ALPHA-STABLE過程中的信號(hào)檢測(cè)與參數(shù)估計(jì).pdf

1、該文主要研究a stable分布各參數(shù)的估計(jì)、信號(hào)檢測(cè)和超分辨參數(shù)估計(jì)的處理算法.在眾多對(duì)高斯與對(duì)稱a stable(SaS)混合分布的參數(shù)估計(jì)算法中,基于數(shù)據(jù)樣本計(jì)算經(jīng)驗(yàn)特征函數(shù)進(jìn)而估計(jì)概率密度函數(shù)參數(shù)的方法是研究的熱點(diǎn)之一.針對(duì)特征函數(shù)與經(jīng)驗(yàn)特征函數(shù)之間的相對(duì)誤差隨自變量絕對(duì)值增大而增大的缺點(diǎn),該文提出了在計(jì)算經(jīng)驗(yàn)特征函數(shù)時(shí)加窗處理的方法,大大減小了它一特征函數(shù)之間的相對(duì)誤差.在建立一個(gè)理論上單調(diào)的表達(dá)式的基礎(chǔ)上,提出了對(duì)SaS分布

2、的參數(shù)估計(jì)算法,這種算法參數(shù)估計(jì)精度高,即使在短數(shù)據(jù)序列情況下能得到準(zhǔn)確的估計(jì)結(jié)果.在參數(shù)估計(jì)算法的基礎(chǔ)上,該文提出了一種可以逼近SaS分布或SaS與高斯混合分布的概率密度函數(shù)的解析表達(dá)式.在此表達(dá)式的基礎(chǔ)上,提出了在SaS分布噪聲中或SaS與高斯混合分布噪聲進(jìn)行信號(hào)檢測(cè)的兩種新方法,它們分別是:改進(jìn)的矩方法及局部次最優(yōu)新方法.仿真結(jié)果表明這兩種新的檢測(cè)方法相對(duì)于傳統(tǒng)的方法而言,不僅檢測(cè)性能有較大的改善,而且具備很好的魯棒性.在頻率估計(jì)

3、與DOA估計(jì)方面,首先提出了一種不需進(jìn)行特征值分解的超分辨參數(shù)估計(jì)新方法,新方法與基于信號(hào)子空間的經(jīng)典MUSIC算法有著完全一致的參數(shù)估計(jì)性能.這種算法避免了特征值分解,計(jì)算量降低,這一切將使得MUSIC算法將更具實(shí)用性.然后,從矩陣空間的角度,進(jìn)一步解釋了當(dāng)背景噪聲為白噪聲時(shí),由噪聲構(gòu)成的協(xié)方差矩陣的特征值服從高斯分布,經(jīng)典MUSIC算法中確定信號(hào)個(gè)數(shù)的問題可轉(zhuǎn)化為高斯噪聲中的信號(hào)檢測(cè)問題.這種算法在準(zhǔn)確確定信號(hào)個(gè)數(shù)的問題可轉(zhuǎn)化為高斯

4、噪聲中的信號(hào)檢測(cè)問題.這種算法在準(zhǔn)確確定信號(hào)個(gè)數(shù)的同時(shí),還知道了參數(shù)估計(jì)性能,如虛警率等.另外,提出了一種在空域平穩(wěn)的相關(guān)性.該文還討論了在a stable與高斯混合噪聲中的超分辨參數(shù)估計(jì)算法.首先,在混合噪聲中實(shí)現(xiàn)了不需要進(jìn)行特征值分解的超分辨參數(shù)估計(jì),減小了計(jì)算量.分析與仿真表明,近似CFAR準(zhǔn)則仍然適用于確定高斯與a stable混合噪聲的MUSIC算法中信號(hào)個(gè)數(shù).另外,利用接上數(shù)據(jù)自相關(guān)矩陣減去其一變換矩陣(R-JRJ)得一差分