导读:本文包含了非高斯滤波论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:噪声,高斯,自适应,算法,稀疏,最小,系统。
非高斯滤波论文文献综述
吴文静[1]（2019）在《非高斯噪声环境下基于最大箕舌线准则的自适应滤波算法研究》一文中研究指出自适应滤波器被广泛应用于系统辨识、信道均衡、语音回声消除等工程领域,其设计核心问题是自适应滤波算法。非高斯噪声环境下的自适应滤波算法研究是当前自适应信号处理领域中最为活跃的课题之一。针对非高斯噪声环境,设计收敛速度快、稳态误差小、计算复杂度低且鲁棒性强的自适应滤波算法一直是学术界和工业界追求的目标。因此,本文以最大箕舌线准则(Maximum Versoria Criterion,MVC)算法为研究重点,提出若干具有较强鲁棒性的算法,以克服现有线性与非线性自适应滤波算法在非高斯噪声环境下的不足,主要研究工作包括以下内容:(1)在非线性自适应滤波算法中:1)针对现有的广义核最大相关熵(Generalized Kernel Maximum Correntropy,GKMC)算法指数运算量和稳态误差大的缺点,将核方法引入MVC算法,提出一种新的核自适应滤波算法,即核最大箕舌线准则(Kernel Maximum Versoria Criterion,KMVC)算法,并分析其收敛性。非线性倍频实验表明,通过选取不同的形状参数,KMVC算法能够在多种非高斯噪声下具有较强的鲁棒性,并且比GKMC算法具有更低的指数运算量和稳态误差。2)此外,考虑到KMVC算法的网络尺寸会随着输入数据的数量呈线性增长的问题,将在线量化方法引入KMVC算法,提出量化核最大箕舌线准则(Quantized KMVC,QKMVC)算法。仿真结果表明,QKMVC算法能够在保证算法性能的前提下,有效地抑制网络结构增长。(2)在线性自适应滤波算法中:1)为了进一步提高凸组合最大相关熵准则(Convex Combination Maximum Correntropy Criterion,CMCC)算法在非平稳环境下的追踪性能,将多凸组合策略引入最大相关熵准则(Maximum Correntropy Criterion,MCC)算法,提出多凸组合最大相关熵准则(Multi-convex Combination MCC,MCMCC)算法。线性系统辨识仿真结果表明,相比CMCC算法,MCMCC算法在非平稳环境下具有更好的追踪性能,且能够追踪多种权重变化速率。2)此外,针对MCMCC算法稳态误差和指数运算量大的缺点,将多凸组合策略引入MVC算法,提出多凸组合最大箕舌线准则(Multiconvex Combination MVC,MCMVC)算法。仿真结果表明,相比MCMCC算法,MCMVC算法在保证追踪性能的同时具有更低指数运算量和稳态误差。(本文来源于《长安大学》期刊2019-04-08）
石颖[2]（2019）在《非高斯噪声环境下的比例自适应滤波算法研究》一文中研究指出自适应滤波器具有实时跟踪信道的特性,其核心部分是自适应滤波算法,算法的优劣决定了滤波的性能。在不同环境中,适用的算法也有所不同,选择合适的算法能提高滤波器的收敛速度、降低稳态误差。通信系统中存在大量长稀疏信道,它的大量权重系数为零值或者逼近零值,只有少量权重系数有显着的值。传统的自适应滤波器采用一个全局步长参数,所有的信道权重系数全都是同一个固定参数,导致算法收敛速度受最小的参数的影响,并且较大的权重系数收敛到它的最优值需要较多的迭代次数,因此其收敛性能不理想。为解决这一问题,研究者提出各种改进算法,其中比例类改进是一种简单有效的方式,最典型的是将LMS算法改进为PNLMS算法。实际环境中有大量的非高斯冲激噪声干扰,这种噪声会使得算法变得敏感从而性能恶化。