基于OMP算法的宽带频谱感知

频谱感知是认知无线电的一项关键技术,其能够检测出未被主用户占用的频谱空穴供次用户接入使用,提高频谱利用率。宽带频谱感知要求对数GHz的带宽进行检测,过高的采样速率、大的数据量对现有的硬件设备提出了巨大的挑战。本文利用宽带频谱的稀疏性提出一种基于OMP算法的宽带频谱感知方法。该方法利用MWC采样实现对宽带模拟信号直接压缩采样;利用自相关矩阵对称分解特性和主用户信号独立性,得到有限维压缩采样信号模型,利用AIC/MDL准则估计稀疏度作为OMP算法迭代停止的条件,大大减少了算法复杂度;该方法不需要重构接收信号的PSD,直接在时域根据低速率采样信号,检测被占用信道。仿真结果表明,当带内信噪比大于9dB时,频谱检测概率高于90%。

基于信息论准则的信源个数估计算法改进

基于信息论准则(AIC准则,MDL准则)的信源数估计算法及其改进算法在低快怕数和低信噪比情况下大多得不到较好的估计性能。从最基本的MDL准则出发,充分考虑AIC准则与MDL准则估计的优缺点,通过引入影响因子对准则的代价函数进行改进,这样的改进在低快怕数与低信噪比下都能得到较好的估计性能,且具有估计一致性、算法复杂度低等优点。仿真试验验证了该改进算法的有效性。

利用数据最小冗余拟合的信源数估计方法

针对低信噪比和小样本条件下难以正确估计信源数目问题,提出利用数据最小冗余拟合检测的信源数估计新方法.该方法首先采用子空间跟踪算法估计训练样本集的一维噪声子空间,然后根据对噪声子空间的谱峰搜索结果构造出信号的冗余阵列流形,最后通过检测该流形对阵列数据的最小冗余表示来估计信源数.仿真试验检验了所提方法的有效性.

基于MUSIC算法的宽带频谱感知

利用MUSIC算法进行宽带频谱感知时,主用户信号个数估计是关键问题。为此,提出一种动态门限搜索匹配的信号个数估计算法。利用信号子空间和噪声子空间的正交性动态调整门限,搜索与预设维度最匹配的信号个数作为最终的估计值。仿真结果表明,在低信噪比的情况下,该算法能准确估计信号个数,提高宽带频谱感知性能。

基于多尺度MRF的膝关节MRI图像快速分割

膝关节MRI图像中骨骼的精确分割是进一步分割与定量分析膝部软组织的前提。目前膝关节骨骼分割的方法比较耗时或需要一定的人机交互。为解决这一问题,将多尺度MRF方法引入到膝关节MRI分割中,以实现快速无监督的分割。首先建立高斯混合的灰度统计模型,运用MDL准则自动确定类别的数目。建立多尺度MRF的先验模型时,利用尺度间的因果性给出非迭代的计算方法,由细尺度往粗尺度传递统计信息,再由粗尺度往细尺度计算每个像素的最大后验概率,从而实现快速准确的分割。实验结果表明,与单尺度MRF相比,多尺度MRF分割膝关节MRI所需时间大大减少,且精度与专家手动分割标准相当。算法通过建立多尺度马尔可夫随机场模型,完成了低信噪比膝关节MRI图像快速准确分割,可作为进一步自动分割软骨与半月板等软组织的基础。

基于四阶累积量的信源数估计新方法

针对在基于四阶累积量的空间谱估计方法中,基于信息论准则的信源数估计方法完全失效的问题。提出了一种新的信源数估计方法,该方法利用与特征值互补的集合的数值的特点,降低了噪声对应特征值的发散度,然后再利用信息论准则估计信源数。该方法具有计算复杂度低的优点,适用于空间色噪声,仿真分析证明了该算法的有效性。

色噪声环境下信源数目估计的线性插值法

为了减轻加性色噪声对信源数目估计性能的影响,本文提出了一种基于相干矩阵特征值分布曲线线性插值的信号检测方法。构造适当的代价函数,避免了对数似然函数的使用,该方法对色噪声协方差矩阵特征值分散具有稳健性,同时具有较低的计算复杂度和适用于相关甚至相干源等优点。其有效性由大量的计算机仿真结果得到了验证。

组合与概率的连续特征权衡量化方法

连续特征量化方法是数据挖掘方法中必要的预处理过程。呈现一种组合与概率的连续特征权衡量化方法。基于最小描述长度以及组合与概率理论,提出连续特征量化的权衡标准,能够在量化所导致的分类错误与量化区间信息之间得到合理的权衡;基于该权衡标准提出一种有效的动态规划量化算法,以找到最好的量化结果;量化后的数据采用naive贝叶斯分类器进行分类预测,与其他连续特征量化方法的对比实验结果表明,新方法得到了较高的平均学习精度。

基于协方差矩阵对角加载的信源数估计方法

针对基于信息论准则的信源数估计方法在白噪声背景下具有良好的估计性能,但在色噪声背景下,利用信息论准则进行信源数估计时,会得到真实信源数目过估计的问题。为了将信息论准则推广应用到色噪声背景下,提出了一种改善色噪声背景下噪声特征值发散的特征值校正算法,首先采用对角加载技术平滑色噪声背景下的噪声特征值,然后对平滑后的特征值利用信息论准则估计信源数。仿真结果证明了该算法的有效性。

单通道信源数估计的改进方法

本文对单通道接收信号的源数估计方法进行了研究,提出了对现有方法的改进措施.将单通道数据通过延迟处理转换为多通道形式,然后引入阵列信号处理中的信源数估计算法,如盖氏圆盘估计法(Gerschgorin’s Disk Estimation,GDE)和最小描述字长法(Minimum Dscription Lengh,MDL).基于信息理论标准(ITC)的MDL方法在低SNR条件下获得比GDE更好的性能,但是它无法处理包含有色噪声的信号.GDE方法虽然可以克服有色噪声的影响,但是其在低SNR下的性能欠佳.基于上述考虑,本文对这两种方法进行了改进.采用对角加载技术改善MDL方法的性能,并引入Jackknife切法优化数据协方差矩阵,以提高GDE方法的性能.模拟实验结果表明:本文提出的方法使原有方法的性能得到很大改善.

基于CSMDEM算法的GMM学习方法

基于Mahalanobis距离的EM(MDEM)算法存在过分裂问题。为此,提出一种竞争结束MDEM(CSMDEM)算法。该算法将最小描述长度准则作为竞争结束条件嵌入到MDEM算法中,能够在估计混合模型参数的同时选择模型阶数。实验结果表明,该算法具有较低的平均EM迭代次数,能够较好地拟合高斯混合模型。当其被应用到跳频网台分选时,能够以较高的正确率分选跳频信号。

一种非双曲型非线性离散系统次最优建模方案

研究非线性系统建模是一个NP-hard问题,若系统因稳定流与不稳定流平行均属于非双曲线型时,上述研究将变得更加明显。对同一中搜索算法,Total Error性能明显优于Marginal Error。当不同的算法和策略混用时,后次迭代以前次迭代的结果集为基础往往优于以全基函数集为基础的迭代。结合以上特点,模型选取的最小描述长度(Minimal Description Length)准则,给出了一种新的全局误差(Total Error)次最优选取算法。算法结构清晰,易于实践。多次试验中,对不同的受扰序列,总体时间开销均小于公认最有效的Shaking方法。既然非线性序列的模型选取是一个NP-hard问题,故方法也不能确保所选模型为最优模型,尽管在有限次的试验中总能成功获得最优模型。