基于线性最小均方误差估计的SAR图像降噪

针对合成孔径雷达(synthetic aperture radar,SAR)图像降噪过程中容易引起细节纹理信息损失的问题,该文结合SAR图像相干斑噪声的统计特性,提出了一种基于变换域系数线性最小均方误差(linear minimum mean-square error,LMMSE)估计的SAR图像降噪方法。首先通过SAR场景下的Kmeans聚类算法将相似图像块聚类;然后针对每一类相似图像块集合进行奇异值分解(singular value decomposition,SVD),得到同时包含图像块集合行列相关信息的含噪奇异值系数;为从含噪奇异值系数中更准确地估计出真实图像奇异值的系数,先通过加性独立信号噪声(additive signal-dependent noise,ASDN)模型将乘性噪声转化为加性噪声,再利用LMMSE准则对奇异值系数进行估计,最后将估计结果重构得到降噪后的图像块集合。实验结果表明,该方法充分利用相似图像块集合奇异值系数稀疏的特性,采用LMMSE准则估计奇异值系数,既保证了系数中噪声分量的去除又避免了图像纹理细节对应小系数的丢失,不仅去噪效果明显,同时能有效地保持图像纹理细节,具有良好的图像视觉效果。

正交频分复用系统一种基于线性最小均方误差信道估计的改进算法

线性最小均方误差(LMMSE)是OFDM系统中常用的一种信道估计算法。LMMSE信道估计需要无线信道的统计信息,在实际应用中很难实现。针对上述问题,提出了一种利用滑动窗口法改进的LMMSE算法。该算法利用最小平方(LS)估计结果通过滑动窗口获得计算所需的参数,与LMMSE算法相比,该算法计算相对容易,更加实用。在对估算精度要求不太高的场合,改进算法更具优势。仿真结果显示,改进算法的误码率性能接近理想条件时等价线性最小均方误差(ELMMSE)算法。

改进最小均方误差估计的煤尘图像去噪

煤尘图像在采集和传输过程中受到了各种噪声的污染。最小均方误差估计(MMSE)去噪算法对高斯噪声有较好的去噪效果,提出了一种改进的最小均方误差估计(IMMSE)去噪算法,该算法改进了广义高斯分布模型的参数估计方法,相比目前的其他算法,在不降低精度的情况下减少了计算量。中值滤波对脉冲噪声有较好的去噪效果,用自适应中值滤波(AM)代替普通的中值滤波,更好的保留了图像的细节,提高了去噪效果。利用IMMSE和AM自在图像去噪方面的优势,将两者有机地结合起来,提出了一种称之为IMMSE-AM的去噪算法。用IMMSE-AM对真实煤尘图像进行去噪处理,实验结果表明,新算法提高了煤尘图像的去噪效果,并且计算量较小,能够满足对煤尘浓度实时测量的要求。

基于最小均方误差的认知雷达估计波形设计方法

针对认知雷达在感知目标时,目标的散射特性可能是随机分布的,且雷达刚开机往往并不具备目标的相关信息,提出了一种基于最小均方误差(MMSE)准则的认知雷达估计波形设计方法。该方法首先构造观测数据和估计子的联合矩阵,接着通过最小后验期望损失估计公式求取估计子的估计值,然后计算估计值的均方误差(MSE),最后根据最小均方误差(MMSE)准则优化波形。仿真结果表明,通过该方法优化的波形,在估计性能上相对于传统的LFM信号具有明显的优势。

机动目标状态估计的最小均方误差界

基于多项式模型的各种自适应滤波算法被广泛应用于机动目标跟踪领域,但尚没有统一的评估标准来衡量这些跟踪算法的优劣。由于存在确定的时变未知输入,机动目标的状态估计实际为有偏估计。基于状态估计均方误差最小的准则,推导了多项式模型滤波的最小均方误差界计算方法,获得了使状态估计均方误差最小的过程噪声方差变化规律。该方法给出了各种基于多项式模型的机动目标跟踪算法的估计均方误差下限,也为机动目标跟踪中最优过程噪声方差的设定提供了依据。仿真结果验证了算法的有效性。

