二阶统计量

摘要： 针对基于生成对抗网络的图像超分辨率重建方法依赖配对数据集训练且结果不稳定的问题,提出了一个新的基于无配对图像的模型N M-SRGA N.首先,通过使用循环生成对抗网络作预处理模块,使模型可以不依赖配对数据集进行训练且获得更好的输入图像,同时该模型取消了BN层的使用,解决了结果不稳定的问题.然后,使用了协方差矩阵捕捉图像的二阶信息,增加了二阶损失函数,更加注重于捕捉图像细节区域部分的变化.最后,通过使用新的V GG损失函数提升了图像的边缘纹理细节.对提出的N M-SRGA N模型在4个标准数据集上进行测试评估,使用客观评价标准对结果图进行评价,NM-SRGAN模型较目前若干先进模型中的最佳峰值信噪比分别提升了0.19、0.03、0.13、0.02 dB,在4个数据集上的评价值均达到最高.实验结果表明,该模型在稳定性、图像质量和细节方面较经典算法均有较好的提升.

摘要： 为了提高小样本学习的准确率和抗干扰能力,提出了一种基于二阶统计量的小样本学习模型,以CNN最后一层卷积输出的一阶特征向量为输入,通过计算协方差矩阵和二阶池化获得具有较高区分度的二阶统计量,采用奇异值(SVD)分解将二阶特征映射到低维仿射子空间并据此分类.本算法在Omniglot和minilmageNet数据集上进行了测试,实验结果表明,在minilmageNet上的5-way 5-shot模型准确率达到了73.6％,比Prototypical Networks高出5.4％,在Omniglot上的20-way 1-shot模型准确率则获得了2.4％的提升,本算法性能优于Prototypical Networks等算法.在异常值测试中,本算法也展现出比Matching Networks和Prototypical Networks算法更强的鲁棒性.

摘要： 在信号的预处理阶段,可简化盲源分离或独立分量分析方法,采用基于二阶统计量的盲辨识方法,分离不同功率谱的有色源信号,以改善自适应系统的收敛特性,消除冗余或减少噪声污染.提出了一种基于特征值分解的二阶统计量的盲辨识方法,可以较好地识别混合矩阵,对有色源信号进行盲源分离.通过不同时滞τ的比较,以及不同算法的比较,证明了该辨识方法对不同的时滞在τ=1时的分离效果最好,且该方法比其他方法的分离效果更好.

摘要： 为提高非均匀噪声下波达方向(direction of arrival,DOA)角估计算法的估计精度和分辨率,基于低秩矩阵恢复理论,提出了一种二阶统计量域下的加权l1稀疏重构DOA估计算法.该算法基于低秩矩阵恢复方法,引入弹性正则化因子将接收信号协方差矩阵重构问题转换为可获得高效求解的半定规划(semidefinite programming,SDP)问题以重构无噪声协方差矩阵;而后在二阶统计量域下利用稀疏重构加权l1范数实现DOA参数估计.数值仿真表明,与传统MUSIC、l1-SVD及加权l1算法相比,所提算法能显著抑制非均匀噪声影响,具有较好的DOA参数估计性能,且在低信噪比条件下,所提算法具有较高的角度分辨力和估计精度.

摘要： 该文针对传统波达方向角(DOA)估计算法在非均匀噪声下角度估计精度差及分辨率低的问题,基于矩阵补全理论,提出一种二阶统计量域下加权L1(MC-WLOSRSS)稀疏重构DOA估计算法.首先,基于矩阵补全方法,引入弹性正则化因子将接收信号协方差矩阵重构为无噪声协方差矩阵;而后在二阶统计量域下通过矩阵求和平均将无噪声协方差矩阵多矢量问题转化为单矢量问题;最后利用稀疏重构加权L1范数实现DOA参数估计.数值仿真表明,与传统MUSIC,IL1-SRACV,L1-SVD子空间算法及稀疏重构加权L1算法相比,所提算法能显著抑制非均匀噪声影响,具有较好DOA估计性能,且在低信噪比条件下,亦具有较高估计精度和分辨力.%Focusing on the problem of poor accuracy and low resolution of traditional Direction Of Arrival (DOA) estimation algorithm in the presence of non-uniform noise, based on the Matrix Complement theory, a Weighted L1 Sparse Reconstruction DOA estimation algorithm is developed under the Second-order Statistical domain (MC-WLOSRSS) in this paper. Following the matrix completion approach, the regularization factor is firstly introduced to reconstruct the signal covariance matrix reconstruction as a noise-free covariance matrix. After that, the multi-vector problem of the noise-free covariance matrix can be transformed into a single vector one by exploiting sum-average operation for matrix in the second-order statistical domain. Finally, the DOA can be complemented by employing the sparse reconstruction weighted L1 norm. Numerical simulations show that the proposed algorithm outperforms the traditional DOA algorithms such as MUltiple SIgnal Classification (MUSIC), Improved L1-SRACV (IL1-SRACV), L1-norm-Singular Value Decomposition (L1-SVD) subspace and sparse reconstruction weighted L1 methods in the following respects: suppressing the influence of the non-uniform noise significantly, bettering DOA estimation performance, as well as improving estimation accuracy and resolution with low Signal-Noise Ratio (SNR).

