检索结果-南通市图书馆

非高斯噪声背景下的目标辐射线谱自适应增强方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

声学学报 2024年

作者：王燕上官佩熙郝宇刘旭妍哈尔滨工程大学水声技术重点实验室工业和信息化部海洋信息获取与安全工信部重点实验室(哈尔滨工程大学) 哈尔滨工程大学水声工程学院中国舰船研究设计中心

针对非高斯噪声背景下因噪声二阶矩发散导致常规自适应线谱增强方法的权值迭代不收敛，无法有效增强水下目标辐射线谱信噪比的问题，提出了基于最大相关熵准则的自适应线谱增强方法。该方法基于窄带线谱信号和宽带非高斯噪声在广义时... 详细信息

针对非高斯噪声背景下因噪声二阶矩发散导致常规自适应线谱增强方法的权值迭代不收敛，无法有效增强水下目标辐射线谱信噪比的问题，提出了基于最大相关熵准则的自适应线谱增强方法。该方法基于窄带线谱信号和宽带非高斯噪声在广义时间相关半径上的差异，采用参考信号与输出信号的相关熵作为惩罚函数进行自适应滤波器权值的迭代优化，有效提升了目标辐射线谱的输出信噪比。仿真结果表明，该方法能够实现在非高斯噪声背景下对线谱信号的有效增强，相比于基于奇异谱分析和基于香农熵的两种非高斯噪声背景适配的线谱增强方法，在低信噪比条件下该方法可将信噪比增益分别提升12 dB和5 dB。海试数据处理结果也验证了所提方法的可行性和可靠性。

关键词：无源目标探测自适应线谱增强非高斯噪声广义时间相关半径最大相关熵准则

非高斯噪声下基于CKMC-CKF的发电机动态状态估计

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

广东电力 2024年第3期37卷 115-122页

作者：赵志雷黄继东王义杨志伟国能神东煤炭集团有限责任公司供电中心陕西榆林719300 许继电气股份有限公司河南许昌461000 郑州大学电气与信息工程学院河南郑州450001 国网三门峡供电公司河南三门峡472000

准确的动态状态估计对于电力系统实时运行状态的监测至关重要。针对同步发电机中非高斯噪声导致状态估计器性能下降的实际情况,提出一种基于基于柯西核最大相关熵(Cauchy kernel maximum correntropy, CKMC)的容积卡尔曼滤波(cubature K... 详细信息

准确的动态状态估计对于电力系统实时运行状态的监测至关重要。针对同步发电机中非高斯噪声导致状态估计器性能下降的实际情况,提出一种基于基于柯西核最大相关熵(Cauchy kernel maximum correntropy, CKMC)的容积卡尔曼滤波(cubature KF,CKF)算法(简称CKMC-CKF算法)。首先,建立CKMC目标函数,采用2种加权局部相似度来更新噪声协方差矩阵,从而降低不良数据的权重;其次,利用线性化回归方程统一目标函数中的状态和测量误差,并通过定点迭代法获得最佳估计状态。最后,以IEEE 39节点系统为算例分析验证所提出方法的有效性。与CKF和最大熵CKF相比,CKMC-CKF在非高斯噪声环境下具有更好的估计精度和更强的鲁棒性。

关键词：发电机动态状态估计容积卡尔曼滤波柯西核最大相关熵非高斯噪声

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

非高斯测量噪声下的结构响应重构

振动与冲击 2024年第11期43卷 206-216页

作者：祁义博彭珍瑞兰州交通大学机电工程学院兰州730070

针对非高斯噪声下使用卡尔曼滤波(Kalman filter, KF)算法进行响应重构时精度下降,甚至重构结果偏差较大的现象,提出一种非高斯卡尔曼滤波(non-Gaussian Kalman filter, NGKF)算法进行结构响应重构。首先将L1卡尔曼滤波(L1KF)算法引入... 详细信息

针对非高斯噪声下使用卡尔曼滤波(Kalman filter, KF)算法进行响应重构时精度下降,甚至重构结果偏差较大的现象,提出一种非高斯卡尔曼滤波(non-Gaussian Kalman filter, NGKF)算法进行结构响应重构。首先将L1卡尔曼滤波(L1KF)算法引入结构响应重构,并重新构造了L1卡尔曼滤波算法中的损失函数,其次根据损失函数导出的系数阵惩罚状态方程和观测方程的噪声协方差阵,使KF算法适用于非高斯噪声。最后通过有限的加速度测量信号,结合重构方程计算结构的加速度、速度和位移响应。数值仿真和外伸梁试验均表明所提方法在仅使用有限数量的加速度传感器进行结构响应重构时具有良好的噪声鲁棒性,能有效降低重构误差,改善多种非高斯噪声下使用KF算法进行响应重构时偏差较大的现象。

