An EM Algorithm for Nonlinear State Estimation With Model Uncertainties

In most solutions to state estimation problems, e.g., target tracking, it is generally assumed that the state transition and measurement models are known a priori. However, there are situations where the model parameters or the model structure itself are not known a priori or are known only partially. In these scenarios, standard estimation algorithms like the Kalman filter and the extended Kalman Filter (EKF), which assume perfect knowledge of the model parameters, are not accurate. In this paper, the nonlinear state estimation problem with possibly non-Gaussian process noise in the presence of a certain class of measurement model uncertainty is considered. It is shown that the problem can be considered as a special case of maximum-likelihood estimation with incomplete data. Thus, in this paper, we propose an EM-type algorithm that casts the problem in a joint state estimation and model parameter identification framework. The expectation (E) step is implemented by a particle filter that is initialized by a Monte Carlo Markov chain algorithm. Within this step, the posterior distribution of the states given the measurements, as well as the state vector itself, are estimated. Consequently, in the maximization (M) step, we approximate the nonlinear observation equation as a mixture of Gaussians (MoG) model. During the M-step, the MoG model is fit to the observed data by estimating a set of MoG parameters. The proposed procedure, called EM-PF (expectation-maximization particle filter) algorithm, is used to solve a highly nonlinear bearing-only tracking problem, where the model structure is assumed unknown a priori. It is shown that the algorithm is capable of modeling the observations and accurately tracking the state vector. In addition, the algorithm is also applied to the sensor registration problem in a multi-sensor fusion scenario. It is again shown that the algorithm is successful in accommodating an unknown nonlinear model for a target tracking scenario.     

一种随机相位估计简化EM算法

期望最大化（EM）算法在处理随机相位估计时是一个NP-完全问题,目前主要采用梯度算法来对其求解。但该方法存在计算量大、不易稳定且对相邻时刻估计结果依赖严重等问题。基于随机相位模型EM算法的因子图表示,提出了一种简化EM算法,其思想是只针对当前时刻进行独立的EM迭代计算,然后通过相邻相位偏转之间的关系对结果进行修正。仿真实验说明,该方法在减小计算量的同时,提高了算法性能。     

基于EM算法的GO分布参数最大似然估计

G0分布是目前合成孔径雷达(Synthetic Aperture Radar,SAR)图像数据建模的一个重要模型,建模能力强、实用性好,受到了广泛的关注.G0分布的应用离不开准确有效的参数估计,而由于G0分布表达式复杂,统计意义上最优的最大似然估计法一直没能用在G0分布上.本文首先给出了一种新的方式来推导得出G0分布,在此基础上,采用最大期望(Expectation Maximization,EM)算法为G0分布给出一种有效的最大似然参数估计方法.文中的方法与现有的G0分布参数估计方法通过实验进行了比较,实验结果充分证明了所提方法的有效性.     

基于EM算法的改进OFDM时变信道估计

针对正交频分复用（OFDM）系统中的信道时变,基于时变信道的分段线性近似模型,提出一种改进的OFDM时变信道估计方案。该方案通过采用期望最大化（EM）迭代算法来提高符号平均信道脉冲响应的估计精度,从而提高时变信道估计的性能;此外,在迭代过程中进行带状子载波间干扰抑制,不仅进一步提高了时变信道估计的性能,而且降低了实现复杂度。理论分析和仿真结果表明,该算法以较低的复杂度代价有效提高了时变信道OFDM系统的性能。     

An EM Algorithm for Markov Modulated Markov Processes

An expectation–maximization (EM) algorithm for estimating the parameter of a Markov modulated Markov process in the maximum likelihood sense is developed. This is a doubly stochastic random process with an underlying continuous-time finite-state homogeneous Markov chain. Conditioned on that chain, the observable process is a continuous-time finite-state nonhomogeneous Markov chain. The generator of the observable process at any given time is determined by the state of the underlying Markov chain at that time. The parameter of the process comprises the set of generators for the underlying and conditional Markov chains. The proposed approach generalizes an earlier approach by RydÉn for estimating the parameter of a Markov modulated Poisson process.      

用于点源定位的估值算法

许多应用需要精确地跟踪或计算目标的位置。本文介绍用一种采样加细分的新方法对目标像点进行检测,提出了一种插值的算法对目标位置进行估计,模拟结果表明,定位精度小于0.1个像素。     

DOA估计的一种改进MUSIC算法

讨论了在移动通信环境中采用协方差差分和迭代空间平滑以进行信号来波估计(Direction Of Arrival)的一种改进MUSIC算法.首先简要回顾了经典MUSIC算法,给出阵列接收信号模型,然后详细分析了经典MUSIC算法估计相干信号所存在的问题,在常规空间平滑算法(SS)的基础上提出了一种改进算法,最后给出计算机仿真结果并验证了新算法的有效性。     

协同通信系统中基于EM算法的半盲信道估计与迭代检测

研究协同通信系统的信道估计和符号检测技术,提出一种基于EM（Expectation Maximum）算法的半盲信道估计和迭代检测接收方案。它有利于减少协同通信系统的额外系统开销,并能有效提高协同通信的信道估计精度和系统误码性能。     

