LMSV模型波动的长记忆与相关性的小波分析

本文提出了LMSV模型的波动自相关函数的定义,将小波分析方法引入到LMSV模型的建模研究中,提出了基于最大重复小波变换(MODWT)的不同尺度下的LMSV模型,并进一步讨论了不同尺度下的波动自相关函数的性质,并用该方法对上海和深圳证券市场综合指数收益波动序列进行建模,对在同一尺度和不同尺度下的长记忆性与相关性进行了实证分析。

一种噪声背景下的雷达目标识别方法

雷达高分辨距离像(high-resolution range profile,HRRP)包含了丰富的目标结构信息,在雷达目标识别领域有良好的应用前景。针对传统的HRRP识别方法对噪声环境适应性差的问题,选用具有时移不变性的紧支撑小波自相关作为支持向量机(support vector machine,SVM)分类器的核函数,研究了幂次变换(power transform,PT)参数的选取对识别效果的影响,给出了参数选取经验公式,结合信噪比实时估算自适应地进行数据预处理以增强算法的抗噪性能。仿真表明,所提出的方法与传统的高斯径向基核SVM相比,提高了目标识别率,并且具有较好的噪声稳健性。

低信噪比下的一种信号检测方法

针对低信噪比情况下的信号检测问题 ,利用 Morlet小波变换在时间、频率局部化信号的能力 ,提出了一种信号检测方法。运用该方法对雷达信号进行小波变换和三重自相关处理 ,由相关函数的峰值对目标信号进行检测。仿真结果表明 ,该方法能够有效地抑制噪声 。

结合EMD与DWT-ACF的语音基音周期检测改进算法

针对传统小波-自相关算法在噪声环境下检测语音的基音周期会出现偏差和漏报的情况,提出一种经验模式分解下的小波-自相关的基音周期检测改进算法。该算法首先利用经验模式分解去除含噪语音趋势项并减噪,再利用改进的小波-自相关法突出每个基音周期的峰值点,提高了基音周期检测的精度。实验结果表明,该改进方法可有效改善加噪语音在基音提取上出现的偏差误报情况以及避免部分倍频和半频错误,提高基音周期检测速率及准确率。

基于非参数化最大间隔准则的雷达目标识别

针对线性判别分析(LDA)的"小样本"和要求数据须服从高斯分布的问题,提出一种基于非参数化最大间隔准则(NMMC)的雷达目标识别方法.首先,利用自相关小波变换提取目标高分辨距离像(HRRP)的非平稳特征,将其与HRRP原信号一起作为目标的分类特征,利用NMMC实现特征提取;然后,通过支持向量机进行分类.NMMC在解决小样本问题的同时,松弛了对数据分布的类高斯要求.最后,基于5种飞机高分辨距离像数据的仿真实验验证了所提出方法的有效性.