关键词：响应重构非高斯噪声卡尔曼滤波(KF)

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

非高斯噪声下的VSLAM后端优化算法研究

非高斯噪声下的VSLAM后端优化算法研究

作者：王婷太原理工大学

学位级别：硕士

视觉同时定位与建图技术(Visual Simultaneous Localization and Mapping,VSLAM)是机器人实现自主定位和环境感知的有效手段,广泛应用于机器人、无人驾驶、虚拟现实、增强现实等领域。VSLAM利用视觉传感器采集的图像信息实现对载体的位... 详细信息

视觉同时定位与建图技术(Visual Simultaneous Localization and Mapping,VSLAM)是机器人实现自主定位和环境感知的有效手段,广泛应用于机器人、无人驾驶、虚拟现实、增强现实等领域。VSLAM利用视觉传感器采集的图像信息实现对载体的位姿估计和地图构建,包括视觉前端模块和后端优化模块。受累计误差影响前端模块对载体位姿和地图估计结果会逐渐偏离真值,而后端优化是消除累积误差的关键环节。现有后端优化算法以高斯噪声为假设,采用极大似然估计实现对前端估计结果的优化,没有充分考虑实际系统中的非高斯噪声和异常值的影响,导致VSLAM实际运行时性能下降。鉴于此,本文从鲁棒核函数的角度着手解决非高斯噪声下的VSLAM后端优化问题。主要研究内容和创新点如下:(1)针对现有后端优化算法通常以高斯噪声为前提,在非高斯噪声场景中性能下降的问题,借鉴信息论学习(Information Theoretical Learning,ITL)理论和鲁棒核函数的研究进展,提出基于最大互相关熵准则(Maximum correntropy criterion,MCC)的后端优化方法。首先,该方法在非线性后端优化框架下,利用MCC可以获取高阶统计信息描述非高斯噪声分布的特性,将其用于构造非线性后端优化问题的目标函数。然后,采用列文伯格—马夸尔特(LM)算法迭代求解该后端优化问题。最后,将所提出的后端优化方法应用于ORB-SLAM2框架。在公开数据集上的实验结果表明,无论是室内场景还是室外场景,基于MCC的后端优化算法在非高斯噪声下具有更好的鲁棒性和更高的估计精度,提升了VSLAM算法在非高斯场景中的性能。(2)针对基于单一MCC的后端优化方法环境适应性不强,需要根据不同的应用环境修改核参数以获得满意性能的问题,提出了基于多凸组合最大互相关熵(MCMCC)的后端优化算法。该方法用凸组合方式,将不同核参数的最大互相关熵函数进行组合,以覆盖不同分布的高斯噪声、提高后端优化算法的环境适应性。该方法首先根据非线性后端优化问题的特点,利用MCMCC构造目标函数并采用LM方法迭代求解。然后,将所提出的后端优化算法应用于ORB-SLAM3框架,并从重投影误差分布的角度分析了后端优化问题的非高斯特性。最后通过实验的方式给出了MCMCC在不同场景下的建议参数。在公开数据集上的实验结果表明,在各类场景中,基于MCMCC的后端优化算法在大部分序列上优于基于Huber、GM、Cauchy的后端优化算法的性能。(3)为了进一步验证所提出的后端优化算法在实际场景中的性能,本文在Racebot机器人实验平台上运行用基于MCMCC的后端优化算法改进的ORB-SLAM3,进而分析算法的实时性和环境适应性。在室内、室外场景测试的测试结果表明,与改进前的ORB-SLAM3框架相比,用本文所提出的基于MCMCC的后端优化方法改进的ORBSLAM3在实时场景中的建图结果更加接近真实值,在拐弯等细节上,更加准确。本文基于信息论标准,特别地,基于MCC对VSLAM中的后端优化问题展开研究,从鲁棒核函数的角度出发提出了基于MCC和MCMCC的后端优化方法,以解决非高斯噪声和异常值存在下的后端优化问题。公开数据集上的实验结果表明,两种算法都提高了VSLAM的建图精度,且采用基于MCMCC的后端优化方法可以提高VSLAM的位姿估计精度和建图精度,具有较好的环境适应性。而基于Racebot实验平台的在真实环境中实验结果也验证了本文研究成果在实际应用中的性能。

关键词：视觉SLAM 后端优化非高斯噪声最大互相关熵多凸组合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

