Alpha稳定分布环境下自适应滤波算法研究

发布时间：2021-08-23 15:08

　　高斯分布模型历来在信号处理领域中占据主导地位,其原因在于:理论上的完整性、工程应用中的简洁性以及非线性问题的规避性。然而,大量的研究表明在诸如:雷达探测、电力通信、大气环境、水下声波、地震勘测、生物医学以及经济计量学等实际领域的应用中,往往存在许多具有脉冲幅度特性的噪声或干扰。因此,现实中的非高斯脉冲特性会导致基于高斯分布模型所设计的最优信号处理系统（或算法）的性能显著退化,甚至于不能正常工作。α稳定分布模型作为一类能有效地统一描述重尾分布的非高斯模型在鲁棒信号处理领域逐渐受到广泛关注与应用。服从α稳定分布的噪声所携带的脉冲幅度特性会严重阻碍传统自适应滤波算法在系统辨识、信道均衡、信号回归以及时间序列预测等信号处理领域中的应用。本文针对前述问题,对基于α稳定分布噪声环境的自适应滤波算法进行研究。本论文的主要工作与贡献如下:1.因为符号函数仅提取相关信号的方向属性,所以对脉冲噪声具有良好的抑制能力。故最小l1-范数准则在鲁棒自适应滤波算法中受到广泛研究。因为相关熵诱导度量（CIM）可视为l0-范数的良好平滑近似,所以在稀疏自适应滤波算法中得到越来越多的关注。本文研究基于最小l1-范数准则... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：132 页

【学位级别】：博士

【部分图文】：

基于高斯模型的原因

基于稳定分布的原因

第一章绪论=()+()()()(1-1)其中，()=()()，表示向量的转置运算。为了确定滤波器系统的适当更新方式，通常在有限冲激响应（FiniteImpulseResponse,FIR）横向滤波器结构的基础上利用误差信号()选择自适应滤波算法所需的代价（或目标）函数：(())。同时，目标函数的最优化意味着：自适应滤波器输入信号与输出信号在某种意义上实现最佳匹配[4]。图1-3自适应滤波器一般结构AF在不同环境中有着不同的应用方式，主要体现在由AF所处具体环境而选取的输入信号与输出信号来确定应用类型[4]。AF四种经典应用如图1-4所示：1)图1-4(a)所示为系统辨识：期望信号()是某未知系统受某宽带信号()激励时所产生的输出，在大多数情况下，输入信号()为白噪声信号，当输出的均方误差（MeanSquareError,MSE）最小时，自适应滤波器的输出即为未知系统模型；2)图1-4(b)所示为信道均衡：将受信道和噪声()影响的原始发射信号()作为自适应滤波器的输入信号，而期望信号是原始信号的延时形式()，当输出MSE最小时，说明自适应滤波器代表了信道逆模型；3)图1-4(c)所示为信号增强（或噪声消除）：信号()受到噪声1()的污染，而与1()相关的噪声2()是可测量的，若将2()作为自适应滤波器的输入，而含噪信号()+1()作为期望信号，则当滤波器收敛时，其输出误差就是信号的增强形式；4)图1-4(d)所示为信号预测：期望信号是自适应滤波器输入信号向前形式，当滤波器收敛时，则自适应滤波器本身就代表了输入信号()的生成模型，从而用来作为输入信号的预测模型。5

【参考文献】：
博士论文
[1]α稳定分布参数估计及自适应滤波算法研究[D]. 单志明.哈尔滨工程大学 2012
[2]LMS自适应滤波算法的收敛性能研究与应用[D]. 李宁.哈尔滨工程大学 2009

硕士论文
[1]非高斯冲激干扰下基于核方法的自适应滤波算法研究[D]. 曾俊俊.重庆邮电大学 2016
[2]带有反馈机制的核自适应滤波算法研究[D]. 赵集.西南大学 2016



本文编号：3358099