一种基于最小均方误差准则的联合多小区信道估计算法

信道估计的准确程度直接影响到联合检测算法的性能。传统的信道估计算法将其他小区用户的信号均作为白噪声来处理,因此影响了信道估计的准确性。该文提出基于最小均方误差准则的联合多小区信道估计算法,由于改变了信道估计矩阵的结构,将邻小区强干扰用户也作为可以检测的用户信号来处理,降低了信道估计中噪声功率。该算法不仅适用于多小区联合检测,也可用于单小区联合检测。与传统的Steiner信道估计算法相比,新算法在存在邻小区同频干扰的情况下,能够很大程度提高信道估计的精度,进而大幅提升TD-SCDMA系统的性能。

基于最小均方误差估计和稀疏性先验的图像去噪

提出一种基于稀疏表达理论和最小均方误差估计的图像去噪算法,主要内容包括:在贝叶斯复原框架下,根据图像在冗余字典下的稀疏表达模型,建立原始图像表达系数的最小均方误差复原方程;利用随机正交匹配追踪算法,研究复原方程的数值求解算法,对图像表达系数进行近似求解,进而对原始图像进行恢复.对一组标准测试图像的仿真实验表明,提出的算法能够较好地去除图像中的噪声,并且复原图像具有较好的主观视觉质量和较高的峰值信噪比客观评价指标.

基于线性预测的盲最小均方误差均衡器

盲过采样均衡器仅用二阶统计量便可减小码间干扰,该文采用线性预测方法,提出了一种盲最小均方误差(MMSE)均衡器。该方法不需要先估计信道,可直接利用过采样的接收信号均衡信道。此外,该均衡器可采用递推最小二乘算法自适应地实现,具有较高的计算效率。仿真结果表明,该均衡器比基于线性预测的盲置零均衡器有更小的符号估计均方误差。

基于非理想信道状态信息的最小化均方误差非线性收发机设计

在多输入多输出系统中,当收发端已知非理想信道状态信息时,提出了一种基于最小化均方误差准则的非线性收发机设计方法,其结构基于汤姆林森-哈拉希玛预编码(THP).首先研究了收发信号的均方误差表达式,并将其转换为预编码矩阵的函数;然后,通过最优化及矩阵论方法最小化均方误差的下界,求解最优预编码矩阵以及下界的闭式解,进而获得整个非线性收发机矩阵.仿真结果表明,该方法性能优于现有的线性收发机设计和经典的THP收发机设计.

线性最小均方误差在水声通信中应用

首先对水声信号的结构进行分析和研究,然后对影响其性能的部分采用线性最小均方误差估计的均衡算法,通过调制方式进行实验仿真。实验结果表明,本文所设计的算法性能比较稳定、复杂度低、均衡效果好。

平坦MIMO信道中最小均方误差估计的一种改进方法

以平坦衰落条件下MIMO信道数学模型为基础,研究了最小均方误差估计算法,给出了详细的推导过程.由于最小均方误差估计算法比较复杂,导致其收敛速度比较慢,实际应用中受到了一定的限制.为了降低其复杂度,从数学的角度对算法进行了简化,减少了一次矩阵求逆运算.仿真中建立了一个MIMO系统,给出了估计性能曲线和收敛曲线.从理论分析和仿真结果来看,改进后的算法与之前的算法的估计性能差异不大,但收敛速度却明显提高了,达到了简化的目的.

一种基于最小均方误差的无线局域网信道估计算法

在基于IEEE 802.11b标准的无线局域网中,提出了一种基于最小均方误差的自适应信道估计算法。通过已知码片的训练,可快速准确地估计出系统信道参数。仿真结果表明,在典型的JTC-OfficeA多径信道模型下,该算法可保证良好的系统误码率性能,在信噪比为8dB时,误码率就已经小于10^(-4);此外,算法的估计误差仅需20-30个码片的训练就快速收敛,从而大幅降低了算法复杂度,是一种简单实用的算法,便于硬件实现。

