基于随机共振的微弱高频CW信号检测技术研究

针对强噪声背景下基于时频分析的高频CW信号检测算法性能严重下降,提出一种基于非线性双稳随机共振的微弱CW信号检测方法。该方法将CW信号调制到低频端,借助随机共振模型进行滤波,再进行WVD变换与Hough变换,从而将CW信号的检测问题转换为参数空间 (ρ,θ)的峰值检测问题。实验结果表明,该方法能够在强噪声背景下有效提取CW信号,可用于指导高频CW电报自动接收设备的研制。     

基于GPS/INS的自适应无迹Kalman滤波算法

载体的姿态参数是导航系统重要的影响因素,为提高姿态角测量精度,以INS和GPS紧组合导航系统为研究背景,针对无迹Kalman滤波算法对误差模型较敏感、新息噪声干扰数据需预处理、算法实效性低等缺点,提出改进的自适应无迹Kalman滤波算法.首先,用自适应窗口在线估计系统噪声和量测噪声的协方差值,得到与实际噪声更贴近的统计特性,减小数据预处理的干扰;其次,对状态预测方差阵引入次优渐消因子减少计算量,同时为了减少模型的精度损耗,对滤波过程引入统计量,确定模型不确定性检测阈值;最后,用扩展Kalman滤波、无迹Kalman滤波和改进后的新滤波算法对无人机航向轨迹进行数据处理.结果分析可得,改进的滤波融合算法能将姿态的测量精度提高到0.1°,具有更强的收敛性,能较好地抑制漂移误差.     

离散LTI系统的Kalman滤波的自适应算法

运用现代时间序列分析方法 ,提出了一类线性时不变离散随机系统的自适应稳态 Kalman滤波算法 ,该算法应用白噪声估值器理论对 ARMA新息模型进行在线辨识 ,可进行简单的自适应滤波处理 ,仿真例子说明了算法的有效性。     

用混沌振子和Kalman滤波检测强分形噪声中的弱信号

针对强分形噪声中微弱信号难于检测这一问题,提出了小波域多尺度模糊自适应Kalman滤波和Duffing振子相结合的方法。先对淹没在强分形噪声中的信号进行多尺度小波变换,根据分形噪声信号小波系数的平稳性,建立状态方程和观测方程,用模糊自适应Kalman滤波,对每一尺度估计出分形信号,然后将估计信号与观测信号作差得误差信号,把误差信号送入Duffing振子,利用Duffing振子对噪声的免疫性,来检测微弱信号。也给出了Duffing振子的免疫性一种新的统计解释。仿真实验结果表明：该方法能在低信噪比和低信干比下有效地检测出淹没在强分形噪声中的微弱谐波信号。     

离散LTI系统的Kalman滤波的自适应算法

运用现代时间序列分析方法,提出了一类线性时不变离散随机系统的自适应稳态Kalman滤波算法,该算法应用白噪声估值器理论对ARMA新息模型进行在线辨识,可进行简单的自适应滤波处理,仿真例子说明了算法的有效性。     

基于ARMA模型滤波的微弱信号辨识

双线性时频分布能更全面地表征复杂背景下瞬态机械故障信号特征,但双线性时频变换固有的交叉项干扰严重影响了算法的时频分辨率。探讨了双线性时频分析技术在微弱瞬态信号辨识中的应用,提出采用ARMA模型滤波的方法来抑制双线性Wigner-Ville时频变换的交叉项干扰,并给出算法推导。结合实验数据,对比平滑伪Wigner-Ville算法的信号辨识结果,表明基于ARMA模型预滤波的双线性时频分析能更好的抑制交叉项干扰,具备更高的时频分辨能力和瞬态微弱信号辨识能力。     

水面目标信号预测与识别方法

针对水声信道随机、时变、空变的特性,在强干扰背景下难以提取目标信号的问题,建立了基于改进Volterra滤波器的水面信号预测模型。应用Volterra级数滤波器,建立了目标信号的非线性动力学模型,通过对目标信号的短期预测,实现了对背景干扰的抑制;结合Kalman滤波器的实时递推性质和二阶Volterra级数滤波器的非线性拟合特性,对常规Volterra模型进行了改进;对预测时间序列提取了非线性特征量最大Lyapunov指数和关联维数,验证了两类水面目标信号具有混沌特性。结果表明,Kalman滤波器估计Volterra核的自适应预测方法预报误差较常规方法有显著降低,收敛性提高,鲁棒性增强。     

基于神经网络的新息自适应卡尔曼滤波在高速公路变形监测中的应用

实际应用中卡尔曼滤波的动态噪声和观测噪声往往不是固定的,提出运用新息自适应卡尔曼滤波法则对噪声进行实时估计。同时,为了克服新息自适应卡尔曼滤波要求系统模型过分精确的缺点,基于神经网络的新息自适应卡尔曼滤波算法,通过使用神经网络进行误差补偿来提高滤波性能,并运用于高速公路变形监测中。结果表明：该模型与原始观测值的残差全部降到了０.２５ｍｍ以下,说明该模型精度很高,在实际应用中具有一定的可行性。     

扩频信号频域说灯关自适应滤波技术的研究

以谱相关理论为基础,针对直接序列扩频通信系统的可截获性问题,提出了利用频域谱相关自适应滤波技术对噪声和干扰环境下的扩频信号进行检测及对时域和功率谱域严重重叠信号进行分选的一种算法。对直接序列扩频信号的仿真结果表明,该算法具有速度快,噪声和干扰抑制能力强等特点,因而文中提出了的算法是切实可行的。     

