具有不确定Wiener噪声随机非线性系统的自适应逆最优控制

针对一类具有不确定 Wiener 噪声扰动和未知定常参数的随机非线性系统，采用随机微分方程描述系统，基于 Backstepping 算法，利用随机控制 Lyapunov 函数，研究了自适应逆最优控制问题的可解定理，系统地给出了全局依慨率渐近稳定和自适应逆最优控制策略的设计方法．这种方法可同时获得控制律和自适应律，仿真结果表明该控制算法的有效性．

Y因子法测量天线噪声温度的不确定性分析

介绍了Y因子法测量天线噪声温度的原理方法,分析了常温负载和低噪声放大器噪声温度的不确定性对天线噪声温度测量的影响,推导了天线噪声温度测量的绝对误差计算公式,研究了低噪声放大器噪声温度对天线噪声温度测量精度的影响,提出了改善天线噪声温度测量精度的方法。最后,给出了65 m射电望远镜天线L波段、C波段和X波段噪声温度测量结果。测量结果的误差分析表明:65 m射电望远镜天线噪声温度测量的绝对误差≤±2.48 K。

SAR ATR中标签噪声不确定性建模与纠正

深度监督学习在合成孔径雷达自动目标识别任务中的成功依赖于大量标签样本。但是,在大规模数据集中经常存在错误(噪声)标签,很大程度降低网络训练效果。该文提出一种基于损失曲线拟合的标签噪声不确定性建模和基于噪声不确定度的纠正方法:以损失曲线作为判别特征,应用无监督模糊聚类算法获得聚类中心和类别隶属度以建模各样本标签噪声不确定度;根据样本标签噪声不确定度将样本集划分为噪声标签样本集、正确标签样本集和模糊标签样本集,以加权训练损失方法分组处理训练集,指导分类网络训练实现纠正噪声标签。在MSTAR数据集上的实验证明,该文所提方法可处理数据集中混有不同比例标签噪声情况下的网络训练问题,有效纠正标签噪声。当训练数据集中标签噪声比例较小(40%)时,该文所提方法可纠正98.6%的标签噪声,并训练网络达到98.7%的分类精度。即使标签噪声比例很大(80%)时,该文方法仍可纠正87.8%的标签噪声,并训练网络达到82.3%的分类精度。

考虑测量不确定性的ANN-Wiener过程加速退化试验评估

考虑加速退化试验过程中关键性能参数的测量不确定性,将测量不确定性处理为区间数,并建立一种结合人工神经网络与Wiener过程的区间加速退化数据可靠性评估方法。基于ANN-Wiener过程构建加速退化数据的负对数似然函数,采用遗传算法建立负对数似然函数未知参数的求解方法,最终实现了区间加速退化试验的可靠性评估。通过激光器的加速退化试验,对该方法进行验证,比较该方法与其他方法评估得到的可靠度和真实可靠度的绝对误差,结果表明,基于ANN-Wiener过程对可靠度的评估结果更准确,且考虑到测量不确定性因素的影响,得到激光器可靠度的保守和乐观估计。相同可靠度的情况下,忽略测量不确定性时的评估时间晚于保守估计的评估时间,会导致产品预防维护时机的推迟,增大产品运行过程中的失效风险,增加因产品失效而造成的损失。

噪声对阶跃信号上升时间测量不确定度的影响

为了更准确地反映阶跃信号上升时间测量过程中可能存在的不确定度来源、提高测量结果的可信度,对噪声引入的阶跃信号上升时间测量不确定度分量开展了数值仿真和试验分析。结果表明,信噪比对上升时间测量不确定度存在显著影响,在信噪比较低的情况下,噪声引起的上升时间测量不确定度成为主要来源。通过比较Savitzky-Golay平滑算法和移动平均平滑算法在阶跃信号上升时间计算中的应用效果,发现采用适当的平滑算法可以降低噪声引入的不确定度分量,其中,移动平均平滑算法的效果更好。本研究有助于提高动态信号测量结果的可靠性和准确性,对航空、航天、汽车等领域的动态信号测试不确定度分析具有重要的参考价值。

基于小波变换的Wiener滤波算法去除苹果图像噪声

在小波变换的基础上,提出了一种基于小波变换的Wiener滤波去噪方法。采用该方法对苹果图像的加性噪声(高斯白噪声)去噪,结果PSNR为184.94,视觉效果清晰(而含噪声图像的PSNR为158.23,噪声太多不清晰),好于邻域平均法(PSNR为174.15,视觉上含部分噪声)、中值滤波法(PSNR为182.42)、小波阈值去噪(PSNR为171.59,视觉上也含部分噪声)和Wiener滤波去噪法(PSNR为173.65)的去噪结果,更好于数学形态学的去噪结果(PSNR为150.46,视觉上含较多噪声)。试验结果表明,基于小波变换的Wiener滤波方法对苹果图像加性噪声的去噪效果具有信噪比高、视觉效果好等优点。

