最小风险准则和遗传算法优化神经网络

提出了一种基于最小平均风险准则的遗传算法优化设计前向神经网络的方法,遗传算法的适应度函数并不采用传统的均方误差准则,而是由平均风险准则所决定。这种方法在计算神经网络输出与期望输出之间误差的同时,还要考虑神经网络对不同类型训练样本产生的这种误差所引起的不同的风险损失。这种方法优化得到的神经网络不仅可以准确地再现训练样本集合的期望输出,对训练样本集合外样本的正确预测能力也有明显的提高。

基于改进最小均方算法的卫星多波束形成技术

高通量卫星采用多波束技术实现极化隔离和空间隔离以复用频率资源,从而使通信容量成倍增加,但这对快速的自适应波束形成算法提出了更高的要求。为了解决采用LMS算法进行波束形成时收敛速度与稳态误差不能同时满足的缺点,提出一种改进的最小均方算法,它使用统计平均进行梯度更新解决瞬时梯度导致的形成波束不稳定问题,旨在波束形成开始阶段加快速度,而在收敛达到稳定状态后保持小的误差值。考虑在高通量卫星强降雨衰减的环境中,仿真应用61阵元正六边形排布相控阵天线形成7点波束。结果显示改进算法在仅少量增加复杂度的情况下大幅提高了收敛速度并获得了更优的稳态性能,可应用于应急通信场景下存在严重波束间同频干扰的高通量卫星波束形成技术。

面向模分复用系统的遗传-MIMO均衡参数优化技术

在模分复用系统的数字信号处理单元中,多输入多输出(Multi-Input Multi-Output,MIMO)均衡技术可用来补偿由各类模式相关噪声引起的信号误码率(Bit Error Rate,BER)劣化问题.而MIMO均衡算法的工作性能严重依赖于步长因子μ以及抽头数K,因此在固化均衡器之前,确定MIMO均衡算法中μ-K参数组合的最优值至关重要.为提高参数优化效率,提出了一种基于遗传算法(Genetic Algorithm,GA)的MIMO均衡参数优化方案,即遗传-MIMO(GAMIMO),在保证最小BER输出的同时降低参数优化过程所需的计算开销.为验证GA-MIMO的工作性能,构建了基于10 km六模光纤的点对点通信实验系统,使用新方案补偿并行通信的六路数据,并与最速下降法和迭代算法进行性能比较.实验结果表明,所提GA方案可实现MIMO均衡中最高99.98%的最优μ-K参数命中率,且GA-MIMO算法的全局搜索性使其相比于最速下降法和迭代算法可最多分别节省86.14%和90.3%的均衡算法调用次数,有效降低了确定最优μ-K参数组合时的计算开销.

基于水声OTFS系统的BLMMSE-MRC均衡算法

针对现有的正交时频空(Orthogonal Time Frequency Space,OTFS)调制系统中最大比合并(Maximal Ratio Combining,MRC)均衡算法收敛速度慢、误码率高的问题,提出一种基于水声OTFS系统的分块线性最小均方误差的最大比合并(Maximal Ratio Combining Based on Block Linear Minimum Mean Square Error,BLMMSE-MRC)均衡算法。该算法基于水声信道的稀疏性,利用分块线性最小均方误差算法进行预处理,将输出结果作为MRC检测的初始估计值,然后在延迟多普勒空间中估计发射信号的多径分量,并利用MRC进行合并检测。实验结果表明,与已有零填充最大比合并算法(Maximal Ratio Combining Based on Zero Padding,ZP-MRC)和零填充块线性最小均方误差算法(Block Linear Minimum Mean Square Error Based on Zero Padding,ZP-BLMMSE)相比,所提算法能快速收敛,在10-4误码率条件下,信噪比提升了2 dB以上。

