一种基于多重特征融合的信源个数估计方法

针对加权盖尔圆估计准则不能充分利用增广加权盖尔圆矩阵信息的不足,在该准则基础上提出一种融合多重特征的信源个数估计方法。利用阵列天线的接收信号构建增广加权盖尔圆矩阵,从中获取用于描述信源个数的盖尔圆心值、盖尔圆半径和加权盖尔圆半径等多重特征构建高维特征向量,并将其标记后代入支持向量机中,训练可进行信源个数估计的分类器数学模型。实验结果表明,该方法不仅能够在信源数只比阵元数少一个的情况下准确估计信源个数,其在低信噪比和小快拍数的环境下也同样具有良好性能。     

估计相干与非相干信源的ESPRIT方法研究

在目前信号波达方向（Direction-Of-Arrival,DOA）估计中,常规ESPRIT算法是一种速度快、精度高的常用算法,但对于低信噪比下混合信号（同时含有相干与非相干信号）,常规ESPRIT算法难以估计出它们的DOA。结合解相干MUSIC和常规ESPRIT算法的优点,提出了一种新的估计相干与非相干信源的ESPRIT方法,新方法充分利用数据协方差矩阵的自相关和互相关信息来重构含有信号方位数据的新矩阵,再从它的特征值中解得信号的到达角。计算机仿真结果验证该方法在混合信号估计中的优越性和可靠性。     

基于矩阵重构的信源数估计方法

提出了一种基于矩阵重构和多重假设检验相结合的方法.采用特殊定义的变换-对消矩阵,抵消了非平稳噪声的影响;采用多次重构的显著性函数结果与显著性水平比较来判断信源数,避免了假设检验对先验知识的要求.将单序列假设检验扩展为多个序列联合检验后,即使在低信噪比和低快拍数时也可以获得较好的估计性能;同时显著性水平的确定与阵列数据无关,基本不需要先验信息,约束条件较少.仿真结果验证了该方法的有效性.     

基于奇异值的信源数估计方法

信源数估计是空间谱估计中的重要内容,在估计采用不同的判决准则时,往往需要利用信号协方差矩阵的特征值来进行信源数估计。新算法采用数据矩阵的奇异值分解,通过奇异值建立不同判决准则的判决函数。该算法无需进行协方差矩阵估计,也不需要利用奇异值求解特征值,减少了运算量和估计误差。同时,对数据矩阵进行平滑操作,可以解决信号相干性问题。通过数学推导和计算机仿真,证明了算法的正确性。     

基于聚类分析的实时语音信源数估计方法

在信源个数未知的语音信号盲分离中,首先要解决的是信源个数的估计问题.在深入分析基于判定主特征值个数的信源数估计方法出错原因和条件的基础上,提出利用对少量观测样本自相关矩阵的特征值进行聚类分析的方法来实时估计语音信源数.同时,依据期望聚类过程,定义了一种新的类间距离,井给出了特征值聚类过程的详细计算步骤.仿真实验表明该方法的估计准确率明显优于基于主特征值的估计方法.     

基于CEEMDAN改进型信源个数估计算法

针对经验模态分解过程中存在模态混叠问题,利用自适应白噪声的完整集成经验模态分解(CEEMDAN)代替EMD对希尔伯特-黄变换加以改进,构建了一种基于CEEMDAN改进型信源估计模型.射频实验室实验结果表明,改进后的算法模型在小块拍下具有良好的估计性能.     

基于均匀圆阵的相干信源二维角估计方法

论述了一种利用旋转子空间不变技术对相干信源二维角估计的方法。此方法通过对天线阵列进行虚拟平移，相当于将信号矢量进行旋转，从而使相干信号源的协方差矩阵的秩恢复为满秩，达到去相干的目的。该方法解决了均匀圆阵对二维相干源的测向问题。计算机仿真结果证实了该算法的有效性。     

基于EMD的单通道信源数估计方法

为了获取单通道接收信号的信源数目,针对普通信源数估计方法不能直接用于单通道接收信号的问题,提出了基于经验模态分解(empirical mode decomposition, EMD)的信源数估计方法。将单通道信号通过EMD处理,得到多个固有模态函数(intrinsic-mode function, IMF),据此构造数据协方差矩阵。对所构造的协方差矩阵进行特征值分解,采用基于信息论的AIC和MDL准则估计信源数。为进一步提高算法估计性能,引入对角加载技术对矩阵特征值进行平滑处理。仿真实验结果表面,本文提出的方法能够适用于单通道信源数估计,对角加载技术能够显著提高算法检测性能。     

基于加权特征投影的信源数估计方法

考虑到色噪声或低快条件下噪声特征值发散,导致基于特征分解的信源数估计方法得到的信号判据值和噪声判据值区分不明显,提出了一种基于加权特征投影的信源数估计方法;首先,为了使该方法可适用于低信噪比条件,对阵列接收数据的协方差矩阵进行降噪处理,并利用降噪后协方差矩阵所有特征值和特征向量构造了一个用来区分信号和噪声的加权空间矩阵;然后,将降噪后的协方差矩阵在该加权空间矩阵上投影,从而增大了信号判据值与噪声判据值的差异;最后,结合幂函数的缩放性构建了判决函数,进而实现信源数估计;通过理论分析和实验验证,该方法不仅适用于白噪声和色噪声条件,而且在低快拍和低信噪比条件下优势明显,在快拍数为10,信噪比分别为0 dB的白噪声和6 dB的色噪声条件下,该方法的成功检测概率均达到90％以上,同时该算法在信源数较多时效果鲁棒.     

