一种基于非线性变换的EP潜伏期变化自适应检测方法

该文依据分数低阶矩理论和诱发电位（EP）信号及噪声的低阶α稳定分布特性，提出了一种自适应检测EP潜伏期变化的新方法。这种方法基于sigmoid函数对误差信号en(k)进行连续的非线性变换，即抑制了EP信号中的低阶α稳定分布噪声，又有效保留了信号成分，在高斯和低阶α稳定分布噪声条件下具有很好的韧性，且无须动态估计信号噪声的α参数。利用这种方法动态检测EP潜伏期的变化，比以往的DLMS，DLMP和SDA等算法具有较高的估计精度和较快的收敛速度，是一种具有较高韧性的性能优良的EP潜伏期变化动态检测方法。     

一种基于分数低阶协方差的自适应 EP潜伏期变化检测方法

由于诱发电位(EP)信号中含有分数低阶α稳定分布噪声,致使传统的基于二阶统计量的EP潜伏期变化检测方法性能显著退化.本文提出了一种基于分数低阶协方差的自适应EP潜伏期变化检测方法(AFLC),通过对带噪信号的非线性处理,把其转变为二阶矩过程,从而保证了算法在α∈(0,2]范围内的可靠收敛,并获得了EP潜伏期变化估计的较高韧性和精度.给出了性能分析,计算机仿真和实验数据分析的结果.     

无限方差噪声环境下的分数低阶空间时频盲源分离

对脉冲噪声α稳定分布环境下的时频分布进行了研究,改进了适合α稳定分布信号或强脉冲噪声环境的分数低阶时频分布方法,用分数低阶空间时频矩阵代替空间时频矩阵,基于时频盲分离算法提出了一种改进的分数低阶空间时频盲源分离算法,并归纳了算法步骤。通过对FLO-TF-UBSS算法和已有的TF-UBSS算法及MD-BSS算法进行详细比较,仿真结果表明,所提出的FLO-TF-UBSS算法有效的降低了信号的均方误差（MSE）,能较好的对α稳定分布噪声环境下的非平稳信号进行盲分离,并实现了对实际的稳定分布舰船信号的盲提取,性能优于已有TF-UBSS算法和MD-BSS算法,且具有一定的韧性。      

稳定分布的水声信号处理新方法

本文依据分数低阶统计信号处理理论和舰船辐射噪声信号特性,提出了水声信号新的噪声模型,分析了常规LMS滤波方法在非高斯稳定分布噪声下性能退化的原因,提出了基于分数低阶p-范数的LMP,NLMP水声信号自适应降噪滤波方法,并分析了参数p值的选取对LMP滤波效果的影响.理论分析和计算机仿真结果表明这种方法在高斯和非高斯稳定分布条件下都具有良好的鲁棒性.     

基于FRFT的LFM信号自适应滤波算法及分析

针对线性调频(LFM)信号自适应滤波问题,利用分数阶傅里叶变换(FRFT)对LFM信号良好的能量聚集性的特点,提出了一种分数阶傅里叶域LFM信号自适应滤波算法.算法采用分级迭代运算的方法确定最佳变换角度,保证参数估计精度的同时,降低了运算量.结合泄漏LMS(LLMS)和归一化LMS(NLMS)算法,对传统LMS自适应算法的跟踪和滤波性能进行了改进,并给出了算法的收敛条件.在加权矢量的迭代公式中引入泄露因子,降低了记忆效应对滤波器的影响;并对自适应步长进行功率归一化,提高了收敛速率.仿真分析了参数对算法收敛性能的影响,结果表明,当输入LFM信号频率变化较快时,算法有较好的收敛性能和较小的均方误差,同时在低信噪比(SNR=10 dB)下也有良好的滤波效果.     

一种稳定的变步长块LMS自适应算法

针对LMS自适应滤波算法在输入信号高度相关时.收敛速度下降导致性能下降,本文从基本的块LMS算法开始,简要介绍了块LMS算法的实现方法,在此基础上重点分析了在变步长块LMS算法中,影响步长因子的要素.提出了一种新的变步长因子迭代算法(SVBLMS),该迭代算法充分考虑输入信号和误差信号对变步长因子的影响.并且迭代的结构简单,计算量小.通过Matlab仿真.仿真结果表明.该迭代算法较其它块LMS算法有更快的收敛速度,更稳定的收敛过程.当输入为有色信号或输入噪声较大时,本算法都能保持良好的性能.     

