基于临界特征值的MDL信源数欠估计分析方法

针对最小描述长度准则下的信源数欠估计问题,提出了一种基于临界特征值的欠估计分析方法,通过对信源数估计算法进行分析,给出了临界特征值的求解表达式及唯一性证明。相比现有方法,临界特征值方法可对不同漏检数下的欠估计边界进行预测,并评估阵列参数对信源数估计性能的影响。为解决大漏检数下的临界特征值的求解复杂问题,提出了一种近似方法,分析了近似误差的影响因素。仿真数值实验结果表明,临界特征值方法可准确描述算法在不同漏检数下的欠估计边界,为基于信息论准则的信源数估计算法提供了一种新的具有普适性的分析手段。

基于改进MDL准则的电能质量信号消噪新方法

电力系统中电能质量信号往往含有大量的噪声,这将会在很大程度上影响检测的效果。为了有效地消除噪声,基于MDL准则提出了将MDL函数的第2项改为信号的剩余能量比以提高消噪能力的改进算法,同时给出了改进后MDL函数参数确定的方法,讨论了小波分解层数的确定及小波基函数的选取等问题。对不同电能质量信号进行消噪处理时该新方法能得到最优的分解层数和小波基函数,消噪后信号具有较高的信噪比且信号的剩余能量比高。仿真结果表明:该新方法优于小波分析的电能质量消噪方法和基于MDL准则的电能质量消噪方法,取得了令人满意的消噪效果。

基于遗传非参数MDL-BW方法的HMM结构优化

隐马尔科夫模型(Hidden Markov Model,HMM)广泛用于语音信号等时序信号的建模.HMM的结构优化包括模型参数个数优化和参数值的优化.针对传统的用于训练HMM的鲍姆-韦尔奇(Baum Welch,BW)算法在寻求最优解时容易陷入局部极值以及无法优化HMM参数个数的问题,本文提出了遗传非参数MDL-BW方法.该方法通过结合遗传(Genetic Algorithm,GA)算法随机搜索的特点和自适应思想来扩大HMM参数值解的搜索空间,结合非参数思想帮助自动寻求HMM的合适参数个数,同时以最小描述长度MDL(Minimum Description Length,MDL)作为模型优化准则来寻求HMM在全局上的最优结构.仿真数据、语音数据以及人体动作数据的仿真结果表明遗传非参数MDL-BW方法相较BW方法等同类方法在HMM结构的寻求上具有更好的效果.

窄带干扰及动态环境BOC调制信号多通道并行捕获

针对窄带干扰及动态环境二进制偏移载波(binary offset carrier,BOC)调制信号捕获困难、捕获效率低的问题,提出利用奇异值分解(singular value decomposition,SVD)结合最小描述长度(minimum description length,MDL)准则对窄带干扰进行抑制。在部分匹配滤波器结合分数阶傅里叶变换(partially matched filter-fractional Fourier transform,PMF-FRFT)捕获算法的基础上提出结合伪码复合以及异步伪码相关累加的多通道并行捕获算法。该算法首先对接收到的含窄带干扰信号做SVD,利用MDL准则自适应估计出干扰信号的个数并完成干扰抑制;然后,将信号伪码相加形成新的伪码序列,由PMF-FRFT结合异步伪码相关累加算法实现对多个信号的精确捕获。仿真结果表明,SVD窄带干扰抑制算法在较好保留原信号特征的基础上能够有效抑制干扰信号,且性能稳定。提出的伪码复合结合异步伪码相关累加多通道捕获的算法可同时完成多个信号的捕获,有效提升信号捕获概率、减少捕获时间。

战场多目标混合声信号源数盲估计算法研究

为了适应战场的实际应用环境,解决传统的MDL准则信源数估计算法在有色噪声条件下失效的问题,提出了基于MDL函数值比值的信源数目估计算法,但此算法在低信噪比下信源数的检测概率较低。针对这一问题,用样本特征值平方和与样本特征值之和的比来代替MDL函数中的样本特征值算术平均的方法来改进MDL准则函数,从而得到基于改进的MDL函数值比值算法。该算法可以有效提高信源数所对应的MDL函数值与非信源数对应的MDL函数值之间大小的差距,从而进一步提高低信噪比条件下MDL比值法的估计性能。通过仿真试验和实测数据的验证试验,表明所提出的两种算法是有效的和可行的。

