时域递归滤波算法中k系数确定方法的研究

时域递归低通滤波是高精度光电实时跟踪控制系统在复杂背景条件下提高信噪比 ,检测运动弱小目标的主要方法 ,属于自适应的非线性滤波。这种非线性滤波的关键在于实时确定滤波算法中的k系数。这个k系数是预测偏差的函数 ,它能够根据目标运动的情况实时校正滤波算法。通常在确定这个系数时有不同的算法 ,通过比较这些算法在硬件上实时实现的差别 ,确定出适用于光电实时跟踪控制系统比较理想的时域递归低通滤波方法。

一种改进的n维空间递归滤波算法

基于递归运算准则 ,本文提出了一种n维空间非线性滤波器的改进算法。该算法利用像素点的周边信息完成对噪声点的识别与修复。此n维空间滤波器可以递归地分解到更低一维空间 ,本文主要分析了这种改进的滤波算法在二维空间信号消噪处理中的性能。仿真结果表明 ,与中值滤波和Peak-and-Valley滤波算法比较 ,该算法在信噪比和图像细节保留方面具有更大的优势 。

基于超稳定理论克服对象扰动自适应递归滤波辨识新算法

结合超稳定理论与自适应逆控制理论,提出了一种新的能够克服对象扰动的自适应递归滤波辨识算法。由于该算法前向方块为1,已满足严格正实条件,省去了求解前向方块严格正实的计算;反向方块中用超稳定理论求出的参数迭代适应律,克服了用传输函数形式表示的递归滤波器采用梯度法时可能陷于局部极小的缺陷,解决了证明参数收敛问题,并且在模型与对象完全匹配时消除了系统扰动,辨识出的模型更精确实用。仿真结果证实了算法的可行性。

基于广义最小均方的自适应递归滤波算法

本文提出了一种广义最小均方(GLMS)算法，详细地分析了GLMS算法的性能，并根据GLMS算法，导出了一种自适应递归滤波(ARF)算法。在推导中，ARF算法避开了超稳定定理，从而考虑自适应系统的严格正实条件和Popov不等式是不必要的。计算机模拟表明ARF算法具有很高的收敛速度。

模型参考自适应IIR递归滤波器辨识新算法

针对自适应IIR滤波器算法容易陷入局部极小点的缺陷,提出了一种新的自适应递归滤波辨识算法。该算法采用模型参考自适应系统设计了辨识参数自适应律,基于Lyapunov理论保证了自适应递归算法的稳定性,而且辨识参数收敛。仿真结果表明了该算法的可行性和滤波器结构的正确性。

RECURSIVE FILTERING RADON-AMBIGUITY TRANSFORM ALGORITHM FOR DETECTING MULTI-LFM SIGNALS

In multi-LFM signal condition, Radon-Ambiguity Transform (RAT) of the strong LFM component has strong suppression effect on that of the weak LFM component. A method named as Recursive Filtering RAT (RFRAT) algorithm is proposed for solving this problem. By fully using of the Maximum Likelihood (ML) estimation value of the frequency modulation rate got by RAT, RFRAT can detect the noisy multi-LFM signals out step by step. The merit of this new method is validated by an illustrative example in low Signal-to-Noise-Ratio (SNR) condition.