非高斯噪声下信号盲检测算法*

针对实际甚低频和超低频接收机不仅受非高斯噪声的影响,同时受到接收机内部和外部环境中高斯噪声影响的问题,对噪声采用高斯尺度混合分布和高斯分布的混合模型建模,根据混合模型的性质,设计了一种基于马尔可夫链蒙特卡罗方法的信号盲检测算法。盲检测算法在贝叶斯层次模型下,采用Gibbs抽样和M-H抽样更新参数,同步检测信道衰落系数、噪声模型参数和信号。算法迭代效率快、精度高。通过与最优检测性能比较,盲检测算法性能优异,对甚低频和超低频信号接收具有重要的现实意义。     

基于相对密度的增量式聚类算法

基于聚类的相对性原则:簇内对象具有较高的相似度,而簇间对象则相反,提出一种基于相对密度的增量式聚类算法,它继承了基于绝对密度聚类算法的抗噪声能力强、能发现任意形状簇等优点[1],并有效解决了聚类结果对参数设置过于敏感、参数值难以确定以及高密度簇完全被相连的低密度簇所包含等问题。同时,通过定义新增对象的影响集和种子集能够有效支持增量式聚类。     

面向多目标跟踪的PHD滤波多传感器数据融合算法

针对密集杂波环境下单传感器应用高斯混合PHD算法进行多目标跟踪时性能下降的问题,提出一种面向多目标跟踪的PHD滤波多传感器数据融合算法。首先构建了基于高斯混合PHD滤波的多传感器数据融合系统框架,各传感器利用高斯混合PHD滤波算法进行局部状态估计,然后对各传感器的状态估计结果进行关联度计算,最后通过构建自适应混合参数,引入协方差交叉算法对关联状态进行融合。仿真实验表明,与单传感器高斯混合PHD多目标跟踪算法相比,所提算法有效提高了目标数量和状态的估计精度。     

基于改进的混合高斯模型的背景建模方法

提出了一种基于改进的混合高斯模型的背景建模方法,克服了经典混合高斯模型方法计算量大和对长时间静止物体转为运动及光照突变较为敏感的缺点。首先,在经典混合高斯模型方法的基础上,引入了一种新的高斯分布个数的自适应选择策略,提高了建模效率。其次,分析了经典混合高斯模型方法对长时间静止物体转为运动及光照突变较为敏感的原因,采用了一种不同区域更新率的自适应选择策略,能够迅速响应场景的变化,有效地解决了大面积误检问题。通过在典型的场景下与经典混合高斯模型方法进行比较,验证了本文算法的有效性。     

多机动目标跟踪的BFG-GMPHD算法

针对高斯混合概率假设密度(GMPHD)滤波算法中的机动目标跟踪问题,提出BFG-GMPHD算法,扩展了GMPHD滤波算法的适用范围。算法利用最佳拟合高斯(BFG)分布来近似目标动态模型中的状态转移矩阵和过程噪声的协方差矩阵,实现了滤波器与不同动态模型的匹配;在对BFG分布进行递推时,引入了模型概率更新过程,解决了BFG仅依赖于先验信息的问题;并利用UKF算法对GMPHD的高斯分量进行递推,使得算法能处理量测方程为非线性的情况。仿真实验表明,BFG-GMPHD算法能快速匹配目标模型的变化,实现对多机动目标的有效跟踪,准确估计出目标的数目和状态。     

一种空中目标航迹聚类方法研究

针对目前传统航迹聚类方法的不足,提出一种空中目标航迹聚类方法。首先提出一种航迹自适应拟合算法,对空中目标航迹进行拟合提取航迹特征;然后,在所提取的航迹特征基础上提出基于k-means算法的航迹聚类方法,通过对航迹特征点及拟合曲线的聚类,将同一类航迹聚类形成相似航迹簇;最后通过实验仿真,验证了该聚类方法的有效性。     

改进cell密度聚类算法在空战目标分群中的应用

针对传统聚类算法对流形分布数据聚类效果差,且实时性不高的缺点,提出改进基于cell的密度聚类(Cell-Based density Spatial Clustering of Applications with Noise, CBSCAN)算法解决实时空战目标分群问题。通过分析空战态势参数,建立了空战目标分群通用模型,将目标分群转化为聚类问题。通过改进CBSCAN算法的簇类扩展方式,建立基于改进CBSCAN算法的目标分群模型。通过仿真实验,对比分析了K-means、最大期望算法、密度峰值算法、密度聚类算法、CBSCAN算法和改进CBSCAN算法在30种作战态势下的分群准确性和实时性,结果表明:改进CBSCAN算法可以在编队数目未知和目标流形分布的条件下,对多目标编队进行正确分群,且实时性较原始算法提高约30%,具有实际应用价值。     

