基于广义加权的AMDF时延估计方法研究

时延估计是声源定位常用的方法。多途效应严重影响声源信号时延估计性能,传统方法难以克服。提出一种基于广义加权的平均幅度差函数（Average Magnitude Difference Function,AMDF）时延估计方法,利用改进的AMDF方法提高对多途效应的抑制,通过广义加权方法降低算法的噪声敏感性。仿真及实验表明,对于窄带信号,该方法能够获得比传统广义互相关方法更高的时延估计性能,估计结果的误差减小,稳定性能提高。     

修正的基于广义Gamma语音模型语音增强算法

广义Gamma模型是近年来新提出的一种语音分布模型,相对于传统的高斯或超高斯模型具有更好的普适性和灵活性,提出一种基于广义Gamma语音模型和语音存在概率修正的语音增强算法。在假设语音和噪声的幅度谱系数分别服从广义Gamma分布和Gaussian分布的基础上,推导了语音信号对数谱的最小均方误差估计式;在该模型下进一步推导了语音存在概率,对最小均方误差估计进行修正。仿真结果表明,与传统的短时谱估计算法相比,该算法不仅能够进一步提高增强语音的信噪比,而且可以有效减小增强语音的失真度,提高增强语音的主观感知质量。     

适用于遮挡问题的目标跟踪算法

提出一种基于网格模型的目标跟踪算法．该算法首先进行遮挡区域检测，然后进行网格结点的运动估计和网格更新过程完成目标的多帧跟踪．改进的遮挡区域检测算法有效地提高了检测准确度，从而确保遮挡区域的准确跟踪；网格结点的运动估计是通过特征窗口运动补偿匹配完成，可以有效地克服块效应．实验证明，该算法解决了二维运动估计时网格模型在遮挡区域存在的问题，并可以有效地进行目标准确跟踪．     

单通道同频线性调制混合信号的时延估计

针对同频线性调制混合信号单通道盲分离中的时延估计问题,提出了一种基于自相关函数的估计方法.该方法利用接收基带信号的自相关函数建立关于时延的非线性方程,并通过延迟采样进一步构造适定方程组,然后利用梯度下降算法对方程组进行迭代求解,完成整个估计过程.理论分析表明,时延估计的误差正比于自相关函数估计的误差,随数据量增大不断减小.仿真结果验证了该方法的有效性.     

基于子分规则的边折叠简化方法

边折叠简化方法是一种主要的三角网格简化方法，已成为多分辨率自适应曲面参数化，基于法向细节的几何压缩，渐进风格算法的重要组成部分，文中采用子分的思想生成三角网格模型的新顶点，从而减小了简化模型和原始模型之间的误差，此外，还给出保持模型流形的方法，最后给出一种新的计算简化网络与原发中网络之间的Metro距离的采样方法，并分析这个距离误差。     

一种基于BOC信号的多径抑制技术

针对卫星导航接收机容易受多径信号干扰的影响,提出了一种基于最大似然估计的加权ELS（超前/滞后斜率）技术BOC多径减弱方法。该方法先经过最大似然估计得到直射信号估计值,再检测多个BOC信号自相关函数峰两边的斜率,可以有效地减小多径信号对环路的影响,性能优于传统的窄相关技术和ELS技术,并且只增加较少的计算复杂度。通过对BOC（10,5）的多径误差包络仿真分析表明：该方法能有效减小多径干扰引起的跟踪误差。     

模糊神经网络分类器在盲均衡算法中的应用

提出一种基于模糊神经网络分类器的盲均衡算法,将盲信道估计与模糊神经网络分类器相结合,先对通信信道进行盲估计,然后利用卷积原理重建信号,用模糊神经网络替代原有的判决器,从而实现了盲均衡。通过仿真实验证明,该算法加快了收敛速度,减小了剩余误差,降低了误码率。     

模糊神经网络分类器在盲均衡算法中的应用

提出一种基于模糊神经网络分类器的盲均衡算法,将盲信道估计与模糊神经网络分类器相结合,先对通信信道进行盲估计,然后利用卷积原理重建信号,用模糊神经网络替代原有的判决器,从而实现了盲均衡。通过仿真实验证明,该算法加快了收敛速度,减小了剩余误差,降低了误码率。     

二维流形三角网格模型顶点法矢量估计

提出一种以顶点的一邻域中三角形在该顶点处的顶角与对应三角形的面积比值加权三角面法矢量估计二维流形三角网格模型顶点法矢量的方法.回顾了现有的五种顶点法矢量估计方法,然后给出了新的方法.设计了利用理论法矢量与估计法矢量的夹角作为误差评价标准的实验,应用球体和椭球体模型分析了所涉及的6种估计方法的性能.     