一种变步长解相关NLMP快速算法

提出了一种在α稳定分布信号条件下能快速稳定收敛的变步长、解相关NLMP(VSDNLMP)算法.根据输入信号的相关性原理,提出基于P阶分数相关的解相关方法,改进NLMP算法的更新方向向量,提高算法的收敛速度;同时采用变步长因子进一步提高NLMP算法性能.在高斯和非高斯α稳定分布有色信号环境下的仿真结果表明:在强相关信号条件下,VSDNLMP算法性能明显优于NLMP算法;VSDNLMP算法的收敛速度和稳态失调都较之NLMP算法有较大的改善;该文算法具有良好的鲁棒性.     

脉冲噪声下跳频信号时频图修正

为了在α稳定分布噪声的环境下获得清晰的跳频信号时频图,提出一种基于分数低阶SPWVD(Smoothed Pseudo Wigner-Vile Distribution)与形态学滤波相结合的跳频信号时频图修正算法。首先,根据接收到的多跳频信号建立跳频信号的模型和α稳定分布噪声模型;然后,采用低阶SPWVD变换抑制时频图中脉冲噪声;最后,根据形态学滤波处理方法对残留噪声进一步抑制进而得到清晰时频图。理论分析和仿真结果表明,所提算法在广义信噪比为-5 dB时仍可以得到清晰可靠的跳频信号时频图,并且基于时频图的参数估计性能优良。     

α稳定分布下的加权平均最小p-范数算法

该文提出一种新的适用于α稳定分布噪声环境的自适应滤波算法,这种算法通过使加权平均误差函数的p-范数最小来实现自适应滤波.在这种算法的基础上,该文还得到两种新的动量LMP自适应算法.将这些新算法应用于估计AR模型的参数,计算机仿真的结果表明,该文提出的算法的性能比已有LMP算法的性能要更为优越.     

二阶Volterra变数据块长LMS算法

二阶Volterra数据块LMS算法利用当前时刻及其以前时刻更多输入信号和误差信号的信息提高了算法的收敛速度,但由于其固定数据块长取值的不同导致了算法的收敛速度和稳态误差此消彼长。针对这个问题,本文提出一种二阶Volterra变数据块长LMS算法,通过时刻改变输入信号数据块长度提高算法性能。本算法首先采用两个并行的二阶Volterra滤波器,其输入信号数据块长差值始终保持一个单位;然后将其各自的输出误差信号同时输入到数据块长判决器,通过判决器得到下一时刻各个滤波器输入信号的数据块长度;最后以第1个二阶Volterra滤波器的输出作为整个滤波系统的输出,从而改善了算法性能。将本算法应用于非线性系统辨识,计算机仿真结果表明,高斯噪声背景下本算法的收敛速度和稳态性能都得到了明显的提高。      

脉冲噪声下数字调制信号的自适应解调

提出基于自适应滤波解调α稳定分布脉冲噪声下的常规数字调制信号的方法。采用归一化最小平均p范数自适应滤波算法的自适应滤波器,跟踪信号任一码元间隔内的单一频率,根据自适应滤波器权值的收敛值可以解调相应的码元。计算机仿真结果表明,此自适应滤波解调方法性能优越,抗脉冲干扰强,同时算法计算速度快,易于实现,具有很好的实用价值。     

一种变步长最小平均p范数自适应滤波算法

在p稳定分布脉冲噪声背景下,为解决固定步长最小平均p范数(LMP)不能同时满足快收敛速度和低稳态误差的问题,该文提出一种对脉冲噪声具有鲁棒性的变步长最小平均p范数(VSS-LMP)自适应滤波算法.该算法利用改进的变形高斯函数来调节步长,采用移动平均法构造变步长函数,克服了定步长算法稳态误差高及抗噪性能差的问题.VSS-LMP算法在系统受到脉冲噪声干扰时,能维持步长稳定;当系统逐渐稳定时,能产生小步长以降低稳态误差.系统辨识仿真结果表明,在α稳定分布脉冲噪声下,VSS-LMP算法与固定步长和已有变步长算法相比,具有更快的收敛速度和更强的系统跟踪能力.     