摘要： 介绍了自回归滑动平均模型.基于二阶统计量和高阶统计量,研究了两种ARMA模型建模方法.阐述了两种ARMA模型在信号处理中的不同应用范围.

摘要： 针对大型风力机主轴承易发生故障且特征信号难以提取的问题和传统盲分离算法计算量大、收敛性较差的缺点,提出一种改进二阶统计量的盲源分离算法;利用信号的非平稳性,将传感器数据分成不重叠的时间窗,用广义时滞协方差矩阵代替标准协方差矩阵,然后估计每个窗内的时滞协方差矩阵平均值来提高算法的稳健性和精确度.且将该算法成功应用于某风场大型风力机主轴承故障信号的提取中.分析结果表明,该算法可有效分离大型风力机主轴承与其他部件的振动信号,与其他算法相比具有分离精度高、可靠性好等优点,对风力机主轴承的故障诊断十分有效.

摘要： 针对全盲信道辨识算法无法辨识含公零点信道且对信道阶数误差敏感的问题,本文基于信道的CR相关性提出一种简单有效的半盲信道辨识算法。算法通过输出数据构造相关矩阵W,根据相关矩阵W与信道向量的正交性构造约束方程,并利用少量已知符号和改进的最小二乘(Modified least square,MLS)准则建立额外的约束,通过最小二乘法求得信道响应的闭式解。该算法有效地克服了全盲信道辨识算法的诸多局限性,避免了传统半盲方法面临的最优加权选择问题,算法复杂度较低且性能稳定,对信道噪声及信道阶数具有较强的鲁棒性。仿真实验验证了所提算法的有效性与优越性。%Most of blind channel identification algorithms cannot estimate the channel with common zeros and they are sensitive to the channel order error.Here,this paper proposes a new cross-relation-based semi-blind channel identification method.The algorithm uses the output data structure correlation matrix W and builds a linear system of equations based on the orthogonal relationship between matrix W and channel vector.Some known symbols are utilized based on MLS criterion to build other equations.The closed form solution of channel response is derived by the least-square method.The proposed algorithm effectively overcomes many limitations of blind channel identification algorithms,avoids the selection of optimal weighted parameter that commonly appears in the traditional semi-blind methods with strong ro-bustness to channel noise and channel order.Simulation results verify the effectiveness and superiority of the proposed algorithm.

摘要： 为了分选混叠的多个跳频信号的网台,提出一种基于二阶统计量的多跳频信号的盲分离方法,该方法首先根据跳频信号的非平稳和非白化特性构造用于估计分离矩阵的代价函数,然后采用梯度下降法的更新规则进行优化,从而获得最优分离矩阵.仿真结果表明,该方法能较好地实现多跳频信号的离线和在线盲分离,且比其他方法具有更好的噪声抑制能力.

摘要： 为了从混叠的图像信号中分离源图像,提出一种基于二阶统计量的图像盲抽取方法.首先根据图像信号的非平稳特性构造用于估计分离向量的代价函数;然后通过最小化其函数获得最优分离向量,并实现逐次恢复源图像信号的目的.仿真实验结果表明,本文方法不仅能较好地实现多幅图像的盲分离,还能同时分离服从亚高斯分布的图像信号和超高斯分布的语音信号;与其它传统方法相比较,它具有更优越的估计性能.

