α稳定分布噪声中谐波恢复的非线性变换方法

本文研究α稳定分布噪声中谐波恢复的问题.文中首先引入α稳定分布作为模拟脉冲性噪声的模型,然后采用非线性变换方法使噪声得到抑制,并证明了变换后的含噪观测值具有二阶统计量.对变换后的矢量空间进行预白化处理后结合噪声子空间的MUSIC方法恢复谐波信号参数.本文使用了两种非线性变换方法,分析了它们的变换性能、讨论了变换参数对谐波恢复效果的影响以及两种非线性变换间的关系,分别给出了仿真结果.最后得出非线性变换Sigmoid函数在α稳定分布噪声中恢复谐波信号具有较强的韧性.     

带约束的LMS－SCOT自适应时间延迟估计

提出了一种带约束条件的ＬＭＳ－ＳＣＯＴ自适应时延估计方法，这种方法以ＬＭＳ自适应信号处理技术为基础，利用平滑相干变换（ＳＣＯＴ）函数的自适应估计来确定时延估值，并且在自适应的迭代过程中加入了约束条件。给出了这种方法的原理、性能和计算机仿真的结果。理论和实践表明：这种方法在估计精度，抗干扰能力，收敛速度和计算复杂度四个方面均优于ＬＭＳ自适应时延估计。     

基于分数阶傅立叶变换的模糊函数的研究

分数阶傅立叶变换可以看作是傅立叶变换的推广,本文回顾了分数阶傅立叶变换和模糊函数的有关理论,给出了基于分数阶傅立叶变换的模糊函数,讨论了该函数的主要性质。应用实例的仿真实验验证了此函数的有效性。     

基于模糊集理论和信息增益分析技术的分类算法

分类是数据挖掘技术的一个重要课题.用于分类问题的关联规则挖掘方法要求将连续属性的数据划分到各区间,实际这种离散化方法并不符合人类知识的表达方式.基于模糊集理论的分类算法更易于人类理解.本文提出的基于模糊集理论和信息增益分析技术的数据挖掘分类算法,经试验证明比Hisao算法具有计算量小、无需事先确定分类属性个数且可得到较高分类正确率的优点.     

基于高斯加权分数阶傅里叶变换的LFM信号参数估计

针对低占空比下传统算法参数估计性能下降的问题,提出了一种高斯加权分数阶傅里叶变换(GFRFT,Gaussian-weighted fractional Fourier transform)参数估计方法。给出了时限信号GFRFT的定义并推导了其模值平方的特性,研究了高斯白噪声背景下GFRFT的输出信噪比并给出了闭式表达式,进行了仿真实验并讨论说明了该方法的适用条件。仿真结果表明,该方法在低占空比的情况下可以有效地提高参数估计精度。     

基于分数阶傅里叶变换的双基地雷达线性调频信号的参数联合估计新方法

该文提出一种双基地MIMO雷达线性调频(LFM)信号参数的联合估计新方法。在所提出的新的双基地MIMO雷达的信号模型基础上,利用分数阶傅里叶变换对线性调频(LFM)信号的能量聚集特性进行提取,根据分数阶傅里叶变换域内的峰值点对多普勒频移尺度和时延进行估计,并采用FRFT-MUSIC算法实现了线性调频(LFM)信号收发角的联合估计,实现了收发角的自动配对。仿真实验验证了算法的有效性。     

LLTV:局部线性全变差滤波方法

 本文提出了一种新颖的滤波方法—局部线性全变差滤波方法(LLTV),可以对数字图像进行有效的滤波处理.该方法采用图像的局部线性近似模型,并结合了全变差规则项,在滤除噪声的同时,能够很好的保持图像的边缘信息,而且其简单的、线性时间算法,可以对各种数据进行快速处理.实验结果表明,在计算机视觉的各种应用中,如去噪、平滑、细节增强和高动态范围(HDR)压缩等方面,该方法都表现出高效的性能.     

基于锁相环和小波变换的PSK信号波特率估计

提出一种改进的基于小波变换的波特率估计方法,使用基于锁相环技术的自适应相位跟踪方法实现相位同步并提取信号包络,通过获得基带信号的小波变换的幅值来估计信号的波特率。这种改进方法能够有效地解决经典的Chan氏算法中存在的估计效果受初相和噪声影响的问题。仿真结果表明,这种新方法有效并且与已有算法相比体现了其先进性。     

压缩传感条件下红外和可见光图像融合技术的研究

为了提高夜间对目标的识别能力,红外和可见光图像融合技术被广泛应用到夜视系统中。使用压缩传感技术可以通过获取信号的少量线性投影来保留信号的完整信息,解决红外成像中红外探测器件与图像分辨率之间的矛盾。以压缩传感测量值作为图像内容特征,直接进行图像融合,可以减少重构误差和计算量。因此本文提出一种压缩传感条件下的红外和可见光图像融合算法。首先,本文算法同时考虑融合图像和原始图像的相似度和对原始图像特征的保留程度,提出一个新颖的代价函数。然后,采用L₁范数优化求解该代价函数,得到融合图像对应的稀疏系数。最后,利用字典和该稀疏系数重构为融合图像。通过和几种压缩传感条件下的融合算法比较,可以看出本文算法在主观视觉效果和客观评价方面均具有显著优势。该算法为压缩传感条件下的图像融合提供一种新的有效手段。      

基于随机变量相似度的ICA方法

从随机变量(微分)熵的概念出发,定义了随机变量的相似度,讨论了用求相似度极点的方法实现观测数据线性组合非高斯性最大化,从而串行估计独立分量分析(ICA)模型中的独立分量的原理和算法。对非多项式矩定理进行了更为一般化的证明,以此定理为根据阐明了以一般的非二次型光滑偶函数的数学期望近似代替相似度的可行性。给出梯度算法中的符号因子计算公式,避免了现有的相应算法中符号因子计算公式与目标函数之间的矛盾。通过与极大似然ICA方法对比,表明所定义的相似度就是在预白化条件下单个源变量的极大似然函数。