OFDM系统基于导频的信道估计

提出了OFDM系统中一种新的基于软信息迭代处理的信道估计算法。该算法将面向判决最小二乘估计算法和盲估计算法相结合,在估计器中构造了一种新的置信度量函数,根据解码和软映射重构的反馈信号置信度大小在两种估计算法中自适应选择,这样估计的信道频响可以有效提高软信息迭代接收性能,大大降低信道估计训练开销。仿真结果表明,该文提出的算法能有效跟踪信道时变,限制传统面向判决估计的错误传播,达到好的系统性能。     

分布估计算法的模型分析与研究

分布估计算法是在遗传算法基础上发展起来的一类新型进化优化算法.分布估计算法采用概率图模型表示基因变量之间的连锁关系,以构建优良解集的概率分布模型和采样分布模型来实现迭代优化.详细分析分布估计算法的基本原理,对采用不同概率图模型的分布估计算法进行总结和分析,并针对分布估计算法领域的研究现状,提出仍需解决的主要问题.     

基于高斯混合模型的k均值初始化EM算法的研究

EM算法是一种非常流行的极大似然估计方法,是一种当观测数据为不完全数据时求解最大似然估计的迭代算法,也是估计有限混合模型参数十分有效的算法.然而,EM算法是一个局部最优算法,常常容易陷入局部最优解,使得它的初始值对算法的结果有着极其重要的影响.因此采用k均值算法来初始化EM算法并将聚类结果同直接用EM算法得到的聚类结果相比较.数值试验表明经过初始化的EM算法的聚类效果要明显好于原始EM算法的效果.     

基于线性声矢量传感器阵列的二维测向算法

提出了一个基于声矢量传感器阵列的快速二维波达方向(Direction of arrival,DOA)估计算法。首先,利用选择矩阵将阵列接收数据分成两组,并且利用这两组数据构造一个互协方差矩阵。然后再利用ESPRIT算法将仰角估计出来。最后,利用已估计出来的仰角结合(Array manifold matching,AMM)算法将方位角快速的估计出来。在对方位角的估计过程中,不需要谱峰搜索和特征值分解,而且方位角可以与已估计出来的仰角实现自动配对。与传统的ESPRIT相比,本算法能在保证估计精确度的前提下,明显降低计算的复杂度,也能防止参数失配的情况出现。仿真实验证明了本算法的有效性。     

基于EM算法实现混合密度极的大似然参数估计

在介绍极大似然估计与EM算法的基础上,探讨了基于EM算法的两混合正态分布极大似然参数估计,并举例说明了若干经典场合的极大似然估计的算法．     

预估稀疏度的压缩感知超宽带信道估计算法研究与仿真实验

设计了信道估计算法实验的一个拓展内容——预估稀疏度的压缩感知超宽带信道估计算法研究与仿真实验,提出一种预估稀疏度的压缩感知超宽带信道估计算法。该算法引入稀疏度预估计,在自适应匹配之前快速估计出信号的稀疏度,避免自适应匹配时步长选择不合理对信道估计结果产生影响。在稀疏度预估计和匹配追踪两个阶段挑选原子时使用广义Dice系数准则来进行每一阶段的最优原子选择工作,并在匹配最优原子阶段引入正则化对已选原子进行二次筛选。     

基于智能算法优化卡尔曼滤波器的电机转速估计

针对感应电机扩展卡尔曼滤波器转速估计中难以取得卡尔曼滤波器系统噪声矩阵和测量噪声矩阵最优值的问题,提出了一种基于改进粒子群算法优化的扩展卡尔曼滤波器转速估计方法。算法通过融合遗传算法和粒子群算法的优点,采用可调整的算法模型对粒子群算法进行改进,将改进的粒子群算法对扩展卡尔曼滤波器中的系统噪声矩阵和测量噪声矩阵进行优化处理,将优化后的卡尔曼滤波器应用于感应电机转速估计,仿真实验表明,与试探法、标准粒子群算法及遗传算法比较,改进粒子群算法优化的扩展卡尔曼滤波器能够有效提高转速估计的精度,从而提高无速度传感器矢量控制系统的控制性能。     

基于最小二乘样本拟合的复信号时延估计方法

针对高斯随机信号在传统时延估计算法估计下出现性能下降的问题,提出一种基于最小二乘样本拟合的时延估计算法。首先给出互相关的代价函数,利用sinc内插公式采用有限数量的样本估计相关数值,再通过最小二乘（LS）准则最小化其代价函数求出估计值,该估计值接近于无偏。给出算法的克拉美罗下界（CRLB）表达式,并将该算法与互相关算法、基于最小均方误差（MMSE）的算法进行性能比较。理论分析与实验结果表明,所提出的基于最小二乘样本拟合的算法性能优于互相关算法与基于MMSE的算法,并且能更好地逼近克拉美罗下界值。     

