CN107832268A - 一种基于噪声增强的线性最小均方误差估计方法 - Google Patents
一种基于噪声增强的线性最小均方误差估计方法 Download PDFInfo
- Publication number
- CN107832268A CN107832268A CN201711173769.3A CN201711173769A CN107832268A CN 107832268 A CN107832268 A CN 107832268A CN 201711173769 A CN201711173769 A CN 201711173769A CN 107832268 A CN107832268 A CN 107832268A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msup
- noise
- theta
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 239000000654 additive Substances 0.000 claims abstract description 21
- 230000000996 additive effect Effects 0.000 claims abstract description 21
- 238000012937 correction Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000007792 addition Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明公开了一种基于噪声增强的线性最小均方误差估计方法。属于信号处理领域。它是一种将噪声增强和线性最小均方误差估计方法相结合的线性估计方法。首先给非线性系统输入信号加入与之独立的加性噪声,经过非线性系统后获得加噪后非线性系统输出信号,然后利用所述非线性系统输出信号对输入参数进行线性最小均方误差估计,建立噪声增强参数估计模型,最后求解该模型下的最优加性噪声,并获取最优加性噪声下的参数估计。本发明将噪声增强与线性最小均方误差估计方法相结合,通过给非线性系统输入加入噪声,达到了使系统输出信号对输入参数进行线性估计时产生的最小均方误差进一步减小的目的。
Description
技术领域
本发明属于信号处理领域,具体涉及噪声增强和线性最小均方误差估计。
背景技术
噪声无处不在,理解和掌握噪声的分布和性能是一个非常重要的问题。在经典信号处理中,噪声被视为不需要的信号或是对系统的干扰。系统中噪声越多会导致信道容量越小,从而使得检测性能和估计精度都有所下降。然而,噪声对系统的影响并不都是负面的,在一定条件下,噪声可以通过非线性系统对信号和系统起到积极的增强作用,被称为噪声增强现象。随着近年来对噪声增强的深入探索和应用研究,噪声增强在信号检测及估计问题中所发挥的重要作用获得越来越多的重视和肯定。线性最小均方误差估计方法是使被估计参数与估计值之间均方误差最小的线性估计方法,但并不是使得均方误差最小的估计方法。因此,线性估计性能存在有进一步改善的可能性。基于噪声增强理论研究可知,给非线性系统加入合适的噪声,可减小对参数进行线性估计后的误差。
发明内容
本发明的目的是在现有线性最小均方误差估计方法的基础上,结合噪声增强原理,提出一种基于噪声增强的线性最小均方误差估计方法,通过给非线性系统的输入信号加入噪声,降低系统输出对输入参数进行线性估计时产生的最小均方误差。
本发明具体包括以下步骤:
(1)建立噪声增强参数估计模型:
非线性系统输入信号x=θ+v,其中θ为需要估计的输入参数,θ的值由其概率密度函数pθ(θ)确定,v表示背景噪声,其概率密度函数为pv(v)。
给非线性系统的输入信号x加入与之独立的加性噪声n,其中n服从概率密度函数为pn(n)的分布;经过非线性系统后,获得噪声修正非线性系统的输出信号为y=T(x+n),其中T(·)表示非线性系统的传递函数;利用所述非线性系统输出信号y对输入参数θ进行线性最小均方误差估计可表示为:
其中E(θ)表示输入参数θ的期望,Ey(pn(n))和Vary(pn(n))分别表示加入概率密度函数为pn(n)的噪声时对应的系统输出信号y的期望和方差,Covθ,y(pn(n))表示输入参数θ和系统输出信号y的协方差;同时可知θ与之间的均方误差为:
其中V(θ)表示系统输入参数θ的方差;
(2)求解最优加性噪声:
为获得上述噪声增强估计模型下均方误差最小时对应的最优加性噪声,构建以下模型:
由于V(θ)的值与所加噪声无关,从而LMMSE(pn(n))的最小值等价于的最大值,并结合的特性,可将该模型中关于多元函数的极值问题等价为如下关于一元函数的极值问题:
其中Vary(n)和Covθ,y(n)分别表示给非线性系统的输入信号x加入常向量n作为噪声时,对应的非线性系统输出信号y=T(x+n)的方差,以及输入参数θ和非线性系统输出信号y的协方差。获得上述一元函数的优化解后,即可获得使得线性均方误差最小的加性噪声nopt。
(3)最优加性噪声下的参数估计:
基于噪声增强的非线性系统的输出信号y=T(x+nopt)对输入参数θ进行线性最小均方误差估计可得:
输入参数θ与其估计量之间的均方误差为:
进一步,步骤(1)所述非线性系统输入信号为与参数θ相关的函数。
本发明有机的将噪声增强与线性最小均方误差估计方法相结合,通过给非线性系统的输入信号加入噪声,达到了使得系统输出信号对输入参数进行线性估计时产生的最小均方误差进一步减小的目的。
本发明主要采用仿真实验的方法进行验证,所有步骤、结论都在MATLAB R2016a上验证正确。
附图说明
图1是本发明的工作流程框图。
图2是本发明仿真中不同σ值对应的噪声修正和原线性最小均方误差。
图3是本发明仿真中不同μ值对应的噪声修正和原线性最小均方误差。
图4是本发明仿真中不同σb值对应的噪声修正和原线性最小均方误差。
