基于增殖系数的混沌信号提取算法

本文提出一种基于混沌信号特性的信号盲提取算法,由于不同的混沌信号在相空间里面对应着不同的吸引子二阶增长率,利用这个特点定义了增殖系数（Proliferation Exponent,PE）并将其作为混沌信号提取的目标函数.首先分析基于增殖系数的梯度搜索方法在解决盲提取问题时存在不足,并将混沌信号的盲提取问题转化为带约束的优化问题,提出利用改进的粒子群优化算法解决信号盲提取的优化问题,通过惯性系数动态调整和最优位置的扰动,提高算法的寻优性能.实验结果表明基于增殖系数的信号提取算法能有效地提取混沌信号,提取的信号在时域和相空间与源信号接近,同时算法也表现出对噪声污染的鲁棒性.     

一种无线传感器网络中的混沌信号重构算法

将无线传感器网络节点观测区域中的一个混沌信号发送到融合中心,进行信号重构.由于节点的通信带宽受限,信号传输之前需要进行量化,给信号带来量化噪声,使得信号重构工作变得更为棘手.本文提出用平方根容积卡尔曼滤波器对融合中心收集的信号进行重构.首先估计观测信号的概率密度函数,使用最优量化器量化观测信号,在有限的量化比特数下,取得最优的信号量化性能.平方根容积卡尔曼滤波器相对无先导卡尔曼算法具有较少的求容积分点,因此具有计算量小的优点,同时迭代过程采用传递误差矩阵的平方根矩阵,保证迭代过程的稳定性和提高数据估计精度.仿真结果表明,该算法能够有效和快速地重构观测信号,并且比基于无先导卡尔曼滤波的算法更快.     

混沌信号在无线传感器网络中的盲分离

混沌信号在本质上属于非线性非高斯信号,它在无线传感器网络下的应用还涉及到信号量化问题,这使得混沌信号在此应用环境下的信号盲分离更为棘手.针对此问题,本文在容积卡尔曼粒子滤波的框架下提出一种解决方法.文中首先推导出观测信号的概率密度函数,在量化比特有限的情况下,采用最优量化器,获得最优的量化结果.在此基础上,使用容积卡尔曼滤波器产生粒子滤波中的重要性概率密度函数,融入最新的观测值,提高粒子对系统状态后验概率的逼近,提高信号盲分离的精度.仿真结果表明算法能够有效地分离混合混沌信号,参数估计的精度及其运算量均优于已有的无先导卡尔曼粒子滤波算法,其运行时间为无先导卡尔曼粒子滤波算法的88.77%.     

Signal reconstruction in wireless sensor networks based on a cubature Kalman particle filter

For solving the issues of the signal reconstruction of nonlinear non-Gaussian signals in wireless sensor networks(WSNs), a new signal reconstruction algorithm based on a cubature Kalman particle filter(CKPF) is proposed in this paper.We model the reconstruction signal first and then use the CKPF to estimate the signal. The CKPF uses a cubature Kalman filter(CKF) to generate the importance proposal distribution of the particle filter and integrates the latest observation, which can approximate the true posterior distribution better. It can improve the estimation accuracy. CKPF uses fewer cubature points than the unscented Kalman particle filter(UKPF) and has less computational overheads. Meanwhile, CKPF uses the square root of the error covariance for iterating and is more stable and accurate than the UKPF counterpart. Simulation results show that the algorithm can reconstruct the observed signals quickly and effectively, at the same time consuming less computational time and with more accuracy than the method based on UKPF.