通过选择合适的误差准则能有效的改善这一问题,其中效果较好的有最小平均p范数准则(MPE)和最大相关熵准则(MCC)。本文利用MPE准则强抗尖峰干扰特性,对PLMP算法进行改进。首先对其进行归一化得到PNLMP算法,在具有较大的强脉冲噪声时有较好效果。此外引入-律方法,得到MPNLMP算法,它能跟踪权重系数的变化趋势,给大权重系数以合适的比例步长,提高收敛速度减小稳态误差。此外为了进一步提升性能,再引入了CIM方法,得到CIM-PNLMP算法,它能获得最优的比例步长,得到目前最佳的收敛速度和稳态精度,但计算复杂度高。此外,MCC准则在非高斯噪声环境中也具有较强鲁棒性,因此本文将-律方法和CIM方法引入PMCC算法,得到改进的MPMCC算法和CIMPMCC算法,这两种新算法在稀疏信道下有很好的滤波性能。CIMPMCC算法虽然效果最优,但是计算量过大。此外对MPMCC算法进行简化处理得到新算法SMPMCC算法,其计算简单,虽然收敛误差有所增加但是依旧能保持快速的收敛速度。SPMCC收敛速度快,但是损失了一定的稳态失调,PMCC的收敛速度慢,但是稳态失调低。为了平衡收敛速度和稳态失调,将PMCC和SMPMCC进行自适应凸组合,得到CSMPMCC算法,既有较好的收敛速度又有不错的稳态误差。本文之前所提算法的输入信号均为非相关信号,但当输入信号为相关信号时,滤波性能恶化。为了解决这个问题,本文利用解相关方法,去掉相邻输入信号之间的相关性,得到解相关的DMPMCC算法。实验证明在输入信号为相关信号时,DMPMCC算法有更加优越的滤波性能。本文通过MATLAB软件进行实验仿真,验证了本文所提的各种改进算法具有更好的滤波性能。(本文来源于《电子科技大学》期刊2019-03-20）
田啸[3]（2019）在《非高斯系统的控制及滤波策略研究》一文中研究指出随着工业系统的大型化、复杂化发展,随机信号对于实际系统的干扰变得越来越不可忽视。以往的控制系统设计方法往往基于干扰服从高斯分布的假设,而在实际的工业过程中,系统模型往往是非线性的,且扰动不一定服从高斯分布。近几十年来随机控制理论的不断完善更新,为解决随机系统的控制等问题带来了希望。随机控制理论从系统变量的概率密度函数出发,不局限于变量的均值和方差,同时将变量的高阶矩信息考虑在内,具有更广泛的意义。本文首先针对有机朗肯循环系统(Organic Rankine Cycle system,ORC)遭受非高斯扰动的情况下,使用一种具有特殊结构的循环神经网络来对系统进行辨识,建立对象的数学模型。该神经网络使用生存信息势(Survival Information Potential,SIP)作为训练准则,并基于信号流图计算灵敏度,仿真结果证实了辨识算法的有效性。由于实际运行过程中ORC系统的膨胀机转速与工质泵转速不能发生过大变化,设计了基于神经网络模型的带约束预测控制算法,并通过差分进化(Differential Evolution,DE)算法来求取控制律,设定值跟踪能力的测试展示出设计的控制器具有良好的效果。其次,针对ORC系统,设计了一种基于量化最小熵的控制器。该控制器采用量化最小熵作为指标,相比较于传统的Renyi熵大大降低了熵计算的复杂度。并且由于传统的梯度下降法收敛速度慢、容易陷入局部最优等缺陷,因此将粒子群优化算法(Particle Swarm Optimization,PSO)代替梯度下降法来求解最优控制律,仿真结果表明设计的控制器能够很快的跟踪上设定值的变化,并且随着时间的进行,跟踪误差的概率密度函数变得又尖又窄。最后,针对遭受非高斯干扰的系统,基于混合相关熵设计了一种滤波器。混合相关熵相比较传统的相关熵,采用具有不同核宽度的高斯核函数作为Merce核,其相比较传统的单一高斯核函数有效的解决了核宽度的选择。将设计的滤波器应用于风能转换系统,并采用PSO来求解滤波器增益矩阵,仿真结果表明设计的滤波器能有效的估计出系统的状态。(本文来源于《华北电力大学(北京)》期刊2019-03-01）