摘要： 提出了基于二阶统计量精确对角化的语噪盲分离算法。该算法利用两路带噪信号预白化数据的零阶和一阶自相关协方差矩阵，构造了两个2×2对称正定矩阵束，然后采用广义特征值分解的正切算法将这两个矩阵同时精确对角化，并给出了理论证明。与JADE算法和SOBI算法相比，本文算法具有计算简单且运算精度高的优点，克服了JADE算法对于四阶累积量矩阵和SOBI算法对于时滞协方差矩阵均不能精确对角化的缺点。计算机仿真表明在高斯/非高斯噪声条件下，本文算法从带噪信号中分离出语音的性能优于JADE算法和SOBI算法。

摘要： 本文主要将三种典型的基于二阶统计量的盲辨识与盲均衡方法应用于浅海水声信道模型的辨识与均衡，比较几种算法的优劣，寻找适合于水声信道辨识与均衡的方法。总结三种算法性能:(1)对观测数据的依赖程度方面:QR分解算法的收敛速度最快，OPDA算法收敛速度次之，子空间算法的收敛速度最慢。（2）抗噪性方面:OPDA算法抗噪性最强，QR分解算法次之，子空间算法最差。(3)对信道阶数估计依赖程度方面;OPDA算法对信道阶数的估计敏感度最小，QR分解算法次之;子空间算法最敏感。(4）在辨识条件充分时辨识效果比较:子空间算法最好，QR分解算法次之， OPDA算法均衡效果最差。三种信道辨识方法在水声信道条件下表现出了不同的特点，说明几种方法适用场合不同。可以考虑综合利用它们的优点，更好的应用于水声信道辨识。

摘要： 从临床诊断的角度来看，胎儿心电图（FECG）的提取具有非常重要的意义因为它能够提供有关胎儿健康的信息，帮助确定胎儿是否有疾病。在孕妇分娩之前，通常采用无侵入的手段来获取FECG，即将心电图仪的电极放置到孕妇体表来获取孕妇的心电图（MECG），然后从中提取出FECG。FECG的提取问题可以建模成盲源提取问题，为提取胎儿心电信号，对现有的盲源提取算法进行了分析和比较。从算法的复杂度、稳定性、可实现性方面，总结了用于胎儿心电检测的盲提取算法的特点，对胎儿心电盲提取的发展方向进行了展望。发现采用二阶统计量、四阶统计量、非高斯性等代价函数的盲源提取算法，均可以提取出胎儿心信号。采用二阶统计量的算法具有较小的运算量，但该算法需要对胎儿心电的周期进行精确地估计；采用非高斯性代价函数的盲源提取算法具有很好的稳定性，对胎儿心电周期的估计误差不敏感。采用四阶统计量的盲源提取算法需要精确估计胎儿心电的峭度范围，算法稳定性不好。计算机仿真和实际胎儿心电提取试验，验证了以上结论。

摘要： 本文将一种无信号扰动误差的传输方案应用于MIMO盲信道估计。我们分析指出，在无噪声的环境下，一些基于二阶统计量(SOS)的信道估计算法依然会受到信号扰动误差的影响。为了改进这些基于二阶统计量的盲信道估计算法的性能，研究了一种基于发送信号相关矩阵奇异值分解(SVD)的传输方案。新的传输方案的原理是发送一组长度较短的包含发送信号相关矩阵信息的数据至接收端，以抵消信号扰动误差。计算机仿真表明，本文提出的方法在所有信噪比(SNR)范围内，很大地增加了相关矩阵估计和信道估计的精确度，改进了一些基于二阶统计量的盲信道估计算法的性能。

摘要： 利用基于二阶统计量的盲信号分析原理，提取响应信号中的各个模态分量，并针对环境激励的特点提出一种实时分离的方法。在线监控信号中的各个分量大小，在信号的分量改变得时候利用自适应学习算法改变解混矩阵，进行实时分离。提取模态响应后，利用单模态识别算法识别模态参数，也可以用模态响应重构响应信号，然后利用随机子空间算法给出模态识别结果。

