非高斯噪声

摘要： 随着频率使用设备的激增和大数据时代的到来,频谱管理和控制面临着有效性和准确性的挑战。调制分类技术是频谱管理和控制的基础,也是其关键部分。因此,在大数据场景下进行有效的调制分类技术非常重要。本文不仅考虑了大数据背景下分类模型的有效性,还考虑了复杂电磁环境中噪声的动态性。因此,构建了一个包含不同信噪比下不同信号的大数据集,并利用大数据驱动深度学习模型,最终得到调制分类的结果。该方法只需训练一个模型即可实现调制分类,避免了以往算法中模型训练的冗余。仿真结果验证了该方法的有效性和可靠性。

摘要： 针对目标跟踪中运动模型不精确和测量异常导致的传统滤波算法精度下降问题,提出了一种鲁棒平方根连续-离散自适应最大相关熵容积卡尔曼滤波(RSRCD-AMCCKF)算法。在目标跟踪问题中采用了精度更高的连续-离散时间模型,提高了目标跟踪的解算精度;将加权最小二乘方法与传统最大相关熵准则相结合,得到改进的相关熵代价权函数,之后引入连续-离散时间滤波框架,提高了滤波算法在测量异常情况下的鲁棒性;以高斯核函数作为相关熵的调整因子,依据不同测量环境选择自适应因子,进而对观测噪声的协方差矩阵进行调整。仿真结果表明:与传统算法相比,当测量噪声为高斯噪声时,RSRCD-AMCCKF算法对目标位置和速度估计的精度分别提高了38.4%和27.3%;当测量噪声为非高斯噪声时,RSRCD-AMCCKF算法对目标位置和速度估计的精度分别提高了23.5%和23.9%;当测量值发生突变时,RSRCD-AMCCKF算法对目标位置和速度估计的精度分别提高了12.6%和7.1%。RSRCD-AMCCKF算法在各类测量条件下都具有更高的精度和鲁棒性,更接近目标跟踪的克拉美罗下界,能够较好地实现滤波精度和抗异常测量的统一。

摘要： 扩散式子带自适应滤波(Diffusion Subband Adaptive Filtering, DSAF)算法是针对分布式估计中输入信号存在相关性的一种有效解决方案。但现实世界中广泛存在的具有脉冲特性的非高斯噪声会导致传统的DSAF算法性能下降甚至完全失效。同时,水声通信、电话会议等实际应用场合中待估计系统常呈现出稀疏特性,传统的DSAF算法并未充分利用该特性。为此基于稳健估计理论和稀疏信号处理方法深入研究了非高斯噪声下稀疏系统的改进扩散式子带自适应滤波算法,并在不同脉冲性的非高斯噪声环境下对稀疏系统中的改进算法进行了仿真,验证了改进扩散式子带自适应滤波算法的有效性。

摘要： 本文介绍了大偏差理论的基本思想及其在非高斯随机动力系统的离出问题研究中的应用.依据不同的非高斯噪声类型,本文分别评述了随机混合系统、指数轻跳跃过程和α稳定Lévy噪声驱动的随机动力系统的离出问题的主要研究方法和近期研究进展.针对随机混合系统,本文介绍了利用随机微分方程对其进行近似的拟稳态扩散近似方法,计算拟势和最优离出路径的WKB近似方法与细致平衡条件的研究,以及求解随机混合系统的简化版本(即生灭过程)的离出问题的研究进展.对于指数轻跳跃过程驱动的随机动力系统,本文介绍了其大偏差原理和中度偏差原理的泛函极值问题的建立,拟势概念的定义和平均离出时间的估计.针对具有α稳定Lévy噪声的随机动力系统,本文介绍了计算平均首次离出时间和离出概率的理论和数值方法,计算最优离出路径的Onsager-Machlup理论、机器学习方法、最大似然法和数据驱动方法.最后,给出了非高斯随机动力系统的离出现象相关的一些开放性问题.