用于目标跟踪无线传感器网络的动态分簇算法

针对跟踪精度和网络能耗的问题,提出了一种用于目标跟踪无线传感器网络的基于预测的动态分簇算法.把目标运动过程看作是高斯马尔可夫过程,根据目标历史轨迹,估计下一时刻位置坐标和运动速度,然后基于估计结果优化选择分簇的簇头和簇成员,形成一个动态分簇来实现目标跟踪.仿真结果表明:该算法使目标跟踪有较好的跟踪精度,能有效均衡网络能耗,延长网络寿命.     

非高斯背景条件下水声信号粒子滤波性能分析

基于贝叶斯滤波原理,介绍了粒子滤波(Particle Filter,PF)的基本思想和具体算法实现步骤。针对非高斯噪声对水下信号目标跟踪的影响,分别对符合高斯分布、韦伯分布和伽马分布的随机噪声序列,在噪声均值和方差相同的条件下,对比分析了扩展卡尔曼滤波(Extended Kaman Filter,EKF)算法和PF算法的估计精度。仿真结果表明,在非线性非高斯环境下EKF算法跟踪性能严重下降,而PF算法能继续保持较好的跟踪精度,证明PF算法在非线性非高斯系统中的有效性。     

基于混合高斯概率密度的加权打分方法

针对当前评比打分方法不能有效反映选手真实情况的问题,提出了一种基于混合高斯概率密度的加权打分方法。该方法的重点在于引入混合高斯分布来确定专家评分的权重。首先利用EM算法确定混合高斯分布模型参数,然后通过区间划分得到每个区间上的概率,再将专家打分映射到混合高斯概率密度函数区间上得到对应的权重,最后经加权求和得到选手的最终成绩。通过实例证明了该方法的合理性和公正性。     

基于网格聚类的弹道目标航迹起始算法

针对传统航迹起始算法起始弹道目标航迹时存在虚假航迹和起始速度慢的问题,提出了一种基于网格聚类的起始算法。该算法采用网格核技术和边界点提取技术来处理高、低密度网格中的雷达探测点迹,从而产生更加准确的簇,然后对簇中的点迹进行相似度聚类,最后采用修正逻辑法对每个聚类中的点迹进行航迹起始。仿真结果显示,该算法在较高密度的杂波环境下能够快速、准确地起始多个弹道目标航迹。     

基于决策图的轨迹运动趋势提取

在军事应用中,为了提取群体目标的整体运动趋势,提出了一种基于决策图的轨迹聚类来提取轨迹运动趋势的方法。该方法不需要预设参数,且聚类中心的个数既可以通过决策图人工确定,又可以通过数值检测策略自动确定,由此减轻了算法对领域知识的依赖,增强了算法的适用性。仿真实验表明:该方法能正确确定轨迹聚类簇,且对轨迹噪声有一定的抑制作用。     

基于改进自适应聚类的无线传感器目标跟踪算法

针对无线传感器网络目标跟踪中跟踪精度与传感器节能问题进行研究,提出基于预测的簇头自适应聚类算法,该算法采用动态聚类算法,通过考虑传感器节点剩余能量、节点到汇聚的距离和节点到运动目标的距离3个参数,最大限度地减少簇头与基站间的远程通信,节约网络能量,延长网络寿命,降低目标漏失概率,加入预测机制,采用线性预测的方法预测跟踪...     

加权模糊C均值聚类算法实现BDS三频组合观测值优选

在对BDS三频载波相位组合观测值进行误差分析的基础上，确定了优选载波相位线性组合系数的筛选标准。针对传统聚类算法在高维多频混合数据集分类中存在的不足，采用一种基于加权的模糊C均值聚类算法，通过对同一维度在不同簇上赋予不同的权重值，对传统遍历搜索法所获得的部分BDS三频载波相位组合观测值进行了优化分类选取，有效解决了传统全球导航卫星系统载波相位观测值选取方法效率低的问题，同时为多系统多频数据组合观测值系数的优化选取提供了一种新的思路。对分类结果进行分析，确定了各类组合观测量的适用范围，并结合实测数据，利用无几何层叠模糊度解算方法对优选组合进行了整周模糊度的解算，结果验证了该方法的可行性。     

