基于BELLHOP模型的水下多目标跟踪算法研究

针对高频主动声呐的深海多目标跟踪问题,提出了基于BELLHOP模型的无迹卡尔曼滤波-高斯混合概率假设密度(Unscentesd Kalman Filter-Gaussian Mixture-Probability Hypothesis Density,UKF-GM-PHD)水下多目标跟踪算法。该算法首先利用BELLHOP射线声学模型,计算出本征声线、目标信号的幅度、相位及时延信息,以此构造目标回波信号并叠加高斯白噪声。然后,由回波信号计算得到目标相对于观测站的距离、方位角和俯仰角信息,作为目标跟踪系统中的量测信息。最后利用提出的UKF-GM-PHD多目标跟踪算法,实现高频主动声呐非线性系统的多目标跟踪。仿真结果表明,在深海高频主动声呐条件下,文章提出的UKF-GM-PHD多目标跟踪算法较传统高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density,GM-PHD)方法,明显降低了目标丢失率,并且最优子模式指派统计量(Optimal Sub-Patter Assignment,OSPA)距离也更小,跟踪效果更好。

基于高斯模型的多重超声回波信号重数估计

精确估计多层材料超声回波信号的重数在超声检测上有着要意义。将小波变换方法用于多层材料超声回波参数估计中,根据高斯模型以超声回波信号的小波变换为基础、利用智能人工蜂群算法,估计出多重超声回波信号的各个参数。采用Akaike Information Criterion(AIC)准则,对叠加的两重和三重超声回波信号的重数进行估计。仿真结果表明,本算法可以实现多重超声回波信号重数的有效估计。用实验测试获得的回波对算法的性能进行了验证,结果证明了该算法的可行性和实用性。

高斯回波模型在超声回波模拟中的应用及其迭代算法的讨论

本文将超声回波模拟成被高斯白噪声污染的高斯回波,并建立关于一系列估计参数的非线性模型,如回波的频带宽度,到达时间,中心频率,相位及回波幅度。这些参数对于超声无损检测中材料检测、目标探测、目标分类、及速率测量等密切相关。运用高斯-牛顿算法进行迭代计算,该算法能以较少的迭代次数计算出较为精确的参数向量,但该算法对到达时间τ的初值设置较为敏感。

EM-ACO算法及其在多重超声回波参数估计中的应用

针对EM算法在估计多重超声回波参数时存在收敛速度慢和迭代结果强烈依赖于初始值的缺点,将蚁群算法应用到多重超声回波参数估计的EM算法中,提出一种新的多重超声回波参数估计算法——EM-ACO算法.该算法结合EM算法和蚁群算法的优点,不仅可以改善EM算法估计多重超声回波参数时估计结果强烈依赖于初始值的缺点,有效提高EM算法的收敛速度,而且可以获得更高的参数估计精度.根据超声回波的高斯回波模型,应用EM-ACO算法,在不同的信噪比条件下,对多重超声回波的参数向量组进行估计.仿真结果表明:EM-ACO算法能在各种不同的初始值条件下,以较少的迭代次数估计出多重超声回波的参数向量组,并且具有较高的估计精度.

高斯混合模型下的残留回波抑制算法

为提高通话环境中的回波抑制效果,提出了基于高斯混合模型下的残留回波抑制方法。首先以线性预测系数为特征提取近端用户语音的特征向量,然后在高斯混合模型下对其进行训练,得到用户语音模板,通过对比用户语音模板和残留回波信号特征向量,判断非用户语音帧,最后将非用户语音帧予以消除。仿真实验结果表明,所提算法能正确区分用户语音帧与非用户语音帧,具有更好的回波抑制效果。在误判率约为1%～2%的情况下,可将自适应滤波器的回波消除量提高7～10dB。

基于高阶小波累量的时间延迟和多普勒伸缩联合估计

基于小波的宽带互模糊函数可用来对宽带信号的时间延迟和多普勒伸缩进行联合估计 ,但它不能抑制相关高斯噪声 .本文结合小波和高阶累积量 ,给出一种四阶小波累量的定义 ,并在此基础上提出一种基于高阶小波累量的宽带互模糊函数算法 ,该算法能克服传统算法的不足 ,可用于相关性未知的高斯噪声环境 .仿真结果表明了该方法的有效性 .

