α稳定分布噪声环境下基于神经网络的信号检测方法

本文给出了一种在分数低阶α稳定分布噪声环境下利用多层前向BP神经网络对确定性信号进行检测的方法。此方法只需在特定虚警概率以及噪声条件下对神经网络进行训练,再通过调整偏移节点的连接权值,就可以得到不同虚警概率条件下的检验统计量。计算机模拟结果表明,利用该神经网络可以实现对分数低阶α稳定分布噪声环境下信号的有效检测,且检测性能明显优于传统的局部最优(LO)检测器。     

分数低阶α稳定分布噪声下HB加权自适应时间延迟估计新方法

针对LMS-HB自适应时间延迟估计方法在分数低阶α稳定分布噪声环境下的退化现象,依据分数低阶统计量理论,提出了基于分散系数最小化的LMP-HB自适应时延估计方法,并进一步提出了不依赖于参数估计的基于非线性变换的HB加权自适应时延估计方法。理论分析和计算机仿真结果表明,新方法在高斯和分数低阶α稳定分布噪声环境下具有良好的韧性。     

分数低阶α稳定分布下DLMP算法的收敛特性分析

DLMP算法是一种在高斯和分数低阶α稳定分布噪声环境下均具有良好韧性的EP信号潜伏期变化检测算法.本文基于分数低阶统计量的原理,根据确定性平均方法,结合文中给出并证明的两个引理,对DLMP算法的收敛性能进行了理论分析和证明.结果表明,若EP潜伏期变化为EP信号采样间隔的整数倍,则DLMP算法对这种变化的估计是无偏估计.若整数倍的条件不满足,则DLMP算法的估计偏差不大于半个采样间隔.     

基于分数低阶协方差的AR SαS模型α谱估计

根据自回归(AR) SαS模型的α谱,分析了基于分数低阶矩(FLOM)法估计AR SαS模型参数的不足.提出了一种基于分数低阶协方差(FLOC)的AR SαS模型参数估计方法,并给出了基于FLOC的AR SαS模型α谱方法.分别对AR SαS模型参数的估计、α稳定分布噪声中单一正弦信号的估计和两个正弦信号的分辨进行了仿真.仿真结果表明,基于FLOC的AR SαS模型α谱估计方法对于不同的α值均具有较好的韧性.特别是在α值较小,即α稳定分布噪声概率密度函数(PDF)拖尾比较严重时,本文所提出的基于FLOC的AR SαS模型α谱估计方法,其性能明显优于基于FLOM的AR SαS模型α谱估计方法.     

低阶α稳定分布噪声下诱发电位潜伏期变化估计的一种新方法

本文提出了一种低阶α稳定分布噪声下诱发电位潜伏期变化估计的新算法.新算法克服了原有算法需估计伴随噪声的特征指数α的缺点,并且将现有算法的适用范围加以扩展到伴随噪声的特征指数为0＜α≤2的场合.本文在理论上对新算法的收敛性进行了证明,计算机仿真也表明新算法对于原有算法具有更好的鲁棒性.     

α稳定分布噪声下自适应信号处理的研究进展

口稳定分布可以更好地描述实际应用中所遇到的具有脉冲特性的随机信号和噪声。本文介绍了a稳定分布的统计特性,综述了a稳定分布噪声环境下的时间延迟估计、波束形成、噪声抵消等自适应信号处理方法。基于分数低阶统计量的方法能够有效地抑制a稳定分布噪声,具有良好的韧性。     

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。     

稳定分布下基于FAM的低阶循环谱算法研究

该文在α稳定分布下结合共变理论、循环平稳和分数低阶矩(FLOM)等理论和方法,提出基于FAM (FFT Accumulation Method)的低阶循环谱算法,对算法中存在的循环泄露现象及算法复杂度进行了分析,并以调制信号(AM,QPSK)做了实验仿真.结果表明在α稳定分布下循环平稳信号的低阶循环谱密度和在高斯模型下的二阶循环谱结构是一致的,但基于α稳定分布假定所设计的信号处理算法对信号噪声特性不确定情况具有较好的韧性和抗脉冲噪声性能.最后在循环谱域构造了调制信号的低阶循环特征参数,为复杂背景下的调制识别提供了新的途径.     