非高斯噪声下通信干扰的智能认知方法研究

非高斯噪声下通信干扰的智能认知方法研究

作者：晋磊西安电子科技大学

学位级别：硕士

无线通信遭受着来自外界各种干扰的影响。为了提高通信系统的可靠性、安全性,需要对通信中的干扰进行深入研究。通过对通信干扰的深层感知及认知,为通信系统的抗干扰提供先验信息。另外,通信系统也常受到非高斯噪声的影响,因此本文开展... 详细信息

无线通信遭受着来自外界各种干扰的影响。为了提高通信系统的可靠性、安全性,需要对通信中的干扰进行深入研究。通过对通信干扰的深层感知及认知,为通信系统的抗干扰提供先验信息。另外,通信系统也常受到非高斯噪声的影响,因此本文开展非高斯噪声下通信干扰的认知方法研究,重点研究非高斯噪声环境下通信干扰的检测和通信干扰的参数估计,主要工作为:针对现有的通信干扰检测方法受到噪声影响检测性能不稳定的问题,提出了一种非高斯噪声环境下通信干扰信号检测方法。该方法首先使用一种基于定点搜索的快速myriad滤波算法对非高斯噪声进行抑制,然后基于长短时记忆网络的记忆性以及通信干扰信号时域幅度的规律性,训练长短时记忆网络,并通过网络输出预测值与信号幅度实际值之间的误差设计检验统计量,最后利用训练好的网络多次输入噪声得到检测门限,由此实现非高斯噪声下通信干扰信号的检测。仿真结果表明该方法明显降低了噪声对检测性能的影响。针对现有的带宽估计方法在低信噪比情况下估计效果差的问题,提出了基于金字塔池化网络的非高斯噪声环境下通信干扰信号的带宽估计方法。该方法首先利用加权myriad滤波抑制非高斯噪声,然后频谱扫描得到通信干扰信号的粗估计带宽,并划分频带得到带宽子区间,从而得到通信干扰信号频谱和带宽子区间的对应关系。将带宽估计问题转化成一个分类问题,通过金字塔池化网络实现对带宽的分类估计。该方法在广义干噪比为0d B时,对通信干扰的带宽子区间估计准确率达到100%。针对现有的中心频率估计方法在低信噪比情况下估计效果差的问题,提出了基于卷积神经网络的非高斯噪声下通信干扰信号的中心频率估计方法。该方法首先利用加权myriad滤波抑制非高斯噪声,然后对傅里叶变换值和每个变换值对应的点数值(点数位置)组合,得到输入深度卷积网络网络的特征矩阵,网络的输出是估计的中心频率所对应的点数位置,最后由此点数位置计算出所估计的中心频率。该方法在广义干噪比大于0d B时,对通信干扰信号的中心频率估计误差都低于0.5×10。针对现有的功率估计方法在低信噪比情况下估计效果差的问题,提出了基于深度残差网络的非高斯噪声下通信干扰信号的功率估计方法。该方法对加权myriad滤波抑制非高斯噪声后的信号计算协方差矩阵,并通过奇异值分解提取协方差矩阵中只含信号功率的部分,得到重构之后的矩阵作为深度残差网络的输入数据,网络的输出为估计的功率。仿真结果表明,该方法在低信噪比下比现有估计方法表现更好。

关键词：通信干扰干扰检测参数估计非高斯噪声深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

非高斯噪声的自适应主动控制方法研究

非高斯噪声的自适应主动控制方法研究

作者：闫明沈阳工业大学

学位级别：硕士

随着工业技术的不断进步,损害或妨碍听力、影响注意力的声音噪音已成为继水污染、大气污染之后的第三大污染。自适应主动噪声控制(Active Noise Control,ANC)具有降噪效果好、易实现等优点,目前已成为解决噪声控制问题的首选。但是现有... 详细信息

