广义高斯噪声下阈值系统中的随机谐振

基于两种代表性的测度(互信息、互相关系数)讨论了广义高斯噪声下阈值系统中的随机谐振现象。当信号在阈下时,随机谐振存在且随机谐振的功效随噪声指数参数的减小而降低。根据密度函数的变化,对广义高斯噪声影响随机谐振功效进行解释。这些结果有助于揭示随机谐振的机理和拓广随机谐振在信号处理方面的应用。

用多元信号检测改进广义高斯噪声下的并行非线性检测器

在广义高斯噪声下,根据最大后验概率准则比较了多元信号的并行非线性检测和最佳并行线性检测.在高斯噪声条件下,并行非线性检测器性能接近于最佳并行线性检测器.若噪声是广义高斯的,特别是当噪声幅度集中于均值零附近时,并行非线性检测器的检测性能优于最佳并行线性检测器.

图像中广义高斯噪声形状参数的近似估计

针对图像中广义高斯噪声的形状参数p通常为未知的问题,提出一种用于计算p的近似矩估计算法。从原图像中提取噪声样本,采用分段函数对p的比率函数进行数值拟合,从而得到p的近似表达式。实验结果表明,当噪声样本值准确时,p的估计值能精确到小数点后2位,尤其适用于均匀噪声的情况,估计误差比传统算法小0.3;当噪声样本值不准确时,估计精度与门限K的选择有关。

非高斯噪声环境下基于RLS的稀疏信道估计算法

现有的信道估计算法大多是基于高斯噪声模型假设。然而在实际无线通信环境中,常常出现脉冲噪声使得噪声不再满足高斯模型,而是满足一种广义高斯分布(GGD)噪声模型。采用传统的自适应信道估计算法(如递归最小二乘(RLS)算法)无法抑制这种非高斯噪声的干扰。对此提出一种可抑制非高斯噪声干扰的RLS信道估计算法。该算法通过在标准RLS算法中引入两种稀疏约束函数(L1-范数和L0-范数)来有效地挖掘稀疏结构信息。通过蒙特卡罗仿真,验证了提出的信道估计算法的估计性能比标准RLS算法更好。

噪声增强局部最优处理器信噪比增益的研究

在弱信号情况下,一种易于实现且性能渐近于Neyman-Pearson处理器的结构称为局部最优处理器。利用分叉噪声构造了一类局部最优处理器,证实了这类处理器对于非零噪声强度具有最大输出输入信噪比增益,即局部最优处理器性能的噪声增强现象。