基于ICA和高阶累积量的AR序列的分解与复原

本文研究由若干个非因果自回归(auto regression,AR)序列叠加产生的多道时间序列的分解与复原问题,首先从序列的独立性出发,利用序列的高阶统计信息,采用独立成分分析(independent component analysis,ICA)中的广义信息最大化(Info- max)算法寻找一可逆矩阵将混合序列进行分离,然后设计了一种基于高阶统计量的自回归模型的辨识算法,算法中将非因果AR系统看成由因果和反因果系统的极联,在每次迭代中先估计反因果AR的阶数和参数,然后再估计因果AR的阶数和参数,由选用的线性方程组保证了参数的唯一可辨识性.最后通过模拟实验验证了此方法的有效性.

航空通信中干扰下的鲁棒性通信方法

航空器在进行空-地通信时,信道中会存在大量非线性的干扰信号,导致通信信号发生鲁棒性变化。提出一种基于信息最大化算法的航空通信中干扰下的鲁棒性通信方法,根据航空通信的特点建立通信模型,利用均值化处理方法和白化处理方法对通信信号进行预处理,利用信息最大化算法对信号进行信澡分离,实现了航空通信信号的鲁棒性要求;在Matlab7.0平台上完成测试,实验时航空通信划分成外部干扰,能够忽略和外部干扰不可忽略两种情况;仿真时间定为3 000s,干扰源数目为12个,实验结果表明利用该算法对原始信号的拟合率达到97%左右,鲁棒性误差平均在3%左右,而传统算法误差在10%以上,表明该算法信号的鲁棒性更强。