图5是本发明仿真中不同μb值对应的噪声修正和原线性最小均方误差。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
本实施例公开一种基于噪声增强的线性最小均方误差估计方法,包括以下步骤:
(1)建立噪声增强参数估计模型:
非线性系统输入信号x=θ+v,其中θ为需要估计的有用的输入参数,θ的值由其概率密度函数pθ(θ)确定,v表示背景噪声,其概率密度函数为pv(v)。
首先,给非线性系统输入信号x加入与之独立的加性噪声n,其中n服从概率密度函数为pn(n)的分布。
其次,经过非线性系统后,获得噪声修正非线性系统输出信号y=T(x+n),对应的概率密度函数为
其中T(·)表示非线性系统的传递函数,δ(·)表示冲激函数。
然后,利用非线性系统输出信号y对输入参数θ进行线性最小均方误差估计可表示为:
其中表示输入参数θ的期望,Ey(pn(n))和Vary(pn(n))分别表示加入概率密度函数为pn(n)的噪声时对应的系统输出信号y的期望和方差,
其中可看作加入常向量n作为加性噪声时对应的非线性系统输出信号y的期望,
其中Ey2(pn(n))表示加入概率密度函数为pn(n)的噪声时y2的期望,
其中可以看作加入常向量n作为加性噪声时对应的y2的期望;Covθ,y(pn(n))表示加入概率密度函数为pn(n)的噪声时对应的输入参数θ和非线性系统输出信号y的协方差,
其中可以看作加入常向量n作为加性噪声时,对应的输入参数θ和非线性系统输出信号y的协方差。
同时,获得θ与之间的均方误差如下:
其中表示系统输入参数θ的方差。
(2)求解最优加性噪声:
为获得上述噪声增强估计模型下均方误差最小时对应的最优加性噪声,构建以下模型:
由于V(θ)的值与所加噪声无关,从而LMMSE(pn(n))的最小值等价于取得最大值。又由于具体地
其中倒数第二个等式中表示给非线性系统输入x加入常向量n作为噪声时,对应的非线性系统输出y的方差。综上,可将上述模型中关于多元函数的极值问题等价为如下关于一元函数的极值问题:
求解此一元函数求极值问题,即可求得使得线性均方误差最小的加性噪声nopt。
(3)最优加性噪声下的参数估计:
基于噪声增强的非线性系统输出信号y=T(x+nopt)对输入参数θ进行线性最小均方误差估计可得:
输入参数θ与其估计量之间的均方误差为:
进一步,所述非线性系统输入为与参数θ相关的函数。相应地有:
本发明的效果可以通过以下仿真实验进一步说明:
本仿真实验中,系统输入信号为x=θ+v,x∈R,其中输入参数θ服从高斯分布,对应的概率密度函数为v为高斯混合背景噪声,其概率密度函数表示为pv(v)=0.5γ(v;μb,σb 2)+0.5γ(v;-μb,σb 2)。此外,非线性变换设为正弦变换,即非线性系统输出y=T(x+n)=sin(θ+v+n)。
利用MATLAB语言编程实现nopt,和LMMSE(nopt)。以μ=1,σ=1,μb=0.5和σb=1为例,通过给系统输入加入常向量nopt=2.1425获得的噪声修正线性最小均方误差LMMSE(nopt)=0.7895,相比于未给系统输入x加入加性噪声时对应的线性最小均方误差LMMSE(0)=0.9290,其估计性能改善了0.1395。
改变输入参数θ的均值μ和标准差σ,以及背景噪声v的均值μb和标准差σb,来比较不同条件下加噪前后的线性最小均方误差,具体如下:
保持μ=1,μb=0.5和σb=1不变,将σ以0.1的间隔从0增至2.5,对每个σ值求解对应LMMSE(nopt),并与未加噪的情况进行对比,结果如图2。
保持σ=1,μb=0.5和σb=1不变,将μ以0.1的间隔从0增至3.5,对每个μ值求解对应LMMSE(nopt),并与未加噪的情况进行对比,结果如图3。
保持μ=1,σ=1,和μb=0.5不变,将σb以0.1的间隔从0增至2.5,对每个σb值求解对应LMMSE(nopt),并与未加噪的情况进行对比,结果如图4。
保持μ=1,σ=1,和σb=1不变,将μb以0.05的间隔从0增至1.5,对每个μb值求解对应LMMSE(nopt),并与未加噪的情况进行对比,结果如图5。
由图2至图5可以看出,在一定情况下,通过给非线性系统输入加入噪声,可以大大降低其线性估计的均方误差。
Claims (2)
1.一种基于噪声增强的线性最小均方误差估计方法,其特征在于:包括以下步骤:
(1)建立噪声增强参数估计模型:
非线性系统输入信号x=θ+v,其中θ为需要估计的输入参数,θ的值由其概率密度函数pθ(θ)确定,v表示背景噪声,其概率密度函数为pv(v);
给非线性系统的输入信号x加入与之独立的加性噪声n,其中n服从概率密度函数为pn(n)的分布;经过非线性系统后,获得噪声修正非线性系统的输出信号y=T(x+n),其中T(·)表示非线性系统的传递函数;利用所述非线性系统的输出信号y对输入参数θ进行线性最小均方误差估计可表示为:
<mrow>
<msub>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>L</mi>
<mi>M</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>n</mi>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>Cov</mi>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>n</mi>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>Var</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>n</mi>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<mi>y</mi>