一种改进的运动估计算法

运动矢量估计问题是当今一个热点问题，它在诸如视频编码、目标实时跟踪等众多领域都有着广泛的应用，目前普遍采用的估计算法是块匹配算法（BMA）。经典的块匹配算法有顺序排除算法（SEA）和多级顺序排除算法（MSEA），文章在分析两种算法的基础上。对MSEA算法做了两点改进．实验结果表明改进后的算法计算量得到有效的减少，并且保证了估计的准确性。     

一种有效的三步运动估计算法

为了减小运动估计算法的计算复杂度和提高红外图像超分辨率重建的可靠性,提出了一种有效的三步搜索算法.该算法采用多步搜索策略,根据运动矢量分布的中心偏移性及并行处理的思想,在最佳匹配点所在的区域使用菱形小模板代替新三步法中的正方形小模板来进行精细搜索,以提高算法的搜索精度.实验结果表明,与全搜索法、菱形搜索算法和预测性菱形搜索算法相比,该算法能在保证搜索精度的同时大大缩短消耗时间.     

一种高斯白噪声中的信道质量自适应估计算法

提出了一种自适应的信道估计算法,适用于线性数字调制信号在高斯白噪声中的情况。该算法是一种盲信噪比估计,应用了模式识别技术。估计在基带完成,完全用软件实现。仿真结果表明,这种方法具有准确度高、占用内存小、计算速度快和所需数据量小等特点,符合实时信道估计的要求。     

An Application of the EM Algorithm to Degradation Modeling

We consider a class of degradation processes that can consist of distinct phases of behavior. In particular, the degradation rates could possibly increase or decrease in a non-smooth manner at some point in time when the underlying degradation process changes phase. To model the degradation path of a given device, we use an independent-increments stochastic process with a single unobserved change-point. Furthermore, we assume that the change- point varies randomly from device-to-device. The likelihood functions for such a model are analytically intractable, so in this paper we develop an EM algorithm for this model to obtain the maximum likelihood estimators efficiently. We demonstrate the applicability of the method using two different models, and present some computational results of our implementation.     

TD-SCDMA中DOA估计的一种ESPRIT算法

智能天线是TD-SCDMA系统的关键技术之一,其核心为波达方向(Direction of Arrival,DOA)估计和波束形成算法。目前大多数DOA估计算法都是以均匀线阵为基础,而TD-SCDMA采用的是8阵元的圆阵列天线,因此,文中采用空间预处理技术,将圆阵虚拟到均匀线阵,再用ESPRIT算法进行DOA估计,最后通过仿真验证了该算法的可行性。     

基于EM算法的非高斯噪声参数估计

EM算法是一种从＂不完全数据＂中求解模型参数的极大似然估计的方法,在非高斯噪声的参数估计问题中是一种比较优秀的算法。非高斯噪声的参数估计问题的主要困难是充分统计量是不存在的,这意味着从观测空间到估计空间的映射依赖于这里试图估计的参数。在未知噪声概率密度的情况下,EM算法可以更准确地对非高斯噪声参数进行估计,估计方差接近C-R下界。     

一种SSB信号频域信噪比估计算法

文中提出了一种在频域估计单边带（SSB）信号信噪比的算法,并给出了详细的理论分析。同时在同一系统模型中和现有几种典型的时域信噪比估计方法进行了比较,最后对算法进行了计算机仿真。结果表明,此方法估计精度高,性能稳定,从而说明了其有效性。而且,频域信噪比估计方法利用样点数少,实现非常简单,特别适合在突发通信系统中使用。     

一种改进的LTE下行系统信道估计算法

基于3GPP长期演进（LTE）下行链路系统,在比较了现有几种不同信道估计算法的基础上,提出了一种适用于LTE下行系统的时频二维联合维纳迭代滤波信道估计算法。具体步骤如下：首先,采用基于奇异值分解（SVD）的线性最小均方误差（LMMSE）算法在频域进行维纳迭代滤波;然后,再利用频域估计出来的值在时域进行一次维纳迭代滤波。仿真结果表明,该算法能够有效地改善信道估计的误比特率（BER）性能,与传统的方法相比,性能更加接近于理想信道估计,同时也没有显著增加算法的运算复杂度。     

MPEG编码器里一种改进的运动估值编码算法

本文提出在编码器里不用做ＩＤＣＴ和ＩＱ的一种新的运动估值编码算法结构,经计算机仿真和整体性能评估,与传统运动估值编码结构相比较,这个改进的编码结构提高了编码端运动的估算和运动裣的精度和准确度,改善了图象压缩比,降低了硬件成本和运算量。     

一种MC-CDMA最小二乘信道估计的改进算法

文中提出一种LS信道估计改进算法,该算法利用MC-CDMA中闲置的虚载波对信道噪声功率进行估计,通过将LS信道估计的时域响应限制在循环前缀长度内,并进一步利用信道噪声功率估计值,设置门限值忽略LS信道时域响应在循环前缀长度内的噪声分量和无效径响应。文中的算法运算量小,信道估计精度高,仿真结果验证了算法的有效性。     

OFDM系统中一种高效的符号定时估计算法

本文提出了一种新的适合于OFDM系统的符号定时估计算法。该算法利用经过特殊处理的前后两段信息序列的内在相关性进行准确的符号定时估计。理论分析和仿真表明,该算法能在大频偏低信噪比的条件下完成定时捕获的任务,并且无需专门的训练符号,从而大大提高了系统传输的效率。