改进的CKF在SINS/GPS组合导航中的应用

为了降低动态扰动误差对容积卡尔曼滤波(Cubature Kalman Filter,CKF)精度的影响,采用新息自适应估计(Innovation-based Adaptive Estimation,IAE)理论构造改进的CKF滤波模型,利用新息序列在线估计和修正噪声统计特性,自适应地调整量测噪声。通过SINS/GPS组合导航系统对标准CKF与改进的CKF进行仿真验证,结果表明,改进的CKF算法能够在一定程度上提高组合导航系统对不同随机噪声的适应能力,有效地降低了滤波误差,提高了解算精度。     

一种基于导向矢量约束的恒模盲波束形成算法

针对阵列信号波达角(direction of arrival,DOA)先验信息已知的情况,利用信号的恒模特性,在卡尔曼滤波(Kalman filter,KF)结构下,提出一种附加阵列导向矢量约束的自适应波束形成算法.对约束情况下的卡尔曼滤波目标函数运用拉格朗日乘子法,求得约束条件下的最优估计表达式,并将其推广到无迹卡尔曼滤波(unscented Kalman filter,UKF)算法中,通过约束迭代算法对阵列估计信号的导向角施加约束,实现约束UKF自适应波束形成算法的最优权值分配.仿真过程中,用所提算法与约束恒模迭代最小二乘算法和约束最小方差迭代最小二乘算法作对比,表明表明,该算法在收敛速度、信噪比、稳健性、跟踪性能方面具有较好的性能.     

基于新息协方差的机动目标轨迹估计算法研究

针对态势显示系统中机动目标运动状态不确定、卫星定位误差、接收机随机噪声造成的目标轨迹估计精度低的问题。在"当前"统计模型的基础上,提出了一种基于新息协方差的Kalman滤波算法,该算法根据新息协方差的极大似然最优估计实现加速度方差的实时估计和自适应调整。仿真结果表明,该算法的估计性能优于常规算法,跟踪精度较高。     

基于新息的神经网络自适应卡尔曼滤波

卡尔曼滤波是一种基于最小方差的递推式滤波算法,系统模型和噪声统计特性的先验知识决定了滤波的性能和估计的准确性,不精确的先验知识将导致滤波性能的明显下降甚至发散。采用BP神经网络对系统进行辨识,获得精确的系统状态方程,利用新息自适应估计卡尔曼滤波算法中的过程噪声和测量噪声协方差矩阵,提出基于新息的神经网络自适应卡尔曼滤波算法。Matlab仿真结果表明,与传统卡尔曼滤波算法相比,改进的卡尔曼滤波算法获得了与原始信号几乎一致的输出信号,噪声得到明显抑制。同时,改进的算法不需要系统精确的数学模型,在实际应用中具有可行性和普适性。     

具有未知系统偏差的自适应Kalman平滑器

提出一种有效的具有未知系统伯差的自适应Ｋａｌｍａｎ平滑器．应用状态空间方法和ＡＲＭＡ新息模型，基于白噪声估值器和输出预报器，给出线性离散定常系统自适应最优状态和偏差联合Ｋａｌｍａｕ平滑器，最后给出仿真实例．     

Kalman滤波器的抗干扰算法

在Kalman滤波意义下,提出将观测值划分为正常和病态两种属性,病态值可以是通常的野值,也可以是部分的正常值,这种模糊划分降低了辨识的难度,也比较符合客观实际,避免了由于划分不当所造成的误判或漏判情况的出现;为了提高Kalman滤波器的抗干扰能力,通过对新息分量统计特性的逐一修正,提出了重新构造状态估计的改进算法.由于充分利用了新息各分量服从正态分布的统计特性,所以算法具有结构简单,计算量小的特点.仿真实验表明,不论出现何种形式的干扰,算法都具有稳定的滤波性能,不仅克服了经典Kalman滤波器易受干扰,滤波效果不稳定的问题,而且克服了众多Kalman滤波改进算法的不足之处,适用范围更为广泛.     

变分贝叶斯自适应容积卡尔曼的SLAM算法

在观测噪声参数未知或变化时,传统的同步定位与建图(SLAM)算法性能会下降,为了让SLAM算法性能在上述条件下不受影响同时具有较高的精度,基于此提出了一种基于变分贝叶斯噪声自适应容积卡尔曼滤波的SLAM算法(VB-ACKF-SLAM).该算法采用逆Wishart分布对未知观测噪声参数建模,采用容积积分方法近似非线性变换的均值和方差,并利用变分贝叶斯滤波实现对移动机器人状态和未知观测噪声参数的联合后验概率的估计.该算法有效地解决了在观测噪声参数未知或变化时,传统滤波算法出现的滤波发散问题.仿真实验结果表明,在观测噪声参数未知或变化时,与基于容积卡尔曼滤波的SLAM算法(CFK-SLAM)、无迹卡尔曼滤波的SLAM算法(UKF-SLAM)、扩展卡尔曼滤波的SLAM算法(EKF-SLAM)相比,VB-ACKF-SLAM算法的定位准确率得到了较大的提高,证明了该算法的有效性.     

多重自相关函数在微弱正弦信号检测中的应用

研究了一种用于微弱正弦信号检测的新方法,该方法利用了正弦函数的特殊性质,在信号未知的情况下,通过多次自相关运算成功的检测出埋没于强大噪声中的微弱正弦信号．分别讨论了多重自相关法在白噪声背景下、有色噪声背景下,单一正弦信号、多个正弦信号等情况的检测效果,并给出了具体的仿真结果,此方法在频率测量中具有极高的准确性;在幅度测量上,精度略低,但通过多次测量取平均值,仍可达到预期的精度．与以往的弱信号时域处理方法比较,多重自相关检测方法具有理论推导简单、物理意义明确等特点,应用前景广泛。