<mo>+</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>Cov</mi>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>n</mi>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>Var</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>n</mi>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
<msub>
<mi>E</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>n</mi>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中E(θ)表示输入参数θ的期望,Ey(pn(n))和Vary(pn(n))分别表示加入概率密度函数为pn(n)的噪声时对应的系统输出信号y的期望和方差,Covθ,y(pn(n))表示输入参数θ和系统输出信号y的协方差;同时可知θ与之间的均方误差为:
<mrow>
<mi>L</mi>
<mi>M</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>n</mi>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>-</mo>
<msub>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>L</mi>
<mi>M</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mo>=</mo>
<mi>V</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mrow>
<msubsup>
<mi>Cov</mi>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>n</mi>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>Var</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>n</mi>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中V(θ)表示系统输入参数θ的方差;
(2)求解最优加性噪声:
为获得上述噪声增强估计模型下均方误差最小时对应的最优加性噪声,构建以下模型:
<mrow>
<munder>
<mi>min</mi>
<mrow>
<msub>
<mi>p</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mi>L</mi>
<mi>M</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>n</mi>
</msub>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
由于V(θ)的值与所加噪声无关,从而LMMSE(pn(n))的最小值等价于取得最大值,并结合的特性,可将该模型中关于多元函数的极值问题等价为如下关于一元函数的极值问题:
<mrow>
<msup>
<mi>n</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mi>max</mi>
<mi>n</mi>
</munder>
<mfrac>
<mrow>
<msubsup>
<mi>Cov</mi>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>Var</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中Vary(n)和Covθ,y(n)分别表示给非线性系统的输入信号x加入常向量n作为噪声时,对应的非线性系统输出信号y=T(x+n)的方差,以及输入参数θ与非线性系统输出信号y之间的协方差;获得上述一元函数的优化解后,即可获得使线性均方误差最小的加性噪声nopt;
(3)最优加性噪声下的参数估计:
基于噪声增强的非线性系统的输出信号y=T(x+nopt)对输入参数θ进行线性最小均方误差估计可得:
<mrow>
<msub>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>L</mi>
<mi>M</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>n</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>Cov</mi>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>n</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>Var</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>n</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<mi>y</mi>