侯威翰,郭莹[4]（2019）在《非高斯噪声环境下的稀疏自适应滤波算法研究》一文中研究指出在自适应滤波算法已经被广泛应用的今天,许多不同种类的自适应滤波算法被用于不同的工程应用,如噪声消除、回声抵消和信道估计等。但是,在自然界中广泛存在的非高斯噪声,对各类自适应滤波算法产生了严重破坏。为了解决这个问题,研究者设计了许多针对这个问题的算法,主要分成两类。一种是依靠某些函数对计算误差进行优化的算法,如符号算法;另一种是基于非二阶统计量的算法,如基于最大相关熵的算法。这两大类算法都可以在一定程度上对非高斯噪声产生抑制效果,但是它们之间的工作原理和效果却存在很大区别。基于稀疏系统,针对以上两大类算法的原理进行分析并比较,进一步总结了以上两大类算法的优缺点。(本文来源于《通信技术》期刊2019年01期）
付稚皓[5]（2018）在《非高斯冲激干扰下的集员稀疏自适应滤波算法研究》一文中研究指出在自适应滤波算法中,集员滤波(Set Membership Filtering,SMF)算法代表一类基于预先定义误差门限的递归算法。当估计误差小于预设门限时允许算法不更新抽头系数,所以SMF算法和最小均方(Least Mean Squares,LMS)算法相比有更低的计算复杂度。自适应算法在研究早期更多地是应用在非稀疏系统中。随着信号处理技术的发展,研究者们发现现实中还存在一种特性鲜明的系统,这种系统的大部分抽头系数接近于零或者为零,只有少数的抽头系数在数值上较大,这种特性为稀疏特性,拥有这样特性的系统为稀疏系统。近些年来研究者在LMS算法和SMF算法基础上针对稀疏系统提出了相应的算法来提高算法在稀疏系统下的性能,但大多数研究都是在高斯噪声环境下进行的。然而,在实际的应用中存在非高斯干扰使稀疏算法性能发生严重恶化,甚至不再收敛;一些具备抗冲激能力的稀疏自适应算法往往由于计算复杂度较高导致难以实用。针对这两个问题,本文提出如下解决方案:(1)为了解决自适应算法在非高斯噪声环境下性能恶化的问题,在自适应误差门限的集员归一化最小均方算法的代价函数中引入比例归一化最小均方(Proportionate Normalized Least Mean Squares,PNLMS)算法中的步长增益矩阵和反正切归一化最小均方(Arc-tangent Normalized Least Mean Squares,Arc-NLMS)算法的代价函数,提出集员反正切比例归一化最小均方(Set-Membership Arc-tangent Proportionate Normalized Least Mean Squares,SM-Arc-PNLMS)算法。比例算法的步长增益矩阵提高了提出的算法在稀疏系统中的收敛速度,引入Arc-NLMS算法的代价函数使算法获得抗冲激能力。仿真实验表明提出的算法在非高斯冲激噪声干扰下具有优于其他抗冲激稀疏自适应算法的收敛性能和稳态误差性能。(2)为了解决抗冲激的稀疏自适应算法中计算复杂度较高的问题,在鲁棒误差门限的集员归一化最小均方算法的代价函数中引入稀疏范数约束,提出鲁棒误差门限的零吸引集员归一化最小均方(Zero Attracting Set-Membership Normalized Least Mean Squares with Robust Error Bound,ZA-SMNLMS-REB)算法和鲁棒误差门限的加权零吸引集员归一化最小均方(Reweighted Zero Attracting Set-Membership Normalized Least Mean Squares with Robust Error Bound,RZA-SMNLMS-REB)算法。稀疏范数约束算法相比于比例类算法有更低的计算复杂度,且集员算法的误差门限本身是鲁棒的,不需要额外的抗冲激技术,因此可以降低算法的计算复杂度。仿真实验表明在保持和其他抗冲激稀疏算法相似的性能时,提出的算法的实际计算量更低。(本文来源于《重庆邮电大学》期刊2018-03-18）