基于DD-LMS和MCMA的盲判决反馈均衡算法研究

文章对具有DFE结构的盲均衡算法作了研究,在一种修正常模算法(MCMA)代价函数中引入泄漏因子,并将常模算法(CMA)和直接判决-最小均方误差算法(DD-LMS)同时应用到盲判决反馈均衡器的抽头更新中,得到一种适用范围广?均衡特性好?变步长的DD-LLMS+MCMBDFE算法。该算法在均衡的同时能自动补偿由信道引起的相位误差,收敛速度快,收敛后剩余误差小,同时还能克服当均衡器长期没有持续输入激励时,LMS算法产生的抽头系数漂移问题。仿真结果表明DD-LLMS+MCMBDFE算法是一种有效的盲判决反馈均衡算法。

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。

季节模型参数估计量的经验偏差和均方误差(英文)

由MonteCarlo研究得到季节模型参数的通常的最小方差估计量、简单对称估计量和加权对称估计量的经验偏差和均方误差以及最小方差估计量对简单对称估计量和加权对称估计量的比率 .结果表明对非平稳序列最小方差估计量比其它两个估计量更有效且较小季节值的有效性也较小 ,但当平稳序列参数的绝对值接近 1时 ,加权对称估计量和简单对称估计量比最小方差估计量更有效且较大季节值的有效性也较大 .

一种基于最小均方误差准则的唯方位定位方法

为了使目标位置估计点到各个观测站定位视线的距离和达到最小,提出一种利用最小均方误差准则,使用加权约束条件得到最佳逼近解的多站唯方位无源定位新方法。该方法在二维和三维情况下均适用,并且最少只需要两个观测站即可实现定位,定位误差趋近于克拉美-罗下界(CRLB)。仿真结果验证了该方法的可行性和有效性。

统计模型中误差方差的均方误差的区间估计

本文研究了线性统计模型 ( )— ( )中参数σ2的估计量σL2或σH2的均方误差 MSE(σL2 )或 MSE(σH2 ) ,并分别给出了其

统计模型中均方误差的区间估计

本文研究了一般情形下线性统计模型 (1 )—模型 (4)中参数 β的估计量^βL 或 ^βH 的均方误差MSE (^βL)或MSE (^βH) ,并分别给出了其1

半相依回归模型两步估计的均方误差占优性

一般得到了两方程相依回归模型的任一线性估计在均方误差准则下优于最小二乘估计的充要条件,据此提出一种新的广义非限定两步估计类(非线性),推导得到了这种两步估计的精确均方误差结果,研究了它优于最小二乘估计,甚至优于Zellner估计的统计性质.

基于Laplace-Impact混合模型的DR图像去噪算法

提出一种双树复小波域中基于Laplace-Impact混合模型的DR图像去噪算法。该法利用局部方差建立的拉普拉斯-冲击模型的概率密度函数来逼近高频子带的系数分布。由于高频子带系数局部高度相关,所以在Laplace-Impact混合模型的框架下,采用最小均方误差估计可以很好消除DR图像噪声。实验结果表明,本文提出的算法与BLS-GSM模型和Laplace模型等经典去噪算法相比,对DR图像中的高斯噪声有更好的去噪效果。

广义均方误差标准下双类估计优于最小二乘估计的充分条件

本文通过一个比较简洁的方法,得到了在广义均方误差标准下双类估计优于最小二乘估计的充分条件。

少模光纤通信系统中的自适应频域均衡算法

少模光纤模式复用存在模式耦合和差分模式时延,必须通过自适应均衡算法补偿。为了降低长距离少模光纤通信系统中自适应均衡算法的复杂度,采用基于变步长-频域块最小均方算法的多输入多输出均衡器对2×2模分复用系统解复用。利用频域块最小均方自适应算法修正均衡器权系数,并通过变步长函数调整步长因子,兼顾算法收敛速度和收敛性能。算法可通过快速傅里叶变换降低计算复杂度。在112Gbit/s的1000km少模光纤高速通信仿真系统中,保证相同收敛速度情况下,提高信号Q2因子3.7d B,并在可编程现场门阵列上验证了100km少模光纤通信系统时的算法性能。结果表明,该算法能够实现模分复用系统的信号解复用,达到快速收敛、低稳态失调的目的。