摘要： α稳定分布就是一种可以描述实际应用中所遇到的具有非高斯特性的信号模型，其生成序列是具有较多尖峰脉冲特性的随机信号和噪声。由于α稳定分布不存在二阶及二阶以上的统计量，传统基于二阶统计量或高阶统计量盲分离和独立成份分析算法效果不理想，甚至失效。文中简要介绍了稳定分布统计特性，推导了一种适用于α稳定分布噪声下盲信号分离的算法。该算法通过采用差分进化算法对目标函数自动寻最优，求得分离矩阵，从而分离出信号。仿真表明，这种算法是一种在分数低阶α稳定分布背景噪声条件下具有良好分离效果的信号分离提取方法。

摘要： 本文针对卷积混合模型，提出一种仅用二阶统计量的时域盲分离算法。通过直接在时域上定义的代价函数，采用最速下降法搜索多项式矩阵，使观测值构成的空时相关矩阵联合对角化，从而实现了源信号卷积混合的盲分离。仿真结果表明应该盲分离算法不仅能有效分离非平稳、非白色的源信号，而且避免了频域盲分离算法中固有的分离信号排列顺序不确定所引起的频率置换模糊。

摘要： 本文提出了一种改进的基于自相关匹配(AM)原理的多输入多输出(MIMO)信道盲均衡方法.在改进方法中,每次选择两个接收信号作为一个组合,列出所有的组合情况.然后,对每一种组合情况,分别使用基本的AM方法以得到一个均衡后的输出信号.最后,这些输出信号通过一定的方式进行合并,从而恢复出发送信号.仿真结果表明这种改进可以改善系统的误比特率(BER)性能.

摘要： 本发明属于阵列信号处理技术领域，公开了基于二阶统计量的近场源定位方法。首先，建立均匀圆阵下的近场源模型；随后，对均匀圆阵观测数据的协方差矩阵进行特征值分解，构造出信号子空间和噪声子空间；其次，利用二阶统计量确定方位角和俯仰角的空间谱，通过谱峰搜索确定近场源的方位角和俯仰角；最后，将确定的方位角和俯仰角分别代入近场源的导向矢量，利用一维多重信号分类(1‑D MUSIC)方法确定每个近场源的距离。本发明优点是1)无需对近场源的二维波达方向和距离参数进行分离，且只需进行一次特征值分解，有效降低计算复杂度；2)近场源的二维波达方向和距离参数能够实现自动配对。

摘要： 本发明涉及信号处理技术领域，具体提供了一种基于二阶统计量相似度的杂波协方差矩阵估计方法，用于空时自适应处理时杂波协方差矩阵的估计，首先通过滑窗方式在待处理单元附近取出原始的样本，然后估计每个样本的二阶统计量，接着，根据待处理单元与原始样本二阶统计量估计待处理单元与原始样本的相似度，在估计待处理单元协方差矩阵的时候，在每个训练样本前加上相似度的权值，如果某样本与待处理单元比较相似，则在估计待处理单元协方差矩阵的时候该训练样本所占比重较大，从而提高待处理单元杂波协方差矩阵估计的精度；该方法可以较精确地估计待处理单元的协方差矩阵，提高机载雷达的探测性能。

摘要： 本发明公开了一种基于二阶统计量的异构无线网络的协作式频谱感知方法，本发明为了解决现有异构网络频谱感知策略要求频段是稀疏的问题，提出了一种基于二阶统计量检测的协作式频谱感知策略。本发明利用授权频段上各类信号之间不存在相关性这一特点，首先选择感知用户中瞬时信道条件最好的几个用户作为感知中心，然后利用它们去检测各类信号在授权频段上的占用情况。在判断某类信号在授权频段上的使用情况时，可利用本发明策略将其它类信号的影响去除，即保证检测的准确性和可靠性又不增加检测复杂度。

摘要： 本发明公开了一种用于上行多用户MIMO系统中基于二阶统计量的信道估计方法，包括以下步骤：第一步：训练序列矩阵P叠加到数据矩阵S上作为发送信号X一起发送；第二步：接收方接收信号，然后利用已知的训练序列P估计出信道参数矩阵第三步：将接收信号减去训练序列产生输出的部分后，求出其样本协方差∑；第四步：对信道参数矩阵进行奇异值分解，通过主成分分析法进一步估计信道参数矩阵G。利用该方法估计出的信道矩阵进行解码，解码时具有较低的误码率。