基于公共信标集的高精度射频指纹定位算法

目前基于WiFi射频指纹定位技术有望成为大规模城区室内外全空间定位的首选.针对RSS信号时变特性严重影响WiFi定位精度和鲁棒性的问题,提出了一种基于公共信标集的高精度射频指纹定位算法.该算法把目标定位看成贝叶斯估计问题,通过采用高斯混合模型更加准确地表征复杂训练指纹的信号特征,以及使用基于Markov链的状态转移模型和基于后验概率的自适应网格集选择机制,充分利用目标的历史状态信息和环境布局信息,不仅减少了定位搜索网格空间,而且还抑制了移动过程中不可能发生的位置跳变,提高了定位精度和鲁棒性.实验结果表明,所提定位算法以90%的概率可获得3m以内的定位误差,其定位性能明显优于传统单一高斯模型.     

一种强干扰环境下的离格稀疏贝叶斯DOA估计方法

强干扰的环境下,基于传感器阵列的波达方向(Direction of arrival,DOA)估计是阵列信号处理中的重要问题。虽然对于网格点目标现有方法的DOA估计精度较高,但对于离格点目标现有方法的DOA估计性能会严重下降。本文提出一种离格情况下的DOA估计方法,首先设计一种鲁棒的正交零陷矩阵滤波法(Robust orthogonal matrix filter with nulling,ROMFN),它结合了正交零陷滤波法(Orthogonal matrix filter with nulling,OMFN)和最差性能下的鲁棒自适应波束形成,在对离格点目标达到滤波效果的同时只需设计较少的网格点。此外,新的矩阵滤波法保留了高斯白噪声的特性,避免了噪声白化的预处理过程。其次基于离格点稀疏贝叶斯推断(Off-grid sparse Bayesian inference,OGSBI)和ROMFN,形成一种强干扰下DOA估计的新方法。与现有方法相比,仿真结果表明该方法可以在不同的网格间距、不同的信噪比和干噪比下获得更高的估计精度。     

An iterative approach for sparse direction-of-arrival estimation in co-prime arrays with off-grid targets

This paper addresses the problem of direction of arrival (DOA) estimation by exploiting the sparsity enforced recovery technique for co-prime arrays, which can increase the degrees of freedom. To apply the sparsity based technique, the discretization of the potential DOA range is required and every target must fall on the predefined grid. Off-grid target can highly deteriorate the recovery performance. To the end, this paper takes the off-grid DOAs into account and reformulates the sparse recovery problem with unknown grid offset vector. By introducing a convex function majorizing the given objective function, an iterative approach is developed to gradually amend the offset vector to achieve final DOA estimation. Numerical simulations are provided to verify the effectiveness of the proposed method in terms of detection ability, resolution ability and root mean squared estimation error, as compared to the other state-of-the-art methods.     

Sparsity based off-grid blind sensor calibration

Compressive Sensing (CS) based techniques generally discretize the signal space and assume that the signal has a sparse support restricted on the discretized grid points. This restriction of representing the signal on a discretized grid results in the off-grid problem which causes performance degradation in the reconstruction of signals. Sensor calibration is another issue which can cause performance degradation if not properly addressed. Calibration aims to reduce the disruptive effects of the phase and the gain biases. In this paper, a CS based blind calibration technique is proposed for the reconstruction of multiple off-grid signals. The proposed technique is capable of estimating the off-grid signals and correcting the gain and the phase biases due to insufficient calibration simultaneously. It is applied to off-grid frequency estimation and direction finding applications using blind calibration. Extensive simulation analyses are performed for both applications. Results show that the proposed technique has superior reconstruction performance.     