摘要： 为了提高无线电协作频谱感知能力,以非高斯噪声作为设计背景,结合现有资源的调度与分配方式,设计了一种无线电协作频谱感知方法.首先,分析主用户信号强度,融合无线电通信信道,构建非高斯噪声稳定分布的感知模型,利用能量检测法在线检测无线电协作频谱能量.其次,离散处理能量信号,设定虚警概率指标,由此得到无线电协作频谱感知门限.最后,利用低阶分数计算,融合处理感知结果,完成对无线电协作频谱的感知.通过实验证明,设计的感知方法能够根据中心极限定理理论进一步推导出感知信道在无衰落时的性能,证明设计方法能够有效降低背景噪音对感知结果造成的影响,进一步提高感知性能.

摘要： 为增强机载捷联惯导系统(SINS)在自标定过程中的可观测性,提升陀螺仪漂移和加速度计零偏估计的速度和精度,引入星敏感器姿态信息和GPS速度信息,辅助完成捷联惯导系统的空中标定;同时,考虑在实际空中飞行条件下,受气流、电磁干扰等影响,姿态和速度的量测噪声呈非高斯分布且噪声统计特性不精确,导致经典卡尔曼滤波性能降低;为有效利用量测信号中的高阶矩信息,在卡尔曼滤波中采用最大熵准则代替最小均方误差准则,对星敏感器辅助下的机载捷联惯导系统的误差进行标定;仿真结果表明,经最大熵卡尔曼滤波后,惯性器件误差的标定精度明显提升;在采用星敏感器后,对陀螺仪漂移的标定速度和精度都得到了提升。

摘要： 在复杂的工业生产过程中,控制系统不可能工作在理想的状态,其总会受到外界各种各样的影响,比如,在对反馈信号进行测量时,控制系统不可避免地会受到高斯测量噪声以及非高斯测量噪声的影响;为了降低测量噪声的影响,通常会将各种各样的滤波技术应用到控制系统中来,以此提升控制系统的性能;以孤岛微电网的频率控制系统为研究对象,考虑了当反馈回路有高斯分布测量噪声和非高斯分布测量噪声的两种情况,针对这两种测量噪声信号在模型中引入了动态数据校正滤波技术,分别对比了有无使用动态数据校正滤波技术时电网的频率偏差的方差大小,以此验证了动态数据校正滤波技术在微电网反馈控制回路中可有效抑制测量噪声的影响从而提升微电网频率控制性能。

摘要： 针对非高斯目标动态模型不确定性粒子滤波问题,提出改进的基于模糊C-回归聚类的T-S模糊模型粒子滤波算法。采用T-S模糊模型语义模糊集表示空间特征信息从而高精度近似动态模型,提出基于熵的模糊C-回归聚类方法从而自适应地识别T-S模糊模型的前提参数,调整模型的权重,并使用卡尔曼滤波识别结论参数。通过T-S模糊模型构造重要性密度函数提高采样粒子的鲁棒性和多样性,进一步改进了算法的计算复杂度。仿真验证结果表明,在运动方向突然改变或目标动态模型的先验信息不准确时,该方法可以准确快速地跟踪机动目标。

摘要： 本文考虑非高斯噪声下传感器网络的状态估计问题.在机动目标跟踪、室内定位、水声导航等应用中,传感器的非高斯噪声会造成针对高斯噪声设计的常规状态估计算法精度下降.在现有针对单传感器系统的基于多变量Laplace(Multivariate Laplace,ML)鲁棒状态估计(Robust State Estimation based on ML,RSE-ML)算法基础上,本文借助信息滤波的特点,推导了针对多传感器系统的集中式RSE-ML(Centralized RSE-ML,CRSE-ML)算法,进一步利用一致性平均得到分布式RSE-ML(Distributed RSE-ML,DRSE-ML)算法.本文提出的DRSE-ML算法中利用ML建模非高斯噪声,借助变分贝叶斯方法估计噪声和状态参数,采用一致性算法进行分布式信息交互,克服了集中式算法通信和计算负担重的缺点,且具有自由参数少、估计精度高的特点.仿真结果表明,所提出的DRSE-ML算法估计精度优于现有相关算法,且能逼近集中式CRSE-ML算法的估计精度.