摘要： 本发明属于信号处理领域，具体涉及一种基于矩阵补全的二阶统计量重构DOA估计方法。本发明基于矩阵补全理论，提出一种基于矩阵补全的二阶统计量重构DOA估计方法。首先，基于矩阵补全方法，引入弹性正则化因子将接收信号协方差矩阵重构为无噪声协方差矩阵；而后在二阶统计量域下通过矩阵求和平均将无噪声协方差矩阵多矢量问题转化为单矢量问题；最后利用稀疏重构加权l1范数实现DOA参数估计。本发明能显著抑制非均匀噪声影响，具有较好的DOA参数估计性能，且在低信噪比条件下，所提算法具有较高的角度估计精度和分辨力。

摘要： 本发明公开了一种基于监控二阶统计量的传感器精度下降故障检测方法，属于工业监测和故障诊断领域，该方法包括：采集工业过程正常工况下的一段传感器测量数据作为训练数据集；计算各个窗口内测量变量的样本方差，从而得到测量变量的二阶统计量构成的数据矩阵；建立所构造的数据矩阵的主元分析模型，并计算组合指标的故障检测控制限；采集工业过程实时工况下的传感器测量数据作为测试数据，测试数据中的测量变量与训练数据集的测量变量相对应；构造测试数据的二阶统计量向量，计算得到测试数据的故障检测组合指标；将故障检测组合指标的值与控制限进行对比。本发明有效地实现工业过程传感器精度下降故障的检测。

摘要： 一种基于特征值对角加载和构造二阶统计量的信源数估计方法，针对天线阵列观测信号，计算其样本协方差矩阵，并对样本协方差矩阵进行特征值分解得到特征值序列，然后对特征值序列进行对角加载，再针对加载后的相邻特征值计算其差分值，并计算差分值的统计方差，然后再构造差分值的二阶统计量，根据二阶统计量的分布规律即可得到信源数的估计值。本发明提出的信源数估计方法具有较为广泛的适用性，既适用于经典渐近体系下的信源数估计，也适用于一般渐近体系下的信源数估计；既适用于高斯白噪声环境下的信源数估计，也适用于色噪声环境下的信源数估计；为电磁环境中辐射源的数量估计、信号波达方向估计等要求信源数作为条件的技术提供重要支撑。

摘要： 本发明公开了一种基于二阶统计量的空频分组码信号盲识别方法。该方法具体包括以下步骤：构造不同接收天线接收信号的二阶统计量，然后进行傅里叶变换（DFT）得到频谱图；通过检测频谱图是否存在峰值区分SM‑OFDM和AL‑OFDM信号。其中峰值检测方法具体是根据二阶统计量的周期性，可以推测有16个尖峰，因此可以通过检测峰值的数量，若检测出16个峰值，则判定为AL‑OFDM信号，否则判定为SM‑OFDM信号；或者通过检测峰值间距离，若距离为二阶统计量序列的1/16，则判定为AL‑OFDM信号，否则判定为SM‑OFDM信号。

摘要： 本发明属于阵列信号处理技术领域，公开了基于二阶统计量的近场源定位方法。首先，建立均匀圆阵下的近场源模型；随后，对均匀圆阵观测数据的协方差矩阵进行特征值分解，构造出信号子空间和噪声子空间；其次，利用二阶统计量确定方位角和俯仰角的空间谱，通过谱峰搜索确定近场源的方位角和俯仰角；最后，将确定的方位角和俯仰角分别代入近场源的导向矢量，利用一维多重信号分类(1‑D MUSIC)方法确定每个近场源的距离。本发明优点是1)无需对近场源的二维波达方向和距离参数进行分离，且只需进行一次特征值分解，有效降低计算复杂度；2)近场源的二维波达方向和距离参数能够实现自动配对。

摘要： 本发明属于信号处理领域，具体涉及一种基于矩阵补全的二阶统计量重构DOA估计方法。本发明基于矩阵补全理论，提出一种基于矩阵补全的二阶统计量重构DOA估计方法。首先，基于矩阵补全方法，引入弹性正则化因子将接收信号协方差矩阵重构为无噪声协方差矩阵；而后在二阶统计量域下通过矩阵求和平均将无噪声协方差矩阵多矢量问题转化为单矢量问题；最后利用稀疏重构加权l1范数实现DOA参数估计。本发明能显著抑制非均匀噪声影响，具有较好的DOA参数估计性能，且在低信噪比条件下，所提算法具有较高的角度估计精度和分辨力。