冯子昂,胡国平,匡旭斌,周豪[6]（2017）在《非高斯噪声环境中基于梯度范数的自适应滤波算法》一文中研究指出针对传统最小均方类算法在非高斯噪声中自适应滤波性能下降的问题,提出了一种基于梯度范数的变步长归一化最小平均p范数算法。算法将α稳定分布作为非高斯噪声分布模型,依靠梯度范数与均方权值偏差(MSD)的关系自适应调整步长,加快收敛速度的同时减小稳态误差,理论推导证明了算法的有效性。仿真结果表明,在非高斯噪声条件下,该算法具有更好的收敛性能和抗突变能力以及更小的稳定误差。(本文来源于《弹箭与制导学报》期刊2017年03期）
祁霄[7]（2017）在《非高斯噪声背景下的自适应滤波算法研究》一文中研究指出在数字信号处理过程中,信号受到噪声干扰的现象十分常见,这些被噪声干扰的信号在识别以及后续的分析处理和判断工作中给我们带来一定的困扰。所以,在含有噪声的混合信号中检测并成功提取出我们所需要的有用信号是一个很重要课题。目前在信号理论相关领域中,我们习惯把噪声假设成高斯噪声,然后根据它的分布函数特点把噪声处理掉。但是随着科技的不断提高,我们的设备越来越复杂,在通信过程中遇到的都是非高斯噪声。按照高斯噪声处理效果并不理想,提取出的信号容易失真甚至出现严重的破坏和损失,最后使整个系统性能退化。本文从自适应滤波原理入手研究并提出新的算法,用于消除和抑制非高斯噪声。首先,介绍了几种常见的噪声,然后分析高斯噪声和非高斯的区别,根据非高斯噪声的特点提出了几种数学模型。接着分析它们的概率密度函数以及指出了它们的统计特性。其次,根据自适应滤波算法的原理,我们介绍了常见的自适应滤波器和它的基本结构和应用,然后对自适应滤波算法进行了列举。本文采用的是自适应滤波的一种典型应用——自适应噪声抑制系统。在非高斯噪声的前提下,常见的一些算法对信号的处理并不理想,因此本文研究了新的算法。本文结合归一化LMS(NLMS)算法和LMS-Newton算法的优点提出了NLMS-Newton算法,并根据它的特点给予了一些改进。在经过模拟验证后可以看出,虽然该算法的运算量变大了,但是收敛速度和稳定性得到了明显的提升。最后,在计算机上应用仿真软件MATLAB对该新算法进行仿真,根据信号处理后图像对算法的稳定性能和收敛性能进行对比分析。(本文来源于《新疆大学》期刊2017-05-25）
曾俊俊[8]（2016）在《非高斯冲激干扰下基于核方法的自适应滤波算法研究》一文中研究指出传统的线性自适应滤波算法在处理线性问题方面展现出了强大的计算能力。但是,通常实际应用如:系统识别、语音回声消除、时间序列预测等,其输入-输出涉及更多的是非线性关系。此时利用线性自适应滤波算法处理非线性问题,效果并不理想。核方法是一个将线性算法扩展为非线性算法的有力工具。在非线性自适应滤波领域,核方法越来越受到重视。已有的大多数核自适应滤波算法(如核最小均方算法)都是在假定环境噪声为高斯白噪声的前提下推导出的。在冲激噪声的干扰下,这些算法的跟踪性能衰减严重,即鲁棒性能差。本文研究强健的核自适应滤波算法,具有重要的理论和现实意义。首先,在线性自适应滤波算法中,最小对数绝对误差(Least Logarithmic Absolute Difference,LLAD)算法已经被证明在冲激噪声干扰下具有良好的鲁棒性能。在本文中,将核方法与LLAD算法结合推导出核最小对数绝对误差(Kernel LLAD,KLLAD)算法,然后将提出的算法应用于非线性系统辨识。