摘要： 由于实际海洋环境中存在大量的非高斯噪声,一些基于高斯假设的传统去噪方法在实际海洋环境中性能下降甚至失效.针对非高斯噪声,如α稳定分布噪声、非平稳行船噪声下的脉冲信号的去噪与重构,该文提出一种基于深度学习的方法.去噪模型首先通过学习带噪信号短时傅里叶变换谱与残差谱之间的映射关系以去除环境噪声,之后对去噪信号的时频谱进行逆变换重构脉冲信号.仿真实验结果表明,深度学习模型在非高斯噪声环境下脉冲信号的去噪与重构任务中有着良好的表现,在实测样本上也表现出良好的泛化性,体现了一定的工程应用价值.

摘要： 本文研究了非高斯噪声激励下含周期信号的FHN模型的动力学行为。通过计算神经元的平均响应时间，观察噪声对神经元的共振活化和噪声增强稳定现象，分析了非高斯噪声对神经元动力学行为的影响。发现通过改变非高斯噪声的相关时间可以有效的改变共振活化和噪声增强稳定现象。观察到在强相关噪声下不同强度的噪声抑制了神经元的噪声增强稳定现象而共振活化现象几乎不变，也就是噪声有效地增强了神经响应的效率。观察了平均响应时间与非高斯噪声参数q之间的关系，当q为一个有限的小于1的值时，平均响应时间取得最小值。最后表明在一定条件下，非高斯噪声出现重尺度现象，即非高斯噪声产生的效果可以由高斯白噪声来估计。

摘要： 在前馈主动噪声控制中，由于基于高斯噪声假设的均方误差准则算法仅考虑了二阶统计量，忽略了实际应用中大量存在的非高斯噪声的影响，因此不能满足对非高斯噪声的控制效果。考虑信息熵包含信号全部高阶信息的优势，定义Renyi二次熵作为性能指标，采用基于Renyi二次熵的信息梯度下降算法实现自适应FIR控制器，并基于Parzen窗估计方法，给出了控制器自适应学习规律，分析了自适应控制器的收敛条件，应用于非高斯噪声控制系统。单频和实测宽带非高斯噪声的仿真结果表明该算法对非高斯噪声有效，与传统FX-LMS算法比较有更强消噪能力。

摘要： 非高斯噪声的干扰问题在通信过程中是经常出现的.高阶累积量广泛应用于通信过程中非高斯环境的信号检测问题.首先用高阶累积量方法讨论了非高斯噪声中确定性信号的检测问题,设计了广义匹配滤波器,并与传统的匹配滤波相关检测器的检测性能进行比较,验证了所述算法的有效性.

摘要： 针对粒子滤波存在粒子退化、对航空发动机气路突变故障反应迟缓等问题,考虑航空发动机非线性、非高斯的特点,提出一种教与学优化粒子滤波(TLBO-PF)算法.该算法将教与学优化算法引入粒子滤波,并结合粒子滤波的特点引入几种学习策略提高收敛速度和精度.仿真研究表明:TLBO-PF算法与PF算法相比,在高斯噪声和非高斯噪声情况下,航空发动机突变故障诊断精度分别提高了47.95％和49.55％,诊断速度分别提高了16.67倍和31倍.

摘要： 为了对随机共振现象的发生及相应机制进一步解释，作者对随机共振的若干基础问题进行了研究:(1)一类线性阻尼振子的随机共振研究，可分为过阻尼和欠阻尼两种情况。研究发现该线性系统中存在三种不同形式的随机共振。特别在欠阻尼情形下，当乘性噪声强度和调制噪声强度的比值大于1时，系统出现随机多共振现象；(2)非高斯噪声激励下非线性系统的随机共振研究。对非高斯噪声激励下的非对称双稳系统、激光模型、FHN神经元模型的随机共振和平均首次穿越时间进行了研究；(3)时滞系统的随机共振和自随机共振研究。

摘要： 为了保证测量效果,采用窄带滤波对船舶轴频电场信号进行预处理,在此基础上,建立基于BP神经网络自适应噪声抵消系统对船舶轴频电场信号进行提取。

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： 采用广义匹配滤波器在功率谱未知的非高斯噪声中检测宽带信号.在估计功率谱时,为了减小周期图法谱估计产生的误差,采用平滑周期图法来估计非高斯噪声的功率谱,并在此基础上对信号进行恒虚警概率损失下的广义匹配检测.实验表明,用平滑周期图法估计功率谱并进行的广义匹配检测,其检测性能稍弱于功率谱取真值时的检测,但远远优于传统的匹配滤波器.

