分数低阶α稳定分布下DLMP算法的收敛特性分析

DLMP算法是一种在高斯和分数低阶α稳定分布噪声环境下均具有良好韧性的EP信号潜伏期变化检测算法.本文基于分数低阶统计量的原理,根据确定性平均方法,结合文中给出并证明的两个引理,对DLMP算法的收敛性能进行了理论分析和证明.结果表明,若EP潜伏期变化为EP信号采样间隔的整数倍,则DLMP算法对这种变化的估计是无偏估计.若整数倍的条件不满足,则DLMP算法的估计偏差不大于半个采样间隔.     

基于分数低阶统计量的盲多用户检测算法

多用户检测算法是抑制CDMA系统中多址干扰的重要手段,但广泛存在的非高斯信道噪声会降低以往的基于高斯噪声模型假设的算法性能.本文采用α稳定分布作为噪声模型,提出了基于分数低阶统计量的盲多用户检测算法,并对该算法进行了理论分析.仿真和分析表明,该算法具有很好的韧性,同时适用于高斯噪声和脉冲噪声环境.     

基于分数低阶统计量的线性约束恒模盲自适应波束形成方法

为解决传统恒模波束形成算法在受冲击噪声污染的无线环境中的性能退化问题,本文提出基于分数低阶统计量的线性约束恒模盲自适应波束形成方法,并从理论上分析了算法收敛条件。仿真实验表明,在稳定分布噪声下,新方法具有比传统恒模波束形成方法更好的韧性,而且比线性约束最小平均P范数波束形成方法具有更高的输出信干噪比,即使在强脉冲干扰环境下新方法仍具有较好的信号恢复能力。     

分数低阶循环统计量及其在脉冲噪声环境下时延估计中的应用

本文以α稳定分布作为噪声模型,研究了非高斯噪声对传统的二阶循环统计量的影响,提出了分数低阶循环统计量的概念,研究并证明了其性质。在此基础上提出基于分数低阶循环统计量的新的时延估计方法—RCCC(Robust Corre- lated Cyclic Covariation)。计算机模拟表明,这种算法是一种在高斯和α稳定分布噪声条件下具有良好韧性的时延估计方法。     

分数低阶噪声的频域处理及在通信中的应用

针对传统的信号处理中采用基于高斯分布与二阶统计量的方法会受到对信号噪声模型假设的限制,提出了非高斯分数低阶噪声理论与通信信号处理等领域的实际问题密切结合,改造现有的信号处理中的频域相关处理技术.本文介绍了α稳定分布模型与分数低阶矩理论,分析和总结了传统的信号处理方法在通信中的应用以及其极限性,对下一步的研究进行了总结与展望,分析了基于频域的分数阶噪声在通信中的应用前景.     

基于分数低阶统计量的双谱及其估计方法

稳定分布可更好地描述实际中所遇到的具有显著脉冲特性的随机噪声.为了更好地抑制信号背景中的非高斯噪声,本文提出了基于分数低阶的双谱定义,并给出在分数低阶有色噪声背景下双谱非参数和参数模型的估计方法.仿真结果表明,同传统的双谱估计相比较,非参数法分数低阶双谱估计能有效的识别信号,保留了信号的幅度和相位信息,但存在较大的估计方差.基于AR模型的分数低阶双谱估计具有最大的谱平坦度,能够有效地抑制噪声,具有良好的韧性.     

基于分数低阶本征滤波的雷达目标检测方法

在非高斯相关杂波背景下,通常杂波分布的概率密度函数结构复杂甚至无闭式表达,难以建立统计检测模型。针对此问题,以α稳定分布为背景,基于分数低阶统计量和最佳滤波器理论,以滤波器输出分数低阶信杂比最大为准则,给出了一种分数低阶本征滤波(FLOEF)模型。该模型利用杂波的分数低阶协方差矩阵对非高斯相关杂波进行白化,可显著改善信杂比,实现非高斯相关杂波背景下雷达目标的有效检测。通过仿真和实测数据给出了FLOEF在不同条件下的检测性能,并同传统基于二阶统计量的本征滤波进行了比较,结果验证了FLOEF的优越性。     

基于分数低阶协方差的AR SαS模型α谱估计

根据自回归(AR) SαS模型的α谱,分析了基于分数低阶矩(FLOM)法估计AR SαS模型参数的不足.提出了一种基于分数低阶协方差(FLOC)的AR SαS模型参数估计方法,并给出了基于FLOC的AR SαS模型α谱方法.分别对AR SαS模型参数的估计、α稳定分布噪声中单一正弦信号的估计和两个正弦信号的分辨进行了仿真.仿真结果表明,基于FLOC的AR SαS模型α谱估计方法对于不同的α值均具有较好的韧性.特别是在α值较小,即α稳定分布噪声概率密度函数(PDF)拖尾比较严重时,本文所提出的基于FLOC的AR SαS模型α谱估计方法,其性能明显优于基于FLOM的AR SαS模型α谱估计方法.     