分数低阶噪声的频域处理及在通信中的应用

针对传统的信号处理中采用基于高斯分布与二阶统计量的方法会受到对信号噪声模型假设的限制,提出了非高斯分数低阶噪声理论与通信信号处理等领域的实际问题密切结合,改造现有的信号处理中的频域相关处理技术.本文介绍了α稳定分布模型与分数低阶矩理论,分析和总结了传统的信号处理方法在通信中的应用以及其极限性,对下一步的研究进行了总结与展望,分析了基于频域的分数阶噪声在通信中的应用前景.     

α稳定分布噪声环境下DLMP算法的收敛特性分析

本文给出了分数低阶统计量的一个定理,对DLMP算法的收敛性进行了数学分析和理论证明.包括:DLMP算法代价函数的收敛性证明以及DLMP算法步长因子μ值的选取分析.当p=2时,DLMP算法的代价函数,算法估计结果的无偏性以及算法的步长因子μ值的选取范围均与基于二阶统计量的DLMS算法保持了统一.证明了DLMP算法为DLMS算法在α(1＜α≤2)稳定分布噪声环境下的推广.     

基于分数低阶矩的非整数时间延迟估计方法

依据信号的噪声特性和分数低阶矩理论,提出一种基于最小平均p范数的非整数时间延迟估计方法(称为LMPFTDE算法)。该算法是对直接估计非整数采样间隔的时间延迟估计算法(ETDGE)的广义化,运用最小分散系数准则,通过使误差的p阶矩最小得到非整数时间延迟估计值。理论分析和计算机仿真结果都表明该方法不仅可以在高斯噪声环境下工作,而且在脉冲噪声下也具有良好的健壮性。     

脉冲噪声下跳频信号时频图修正

为了在α稳定分布噪声的环境下获得清晰的跳频信号时频图,提出一种基于分数低阶SPWVD(Smoothed Pseudo Wigner-Vile Distribution)与形态学滤波相结合的跳频信号时频图修正算法。首先,根据接收到的多跳频信号建立跳频信号的模型和α稳定分布噪声模型;然后,采用低阶SPWVD变换抑制时频图中脉冲噪声;最后,根据形态学滤波处理方法对残留噪声进一步抑制进而得到清晰时频图。理论分析和仿真结果表明,所提算法在广义信噪比为-5 dB时仍可以得到清晰可靠的跳频信号时频图,并且基于时频图的参数估计性能优良。     

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。     

认知无线电中非高斯噪声下数字调制信号识别方法简

针对认知无线电系统中传统数字调制识别方法在非高斯Alpha稳定分布噪声下识别性能差、计算复杂度高的问题,提出了一种基于分数低阶循环谱相关系数的数字调制识别新方法。该方法提取分数低阶循环谱截面和频率谱截面以及其投影面的5个相关系数作为识别特征参数,并采用判决树分类器,实现了非高斯噪声下数字调制信号识别。仿真结果表明,在非高斯Alpha稳定分布噪声下,该识别方法不仅具有较高的识别率和良好的稳健性并且计算复杂度更低,更适合于认知无线电系统。     

对角切片谱法分析信号中相位耦合的频率分量

给出了三阶累积量对角切片谱的性质，分析了水中目标辐射信号的特点，并将3阶累积量对角切片谱法应用于提取水下目标辐射信号中相位耦合的频率分量。以水下某目标辐射噪声的实测数据为例，进行了仿真研究。结果表明，该方法在提取水下运动目标辐射信号中的参加相位耦合的频率分量和相位耦合产生的频率分量、抑制环境噪声和非耦合的频率分量等方面的性能优于自相关谱法。