线性最小均方误差的比率估计

本文对有限总体的总体均值提出了一个模型无偏的线性最小均方误差估计,并给出了这个均方误差的无偏估计。

基于最小均方误差估计的RFID室内定位算法

近年来基于射频识别(RFID)的室内定位技术得到了大量的关注及广泛的应用。由于无法利用目标标签的先验信息,现有的基于极大似然估计的室内定位算法性能存在进一步提高的可能。文中提出使用标签位置分布统计特性作为先验信息来提高定位精度,将基于到达时间(TOA)的二步加权最小二乘法从极大似然估计扩展到最小均方误差估计,并推导了基于最小均方误差估计的TOA定位方法的克拉美罗下界(CRLB)和理论方差。理论分析和仿真结果都表明该算法优于极大似然估计定位算法。

基于自适应阈值活动语音检测和最小均方误差对数谱幅度估计的低信噪比降噪算法

针对低信噪比(SNR)环境下传统方法对声信号降噪的局限性,提出了一种联合自适应阈值活动语音检测(VAD)算法和最小均方误差对数谱幅度估计(MMSE-LSA)的实时降噪算法。首先,在VAD算法中通过基于能量概率最大值的概率统计来对背景噪声进行估计,对得到的背景噪声进行实时更新并保存;然后,将实时更新的背景噪声作为MMSE-LSA的参考噪声,并对噪声幅度谱进行自适应更新,最后进行降噪处理。通过在真实场景中对四类声信号进行实验,结果表明,该算法在保证对低SNR声信号的实时处理的情况下,相较于传统MMSE-LSA算法,降噪信号的SNR能够提高10~15 dB,且不存在信号过减的情况,可应用于实际工程。

OFDM水声通信线性最小均方误差算法信道均衡

正交频分复用在高速水声通信中的应用越来越广泛。水声信道是多径、高噪声的衰落信道。由于信道条件差,容易产生码间干扰,信道均衡技术是提高通信系统性能的重要技术。提出了线性最小均方估计在水声通信系统中应用的方案,研究了实际通信中利用调频信号如何确定信号的平均多径时延、最大多径时延,比较了不同调频信号测量信道的性能。该方案基于导频辅助均衡方法,利用调频信号测量信道,获得的信道统计信息,计算信道的自相关矩阵。从而根据线性最小均方误差算法进行信道均衡。通过仿真和湖试进行验证,结果表明该方案效果较好,对系统性能改善比较明显。

基于最小均方误差的载频盲估计算法

信号的载频估计在无线电频谱资源的使用和管理中起到了至关重要的作用。现有的载频估计算法载估计精度,计算复杂度等方面均存在严重不足,不利于仪表应用。结合典型的谱重心法和最小均方误差算法的特点,提出了一种新的载频盲估计算法。该算法无须知道信号的体制类型,即可对信号直接进行载频估计。该算法以谱重心法得到的载频估计值为粗估计,并利用平滑后的功率谱中间段对称性更好的特性,根据最小均方误差算法计算粗估计误差范围内的局部对称性大小,求取对称性最好的位置作为载频精估计值。在高斯信道下的仿真实验结果表明:相比谱重心法,新算法的估计精度在不同信噪比下均有较大的提高。特别是在低信噪比的情况下,载频估计的精度提升更明显。因此,新算法在无线频谱监测中有着很好的应用前景。

基于最小线性均方估计的小波去噪算法

提出一种新的基于最小线性估计正交小波图像去噪算法。该算法把降噪过程直接看作是一个小波系数的加权和,而不是为小波系数假设一个统计模型。在此,基于最小线性均方估计构造去噪函数,然后最小化均方误差,得到一组估计参数,从而得到线性去噪函数,实现对非线性去噪算法的改进,其最大的好处就是不用先验知识;最后通过使用该去噪算法对一定噪声级数的标准图像进行处理,并与目前去噪效果最好的BLS-GSM方法进行了比较。结果表明了该方法的有效性。

最小均方误差 LB 估计的性质

给出了最小均方误差ＬＢ估计的一些性质，包括ＬＢ估计优于ＬＳ估计的充要条件；ＬＢ估计为可容许估计的充要条件，还给出了文献中尚未涉及的一些ＬＢ估计。

一种新的最小均方误差线性合并算法

针对未编码的多输入多输出系统,将基于训练序列的最小均方误差(MMSE)信道估计算法与最优线性无偏估计结构(BLUE)相结合对已估计的信道参数进行估计。仿真结果表明,使用线性合并的MMSE算法比传统的MMSE算法具有较小的参数估计误差,比使用线性合并的LS算法性能更好。