基于Burg最大熵法的管道腐蚀超声检测

超声波检测是输油管道在线内检测的重要方法之一,但在管道壁厚测量应用中却经常出现大量的误差,甚至得出相反的结果.本文进行了较深入的超声检测回波分析,指出了由回波信号的前两个脉冲的时间间隔计算管道剩余壁厚的检测方法将产生较高的误检率和漏检率,提出了一种基于Burg最大熵谱估计的信号处理检测方法,Burg法按最大熵原则外推自相关函数,递推计算模型预测误差滤波器反射系数,避免了其他自回归功率谱估计方法中自相关函数的计算.短时间序列、高分辨、抗干扰能力强的功率谱估计算法是超声管道内检测的关键技术.实验结果表明该方法检测精度高、谱估计分辨率高,适用于输油管道在线管壁腐蚀检测.     

基于参数谱估计方法的谐波检测研究

在分析自回归模型的基础上,研究了Yule Walker,Burg和Covariance三种参数谱估计方法的检测原理,提出了一种改进Covariance方法。在Matlab仿真平台上,采用4种参数谱估计方法对谐波、间谐波、次谐波进行检测。仿真结果表明,参数谱估计方法不仅能检测整数次谐波,对间谐波和次谐波也有很好的检测效果,其中Burg方法和改进Covariance方法谐波检测效果最好。     

基于AR模型的多普勒散射计回波功率谱估计

当采样点数少或流速较小时,采用周期图法估计的多普勒散射计(Doppler scatterometer, DopSCAT)回波功率谱分辨率低,多普勒频移提取精度低。对此,提出了一种基于自回归(autoregressive, AR)模型的DopSCAT回波功率谱估计方法。该方法为DopSCAT回波信号建立含有未知参数的AR模型,采用赤池信息量准则自适应确定模型的最优阶数;对定阶后的AR模型采用Burg算法计算模型参数,利用得到的AR模型估计回波功率谱;对功率谱进行峰值检测提取多普勒频移计算径向流,采用两个观测方位向的径向流合成得到海面流场。利用OSCAR海流数据进行了回波功率谱估计与海流反演实验。分析结果表明,与周期图法相比,该方法能够显著提高回波功率谱分辨率和多普勒频移的提取精度,进而提高了海流的反演精度。     

生成粉红噪声的ARMA模型

针对现有粉红噪声的生成方法所存在的计算过程复杂,与理想粉红噪声相比偏差较大等问题,本文提出了一种利用自回归滑动平均(Auto-regressive moving average,ARMA)模型法生成粉红噪声的新方法。首先,构造一个待定系数的ARMA模型,并通过Z变换和功率谱估计的公式进行推导;其次,利用已知的粉红噪声模拟滤波器的传递函数H(s)和双线性Z变换法推导出IIR数字滤波器的传递函数H(z),进而得到粉红噪声的ARMA模型;最后,利用MATLAB对生成的粉红噪声进行功率谱估计并与理想的粉红噪声进行对比。由MATLAB仿真结果可知,利用该方法生成的粉红噪声与理想的粉红噪声拟合度更高,完全符合粉红噪声的各项性能要求。     

ARMA模型法生成粉红噪声的研究

针对现有粉红噪声的生成方法所存在的计算过程复杂,与理想粉红噪声相比偏差较大等问题,本文提出了一种利用自回归滑动平均(ARMA)模型法生成粉红噪声的新方法。首先,构造一个待定系数的ARMA模型,并通过Z变换和功率谱估计的公式进行推导;其次,利用已知的粉红噪声模拟滤波器的传递函数H(s)和双线性Z变换法推导出IIR数字滤波器的传递函数H(z),进而得到粉红噪声的ARMA模型;最后,利用MATLAB对生成的粉红噪声进行功率谱估计并与理想的粉红噪声进行对比。由MATLAB仿真结果可知,利用该方法生成的粉红噪声与理想的粉红噪声拟合度更高,完全符合粉红噪声的各项性能要求。     

基于TVARMA的飞行器结构响应序列参数谱估计

针对时变自回归滑动平均(TVARMA)模型参数谱估计容易出现谱峰漂移的问题,提出一种基于组合目标函数和遗传算法的TVARMA模型参数估计方法,并将之应用于飞行器结构响应序列的谱估计。首先,通过长自回归方法和增广最小二乘方法获得TVARMA模型参数初始估计值;其次,依据连续函数极值条件推导模型参数的频域约束条件并结合罚函数方法构造组合目标函数;最后,采用遗传算法对模型参数进行优化获得使组合目标函数最小的参数值作为TVARMA模型参数的最优估计。应用结果表明:该方法可以克服谱峰漂移现象,提高模型在时域和时频域的建模精度。     