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。     

α噪声环境下整体最小平均P-范数IIR自适应滤波算法

当无限冲激响应(IIR)系统输入和输出信号中都存在α稳定噪声干扰,传统的最小平均P-范数算法(LMP)的解会出现较大偏差,本文提出了一种自适应IIR滤波整体最小平均P-范数(IIR_TLMP)算法,算法中整体考虑输入和输出信号的α稳定噪声干扰,将最小化l_p范数Rayleigh商采用随机梯度法得到自适应IIR滤波方程。通过仿真首先考察了特征指数和步长因子等主要参数对TLMP算法性能的影响,最后分别在时不变和时变系统中,将TLMP算法与LMP算法的性能在进行了比较,结果显示TLMP有更快的收敛速度和更小的误差。      

非高斯杂波下雷达目标跟踪算法改进研究

针对杂波干扰环境中的非高斯特性,发现海杂波噪声、闪烁噪声等具有显著尖峰的非高斯噪声可以采用α稳定分布来描述,用α稳定分布可以建立更符合实际的噪声模型。根据统计信号处理最新理论和技术,利用p阶分数相关和分数低阶协方差替代传统相关和协方差来改进Kalman滤波器,优化获得改进的基于分数低阶统计量Kalman滤波交互多模型算法(Based FLOS-Kalman-IMM),仿真验证了Based FLOS-Kalman-IMM滤波跟踪新算法可以更好地适应非高斯复杂环境,得到稳健的雷达跟踪效果。     

基于α稳定分布的二阶Volterra变抽头长度自适应滤波算法

传统自适应Volterra滤波器抽头长度固定。当一个被识别系统或被均衡信道的特征未知或时变时,自适应滤波器的抽头长度太长,不仅增加了计算量同时也增加了误差;抽头长度太短则无法满足系统的性能要求。针对这个问题本文提出了一种二阶Volterra变抽头长度自适应滤波算法。先对Volterra滤波器输入信号进行格型滤波处理,实现了二次项信号解耦,减少了二次项的权系数,使线性部分和非线性部分权值具有相同的抽头长度,简化了传统Volterra滤波器的结构;基于最小平均p范数准则,运用分数抽头长度的概念,对滤波器抽头长度进行实时自适应调整,用LMP算法自适应调整权系数。计算机仿真结果表明,在不同信噪比的高斯噪声和 稳定分布噪声背景下, 应用本文算法的自适应信道均衡都具有良好的收敛性能,本文算法能自适应调整到最优抽头长度;验证了算法的有效性。      

一种改进的自适应格型陷波算法及其收敛性分析

现有自适应格型陷波器中的引入算子取自局部误差信号,在迭代过程收敛后存在陷波频率偏移的问题,影响了滤波的效果.本文对级联格型陷波滤波器的自适应算法进行了讨论,分析了陷波参数估计与引入算子的关系,在推导原算法迭代误差的数学期望方程基础上,提出一种改进的自适应滤波算法.该算法在不增加计算量的前提下,克服了原算法在收敛后存在的陷波频率偏移的不足.仿真结果与理论分析相一致,证实了该算法的收敛性能优于原有的算法.     

基于小波变换的变步长LMS自适应滤波算法

变步长LMS自适应滤波算法通过构造合适的步长因子有效的解决了传统LMS算法收敛速度和稳态误差相矛盾的问题.变换域LMS自适应滤波算法通过正交变换降低了输入信号矩阵的相关性,提高了算法的收敛速度.将这两种算法相结合,提出了一种新的基于小波变换的变步长LMS自适应滤波算法.仿真结果表明,该算法无论是收敛速度还是稳态误差都有了很大的提高.     

一种分数低阶统计量广义恒模盲多用户检测算法

针对实际盲多用户检测系统中存在的大量噪声呈现非高斯性,而这种非高斯性使基于高斯噪声假定下的恒模盲多用户检测算法的性能显著退化甚至不能正常工作,本文提出了一种分数低阶统计量的广义恒模盲多用户检测算法.该算法是分数低阶统计量恒模算法的推广,能有效地应对非高斯噪声的影响,具有广泛的适用性.通过以DS-CMDA系统为例,将分数低阶统计量广义恒模肓多用户检测算法与传统恒模盲多用户检测算法(CMA)、分数低阶统计量恒模盲多用户检测算法(FLOS-CMA)进行了对比,实验仿真结果表明:无论在高斯白噪声下还是在α稳定分布噪声下,分数低阶统计量广义恒模盲多用户检测算法均具有良好的抗多址干扰和抑制噪声的性能,并且该算法具有更快的收敛速度.     

Alpha稳定分布噪声下广义恒模 算法收敛性能的研究

 以alpha稳定分布过程为噪声模型,依据分数低阶统计量理论提出了广义恒模算法,分析了广义恒模算法在干扰和加性alpha稳定分布噪声下的收敛特性.研究表明,广义恒模算法的收敛行为由接收信号的初始增益和信干比等条件确定,并由此可以对收敛过程作出预测和控制.利用计算机仿真验证了广义恒模算法的这种特性.