2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩134頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、時(shí)間延遲估計(jì)(TDE)是信號(hào)處理領(lǐng)域里一個(gè)十分活躍的研究課題。噪聲是TDE需要考慮的主要問題之一。在實(shí)際應(yīng)用中,常常會(huì)遇到一類具有明顯脈沖性的非高斯噪聲,基于高斯模型二階統(tǒng)計(jì)量的傳統(tǒng)TDE方法性能顯著退化。因此,需要研究更具韌性的TDE方法。一種廣義的高斯分布——Alpha穩(wěn)定分布可以更準(zhǔn)確地描述其統(tǒng)計(jì)特性。本文基于脈沖噪聲Alpha穩(wěn)定分布模型和分?jǐn)?shù)低階統(tǒng)計(jì)量(FLOS),重點(diǎn)研究了單徑條件下韌性TDE方法及其在生物醫(yī)學(xué)信號(hào)分析中的應(yīng)

2、用、多徑條件下韌性高分辨率TDE方法。該項(xiàng)研究有助于完善隨機(jī)信號(hào)分析處理理論方法由傳統(tǒng)的二階統(tǒng)計(jì)量向FLOS方向的擴(kuò)展,有助于提升TDE算法及其應(yīng)用的整體水平和韌性程度,因而具有重要的理論和應(yīng)用意義。 本文的主要工作如下: (1)提出了韌性的自適應(yīng)非整數(shù)TDE方法(LMPFTDE)。用Alpha穩(wěn)定分布模型建模脈沖噪聲,基于最小分散系數(shù)(MD)準(zhǔn)則,對(duì)經(jīng)典的ETDGE算法進(jìn)行廣義化,LMPFTDE算法在高斯及脈沖噪聲下均

3、可以較好的工作。為了避免基于FLOS算法中參數(shù)的選取問題,基于非線性變換,給出了適用于非時(shí)變TDE的Sigmoid相關(guān)算法:基于零階統(tǒng)計(jì)量,給出了對(duì)數(shù)廣義平穩(wěn)性和對(duì)數(shù)遍歷性的概念,提出了用幾何功率對(duì)收斂因子歸一化的自適應(yīng)TDE方法(NZOSTDE),這兩種算法適合用于脈沖性較強(qiáng)的環(huán)境。將NZOSTDE算法應(yīng)用于EP信號(hào)潛伏期延長(zhǎng)的檢測(cè)中,取得了較好的效果。 (2)在脈沖噪聲多徑TDE問題中,基于FLOS提出了三種韌性的、可以突破

4、相關(guān)法分辨極限的高分辨率TDE方法:變換域多徑TDE方法(FLOCCS-ESPRIT)、基于EM的韌性多徑TDE方法(P-EM)及基于MD的松弛迭代多徑TDE(RHMTDE)。FLOCCS-ESPRIT算法將多徑信號(hào)的分?jǐn)?shù)低階互協(xié)方差譜序列看成時(shí)間序列,利用ESPRIT算法,得到高分辨率的多徑TDE。P-EM、RHMTDE算法從不同角度將一個(gè)多維非線性優(yōu)化問題轉(zhuǎn)化為多個(gè)一維優(yōu)化的問題。P-EM算法基于EM框架,通過信號(hào)分解構(gòu)造完整數(shù)據(jù),

5、用p階分?jǐn)?shù)相關(guān)分別迭代得到各徑時(shí)間延遲的最小平均p范數(shù)(LMP)估計(jì);RHMTDE算法基于FLOS及MD,利用松弛搜索逐次迭代分解信號(hào)得到各徑的TDE。該項(xiàng)研究有助于提高多徑脈沖條件下的定位技術(shù),有助于改善探地雷達(dá)在脈沖環(huán)境下的檢測(cè)韌性。 (3)將脈沖噪聲建模為Alpha穩(wěn)定分布,提出了基于LMP盲信道辨識(shí)的韌性TDE算法(BCILMP)及韌性的自適應(yīng)特征值分解TDE算法(RAED)。BCILMP算法和RAED算法的主要思想均是

6、組合兩個(gè)輸入信號(hào),使其共變矩陣最小特征值對(duì)應(yīng)的特征向量為兩個(gè)信道的估計(jì),在LMP準(zhǔn)則下自適應(yīng)得到該特征向量,從而得到時(shí)間延遲信息。RAED算法對(duì)誤差信號(hào)和輸入向量均采用分?jǐn)?shù)階操作。這兩種算法提高了基于高斯模型AED算法的韌性。 (4)研究了胃電信號(hào)及其噪聲的特點(diǎn)。胃慢波決定胃電的傳導(dǎo),由于棘波和/或動(dòng)作偽跡的影響,慢波中常常含有尖峰脈沖。因此,在對(duì)胃電信號(hào)空間特征的提取中,用Alpha穩(wěn)定分布建模比用高斯分布建模更合適?;贐C

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論