一种时变衰落信道的SNR估计方法

信号噪声比率（SNR）估计是在时变衰落信道环境下相移键控通信系统的重要指标,目前有两种可实现的估计方法：数据辅助估计和非数据辅助估计。时变衰落信道可以建立为一个关于时间的多项式模型。传统的估计方法精度受限于Cramer-Rao下界信道,信道时变特性对于SNR估计的影响可以忽略。目前,一种新颖的最大似然（ML）SNR估计方法是由时变衰落模型推导而来的。对于DA场景估计来说,有一种简易的闭环估计方案,其准确性能评估依赖于正确与错误（不匹配）的多项式阶数。对于NDA估计,未知的数据符号建立为随机的模型,利用了边缘似然估计方法。最大期望算法通过迭代方法使得似然函数最大。仿真结果表明,相比先前公布的算法实现,该估计算法统计效率更高。     

基于先进小波神经网络的HEV动力锂离子电池SOC估计(英文)

为了提高混合动力汽车(HEV)电池荷电状态(SOC)的估计精度,提出了一种基于先进小波神经网络的HEV动力电池SOC估计算法.首先,建立了基于先进小波神经网络的电池SOC估计模型.然后,通过数学推导证明了先进小波神经网络的收敛性.最后,利用大量HEV动力电池在行驶过程中充放电的数据样本,对神经网络进行网络训练.仿真结果表明,所提出的估计算法与传统SOC估计算法相比,提高了电池SOC的估计精度,有效地将估计误差从±8%减小到±1.5%.     

对数正态分布参数的最大似然估计

利用最大似然估计法求出了对数正态分布两个参数的估计量，并讨论了它们的无偏性和相合性。     

参数已知比例可加模型的有效估计

讨论了比例可加模型的非参数估计.利用局部线性方法和平均方法给出函数的平均估计,结合回切方法,定义了函数的有效估计,并研究了有效估计的相合性与渐近正态性.     

回归函数的非参数分块Delta序列估计

在非参数回归模型中,本文提出一种回归函数的分块Delta序列估计方法,定义了回归函数的分块Delta序列估计,得到这种估计的渐近无偏性,均方收敛性和强性敛性.     

排序抽样的非参数估计

针对未知对称分布函数提出新的非参数估计量,并证明了此估计量一致优于文献[1]给出的估计量.     

一类指数分布族的参数估计问题

考虑了一类单参数指数族分布的估计问题,在熵损失下讨论了此类分布中未知参数的Bayes估计，给出了未知参数的一个无偏估计并验证了此估计量所具有的一些优良性质,最后在对称熵损失下得出了所讨论参数的Bayes估计。     

A noise cross PSD estimator for dual-microphone speech enhancement based on minimum statistics

Some two-microphone noise reduction techniques that work in the frequency domain exploit coherence function between two noisy signals. They have shown good results when noise signals on two sensors are uncorrelated, but their performance decreases with correlated noises. Coherence based methods can be improved when the cross power spectral density （CPSD） of correlated noise signals is available. In this paper, we propose a new method for estimation of the CPSD of the noise, which is based on the minimum tracking technique. Despite the fact that the proposed estimator does not need to implement a voice activity detector （VAD）, its performance is comparable to a CPSD estimator that uses an ideal VAD.     

线性平稳序列积分周期图渐近误差的谱表示

本文研究得出四阶矩存在的鞅差序列的线性和构成的平稳序列的积分周期图作为谱函数的估计量时的渐近误差的谱表示式:NE(λ)=2πf~2(l)dl+(μ_4-3σ~4)/(σ~4)F(λ)F(μ)0<λ<π,0<μ<π     

一类经验Bayes估计的优良性

理论研究和实践结果表明,线性回归模型中最常用的方法——最小二乘法,在一些情况下表现不理想,因此近些年来,统计学家提出了许多替代方法供选择使用。本文通过参数经验Bayes(PEB)方法构造线性回归模型中可估函数的经验Bayes(EB)估计,并分别在均方误差(MSE)准则及均方误差矩阵(MSEM)准则下讨论它相对于最小二乘(LS)估计的优良性。     

Bayes线性无偏估计的稳健性

基于错误的先验假定下获得了线性模型下可估函数的Bayes线性无偏估计(BLUE),证明了在均方误差矩阵(HSEH)准则下BLUE相对于广义最小二乘估计(GLSE)的优良性,并导出了它们的相对效率的界,从而获得BLUE的稳健性.     

指数分布的失效率的EB估计及收敛速度

本文主要针对指数分布的失效率在加权平方损失函数下导出了参数的Bayes估计,并利用核估计的方法构造了参数的EB估计,同时在适当条件下获得了其收敛速度O(n-2λ2s2(2s+1)(λs+1)).