基于多尺度Wiener滤波器的分形噪声滤波

针对淹没在 1/f噪声中的有用信号恢复问题 ,本文提出了一套基于双正交小波变换与Wiener滤波的多尺度滤波算法 ,并设计出多尺度Wiener滤波器 .首先 ,利用双正交小波变换将带有 1/f噪声的信号分解成多尺度的子带信号 ,通过小波变换对 1/f噪声的白化作用 ,消除了 1/f噪声的非平稳性、自相似性和长程相关性 .其次 ,在小波域内 ,利用Wiener滤波 ,实现了噪声和有用信号的分离 ,估计出了各子带中的有用信号 .最后 ,利用双正交小波的精确重构性 ,较好地恢复出淹没在 1/f噪声中的有用信号 .仿真实验表明 ,该滤波器能有效的抑制分形噪声 。

新型抗噪声不确定度谱分段对消频谱感知算法

针对噪声不确定度严重影响能量检测算法频谱感知性能的问题,提出了一种基于功率谱分段对消的频谱感知算法.该算法利用被监测信号周期图估计功率谱谱线互不相关的性质,以频带内一些谱线强度和与剩余谱线强度和的比值作为检验统计量,可实时鲁棒地感知监测频段的占用情况.理论分析和仿真结果表明,该算法可以在较宽的信噪比范围内获得较低的虚警概率和较高的检测概率,能有效克服噪声不确定度对检测性能的影响,判决门限不随次级用户周围环境噪声电平的变化而改变,适用于复杂电磁环境下的频谱监测和认知无线电系统.

具有相关噪声和不确定观测系统的全局最优Kalman滤波

研究了具有不同源噪声和不确定观测的离散线性随机系统的全局最优Kalman滤波问题.乘性噪声是用来描述系统的随机扰动,相关噪声包括了有限步自相关过程噪声和纵向相关噪声,不确定观测包括了一步随机时滞和多丢包.由Kronecker delta函数来描述有限步自相关过程噪声和纵向相关噪声,通过两个已知统计特性且相互独立的Bernoulli分布变量来描述一步随机时滞和多丢包现象.基于最优估计的定义,在最小均方误差意义下设计出全局最优Kalman滤波.最后,算例仿真验证滤波方法的有效性.

滚动轴承噪声的扩展不确定度评价

以模糊集合理论为基础,提出了一种评价滚动轴承噪声扩展不确定度的方法。这种方法属于非统计理论范畴,允许轴承噪声的测量数据少和概率分布未知,不需要计算标准差和包含因子,直接求出扩展不确定度,可以通过少量的测量数据来估计大批量生产的轴承的噪声期望值和期望值的分布区间。实验研究表明,和传统的统计方法相比,这种方法的估计误差比较小。

内燃机噪声测量不确定度

本文按《测量不确定度表示指南》和《测量不确定度评定与表示》规定的程序和方法,对引起内燃机噪声声功率级测量结果不确定度的因素(不包括声源本身的影响)及其累积效应进行不确定度分析与评定,旨在提高噪声测量结果的质量,促进降噪工作开展,并使测量不确定度评定在内燃机行业得到全面推广。

已知噪声不确定性的双门限协作频谱感知

频谱感知是认知无线电的关键技术之一。能量检测广泛应用于频谱感知中,然而噪声不确定性严重影响其检测性能。建立了噪声不确定性模型,提出了双门限协作频谱感知算法,并分析了融合中心接收到感知用户信息数量进行有效感知的概率。仿真结果表明,在一定条件下,所提算法能够达到较好的检测性能。

两传感器信息融合最优白噪声反卷积Wiener滤波器

应用现代时间序列分析方法和白噪声估计理论,提出了两传感器最优信息融合白噪声反卷积Wiener滤波器,其中给出了局部滤波误差之间的协方差公式,它可被用于计算最优融合加权系数。一个仿真例子说明了其有效性。

频谱分析仪测量相位噪声及测量不确定度分析

相位噪声是电子测量中的一个重要指标,相噪指标的好坏直接影响着整个系统的性能。测试相位噪声的方法有几种,然而,每种测试方法都有各自的优缺点。因此,根据实际的需要来选择适当的测试方法就尤为重要。本文主要是通过实验来讨论用频谱分析来测量相位噪声的方法,并对其测量的结果,应用不确定度理论给出了相应的测量不确定度的分析。