基于Gamma语音模型的语音增强算法

提出了一种新的基于Gamma语音模型的语音增强算法。首先,在假定语音和噪声的短时DCT系数分别服从Gamma和Gaussian分布的基础上,推导了最小均方误差意义下的语音信号短时DCT系数估计;然后,根据语音存在概率估计,提出了语音信号短时DCT系数估计的修正因子。在增强算法中,提出了基于Gamma语音模型的改进最小统计量控制递归平均(IMCRA)噪声估计算法。仿真结果表明,该算法不仅在噪声抑制性能方面优于近两年国际上提出的几种基于Gaussian语音模型的语音增强算法,而且在增强语音质量方面也具有更好的性能。

基于两步噪声消除技术与高斯统计模型的语音增强算法

针对语音增强技术中先验信噪比参数的估计问题,本文通过结合两步噪声消除技术以及语音与噪声分量的高斯统计模型,在频率域中提出了一种新的先验信噪比估计算法。该算法基于直接判决方法的输出结果,利用最小均方误差估计理论直接计算当前帧纯净语音分量的谱能量,以获取带噪语音的先验信噪比估计。算法在保留两步噪声消除算法优点的基础上,无需语音增强系统中增益因子的任何先验条件,且在有效消除背景噪声的同时能够最大程度地抑制输出语音中音乐噪声的生成。多种噪声背景下的仿真结果表明:相对于经典的直接判决方法和新近的两步噪声消除算法,基于本文先验信噪比估计方案的语音增强系统在主观与客观评价标准下都具有更加优良的语音增强效果。

基于多元Laplace语音模型的语音增强算法

传统的短时谱估计语音增强算法通常假设语音谱分量相互独立,没有考虑语音谱分量间的相关性。针对这一问题,该文提出一种新的基于多元Laplace分布模型的短时谱估计算法。首先,假设语音的离散余弦变换(DCT)系数服从多元Laplace分布,以此利用谱分量间的相关性;在此基础上,利用多元随机矢量的高斯尺度混合模型表示,推导得到语音DCT系数矢量的最小均方误差(MMSE)估计的解析表达式;并进一步推导了基于该分布模型的语音存在概率,对最小均方误差估计子进行修正。实验结果表明,该算法在抑制背景噪声和减少语音失真等方面优于传统的语音增强方法。

线性模型中广义最小二乘估计关于误差分布的稳健性

研究一般线性模型下广义最小二乘估计关于误差分布的稳健性,给出了误差分布的最大分布类,使得当误差向量的分布在此范围内变动时,广义最小二乘估计在广义均方误差准则下为一致最优估计.

一种基于Laplacian语音模型的语音增强算法

本文提出了一种新的基于Laplacian语音模型的语音增强算法。首先,在假定语音和噪声的短时DCT系数分别服从Laplacian和Gaussian分布的基础上,推导了最小均方误差意义下的语音信号短时DCT系数估计;然后,根据语音存在概率估计,提出了语音信号短时DCT系数估计的修正因子。在增强算法中,提出了面向判决的Laplacian语音模型参数估计和基于Laplacian语音模型的改进最小量控制递归平均(IMCRA)噪声估计算法。仿真结果表明,本文算法不仅在噪声抑制性能方面优于近两年国际上提出的几种基于Gaussian语音模型的语音增强算法,而且在增强语音质量方面也具有更好的性能。

X-滤波和ε-滤波LMS算法性能分析

研究了 X-滤波和ε-滤波 L MS算法的性能 ,给出了它们的均值收敛和方差收敛条件 ,提出了 X-滤波和ε-滤波L MS算法具有二次稳定性的充分条件 .仿真结果表明 ,这两种 L MS算法对被控对象的估计误差具有不敏感的特性 .