基于最小描述长度准则的稀疏多带信号频谱感知算法

该文研究稀疏多带信号的频谱感知问题。首先利用欠采样的数据构造自相关矩阵,并对该矩阵进行特征值分解,然后根据最小描述长度(MDL)准则对特征值进行计算,利用结果区分信号子空间和噪声子空间,最后根据子空间的结果求出信号的频率支集,由此提出了一种针对稀疏多带信号的频谱感知算法。由于传统算法需要预先设置门限来区分信号子空间和噪声子空间,所以不合理的门限值会导致算法失效,该文算法不用预先设置门限,具有更好的适应性。仿真实验结果验证了该文算法的有效性。

混合贝叶斯网络隐藏变量学习研究

目前,具有已知结构的隐藏变量学习主要针对具有离散变量的贝叶斯网和具有连续变量的高斯网.该文给出了具有连续和离散变量的混合贝叶斯网络隐藏变量学习方法.该方法不需要离散化连续变量,依据专业知识或贝叶斯网络道德图中Cliques的维数发现隐藏变量的位置,基于依赖结构(星形结构或先验结构)和Gibbs抽样确定隐藏变量的值,结合扩展的MDL标准和统计方法发现隐藏变量的最优维数.实验结果表明,这种方法能够有效地进行具有已知结构的混合贝叶斯网络隐藏变量学习.

盲信号分离中信号源数目估计方法研究

研究盲信号分离中信号源数目未知情况下信号源数目的估计问题。证明了无观测噪声时,利用观察信号数据矩阵的零空间估计法确定信号源数目的方法,等价于通过计算观察信号数据矩阵的秩来确定信号源数目;阐述了在信号源盲分离中有观测噪声时,国内外信号源数目估计的主要方法:特征值分解、Akaike信息准则(AIC)、最小描述长度(MDL)及Minka Bayesian准则,通过理论分析与实验结果对这些方法进行比较,得出各方法的适用范围以及影响估计的主要参数,为信号源数目的正确获取提供参考。

基于高阶累积量的信源数目估计方法

信源数目确定在许多高分辨阵列信号处理中具有至关重要的作用。提出了一种基于阵列输出4阶累积量信息的信源数目估计方法。通过构造阵列输出的4阶累积量矩阵,根据4阶累积量矩阵特征值分布并采用最小描述长度(MDL)准则估计信源数目。由于信号高阶累积量具有盲高斯特性,该方法能有效地抑制色噪声干扰,可实现色噪声背景下的信源数目估计。仿真分析验证了该方法的有效性。

基于流相关性的网络流量分类

网络流量分类技术对网络安全管理起着非常重要的作用。随着网络和信息技术的发展,传统的基于端口号和深度包检测分类方法的局限性愈发明显,不能对现有的流量进行准确分类。提出一种基于流相关性的半监督网络流量分类算法,并使用MDL-CON高斯混合模型作为聚类模型,通过聚类过程中利用流之间的相关性提高模型的准确度。采用MDL准则解决了高斯混合模型需要人为预先设定类簇数目和高度依赖于初始值的问题。实验结果表明,利用该方法来处理流量分类问题可取得理想的分类效果。

基于依赖结构和Gibbs Sampling的离散数据聚类

建立了一种新的离散数据聚类方法,该方法结合变量之间的依赖结构和Gibbs sampling进行离散数据聚类,能够显著提高抽样效率,并且避免使用EM算法进行聚类所带来的问题。试验结果表明,该方法能够有效地进行离散数据的聚类。

变权重MRF算法在图像自动无监督分割中的应用

为了实现图像的自动无监督分割,本文提出类自适应变权重马尔可夫随机场分割算法。首先结合最小描述长度准则,自适应计算马尔可夫随机场框架下的图像分类数;然后引入变权重的马尔可夫随机场算法,扩大势函数的选择范围,消除势函数的复杂计算;最后用迭代条件模式进行优化,获得最大后验概率准则下的分割图像。在Matlab环境中的测试结果表明,该算法具有实效性,能正确计算分类数,同时有效减少了分割错误。

信源数目估计方法的研究

盲信号处理(Blind Signal ProCessing)是近年来信号处理研究的热点之一,"盲"是指在没有任何先验信息或者先验信启、不足环境下的假设,因此,该处理方法对环境及信号的应用更加宽泛。盲信源数目是盲分离的首要前提,信源数目的确定更是直接关系到盲分离效果的正确性。本文主要研究了IAC准则,MDL准则和盖式圆准则的盲信源数目估计算法。在不同信噪比情况下,分别对噪声观测信号进行信源数目估计。通过实验证明,盖式圆在含有噪声的情况下,能够相对准确的估计出信源数目,IAC和MDL在低信噪比情况下,不能准确的估计出信源数目。

马尔科夫网络中的隐藏变量学习

马尔科夫网络中的隐藏变量学习是一个重要而困难的研究课题.关于隐藏变量需要解决三个问题,它们是隐藏变量的位置,维数和取值,局部结构.根据马尔科夫网络中的Clique确定隐藏变量的位置;然后基于依赖结构和Gibbssampling确定隐藏变量的取值和维数;最后利用MDL标准进行局部打分确定局部结构.试验结果表明,该方法能够有效地进行马尔科夫网络的隐藏变量学习.

