一种基于高阶互累计量的遗传盲反卷积算法

提出了一种基于高阶互累计量的遗传盲反卷积算法,旨在解决现有许多基于独立分量分析盲反卷积算法中存在的两个共同缺陷.一是算法中引入的非线性函数依赖于源信号的峭度性质,当观测信号为超高斯信号与亚高斯信号的卷积混合时,算法性能急剧下降.二是算法中大多采用梯度法对分离矩阵序列进行寻优,初始值和步长的设定对搜索性能影响较大,使得寻优过程易陷入局部极优值,从而降低算法的分离效果.在阐述了算法的相关原理和设计思路之后,通过对比试验验证了算法的正确性和有效性.

谐波恢复的互高阶累计量Hankel矩阵法

本文将状态空间模型与互高阶累计量结合在一起 ,首次提出了基于状态空间模型谐波恢复的互高阶累计量的Hankel矩阵分解法 .该方法清晰地展现了谐波恢复问题的实质 ,充分利用状态空间模型所具有的灵活性、方便性 ,为解决谐波恢复问题提供了一条全新的思路 ,是一种短数据条件下的高精度算法 .仿真结果表明 ,该方法在混合色噪声和很低信噪比条件下谱估计的分辨率、稳定性及对混合色噪声的抑制等方面均明显优于自高阶谱估计方法 .

基于谐波恢复的状态空间模型的互高阶累计量Ls-Hankel矩阵分解法

将状态空间模型与互高阶累计量结合在一起,首次提出基于谐波恢复状态空间模型的互高阶累计量的Ls-Hankel矩阵分解法。仿真结果表明,该方法在混合色噪声和很低信噪比条件下谱估计的分辨率、稳定性及对混合色噪声的抑制等方面均明显优于自高阶谱估计方法。

基于互高阶累计量的混合色噪声中的谐波恢复

采用状态空间模型描述时间序列,将其与互高阶累计量相结合,首次提出状态空间模型谐波恢复的互高阶累计量SLS-Hankel矩阵分解法。该方法用于谐波恢复,突破了高阶累积量方法对噪声的限制,降低了互谱方法对硬件隔离的要求。仿真结果表明,该方法在混合色噪声和很低信噪比条件下谱估计的分辨率、稳定性及对混合色噪声的抑制等方面均明显优于自高阶谱估计方法。

基于状态空间模型谐波恢复的Tls-Hankel法

将状态空间模型与互高阶累计量相结合,充分利用状态空间模型具有的灵活性、方便性,提出基于状态空间模型谐波恢复的互高阶累计量的Tls-Hankel矩阵分解法,为解决谐波恢复问题提供了一条新的思路。仿真结果表明,在混合色噪声和很低信噪比条件下,该方法在谱估计的分辨率、稳定性及对混合色噪声的抑制等方面均明显优于自高阶谱估计方法。