排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
非高斯干扰下的主动信号检测中,高斯化模块往往不可或缺。通过对样本的抑大扬小,它可以有效地增强背景数据的高斯性,提高后续预白化和相关检测的性能。本文给出高斯化滤波的定义和效果评价方法,然后对比研究了基于概率密度函数及导数的U滤波和基于累积分布函数及反函数的G滤波两种高斯化实现方法、原理与性能,并使用一组湖试数据测试了它们各自的高斯化效果。最后,举例说明了高斯化在混合高斯Rao检测中的应用。 相似文献
4.
针对脉冲型噪声,该文提出一种新的非线性处理方法,即高斯化-广义匹配(GGM)处理。GGM方法基于高斯化处理与广义匹配滤波,可结合非参数的概率密度估计进行设计,解决噪声模型未知时的非线性处理问题。该文以脉冲型噪声${\rm S\alpha S}$分布模型为例,分析GGM方法的特点和性能;再结合Class A噪声模型,讨论GGM设计作为非参数方法相比模型假设失配的优势;引入效能函数,验证GGM方法在恒虚警技术中的运用。结果表明,在已知噪声分布情况下,GGM方法具有次优检测性能;当噪声模型未知时,非参数GGM设计能保持稳健性能,优于模型失配下的处理。并且,GGM设计对样本数目要求不高,为噪声特性不明或时变的场景提供了一种新的信号处理方法。 相似文献
1