带不确定方差乘性和加性噪声系统鲁棒加权融合稳态Kalman估值器

本文研究带不确定方差乘性和加性噪声和带状态相依及噪声相依乘性噪声的多传感器系统鲁棒加权融合估计问题.通过引入虚拟噪声补偿乘性噪声的不确定性,将原系统化为带确定参数和不确定加性噪声方差的系统,进而利用Lyapunov方程方法提出在统一框架下的按对角阵加权融合极大极小鲁棒稳态Kalman估值器(预报器、滤波器和平滑器),其中基于预报器设计滤波器和平滑器,并给出每个融合器的实际估值误差方差的最小上界.证明了融合器的鲁棒精度高于每个局部估值器的鲁棒精度.应用于不间断电源(uninterruptible power system,UPS)系统鲁棒融合滤波的仿真例子说明了所提结果的正确性和有效性.

不确定噪声方差定常系统保性能鲁棒Kalman滤波器

对带不确定噪声方差线性定常系统鲁棒Kalman滤波,提出一般的统一的保性能鲁棒性概念.用Lyapunov方程方法,提出两类保性能极大极小鲁棒稳态Kalman滤波器.一类是寻求不确定噪声方差最大扰动域(鲁棒域),使得对于扰动域内的所有扰动,确保系统滤波精度偏差的最大下界是零,最小上界是所预置的精度偏差指标;另一类是在预置噪声方差有界扰动域内,寻求滤波精度偏差的最大下界和最小上界.通过引入不确定噪声方差扰动的参数化表示,问题转化为相应的非线性与线性最优化问题,可分别用Lagrange乘数法和线性规划(LP)方法求解.应用于跟踪系统的仿真例子验证了所提结果的正确性和有效性.

小波域上分形噪声的一种自适应Wiener滤波方法

针对淹没在1/f分形噪声中的有用信号恢复问题,提出了一种基于小波变换与Wiener滤波的多尺度自适应滤波算法。首先将带有1/f分形噪声的信号分解成多尺度的子带信号,通过小波变换对1/f分形噪声的白化作用,消除了1/f分形噪声的自相似性和长程相关性。然后在小波域内,利用自适应Wiener滤波实现了噪声和有用信号的分离,估计出了各子带中的有用信号。最后进行小波重构,较好地恢复出淹没在1/f分形噪声中的有用信号。仿真实验表明,使用多尺度自适应Wiener滤波器能有效地抑制分形噪声,显著地提高信噪比。

噪声功率不确定性区间估计和降低SNR WALL恶化的能量检测算法

能量检测是认知无线电系统中广泛采用的空闲频谱检测方案,但其性能受到噪声功率不确定性(NPU)的严重影响。该文提出一种新颖的复杂度较低的NPU区间估计算法,并且从理论上分析了估计的噪声功率对能量检测信噪比墙(SNR WALL)恶化的影响,得出了SNR WALL恶化性定理。进一步基于门限修正提出一种改进的能量检测算法以消除SNR WALL恶化。仿真结果表明,该算法能较为精确地估计NPU区间,并且验证了SNR WALL恶化性定理的正确性;同时,改进的能量检测算法性能要优于稳健的统计方案(RSA)能量检测的结果,并且改进后降低了SNR WALL恶化,提高了检测的鲁棒性。

基于小波变换和Wiener滤波的SAR图像相干斑噪声去除

先介绍了小波变换和Wiener滤波,为提高去噪性能,提出一种基于小波变换和Wiener滤波的SAR图像speckle噪声去除算法,利用Wiener滤波对小波分解系数去噪.结果表明,与传统方法相比,所提出的算法能较好地提高SAR图像的去噪效果.

噪声不确定下基于进化博弈论的协作频谱检测研究

认知无线电中,协作频谱检测已经被证明可以有效提高系统的检测性能。但是在噪声不确定的情况下,认知用户会更加倾向于减少检测消耗来提高自身的吞吐量。本文主要是把进化博弈论应用到噪声不确定下的协作频谱检测中,认知用户可以动态地选择是否参加协作频谱检测,通过不断的迭代学习,得到一个进化稳定策略(ESS)。本文把所有认知用户作为整体参与博弈,由进化博弈论算法,得到其参与协作的认知用户平均吞吐量,并将其与所有用户的平均吞吐量对比。如不等则反复迭代直至相等,从而得到最终的进化稳定策略。仿真结果表明:噪声不确定度越高,达到平衡时认知用户参与协作检测的概率就越高;进化博弈论算法让认知用户选择性地参与协作检测比让所有用户都参与协作检测有更高的系统吞吐量。