一种针对色噪声相干源的源数目估计方法

提出一种联合MDL法和特征值校正相结合的源数目估计方法。利用联合MDL法即最大似然的角度参数估计和MDL检测方法迭代处理估计相干源数目,并对噪声特征值进行校正使色噪声引起的特征值发散程度大大减小,从而有效检测空间色噪声下相干信号源的数目,且性能优于已有的算法。其有效性由大量的计算机仿真结果得到了验证。

OFDM系统中时变信道参数的估计

无线信道中的时变衰落对通信系统的性能会产生极其恶劣的影响,必须精确的估计出时变信道的参数以便更好的设计通信系统以及在接收端进行有效地均衡。提出了一种基于单分量线性调频(LFM)信号的时变信道参数估计方法。该方法通过发射单分量LFM信号作为正交频分复用(OFDM)系统的导频信号来探测时变信道,在接收端用最小描述长度(MDL)标准来检测信道的多径数目,并用Wigner-Hough变换(WHT)联合FFT进行时变信道参数估计。仿真结果表明该算法有良好的估计性能。

利用信源先验特征的混合测向算法

基于特征分解的子空间类测向算法均要知道信源个数,但在小快拍数、低信噪比,且信源间的信号强度差异明显的场合中,传统的AIC信息准则和MDL准则均不能准确判断信源个数。这直接恶化了基于特征分解类算法(如MUSIC法)的测向性能。针对该问题,提出了一种利用信源先验特征的混合测向算法。该算法既利用了信源在角度上呈稀疏分布的信息提高了信源数判决的准确性,也利用了信源的非圆特性改进了测向性能。计算机仿真证实了该方法的正确性。

OFDM系统中基于FRFT的多径参数估计方案

无线信道中存在的多径衰落特性使通信系统的性能急剧恶化,必须精确的估计出多径信道的参数以便更好的设计通信系统。本文提出了一种基于单分量线性调频(LFM)信号的多径参数估计方法。该方法通过发射单分量LFM信号作为正交频分复用(OFDM)系统的导频信号来探测多径信道,在接收端用最小描述长度(MDL)标准来检测信道的多径数目,并用分数阶傅立叶变换(FRFT)进行多径参数估计,适合于移动终端。仿真结果表明该算法有良好的估计性能。

基于最小模MUSIC算法的电力谐波/间谐波检测方法

在电力谐波/间谐波检测中,以传统傅里叶变换为基础的分析方法分辨力差、检测精度较低,基于空间谱估计的多重信号分类(MUSIC)方法易受噪声干扰,且对各信号幅值和相位检测的准确性差等问题,文中提出对电力谐波/间谐波参数准确检测的最小模多重信号分类(MNM-MUSIC)算法,它由采样序列得到自相关函数并构造自相关矩阵,由此得到相关阵的特征值,根据最小描述长度(MDL)准则估计信号源数目,进一步用最小模方法对MUSIC算法做出修正,即利用小特征值对应的噪声子空间的线性组合与信号矢量的关系估计出各信号的频率,最后用扩展Prony方法得到各信号幅值和相位信息,由此完成对电力谐波/间谐波参数的准确检测.仿真结果表明:与经典MUSIC算法相比,此方法的优点在频率检测方面精确度更高,抗噪声能力更强,在电力谐波/间谐波分析检测中具有更高的准确性.

基于互质阵列的信源数估计

针对信号数大于物理阵元数情况下的信源数估计问题,提出一种基于互质阵列的信源数估计方法。首先利用互质阵列的特殊结构提高阵列自由度;然后估计阵列输出的向量化外积的概率密度函数的相关参数;最后利用得到的参数化概率模型的似然函数和最小描述长度(MDL)准则实现算法功能。仿真结果表明,本文方法在较低信噪比下对不相关的高斯信号的检测成功率仍可达到100%,检测性能优于其他算法。