基于新息估计和正交投影的闭环子空间模型辨识

针对闭环控制系统提出一种基于新息估计和正交投影的闭环子空间模型辨识方法.首先采用最小二乘法对VARX模型（Vector autoregressive with exogenous inputs model）进行计算得到新息估计值,然后通过将由观测输入输出数据构造的Hankel矩阵正交投影到新息数据的正交补空间以消除噪声影响,从而在无噪声的输入输出数据奇偶空间中提取得到扩展可观测矩阵和下三角形Toeplitz矩阵.最后采用平移变换法得到系统矩阵.对该算法严格分析和证明了实现一致估计的条件.通过仿真实例验证了本文方法的有效性和优越性.     

一种基于动态源数目估计的RLS盲分离算法

针对原始RLS类算法无法用于超定和源信号数目动态变化的盲分离问题,本文采用一种新的在线估计源信号数目的方法。通过在线估计观测信号均值和协方差矩阵,定义一个关于源信号数目的代价函数,然后最小化代价函数可得到源信号数目的估计。并且利用估计得到的源数目动态调整RLS算法中的分离矩阵及其它相关参数矩阵的维数,进而使得改进RLS盲分离算法能够有效地分离超定和数目动态变化的源信号。仿真结果表明,新的算法比现有算法具有更好的收敛性和分离性能。     

基于功率谱密度的盲信号源数估计

通常盲源分离以及源数估计均要求传感器数必须大于或等于源数,对于实际复杂系统来说,这个条件很难满足.为此,提出一种基于功率谱密度的源数估计方法.该方法最大特点在于,无论传感器数与源数关系怎样,根据观测信号的功率谱密度函数的比值,得到功率谱密度矩阵,通过比较矩阵各列向量,可准确估计不相关源或独立源的源数.对于相关源,可估计源数的上下界.理论分析和仿真实验证明了该方法的有效性,同时还仿真了噪声对源数估计的影响.     

基于OSP的端元个数估计方法

针对在缺乏先验知识的情况下难以确定高光谱影像端元个数的问题,提出一种新的虚拟维数估计方法,其结果可作为端元个数的估计。该方法采用正交子空间投影(OSP)原理,逐个提取并剥离端元信号,通过比较残余值与阈值,实现虚拟维数的估计。对模拟高光谱数据和PHI高光谱影像数据的实验结果验证方法的可行性,与Nerman-Pearson法相比其具有更高的灵活性和准确性。     

一种基于高阶混合投影估计的网络嵌入方法

特征提取对于网络分析任务而言是至关重要的,而网络嵌入学习的目的则是根据网络的结构和语义信息自动化构建节点或边的特征。现有的方法将网络嵌入分解为网络数据挖掘和数据降维两个独立的过程,因而无法很好地在潜在空间中对节点的分布进行建模描述。因此,提出了一种基于高阶混合投影估计的网络嵌入方法,该方法借鉴谱分解的思想,利用线性投影算子将网络从高维结构空间映射至低维特征空间,然后利用混合概率模型对节点的分布进行建模以维持网络的社区结构性质。此外,该方法还融入了局部节点相似性来防止发生过拟合现象。最后,为了验证该方法的有效性和鲁棒性,在四个真实的网络数据集之上和现有的网络嵌入算法进行了对比实验,在链路预测任务中,该方法分别将Micro-F1和Macro-F1指标的基准线平均提升了3.97%和2.23%,在节点分类任务中,该方法将AUC值的基准线平均提升了10.43%。     

一种基于KS距离的OFDM子载波数估计法

针对正交频分复用(OFDM)信号子载波数估计的问题,利用OFDM信号的高斯性,提出一种基于KS距离的子载波数估计法。侦收端DFT模块输出的KS距离在DFT点数与发射端匹配时最小。理论分析及仿真结果证明,该方法能区分高斯分布与非高斯分布,正确估计OFDM信号的子载波数。     

基于几何分布的RFID标签数目估算方法

已有的标签数目估算方法准确率低、估算范围小,且标签数目增加时,时隙数目须成比例增加,否则估算误差率将大幅提高。针对上述问题,提出一种基于几何分布的无线射频识别(RFID)标签数目估算方法。在估算标签数目时,将帧长设定为固定值,并在标签中采用多个哈希函数,以减少几何分布偏差,降低估算误差率。实验结果表明,在时间复杂度、空间复杂度不高于其他算法的前提下,该方法能降低估算误差率。