仿真实验结果表明,KLLAD算法在冲激噪声干扰下,能保持良好的稳定性,并且其稳态误差低于对应的线性算法。其次,针对线性LLAD算法在有冲激噪声干扰时采用符号来更新滤波器权重系数导致算法收敛速度变慢的问题。文中提出了基于反正切代价函数的归一化最小均方(Normalized Least Mean Square Algorithm Based on the Arctangent Cost Function,Arc-NLMS)算法,该算法在有冲激噪声干扰时采用不更新权重系数的策略来保证算法不向错误的方向更新。线性系统辨识实验表明该算法在冲激噪声出现频率高时,仍能保持快速的收敛速度。然后将Arc-NLMS算法与核方法结合推导出对应的核算法,接着采用量化准则进一步降低算法的计算复杂度。非线性系统辨识实验表明提出的算法在冲激噪声干扰下鲁棒性能好,并且计算复杂度低。(本文来源于《重庆邮电大学》期刊2016-04-10）
段海东[9]（2016）在《基于粒子滤波的动态变形监测非高斯时间序列滤波》一文中研究指出动态变形监测所面临的环境复杂多变,多元化因素影响导致监测得到的变形时间序列所含噪声的分布形式多变不定。进行时间序列的滤波处理之前,都需要了解变形监测所处的测量环境。本文以线性/非线性检验、高斯／非高斯检验确定动态变形监测时间序列的分布特征,采取多方法综合检验的模式,确保检验结果的正确性。传统的时间序列滤波算法基本上都是在高斯性前提假设条件下实现的,而对于服从非高斯分布的噪声,传统的方法都被挡在了门外,在贝叶斯估计框架下,基于蒙特卡罗方法、序贯重要性重采样算法的粒子滤波从理论上就不需要高斯分布、线性的前提假设。粒子滤波以贝叶斯估计实现离散时间序列的递推、连续、动态、实时滤波,以蒙特卡罗方法避免了贝叶斯估计中所遇到的高维积分运算,以非参数化抽样试验的方式解决了动态变形监测时间序列的滤波问题。本文在标准粒子滤波的基础上,选取了非线性滤波修正作为建议分布函数,充分利用了最新的观测值信息,使采样粒子不断逼近状态空间的真实分布；采用系统重采样算法有效地消除权值退化现象；采用马尔科夫链蒙特卡洛移动算法不断地增加样本粒子的多样性,有效缓解过度重采样引起的样本贫化问题。本文提出了基于粒子滤波的动态变形监测非高斯时间序列滤波总体思路：首先对数据进行线性/非线性、高斯/非高斯特征检验,然后根据检验结果建立正确的状态空间模型,最后选择合适的粒子滤波方法进行时间序列的滤波。并以C#和MATLAB混合编程方式完成相关程序的编写,实现该数据处理算法。通过处理仿真数据和动态变形监测数据表明：粒子滤波及其改进算法在非线性、非高斯时间序列的滤波中具有较好的滤波效果,是非线性、非高斯时间序列的最优滤波器；改进粒子滤波算法与恒星日滤波联合使用能够有效地消除GPS变形监测单历元解算信息中的多路径影响,且N、E方向坐标残差序列的标准差降幅较U方向大,粒子滤波可以提高GPS动态变形监测的可靠性。(本文来源于《西南交通大学》期刊2016-04-01）
孙永辉,高振阳,卫志农,孙国强[10]（2016）在《一种考虑非高斯Lévy量测噪声下的改进分数阶卡尔曼滤波》一文中研究指出针对量测噪声模型为非高斯Lévy噪声,研究离散线性随机分数阶系统的卡尔曼滤波设计问题.通过剔除极大值的方法得到近似高斯白噪声的Lévy噪声,基于最小二乘原理,提出一种考虑非高斯Lévy量测噪声下的改进分数阶卡尔曼滤波算法.与传统的分数阶卡尔曼滤波相比,改进的分数阶卡尔曼滤波对非高斯Lévy噪声具有更好的滤波效果.最后,通过模拟仿真验证了所提出算法的正确性和有效性.(本文来源于《控制与决策》期刊2016年03期）
非高斯滤波论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