随着工业技术的不断进步,损害或妨碍听力、影响注意力的声音噪音已成为继水污染、大气污染之后的第三大污染。自适应主动噪声控制(Active Noise Control,ANC)具有降噪效果好、易实现等优点,目前已成为解决噪声控制问题的首选。但是现有的ANC研究大多是针对于具有高斯分布的稳态噪声,而实际上,远程会议室电话等许多应用场景中广泛存在的能量高、随机性强、持续时间短的非高斯噪声使得常见的ANC系统难以取得有效的控制。本文以α稳态分布对非高斯噪声进行建模,基于熵理论对单通道的非高斯噪声主动控制算法进行了以下研究:首先,深入研究了α稳态分布的基础理论,分析了熵理论可以抑制非高斯噪声的原理及性质,并对现有基于熵理论的自适应主动噪声控制算法,包括基于最大相关熵的FxLMS(Filtered-x Least Mean Square)算法、基于最大混合相关熵的FxLMS算法以及基于最大相关熵凸组合FxLMS算法进行了仿真分析;其次,在深入理解熵理论基础之上,考虑到相关熵是对两个随机变量相似度的测量,尽管不是原测量空间的相关运算,但是在核空间其仍是二阶统计量的概念,而符合α稳态分布产生的非高斯噪声仅存在低阶矩统计量,并不存在二阶统计量的概念,从而会破坏基于熵理论中二阶统计量的算法性能,使其出现发散现象。故本文通过借鉴p范数来修改熵理论的核函数,提出了改进的最大相关熵算法(Improved Maximum Correntropy Criterion Filtered-x Least Mean Square,IMCCFxLMS)和改进的最大混合相关熵算法(Improved Filtered-x Maximum Mixture Correntropy Criterion,IFxMMCC)来避免这一现象的发生,并推导了其权系数的更新公式。最后,本文对提出的IMCCFxLMS算法和IFxMMCC算法分别进行了收敛性和复杂度的理论分析,并对α稳态分布噪声和混合噪声两种噪声源进行了噪声控制的仿真实验。大量仿真结果表明,尽管本文的计算量比现存一些算法稍大,但是在收敛速度和稳态误差方面都取得了较好的效果。

关键词：主动噪声控制非高斯噪声自适应滤波算法相关熵 p范数

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

非高斯噪声下智能车状态估计方法研究

非高斯噪声下智能车状态估计方法研究

作者：张国瑞重庆邮电大学

学位级别：硕士

由于科技的进步,汽车行业迎来了以智能制造为引领新一轮的工业转型升级,其中智能车是各国争相研究和发展的热点之一。智能车在城市高楼,地下停车场等复杂环境中行驶,智能车车载传感器往往会产生非高斯厚尾噪声。状态估计是智能车环境感... 详细信息

由于科技的进步,汽车行业迎来了以智能制造为引领新一轮的工业转型升级,其中智能车是各国争相研究和发展的热点之一。智能车在城市高楼,地下停车场等复杂环境中行驶,智能车车载传感器往往会产生非高斯厚尾噪声。状态估计是智能车环境感知的基础,包括对自身及周围目标的准确位置和速度等状态进行估计。目前大多数状态估计方法仅考虑高斯噪声且协方差已知,然而在实际交通环境中,噪声往往是未知非高斯的,并难以提前获取其协方差。因此研究非高斯噪声下的智能车状态估计方法具有较高的理论价值和实际意义。综上,本文针对上述问题做了如下工作:1.针对未知非高斯平稳噪声下智能车状态估计问题,提出一种基于变分贝叶斯的自适应卡尔曼滤波方法。首先提出一种高斯-混合伽马多层分布,刻画未知的非高斯厚尾过程与量测噪声。此分布可设置多个粗略先验信息,在变分贝叶斯统一优化框架下,实现对状态和未知参数的联合求解,并且可以从多个粗略先验信息实时提取合适的先验参数,从而提高估计精度。最后在仿真数据上证明了所提方法的准确性和鲁棒性,并且所提方法比现有的基于鲁棒Student’s t的Kalman滤波方法在智能车位置和速度的平均均方根误差上分别降低了22.03%和19.04%。2.针对未知非高斯非平稳噪声下智能车状态估计问题,提出一种具有未知非高斯非平稳厚尾过程与量测噪声的自适应鲁棒卡尔曼滤波方法。首先提出一种时变混合高斯分布,刻画未知且时变的非高斯厚尾过程与量测噪声。此分布由一个具有标准协方差的高概率高斯分布和具有自适应大协方差的低概率高斯分布混合而成,其中自适应大协方差通过标准协方差乘时变尺度参数表示。在变分贝叶斯统一优化框架下,实现对状态估计和未知参数的联合求解。最后在仿真和真实数据上验证所提方法的有效性及优越性,并且在真车定位实验中,比现有的基于鲁棒学生t的卡尔曼滤波方法在定位误差上降低了54.27%。总体来说,本文所提非高斯噪声下的智能车状态估计方法的精度优于现有经典的几种状态估计方法。此外,将所提方法应用于智能车定位领域,提高了智能车的定位精度,为今后智能车的状态估计研究提供一定的理论和实践参考。

关键词：非高斯噪声状态估计高斯-混合伽马多层分布时变混合高斯分布变分贝叶斯

非高斯噪声下基于Wilcoxon范数的变步长符号扩散式仿射投影算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电子与信息学报 2021年第2期43卷 303-309页