基于低阶预白化与新型网络传递函数的盲源分离方法

α-稳定分布可以更好地描述实际应用中所遇到的具有显著脉冲特性的随机信号和噪声。与其它统计模型不同, α稳定分布没有统一闭式的概率密度函数,其二阶及二阶以上统计量均不存在。本文先简要介绍稳定分布统计特性,再提出了适用于盲信源分离的神经网络结构与基于分数低阶统计量与子空间技术的预白化过程,并利用一种新型传递函数修正了分离算法,提出了一种基于分数阶预白化与新型传递函数的盲信源分离方法。计算机模拟和分析表明,这种算法是一种在高斯和分数低阶α稳定分布噪声条件下具有良好韧性的盲信源分离方法,是对传统的二阶统计量基础上的盲信源分离方法的改造与推广。     

基于滑动窗与韧性函数的递归最小p范数滤波方法

稳定分布可以更好地描述实际应用中所遇到的具有显著脉冲特性的随机信号和噪声。与其它统计模型不同, 稳定分布没有统一闭式的概率密度函数,其二阶及二阶以上统计量均不存在。针对系统中存在独立SS噪声与高斯噪声,该文基于SSG分布模型,提出了一种混合噪声环境下基于滑动窗与韧性函数自适应广义递归最小p范数滤波算法,并对算法进行了分析。计算机模拟和分析表明,这种算法是一种在SSG分布背景噪声条件下具有良好鲁棒性的方法。     

Novel method based on fractional lower-order correntropy-analogous statistics for parameter jointly estimation in bistatic MIMO radar

According to the performance degradation problem of parameter estimation algorithm in the Alpha stable dis-tribution noise, inspired by the concept of correntropy, a new class of statistics, namely, the fractional lower-order cor-rentropy-analogous statistics (FCAS) was proposed. By employing the fractional lower-order correntropy-analogous sta-tistics based cost function in parallel factor (PARAFAC), the FCAS-PARAFAC algorithm was deduced which can be utilized for the parallel factor under impulsive noise environments. The FCAS-PARAFAC algorithm was applied to pa-rameter estimation in bistatic MIMO radar under impulsive noise environment. The proposed method can suppress the impulse noise interference and has better estimation performance. Furthermore, the estimated parameters are automati-cally paired without the additional pairing method. Simulation results are presented to verify the effectiveness of the pro-posed method.     

基于分数阶谱的频域广义白化滤波方法

在简要介绍稳定分布统计特性的基础上,描述了稳定分布的谱表示,提出了一种不同于二阶过程功率谱的共变谱密度概念及基于共变函数与共变谱密度的稳定分布白噪声的概念及其判断标准,对传统意义上的白噪声进行了广义化,并依据稳定分布的参数模型,论述了一种基于α谱的频域广义白化滤波方法。仿真实验表明,这种算法是一种在高斯和分数低阶α稳定分布噪声条件下具有良好韧性的白化滤波方法,是对传统的二阶统计量基础上的白化滤波方法的改造与推广。     

脉冲噪声环境下改进的顽健循环时延估计算法

研究了脉冲噪声环境下循环平稳信号的时延估计问题,针对脉冲噪声环境中基于传统二阶谱相关函数的时延估计方法性能退化问题,提出了基于分数低阶循环谱的改进顽健算法。相对于传统算法,新算法对脉冲噪声、高斯噪声、干扰信号都具有较好的抑制作用。仿真结果证明了算法的有效性和顽健性。     

认知无线电中非高斯噪声下数字调制信号识别方法简

针对认知无线电系统中传统数字调制识别方法在非高斯Alpha稳定分布噪声下识别性能差、计算复杂度高的问题,提出了一种基于分数低阶循环谱相关系数的数字调制识别新方法。该方法提取分数低阶循环谱截面和频率谱截面以及其投影面的5个相关系数作为识别特征参数,并采用判决树分类器,实现了非高斯噪声下数字调制信号识别。仿真结果表明,在非高斯Alpha稳定分布噪声下,该识别方法不仅具有较高的识别率和良好的稳健性并且计算复杂度更低,更适合于认知无线电系统。     

稳定分布多项式自回归有色噪声及其白化方法

本文提出了一种稳定分布白噪声的概念及其判断标准,对传统意义上的白噪声进行了广义化,提出了一种非线性系统中稳定有色的噪声概念并建立其非线性PAR模型,提出EIRLP算法对多项式自回归稳定有色噪声的模型参数进行估计,并探讨了其白化方法.计算机模拟表明,这种算法是一种在高斯和分数低阶稳定分布噪声条件下具有良好韧性的白化滤波方法.     

基于SαSG分布噪声模型的自适应混合矩滤波方法

α-稳定分布可以更好地描述实际应用中所遇到的具有显著脉冲特性的随机信号和噪声.与其他统计模型不同,α-稳定分布没有统一闭式的概率密度函数,其二阶及二阶以上统计量均不存在.针对系统中存在独立SαS噪声与高斯噪声,基于SαSG分布模型,提出了一种稳定分布与高斯混合噪声环境下的自适应混合矩滤波的修正RMN（混合参数）算法,并对算法进行了步长归一化改进.计算机模拟和分析表明,这种算法是一种在SαSG分布背景噪声条件下具有良好韧性的滤波方法.     

基于分数低阶矩的非整数时间延迟估计方法

依据信号的噪声特性和分数低阶矩理论,提出一种基于最小平均p范数的非整数时间延迟估计方法(称为LMPFTDE算法)。该算法是对直接估计非整数采样间隔的时间延迟估计算法(ETDGE)的广义化,运用最小分散系数准则,通过使误差的p阶矩最小得到非整数时间延迟估计值。理论分析和计算机仿真结果都表明该方法不仅可以在高斯噪声环境下工作,而且在脉冲噪声下也具有良好的健壮性。     

分数低阶α稳定分布噪声下HB加权自适应时间延迟估计新方法

针对LMS-HB自适应时间延迟估计方法在分数低阶α稳定分布噪声环境下的退化现象,依据分数低阶统计量理论,提出了基于分散系数最小化的LMP-HB自适应时延估计方法,并进一步提出了不依赖于参数估计的基于非线性变换的HB加权自适应时延估计方法。理论分析和计算机仿真结果表明,新方法在高斯和分数低阶α稳定分布噪声环境下具有良好的韧性。