<mo>+</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>Cov</mi>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>n</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>Var</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>n</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<msub>
<mi>E</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>n</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
输入参数θ与其估计量之间的均方误差为:
<mrow>
<mi>L</mi>
<mi>M</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>n</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>V</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mrow>
<msubsup>
<mi>Cov</mi>
<mrow>
<mi>&theta;</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<msup>
<mi>n</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>Var</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>n</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
2.根据权利要求1所述的一种基于随机共振的线性最小均方误差估计方法,其特征在于:步骤(1)所述的非线性系统输入信号 为与参数θ相关的函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711173769.3A CN107832268B (zh) | 2017-11-22 | 2017-11-22 | 一种基于噪声增强的线性最小均方误差估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711173769.3A CN107832268B (zh) | 2017-11-22 | 2017-11-22 | 一种基于噪声增强的线性最小均方误差估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107832268A true CN107832268A (zh) | 2018-03-23 |
CN107832268B CN107832268B (zh) | 2020-11-03 |
Family
ID=61652330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711173769.3A Expired - Fee Related CN107832268B (zh) | 2017-11-22 | 2017-11-22 | 一种基于噪声增强的线性最小均方误差估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832268B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108732432A (zh) * | 2018-05-30 | 2018-11-02 | 重庆大学 | 一种最大后验概率准则下有约束的噪声增强信号检测方法 |
CN109635349A (zh) * | 2018-11-16 | 2019-04-16 | 重庆大学 | 一种噪声增强最小化克拉美罗界的方法 |
CN109657273A (zh) * | 2018-11-16 | 2019-04-19 | 重庆大学 | 一种基于噪声增强的贝叶斯参数估计方法 |
CN114520757A (zh) * | 2020-11-20 | 2022-05-20 | 富士通株式会社 | 非线性通信系统的性能估计装置及方法、电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140016688A1 (en) * | 2012-07-16 | 2014-01-16 | Seagate Technology Llc | Equalizer and detector arrangement employing joint entropy-based calibration |
CN106253878A (zh) * | 2016-07-19 | 2016-12-21 | 重庆邮电大学 | 一种冲击噪声下的自适应联合滤波方法 |
CN107222246A (zh) * | 2017-05-27 | 2017-09-29 | 东南大学 | 一种近似mmse性能的高效大规模mimo检测方法及系统 |
-
2017
- 2017-11-22 CN CN201711173769.3A patent/CN107832268B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140016688A1 (en) * | 2012-07-16 | 2014-01-16 | Seagate Technology Llc | Equalizer and detector arrangement employing joint entropy-based calibration |
CN106253878A (zh) * | 2016-07-19 | 2016-12-21 | 重庆邮电大学 | 一种冲击噪声下的自适应联合滤波方法 |