二维衰减谐波估计的四阶混合累积量方法

针对二维衰减谐波估计方法在大样本容量条件下计算量过大的问题,提出了一种基于二维四阶混合累积量的ESPRIT方法。在不影响估计精度的前提下,通过保持特征矩阵结构不变,有效地减小了算法的计算量。利用四阶混合累积量对高斯噪声的自动抑制,降低了参数估计的信噪比门限并提高了估计精度。仿真实验表明,在高斯色噪声条件下该方法的计算效率和估计性能优于现有方法。     

空间非平稳高斯噪声背景下混合信号的DOA估计

针对空间非平稳高斯噪声背景下混合信号的DOA估计问题,提出了基于四阶累积量对混合波源的DOA估计算法。该算法首先构造四阶累积量矩阵,利用类似ESPR IT方法估计出所有非相关信源的DOA,然后对四阶累积量进行修正空间差分平滑去相干,消除非相关源和空间非平稳高斯噪声的影响,从而实现了对相干源的DOA估计。此方法通过分别估计非相关和相关或者相干信号的DOA,能够以较少的阵元实现对多个信号DOA估计,最后仿真实验也验证该算法的有效性。     

盲稀疏度下基于粒子滤波的稀疏信号重构

针对现有贪婪迭代类压缩感知重构算法对非高斯量测噪声抵抗性差的问题,提出一种盲稀疏度下基于粒子滤波的稀疏信号重构算法。该算法首先将鲁棒性更高的Huber损失函数替代常规的二次损失函数,用来增加对非高斯噪声的抵抗能力;并且引入粒子滤波实现对原始信号的最优估计,以削弱量测噪声的影响;最后在信号稀疏度未知的条件下,结合稀疏度自适应匹配追踪算法实现盲稀疏度下的原信号重构。理论分析和仿真结果表明,所提算法可以有效抵抗因非高斯噪声干扰或稀疏度未知导致的重构精度降低,且重构性能优于现有典型贪婪迭代类算法。     

分块自适应加权改进大规模概率模糊聚类

为解决传统基于贝叶斯理论的概率模糊聚类(Bayesian Fuzzy Clustering,BFC)算法在处理大规模数据集聚类时的时间开销和存储代价瓶颈,提出基于数据分块的单程自适应加权BFC算法,算法在大规模数据集分块的基础上,设计了基于数据加权的改进BFC算法,用于数据分块内数据聚类,以挑选出对聚类贡献最具代表的标识数据及其自适应权值,在块间迭代聚类过程中,将标识数据及其权值合并到下一数据块中并参与聚类,从而将上一数据块的聚类信息有效地传递到下一数据块中,最后分析算法的收敛性和时间复杂度.实验结果表明,算法在继承传统BFC算法良好聚类性能基础上,减少计算复杂度,有效提高聚类效率,适用于大规模数据集聚类.     

基于时频单源点检测和聚类验证技术的欠定混合盲辨识算法

针对欠定混合盲辨识问题,提出了一种基于时频单源点检测及聚类验证的盲辨识算法。检测各个源信号的时频单源点,利用奇异值分解的方法求解不同单源点集合对应的混合矢量,利用基于k均值的聚类验证技术完成源信号数目和混合矩阵的联合估计。算法放宽了已有方法对时频单源区域的假设,不需要假设信号存在时频单源区域,可以完成仅存在离散的时频单源点条件下的欠定混合盲辨识;同时克服了传统算法需要假设源信号个数已知的不足,可以有效地估计源信号数目。仿真结果验证了算法的有效性。     

基于时频单源点检测和聚类验证技术的欠定混合盲辨识算法

针对欠定混合盲辨识问题,提出了一种基于时频单源点检测及聚类验证的盲辨识算法。检测各个源信号的时频单源点,利用奇异值分解的方法求解不同单源点集合对应的混合矢量,利用基于k均值的聚类验证技术完成源信号数目和混合矩阵的联合估计。算法放宽了已有方法对时频单源区域的假设,不需要假设信号存在时频单源区域,可以完成仅存在离散的时频单源点条件下的欠定混合盲辨识;同时克服了传统算法需要假设源信号个数已知的不足,可以有效地估计源信号数目。仿真结果验证了算法的有效性。