自适应滤波器具有实时跟踪信道的特性,其核心部分是自适应滤波算法,算法的优劣决定了滤波的性能。在不同环境中,适用的算法也有所不同,选择合适的算法能提高滤波器的收敛速度、降低稳态误差。通信系统中存在大量长稀疏信道,它的大量权重系数为零值或者逼近零值,只有少量权重系数有显着的值。传统的自适应滤波器采用一个全局步长参数,所有的信道权重系数全都是同一个固定参数,导致算法收敛速度受最小的参数的影响,并且较大的权重系数收敛到它的最优值需要较多的迭代次数,因此其收敛性能不理想。为解决这一问题,研究者提出各种改进算法,其中比例类改进是一种简单有效的方式,最典型的是将LMS算法改进为PNLMS算法。实际环境中有大量的非高斯冲激噪声干扰,这种噪声会使得算法变得敏感从而性能恶化。通过选择合适的误差准则能有效的改善这一问题,其中效果较好的有最小平均p范数准则(MPE)和最大相关熵准则(MCC)。本文利用MPE准则强抗尖峰干扰特性,对PLMP算法进行改进。首先对其进行归一化得到PNLMP算法,在具有较大的强脉冲噪声时有较好效果。此外引入-律方法,得到MPNLMP算法,它能跟踪权重系数的变化趋势,给大权重系数以合适的比例步长,提高收敛速度减小稳态误差。此外为了进一步提升性能,再引入了CIM方法,得到CIM-PNLMP算法,它能获得最优的比例步长,得到目前最佳的收敛速度和稳态精度,但计算复杂度高。此外,MCC准则在非高斯噪声环境中也具有较强鲁棒性,因此本文将-律方法和CIM方法引入PMCC算法,得到改进的MPMCC算法和CIMPMCC算法,这两种新算法在稀疏信道下有很好的滤波性能。CIMPMCC算法虽然效果最优,但是计算量过大。此外对MPMCC算法进行简化处理得到新算法SMPMCC算法,其计算简单,虽然收敛误差有所增加但是依旧能保持快速的收敛速度。SPMCC收敛速度快,但是损失了一定的稳态失调,PMCC的收敛速度慢,但是稳态失调低。为了平衡收敛速度和稳态失调,将PMCC和SMPMCC进行自适应凸组合,得到CSMPMCC算法,既有较好的收敛速度又有不错的稳态误差。本文之前所提算法的输入信号均为非相关信号,但当输入信号为相关信号时,滤波性能恶化。为了解决这个问题,本文利用解相关方法,去掉相邻输入信号之间的相关性,得到解相关的DMPMCC算法。实验证明在输入信号为相关信号时,DMPMCC算法有更加优越的滤波性能。本文通过MATLAB软件进行实验仿真,验证了本文所提的各种改进算法具有更好的滤波性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
非高斯滤波论文参考文献
[1].吴文静.非高斯噪声环境下基于最大箕舌线准则的自适应滤波算法研究[D].长安大学.2019
[2].石颖.非高斯噪声环境下的比例自适应滤波算法研究[D].电子科技大学.2019
[3].田啸.非高斯系统的控制及滤波策略研究[D].华北电力大学(北京).2019
[4].侯威翰,郭莹.非高斯噪声环境下的稀疏自适应滤波算法研究[J].通信技术.2019
[5].付稚皓.非高斯冲激干扰下的集员稀疏自适应滤波算法研究[D].重庆邮电大学.2018
[6].冯子昂,胡国平,匡旭斌,周豪.非高斯噪声环境中基于梯度范数的自适应滤波算法[J].弹箭与制导学报.2017
[7].祁霄.非高斯噪声背景下的自适应滤波算法研究[D].新疆大学.2017
[8].曾俊俊.非高斯冲激干扰下基于核方法的自适应滤波算法研究[D].重庆邮电大学.2016
[9].段海东.基于粒子滤波的动态变形监测非高斯时间序列滤波[D].西南交通大学.2016
[10].孙永辉,高振阳,卫志农,孙国强.一种考虑非高斯Lévy量测噪声下的改进分数阶卡尔曼滤波[J].控制与决策.2016
论文知识图