CN107222246A (zh) * | 2017-05-27 | 2017-09-29 | 东南大学 | 一种近似mmse性能的高效大规模mimo检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
SEN LIU等: "Effects of stochastic resonance for linear-quadratic detector", 《CHAOS SOLITONS & FRACTALS》 * |
刘书君等: "基于线性最小均方误差估计的SAR图像降噪", 《系统工程与电子技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108732432A (zh) * | 2018-05-30 | 2018-11-02 | 重庆大学 | 一种最大后验概率准则下有约束的噪声增强信号检测方法 |
CN108732432B (zh) * | 2018-05-30 | 2020-08-21 | 重庆大学 | 一种最大后验概率准则下有约束的噪声增强信号检测方法 |
CN109635349A (zh) * | 2018-11-16 | 2019-04-16 | 重庆大学 | 一种噪声增强最小化克拉美罗界的方法 |
CN109657273A (zh) * | 2018-11-16 | 2019-04-19 | 重庆大学 | 一种基于噪声增强的贝叶斯参数估计方法 |
CN109635349B (zh) * | 2018-11-16 | 2023-07-07 | 重庆大学 | 一种噪声增强最小化克拉美罗界的方法 |
CN114520757A (zh) * | 2020-11-20 | 2022-05-20 | 富士通株式会社 | 非线性通信系统的性能估计装置及方法、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107832268B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832268A (zh) | 一种基于噪声增强的线性最小均方误差估计方法 | |
Shi et al. | Convex combination of adaptive filters under the maximum correntropy criterion in impulsive interference | |
Flam et al. | On MMSE estimation: A linear model under Gaussian mixture statistics | |
CN111490737A (zh) | 一种用于功率放大器的非线性补偿方法和设备 | |
CN111525955B (zh) | 一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统 | |
CN107425929B (zh) | Alpha稳定分布噪声下衰落信道非辅助数据均衡方法 | |
CN109635349A (zh) | 一种噪声增强最小化克拉美罗界的方法 | |
Scarpiniti et al. | Convex combination of spline adaptive filters | |
CN106130936A (zh) | 一种Alpha稳定分布噪声环境下的非线性信道均衡方法 | |
Zhou et al. | Robust hybrid affine projection filtering algorithm under α-stable environment | |
CN1870016B (zh) | 非线性系统的建模和补偿方法 | |
CN106357323A (zh) | 卫星信道群延时补偿方法及装置 | |
CN102194463A (zh) | 语音处理装置、语音处理方法和程序 | |
CN107018103B (zh) | 一种基于自适应步长猴群优化的小波常模盲均衡方法 | |
CN103475608B (zh) | 模拟退火与果蝇混合优化小波广义离散多模盲均衡方法 | |
CN112104580B (zh) | 基于广义近似消息传递-稀疏贝叶斯学习的稀疏水声信道估计方法 | |
CN103647633B (zh) | 适用尖峰噪声环境的时延估计方法 | |
Thompson et al. | Integrating volterra series model and deep neural networks to equalize nonlinear power amplifiers | |
CN109657273A (zh) | 一种基于噪声增强的贝叶斯参数估计方法 | |
Tan et al. | Necessary and sufficient conditions for stabilizing an uncertain stochastic multidelay system | |
Zhao et al. | Novel adaptive VSS-NLMS algorithm for system identification | |
CN113452350B (zh) | 一种变步长块稀疏仿射投影自适应滤波器 | |
Özen et al. | A supervised constant modulus algorithm for blind equalization | |
CN103117969A (zh) | 一种分数低阶统计量模值变换小波频域多模盲均衡方法 | |
US20180191529A1 (en) | Signal decision device and signal decision method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201103 |