作者：郭莹于和芳赵璐李飞刘振宇沈阳工业大学信息科学与工程学院沈阳110870

扩散式仿射投影算法(DAPA)是实现分布式网络参数自适应估计的一种重要方法,该算法在输入信号存在相关性时仍快速收敛,但抑制具有脉冲特性的非高斯噪声能力弱,且固定步长对收敛性有所限制。为此,该文提出了基于Wilcoxon范数的变步长符号... 详细信息

扩散式仿射投影算法(DAPA)是实现分布式网络参数自适应估计的一种重要方法,该算法在输入信号存在相关性时仍快速收敛,但抑制具有脉冲特性的非高斯噪声能力弱,且固定步长对收敛性有所限制。为此,该文提出了基于Wilcoxon范数的变步长符号扩散式仿射投影算法(VSS-DWAPA)。首先,引入稳健估计理论中抗异常值能力强的Wilcoxon范数作为代价函数并根据其取值特点进行了符号量化,推导出了新的迭代方程;其次,针对固定步长的局限性,采用迭代方式实现了误差信号对步长的控制,在初始阶段和接近收敛阶段选择不同的步长,使算法具有更好的适应性。仿真结果表明,在非高斯噪声下本文的VSS-DWAPA算法在收敛性、跟踪性等方面均优于现有一些扩散式自适应滤波算法,同时在高斯噪声环境下也具有较好的性能。

关键词：自适应网络非高斯噪声 Wilcoxon范数

维普期刊数据库

非高斯噪声环境下基于分布式网络的自适应滤波算法研究

在线全文

学校读者我要写书评

暂无评论

非高斯噪声环境下基于分布式网络的自适应滤波算法研究

作者：安娅琦西北师范大学

学位级别：硕士

随着信号处理技术的不断发展,基于无线传感器网络的分布式估计被广泛运用于农业,军事和工业生产等实际应用中。在分布式估计中,网络上的数据由各节点进行自处理后,与其相邻节点通过局部交互来对目标参数进行估计。如何提高估计的速度和... 详细信息

随着信号处理技术的不断发展,基于无线传感器网络的分布式估计被广泛运用于农业,军事和工业生产等实际应用中。在分布式估计中,网络上的数据由各节点进行自处理后,与其相邻节点通过局部交互来对目标参数进行估计。如何提高估计的速度和准确度,其本质就是对分布式自适应滤波算法的改进。由于分布式估计多应用于实际环境,而实际环境大多为非高斯噪声。因此,非高斯噪声环境下分布式自适应滤波算法的研究具有实际意义。本文在非高斯噪声环境下,对基于分布式网络的相应算法进行研究,以改进现有算法的不足,主要研究工作包括以下内容:(1)步长是影响自适应滤波算法性能的重要参数之一,针对传统的最小均方算法因固定步长影响其性能的问题,采用变步长策略对其进行改进。以反双曲正切函数为基础,对其函数式进行变换并引入参数进行调整,得到新的步长表达式。将其与几种较新的变步长算法在系统辨识应用中进行性能对比,并在正弦信号去噪以及自适应线性预测中对所提算法的适用性进行验证。最后,将所提变步长函数与相对比的几种变步长函数引入扩散式最小均方算法中,再进行性能对比。仿真结果表明,利用提出的变步长函数改进的扩散式最小均方算法具有较好的收敛性能和较强的鲁棒性。(2)为提高扩散式最大箕舌线算法在非高斯噪声环境下的性能,结合连续混合p范数和递归思想提出了两种不同的扩散式最大箕舌线算法。以上两种算法分别具有较快的收敛速度和较低的稳态误差,且基于同一种准则,因此可进一步对其进行凸组合,之后再使用瞬时转移结构来优化算法性能。在非高斯噪声环境下的分布式网络中进行实验仿真,结果表明,最终得到的算法性能较好且能够有效地克服因凸组合而产生的二次收敛问题,同时具有良好的跟踪性能。(3)为了解决传统的扩散式最小均方型算法在非高斯噪声环境下性能下降甚至发散的问题,提出了基于反双曲正弦函数的改进扩散式归一化最小均方算法。在非高斯噪声环境下进行对比实验,证明该算法性能得到了提升。之后在Alpha稳定分布构造的高斯噪声和非高斯噪声环境下的实验结果表明,该算法性能在两种噪声环境下保持较好,没有出现在非高斯噪声环境下性能下降的问题。

关键词：非高斯噪声分布式网络反双曲正切函数最大箕舌线准则归一化最小均方算法