基于VMD-DESN-MSGP模型的超短期光伏功率预测

光伏功率时间序列受到多种因素影响,呈现出高度的随机性和波动性。针对光伏功率时间序列可预测性低的问题,提出了一种结合变分模态分解(variationalmodal decomposition,VMD)、深度回声状态网络(deepechostate network,DESN)和稀疏高斯混合过程专家模型(mixtureof sparse gaussian process experts model,MSGP)的超短期光伏功率预测方法。首先采用VMD将光伏功率时间序列分解为不同的模态,降低数据的非平稳性;为提高模型在超短尺度时序的预测能力,对各模态分别建立DESN预测模型,将各模态预测结果进行求和重构;为进一步提高模型预测精度,对误差的特性进行分析,采用MSGP对预测误差进行补偿;最后将误差的预测值与原功率的预测值相叠加作为最终预测结果。仿真结果表明,该方法在光伏功率时序预测中的效果比传统预测模型更好,有效提高了超短期光伏功率时间序列预测的准确性。

混响背景下GTM回波检测算法研究

为改善混响背景下传统匹配滤波算法效果不佳问题,在分析其非平稳性、有色性和非高斯性的基础上,提出了混合高斯时变自回归模型(Gaussian mixture Tvar Model,GTM),推导了模型公式及其参数求解方法,形成了GTM回波检测算法。为对混响特性及滤波效果进行定量描述进而验证算法性能,给出了一种定量衡量混响非平稳性、有色性、非高斯特性的滤波效果评价方法。通过实测混响分析表明,GTM模型能够较好地拟合实测混响的概率密度曲线和功率谱密度曲线,实现了混响背景下回波的有效检测并改善混响特性。

蚁群算法中参数设置对超声回波估计性能的影响

针对超声回波参数估计问题存在着耗机时长,估计结果严重依赖于初始值的缺点,本文将蚁群算法应用到超声回波参数估计中,结合超声回波的非线性高斯模型,提出了基于蚁群算法的超声回波参数估计算法,并就蚁群算法在超声回波估计中参数的优化组合设置进行了分析研究.通过数值仿真,在信噪比为10 dB条件下计算了蚁群算法中各参数的不同取值对估计结果的不同影响,包括计算时间、估计精度和算法稳定性,得出了算法中各参数的组合优化设置,给出了最优参数下的超声回波参数估计结果,并通过与其他算法的比较验证了蚁群算法在超声回波参数估计问题中的有效性.该研究有助于提高超声回波估计的精度和算法的稳定性,缩短蚁群算法的计算时间,以达到优化算法性能的目的.

一种用于机载激光雷达波形分解的小波变换与广义高斯模型组合法

针对小光斑全波形机载激光雷达波形数据中叠加波难以解析和实测波形数据通常表现出展宽或尖峰形态的问题,提出一种基于小波变换与广义高斯模型的组合法(WT-GGM)来分解机载激光雷达波形数据。小波变换方法具有多分辨率分析的特性,在非平稳信号、微弱信号、瞬态信号及奇异信号的检测中显示出独特的优越性。广义高斯模型作为波形分量建模模型,通过调整其形状参数能有效地处理展宽或尖峰形态的波形分量。为了验证算法的有效性,分别对实验数据使用WT-GGM算法、商业软件常用的COG算法、GIPM算法和RGD算法进行分析,对比结果表明小波变换可以有效地从叠加波中检测出目标,WT-GGM算法分解出的目标数与GIPM算法和RGD算法结果基本相同,是COG算法的2倍。