前/后向空间平滑算法与修正MUSIC算法对相关信源DOA估计性能的比较

前/后向空间平滑技术(Forward/BackwardSpatialSmoothingTechnique)与修正MUSIC算法(MMUSIC)是两种估计相关信号DOA(DirectionofArrival)的有效方法。文中分别分析了它们去相关的基本原理及各自优缺点。仿真了它们的分辨性能随信噪比以及相关系数增加的情况。

MUSIC及其改进算法的DOA估计

MUSIC算法是一种有效的DOA(Direction of arrival)估计方法,但它仅能估计非相关信源,不能估计相关信源。前后向空间平滑技术(Forward/Backward Spatial Smoothing Technique)是一种改进的MUSIC算法,对相关信源有很高的分辨率。分析了它的基本原理及优缺点,仿真了它的分辨性能。

一种融合时滞值的状态估计方法及其应用

针对间歇过程中关键参数,在线检测精度低、离线分析时滞大的问题,提出一种融合时滞测量值的状态估计方法。鉴于在线和离线检测值的采样周期不同,分仅有在线检测值和两种检测值并存等两种情况进行分析。考虑间歇过程的非线性、非高斯分布等特点,引入粒子滤波算法并基于贝叶斯方法对其进行扩展,实现两种检测值的信息融合。将提出的算法应用在啤酒发酵过程中,并与不考虑时滞测量值的估计效果对比。实验结果表明,该方法能够较好地处理考虑时滞值的状态估计问题,且效果优于不考虑时滞测量值的情况。

含时滞测量值下间歇过程的双维状态估计

基于粒子滤波研究了间歇过程的状态估计问题。根据间歇过程双维动态特性,针对关键参数在线检测精度低、离线分析时滞大等问题,分别建立一种双维状态转移模型和时滞测量模型,并利用贝叶斯方法及前/后向平滑,提出一种含时滞测量值下的双维状态估计算法。该算法通过融合先前批次和时滞测量值的信息提高估计精度,并且克服了离线采样周期和时滞时间不确定的问题。在数字仿真和啤酒发酵过程中的仿真应用验证了该算法的有效性。