线性模型的降维计算与病态分离

51．引言设有线性回归模型它的回归系数的最小二乘估计是现在考虑求（X’X）－1的某些计算困难和解决办法。我们知道，求P阶逆矩阵时乘除运算的规模与P‘成正比，如果能设法把求逆的阶数降下来，可以节省计算时间．在微机上使用FORTRAN语言时对P是有限制的，某种FORTRAN编译程序对200oX100的矩阵就不能编译．此时如果不实现除维计算就无法求解．分块求逆可以实现降维计算，可是它需要较多的工作数组，往往也不能通过编译．那么除了投影寻踪回归、偏最小二乘等方法外，还有别的降维计算办法吗？还有一个问题．X的列向量可能是复共线…     

高精度时变参数模型谱估计及应用

现有时变自回归(TVAR)模型参数谱估计容易导致谱峰漂移。针对该问题,提出一种基于组合目标函数和遗传算法的TVAR参数估计方法,并将之应用于飞行器结构响应序列的建模及谱估计。通过U-C算法获得TVAR模型参数的初始估计;依据现代谱估计理论结合连续函数极值存在的必要条件,推导模型参数的频域约束条件并构造组合目标函数;采用遗传算法对模型参数初始估计值进行优化。应用结果证明了该方法的有效性。     

自回归滤波器的研究

该文主要介绍了现代谱估计中常用到的自回归（AR）谱估计.利用Levinson-Durbin算法可以推导出在已知输出自相关序列的情况下确定预测误差滤波器系数,即AR模型的系数.AR模型的阶次选择是个关键问题,阶次太低会导致平滑的谱估计值,而阶次太高又会引起伪峰并且会产生一般的统计不稳定性.文章中采用了应用比较广泛的最终预测误差（FPE）准则和阿凯克信息论准则（AIC）,最终确定AR模型的阶数.并通过激励高斯白噪声仿真得到海洋混响的输出波形图.     

非线性系统中稳定有色噪声建模及FLOC谱特性

用多项式自回归模型对非线性系统中稳定有色噪声建模,利用扩展的迭代重加权最小[p]范数算法进行模型参数估计。系统研究了分数低阶协方差谱的性质,并对无限方差非高斯多项式自回归有色噪声进行频域特性分析。理论分析和仿真实验表明,EIRLP算法是在高斯和分数低阶稳定分布噪声条件下具有良好韧性的参数估计方法。仿真通过对稳定有色噪声条件下的正弦信号进行谱估计,结果表明,分数低阶协方差谱具有良好韧性的谱估计性能。     

Selection of optimal AR spectral estimation method for internal carotid arterial Doppler signals using Cramer-Rao bound

In this study, Doppler signals recorded from internal carotid artery of 80 subjects were processed by PC-computer using autoregressive method and Doppler power spectra were obtained. The parameters of autoregressive method were estimated by different estimation methods such as Yule-Walker, covariance, modified covariance, Burg, least squares, and maximum likelihood estimation. Doppler spectra were then used to compare the applied estimation methods in terms of their frequency resolution and the effects in determination of stenosis in internal carotid arteries. The Cramer-Rao bounds were derived for the estimated autoregressive parameters of the internal carotid arterial Doppler signals and the performance evaluation of the estimation methods was performed using the Cramer-Rao bound values. Finally, the optimal autoregressive spectral estimation method for the internal carotid arterial Doppler signals was selected according to the computed Cramer-Rao bound values.     

基于K-EROS的QAR数据集的相似性分析

叙述了传统的PCA方法在处理QAR数据相似性问题的不足,提出基于EROS的KPCA方法处理QAR数据之间的相似性问题。通过引入EROS方法而不需要对数据进行向量化,引入核矩阵对QAR数据进行主成分分析,可以有效降低数据的维数。选取两组QAR数据集,采用支持向量积方法,选用不同数目的主成分进行分类实验,同SPCA方法和GPCA方法进行比较,实验结果显示把该方法运用到QAR数据集,具有较好的分类结果。     

卷积鲁棒主成分分析

鲁棒主成分分析（RPCA）是一种经典的高维数据分析方法,可从带噪声的观测样本中恢复出原始数据。但是,RPCA能工作的前提是目标数据拥有低秩矩阵结构,不能有效处理实际应用中广泛存在的非低秩数据。研究发现,虽然图像、视频等数据矩阵本身可能不是低秩的,但它们的卷积矩阵通常是低秩的。根据这一原理,提出一种称为卷积鲁棒主成分分析（CRPCA）的新方法,利用卷积矩阵的低秩性对原始数据的结构进行约束,从而实现精确的数据恢复。CPRCA模型的计算过程是一个凸优化问题,通过乘子交替方向法（ADMM）来进行求解。通过对合成数据向量以及真实数据图片、视频序列进行实验,验证了该方法相较于其他算法如RPCA、广义鲁棒主成分分析（GRPCA）以及核鲁棒主成分分析（KRPCA）在处理数据非低秩问题上优越性。     