摘要： 采用一种将小波变换方法与移动中值滤波方法相结合的混合方法来校正数据.通过仿真和结果对比,表明该方法在过程测量数据同时含有高斯噪声和非高斯噪声(离群点)的情况下具有较好的鲁棒性.

摘要： EM算法是近些年来常用的求解缺失数据时的迭代算法，EM算法的优点是简单易行性与普遍适用性，但是EM算法有一个致命缺点就是收敛速度慢，基于此提出了Aitken-EM加速算法。在多用户检测中应用Aitken-EM加速算法，在不同的噪声环境下进行仿真，对比EM算法下的误码性能与收敛性能，试验结果显示，将Aitken算法与EM算法结合实现了稳定收敛的同时收敛速度也得以提升。

摘要： 本发明公开了一种非稳态非高斯观测噪声建模方法，用于目标跟踪系统的滤波器状态估计过程中对观测噪声的处理。本发明的主要特征在于：利用高斯混合模型对非稳态非高斯观测噪声进行近似，混合模型中高斯成员的分布参数融合在滤波器的迭代过程中进行计算和更新，能针对观测噪声统计特性的变化在线调节。在滤波器的每一次迭代处理中，高斯成员的分布参数分为先验参数和后验参数。先验参数由上一次迭代获得的参数估计结果进行计算，后验参数通过极大似然估计求取。利用后验分布参数构建高斯成员分布，并组成观测噪声的高斯混合近似模型，该模型能够保证滤波器精度维持在较高水平。本方法对于观测噪声的建模具有较高精度和较强鲁棒性。

摘要： 本发明公开了一种非稳态非高斯观测噪声建模方法，用于目标跟踪系统的滤波器状态估计过程中对观测噪声的处理。本发明的主要特征在于：利用高斯混合模型对非稳态非高斯观测噪声进行近似，混合模型中高斯成员的分布参数融合在滤波器的迭代过程中进行计算和更新，能针对观测噪声统计特性的变化在线调节。在滤波器的每一次迭代处理中，高斯成员的分布参数分为先验参数和后验参数。先验参数由上一次迭代获得的参数估计结果进行计算，后验参数通过极大似然估计求取。利用后验分布参数构建高斯成员分布，并组成观测噪声的高斯混合近似模型，该模型能够保证滤波器精度维持在较高水平。本方法对于观测噪声的建模具有较高精度和较强鲁棒性。

摘要： 本发明公开了一种非高斯Lévy噪声下的锂离子电池SOC估计方法，涉及新能源汽车电池管理技术领域。本发明包括设计电化学测试实验，引入分数阶算子，建立锂离子电池分数阶等效电路模型；设计充放电特性实验，获取模型参数临界数据，通过脉冲测试方法获得电池开路电压和SOC之间的函数关系；采用免疫遗传算法辨识分数阶模型参数；构造非高斯Lévy噪声序列，模拟系统随机干扰；利用改进分数阶卡尔曼滤波方法估计锂离子电池SOC，本发明利用了分数阶算子的记忆特性，更好地刻画了电池内部电化学过程及外部充放电物理特性；在车辆复杂运行工况下，所引入非高斯Lévy噪声环境提升了分数阶卡尔曼滤波估计算法在实际工程应用中的匹配性。

摘要： 本发明公开了一种基于盲源分离的水声信号高斯/非高斯噪声抑制方法，用于水声通信信号去噪。首先基于水声信号稀疏特性，采用稀疏编码理论预先去除高斯噪声，包括基于拉普拉斯分布模型构造稀疏惩罚函数，求解在极大似然估计情况下的稀疏分量。然后基于水声信号的非高斯特性，将非高斯随机噪声视作源信号，基于改进灰狼优化算法求解水声信号盲源分离问题。最后基于分离后信号和接收信号之间的相关系数矩阵提取目标信号，去除非高斯噪声。本发明能有效抑制复杂水声环境中高斯和非高斯噪声，提高水声信号接收质量。

