基于广义加权贝叶斯估计的语音增强算法研究

相对于传统的瑞利假设,语音的离散傅里叶变换(DFT)系数更好地服从Chi分布。为了寻求语音失真度和噪声抑制程度之间的平衡,先在语音DFT系数服从Chi分布假设的条件下推导出一个基于听觉感知特性广义加权的贝叶斯估计器。然后,将语音存在概率考虑进新推导出的贝叶斯估计器中,获得一个Chi先验下联合了语音存在概率的贝叶斯估计器。为了在语音的起始段抑制音乐噪声的产生,得到一个新型的混合先验信噪比估计器。仿真证明,提出的增强算法较传统算法在各种噪声环境下各种性能指标都有了较大的提高。

利用广义指数加权回归估计贝叶斯动态线性模型误差方差矩阵W_t的方法(英文)

本文主要研究广义指数加权回归在贝叶斯线性动态线性模型参数估计中的作用 。

广义系统多传感器信息融合降阶状态估值器

对于带多传感器的广义线性离散随机系统,基于奇异值分解,将其化为等价的两个降阶多传感器子系统。应用Kalman滤波方法,在线性最小方差最优加权融合准则下,提出了最优加权融合降阶稳态广义Kalman估值器。可统一处理融合滤波、平滑和预报问题,可减少计算负担和改善局部估计精度。为了计算最优加权,提出了局部估计误差方差阵和互协方差阵的计算公式。

偏正态分布参数的贝叶斯估计

经典学派很注重已经出现的样本观察值,对于未观察到的样本不予考虑.贝叶斯学派很注重先验信息的收集、挖掘和加工,使它们数量化成先验分布,参与到统计推断中,以此提高统计推断的质量.研究了广义加权损失函数的贝叶斯估计,并且基于偏正态分布,建立了不同损失函数下的贝叶斯估计,并运用Matlab进行数值模拟,分别得到了偏正态分布的位置参数以及尺度参数与样本容量之间的关系图,由图比较了在同一损失函数下样本容量与各参数的贝叶斯估计之间的关系,并分析了不同损失函数下贝叶斯估计的差异性.