基于环形阵列的近场多声源波达方向跟踪

针对基于可控功率响应的多声源跟踪算法定位复杂度高,且弱声源易受强声源影响而造成无法跟踪的问题,提出了一种利用环形阵列的近场多声源波达方向跟踪方法,首先利用语音信号在时-频域的稀疏性和声源间的屏蔽效应定义了信号的相关性,并利用相关性检测主声源较强的帧,其次利用环形阵列结合SRP方法获取单帧主声源的方位角,然后集合多帧的数据从方位角的统计直方图中分析出当前声源的数目和所在方位。仿真实验结果表明,本文方法对声源数目估计的准确率为92%,且具有较高的方位角跟踪精度,其误差小于1.5?,因此可有效应用于近场环境中声源数目和方位的跟踪中。     

多径相干信号到达角和衰落系数的最大似然估计

针对多径相干信号到达角(DOA)和衰落系数(FC)的估计问题,在已知信号波形条件下,提出了一种联合估计DOA和衰落系数的改进最大似然估计方法。通过改进最大似然估计求极值获得DOA和衰落系数的解,在联合估计参数时,使用交替极大值技术,降低了估计算法的复杂度,并且推导了最大似然估计的Cramér-Rao界。理论分析和实验表明,该方法与现有方法相比具有更好的估计性能,当来自不同辐射源的多径信号中存在相同DOA时,仍然可以得到很好的估计效果。     

人工智能技术在电力系统状态估计的应用研究

为了有效地提高状态估计的计算精度和鲁棒性,将人工智能技术与电网数据相结合,提出了基于偏最小二乘(PLS)和极限学习(ELM)的电力系统状态估计方法。针对量测量之间的强相关性问题,采用偏最小二乘(PLS)对各量测量进行重要信息提取和变量选择,将得到的最优变量输入ELM模型,从而建立了状态量的PLS-ELM模型,然后,采用IEEE14节点系统数据样本和实际电网历史数据对所提方法进行了验证,并将该方法与其他方法进行对比。结果表明,所提状态估计方法降低了模型的复杂程度,能够有效地抵抗量测量中的不良数据,具有较高的估计精度和较强的鲁棒性。     

基于微分求积法的互连线灵敏度分析

提出一种基于微分求积法、对互连线的响应波形进行灵敏度分析的新方法．以传输线时域模型对互连 线进行建模,在此基础上导出灵敏度分析模型．由于利用了所有离散点的信息,微分求积法通常只需要较少的采样 点就能达到较高的精度．数值算例证明了该方法的有效性．     

An efficient error estimation method for antenna distortions in space based radar

The phased array antenna plays an important role in determining the performance achievable in a space based radar system. However, the array position errors caused by the antenna distortions in the complex cosmic vacuum environment will distort the antenna pattern, which significantly degrades the performance of the radar systems. Most of the conventional estimation methods are proposed based on the random position errors without the consideration of the distortion character for spaceborne arrays, resulting in a large estimation error. In this paper, to address this issue, an efficient array error estimation method is proposed to compensate the antenna distortion errors. In the proposed method, the initial sensor positions can be obtained based on the measured results from the units distributed over the array surface. Then the distortion model parameters can be estimated by solving an optimization problem. Based on this, the sensor positions can be corrected with high accuracy at the lth iteration. In this way, the proposed method can improve the accuracy and the robustness of the estimation simultaneously. Several simulated results are presented to validate the proposed method for the position error estimation in a space based radar system.     

融入注意力和密集连接的轻量型人体姿态估计

目前多数人体姿态估计方法聚焦于提升预测结果的准确性,从而造成了网络参数量大和运算复杂度高等问题。为缓解该矛盾,在高分辨率网络的基础上提出一种融入注意力和密集连接方式的轻量型人体姿态估计网络。重新设计高分辨率网络中的瓶颈模块,从而降低部分网络运算复杂度;改进引入的注意力机制并结合密集连接方式构建了轻量型模块,将其替换高分辨率网络的基础模块,使网络保持一定准确性的同时大幅缩减模型参数量和运算复杂度;利用多分辨率特征和反卷积重新设计网络输出的特征融合方式,最大程度提升模型预测精度。在公开数据集MPII和COCO上的实验结果表明,相比较于高分辨率网络,所提网络模型参数量减少了71.5%,在MPII验证集上,运算复杂度缩小了35.8%,在COCO验证集上,运算复杂度缩小了35.2%,平均准确率提升了0.6个百分点,即网络能在保证检测精度的基础上有效降低网络复杂度。