments of the noise processes are estimated based on state and observation noise samples generated in the Kalman filter algorithm. A limited memory algorithm is developed for adaptive correction of the a priori statistics which are intended to compensate for time-varying model errors. The algorithm provides improved state estimates at little computational expense when applied to an orbit determination problem for a near-earth satellite with significant modeling errors.     

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。     

一种视频编码中块效应噪声的估计和抑制策略

提出了一种视频编码块效应噪声的估计和抑制策略，它在编码器端估计块效应噪声，并将少量的估计结果随码流传送至解码端，再在解码端根据这一结果进行自适应邻域后处理。这种策略不仅使得块效应噪声估计的结果更为精确，而且削减了解码器端噪声估计算法的开销，使得解码器端的设计更为简单。本文提出的分块块效应噪声估计与自适应邻域后处理算法配合，不仅很好地抑制了编码产生振铃噪声和块效应噪声，而且完好地保持了图像的边缘。实验数据和实际应用效果都表明，本文提出的算法有效地提高了重建图像的主客观质量。     

基于自适应噪声估计的语音增强技术

针对语音系统受外界强噪声干扰而导致识别精度降低以及通信质量受损的问题,提出一种基于自适应噪声估计的语音增强方法。通过端点检测将语音信号分为语音段与非语音段,对这两种情况的噪声幅度谱分别进行自适应估计,并对谱减法中不具有通用性的假设进行研究从而改进原理公式。实验结果表明,相对于传统谱减法,该方法能更好地抑制音乐噪声,并保持较高清晰度和可懂度,提高了强噪声环境下的语音识别精度和通信质量。     

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。     

基于自适应阈值活动语音检测和最小均方误差对数谱幅度估计的低信噪比降噪算法

针对低信噪比(SNR)环境下传统方法对声信号降噪的局限性，提出了一种联合自适应阈值活动语音检测（VAD）算法和最小均方误差对数谱幅度估计（MMSE-LSA）的实时降噪算法。首先，在VAD算法中通过基于能量概率最大值的概率统计来对背景噪声进行估计，对得到的背景噪声进行实时更新并保存；然后，将实时更新的背景噪声作为MMSE-LSA的参考噪声，并对噪声幅度谱进行自适应更新，最后进行降噪处理。通过在真实场景中对四类声信号进行实验，结果表明，该算法在保证对低SNR声信号的实时处理的情况下，相较于传统MMSE-LSA算法，降噪信号的SNR能够提高10~15 dB，且不存在信号过减的情况，可应用于实际工程。     

基于多尺度自适应扩散方程的边缘检测方法

针对Canny算法对较高密度椒盐噪声和双阈值选取方面存在的不足,提出一种改进方法,采用多尺度自适应各向异性扩散方程对图像进行平滑,有效去除较高密度脉冲信号的同时又可以更好地保留边缘轮廓信息。在双阈值门限的选取上采用最大类间方差法根据图像的灰度信息自适应地选取,可以更好地满足实时性要求。为验证其性能,在不同噪声浓度情况下进行实验,结果表明,改进的边缘检测算法可以更完整地保留边缘信息,提高边缘检测的准确性,得到较理想的边缘轮廓信息。