摘要： 本发明提出了一种基于高斯混合模型的非高斯噪声模型建立方法，首先建立基于概率密度函数的高斯混合模型GMM，得到参数向量的迭代公式；再以最短描述长度MDL为目标函数，通过合并分裂方法SMEM确定混合分量数，估计出高斯混合模型GMM参数；最终根据高斯混合模型GMM和估计出高斯混合模型GMM参数，通过EM算法和KL三都，得到GMM模型参数，完成高斯混合模型；本发明以KL散度为子模型分裂的判别准则，以模型相似度为子模型合并的判别准则，对KL散度最大且分裂后MDL减小的子模型进行分裂，对模型相似度最大并且合并后MDL值减小的子模型对进行合并；以此来控制混合分量数的数量；合并操作以模型相似度为判别准则不需要遍历所有子模型，减少了计算量。

摘要： 本发明公开了一种基于盲源分离的水声信号高斯/非高斯噪声抑制方法，用于水声通信信号去噪。首先基于水声信号稀疏特性，采用稀疏编码理论预先去除高斯噪声，包括基于拉普拉斯分布模型构造稀疏惩罚函数，求解在极大似然估计情况下的稀疏分量。然后基于水声信号的非高斯特性，将非高斯随机噪声视作源信号，基于改进灰狼优化算法求解水声信号盲源分离问题。最后基于分离后信号和接收信号之间的相关系数矩阵提取目标信号，去除非高斯噪声。本发明能有效抑制复杂水声环境中高斯和非高斯噪声，提高水声信号接收质量。

摘要： 本发明公开了一种非平稳非高斯噪声的滤除方法及系统。所述滤除方法包括：获取实测功率信号序列；所述实测功率信号序列包括多个功率信号；对所述实测功率信号序列进行逐点处理，构建解析序列；确定所述解析序列的伪Wigner‑Ville分布；获取所述实测功率信号序列的采样频率以及主频；根据所述采样频率以及主频确定时间窗口长度；根据所述时间窗口长度以及所述伪Wigner‑Ville分布确定恢复功率信号序列；所述恢复功率信号序列为滤除非平稳非高斯噪声的功率信号序列。采用本发明所提供的非平稳非高斯噪声的滤除方法及系统，能够有效滤除功率信号序列中的非平稳非高斯噪声。

摘要： 本发明公布了非高斯噪声下电力线载波通信压缩感知信道估计方法，所述方法包括3个步骤：S1：建立非高斯环境下电力线信道估计模型；S2：对传统信道估计算法进行评估；S3：建立非高斯环境下信道估计方法；所述传统信道估计算法在本发明中指的是最小二乘信道估计算法以及正交匹配追踪算法，利用高斯混合密度对噪声统计特性进行描述，在此基础上，结合信道系数的稀疏特性对信道系数进行估计，提高了信道估计性能，有效的解决了现有技术存在的传统的基于压缩感知的电力线载波通信信道估计方法，在非高斯环境下，信道估计方法性能下降的问题。

摘要： 本发明属于认知无线通信中MIMO系统参数估计技术领域，公开了一种非高斯噪声干扰下的MIMO系统空时模式识别方法及系统，所述非高斯噪声干扰下的MIMO系统空时模式识别方法包括：利用广义互相关熵对观测信号进行处理，构建广义互相关熵特征矩阵；对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵和误差矩阵；通过利用峰值矩阵构造检测统计量，利用误差矩阵设计检测门限，并采用判决树分类器依次识别四种空时模式。本发明的非高斯噪声干扰下MIMO系统空时模式识别方法效果较好，可有效实现高斯噪声和非高斯噪声干扰条件下MIMO‑OFDM系统空时模式识别。当信噪比高于2dB时，本发明正确识别概率达到90％以上。

摘要： 可处理非高斯噪声和不良数据的同步发电机状态估计方法，包括：1)初始化估计器参数值；2)利用无迹卡尔曼滤波方法的预测步，计算k时刻的状态预测值和状态预测误差协方差矩阵3)根据量测函数h，计算k时刻的量测预测值和量测预测误差协方差矩阵4)计算k时刻的状态预测和量测预测之间的交互协方差矩阵结合状态预测值和量测值，建立线性批处理回归模型并进行白噪化处理；5)利用基于指数绝对值的改进算法求解白噪化处理后的线性批处理回归模型得到状态估计结果6)重复2)‑5)直至满足时迭代停止；7)输出动态状态估计结果并利用影响函数计算k时刻的估计误差协方差本发明能够有效抑制不良数据和非高斯噪声等影响。