光电编码器在齿轮传动误差中的应用

提出了降低传动系统转速,用光电编码器代替圆光栅测量齿轮传动误差信号的思想,对于采集的行星轮系传动误差实验数据进行了有效性的判定,用Burg算法对传动误差信号进行了功率谱密度的AR模型的参数估计,绘制出实验测得的传动误差功率谱密度曲线,对光电编码器测量传动误差结果进行了分析,证明了在低转速情况下,用光电编码器代替圆光栅测量传动误差是行之有效的。     

一种基于张量PCA的人耳识别的改进方法

张量主成分分析是一种新的主元分析方法,可以解决传统PCA方法对图像进行降维时出现的问题。小波变换具有良好的时频分析特性,同时还能起到降维的作用。综合利用这两个方法的优点,提出了一种基于张量PCA的人耳识别新方法。该方法对人耳图像采用小波变换做预处理得到4个子带图像,对其中“LL”低频子带图像用张量PCA进行特征提取,用支持向量机的方法进行识别。实验结果表明,利用此方法与传统主成分分析识别相比,提高了识别率,缩短了识别时间。在USTB人耳库上实验,该方法的识别率比传统PCA方法提高了6%,识别时间为传统PCA方法的35.23%。     

改进的非负稀疏编码神经网络模型及其应用

提出了一种改进的基于NIG（Normal Inverse Gaussian）密度和稳健主成分分析（PCA）的非负稀疏编码（NNSC）神经网络模型,该模型实质上实现了一个二阶段的学习过程。并利用这个模型成功地建模了视觉感知系统V1区的感受野。该NNSC模型具有很强的自适应于自然数据统计特性的能力。另外,利用类似小波收缩法去噪原理,该模型能够有效地去除图像中的高斯加性噪声,对自然图像编码的仿真实验也表明了该模型在生物学上的合理性和可行性。     

多普勒信号的Burg算法优化研究

随着高速列车的发展,测速精度高的多普勒测速方式被广泛应用。其将多普勒信号看作广义平稳随机信号,利用功率谱估计方法进行信号处理。针对现代谱估计中Burg算法基本原理分析其误差来源。分析了两种优化算法,一种是基于窗函数的优化算法,另一种针对改进的协方差法实现了基于预测误差功率最小意义的优化算法。通过仿真对比原算法与两种优化算法的频谱估计性能,分析算法复杂度,选择模型最优参数,并验证了在列车测速范围内不同频段的适用性。结果表明,优化算法在不增加运行时间的基础上可降低频谱偏移程度、改善频谱分辨率,可识别出列车测速范围内各个频段频率,并且谱估计频率误差小于1%。     

Recursive least squares parameter identification algorithms for systems with colored noise using the filtering technique and the auxilary model

This paper focuses on the parameter estimation problems of output error autoregressive systems and output error autoregressive moving average systems (i.e., the Box–Jenkins systems). Two recursive least squares parameter estimation algorithms are proposed by using the data filtering technique and the auxiliary model identification idea. The key is to use a linear filter to filter the input–output data. The proposed algorithms can identify the parameters of the system models and the noise models interactively and can generate more accurate parameter estimates than the auxiliary model based recursive least squares algorithms. Two examples are given to test the proposed algorithms.     

A computationally efficient approach for NN based system identification of a rotary wing UAV

Neural Network (NN) models based on autoregressive structures have long been used for nonlinear system identification problems. Their application for on-line implementations, however require them to be trained within a prescribed time span, which is often related to the sampling time of the system. In this paper, we introduce a NN model that is embedded with a dimensionality reduction mechanism in order to reduce the size of the network. The dimensionality reduction is based on Principal Component Analysis (PCA) and the resulting smaller NN trains faster. The longitudinal and lateral dynamics of a rotary wing Unmanned Aerial Vehicle (UAV) is modelled using flight test data. The results of system identification, error statistics and training times are provided to highlight the benefits of the proposed approach for NN based system identification models.     

Online identification of nonlinear system using reduced kernel principal component analysis

The Principal Component Analysis (PCA) is a powerful technique for extracting structure from possibly high-dimensional data sets. It is readily performed by solving an eigenvalue problem, or by using iterative algorithms that estimate principal components. This paper proposes a new method for online identification of a nonlinear system modelled on Reproducing Kernel Hilbert Space (RKHS). Therefore, the PCA technique is tuned twice, first we exploit the Kernel PCA (KPCA) which is a nonlinear extension of the PCA to RKHS as it transforms the input data by a nonlinear mapping into a high-dimensional feature space to which the PCA is performed. Second, we use the Reduced Kernel Principal Component Analysis (RKPCA) to update the principal components that represent the observations selected by the KPCA method.