基于SαS分布的高斯化处理研究

针对非高斯背景干扰下的弱信号检测需求,在综述高斯化处理与扩展匹配滤波概念及思路的基础上,该文提出了两种基于对称α稳定分布建模的高斯化处理方法,构建了相应的扩展匹配滤波检测器,并对比早先建立的混合高斯分布下的高斯化处理,对其高斯化效果、对应检测性能、运行速度等进行了仿真研究。研究表明,高斯化处理可以降低背景干扰的非高斯性,从而提高后续匹配滤波的检测性能;基于对称α稳定分布的高斯化处理,在保持性能的同时,具有更高的运行效率。     

有色非高斯背景下微弱信号的Rao有效绩检验

混合高斯Rao有效绩检验是实现有色非高斯背景下微弱信号检测的渐近最佳检测器,预白化和高斯化技术的应用使得它的检测性优于传统的匹配滤波器.在使用混合高斯自回归模型描述检测问题之后,基于功率谱密度和概率密度参数估计,引入预白化和高斯化滤波器,构建起模块化的、实用的混合高斯Rao有效绩检测器.然后对其检测性能进行了深入分析,揭示了预白化和高斯化技术改善检测性能的机理所在.最后给出了一组湖试数据检测实例.     

主动信号检测中干扰背景的高斯化处理

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。     

基于高斯化-广义匹配的脉冲型噪声处理方法研究

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。