CN109635349B - 一种噪声增强最小化克拉美罗界的方法 - Google Patents
一种噪声增强最小化克拉美罗界的方法 Download PDFInfo
- Publication number
- CN109635349B CN109635349B CN201811365350.2A CN201811365350A CN109635349B CN 109635349 B CN109635349 B CN 109635349B CN 201811365350 A CN201811365350 A CN 201811365350A CN 109635349 B CN109635349 B CN 109635349B
- Authority
- CN
- China
- Prior art keywords
- noise
- nonlinear system
- boundary
- input signal
- parameter
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 13
- 239000000654 additive Substances 0.000 claims abstract description 30
- 230000000996 additive effect Effects 0.000 claims abstract description 30
- 238000004378 air conditioning Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 24
- 238000004088 simulation Methods 0.000 description 7
- 230000010354 integration Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000593 degrading effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明公开了一种噪声增强最小化克拉美罗界的方法。属于信号处理领域。首先给非线性系统输入信号加入与之独立的加性噪声,然后利用加噪后对应的非线性系统输出信号对输入参数进行估计,建立噪声增强最小化克拉美罗界模型,并求解该模型下使得克拉美罗界最小时所需加入的噪声,从而获得噪声增强下所对应的最小化克拉美罗界。本发明将噪声增强与参数估计中克拉美罗界的计算相结合,通过寻求对非线性系统输入信号所加入的合适噪声,使得利用非线性系统输出信号对输入参数进行估计时对应的克拉美罗界进一步降低。
Description
技术领域
本发明属于信号处理领域,具体涉及噪声增强与衡量参数估计性能时所用的无偏估计均方误差的下限。
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。系统中噪声越多将导致信道容量越小,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中所发挥的重要作用受到越来越多的重视和肯定。克拉美罗界是参数估计中无偏估计方差的下限,无偏估计量的方差只能无限的逼近克拉美罗下界,而不会比它小。因此,克拉美罗下界通常用于计算理论能达到的最佳估计精度和作为评判参数估计方法优劣的标准。将噪声增强理论用于参数估计中,在一定情况下,给非线性系统输入信号加入噪声后,再利用非线性系统输出信号对输入参数进行估计,可有效减小对应的克拉美罗界。
发明内容
本发明的目的是在计算无偏估计对应均方误差下限的基础上,结合噪声增强原理,提出一种噪声增强最小化克拉美罗界的方法,通过给非线性系统输入信号加入噪声,在利用非线性系统输出信号对输入参数进行估计时,可降低参数的真实值与其无偏估计量之间均方误差的下限(即克拉美罗界)。
本发明具体包括以下步骤:
1)构建噪声增强非线性系统:
所述非线性系统包括三个部分:非线性系统输入信号、非线性系统和非线性系统输出信号;非线性系统输入信号x与参数θ密切相关,而θ的值由其概率密度函数pθ(θ)确定;给非线性系统输入信号x加入与之独立的加性噪声n,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),其中T(·)表示非线性系统的传递函数;
2)建立噪声增强最小化克拉美罗界模型:
CRLB=(JP+JD)-1 (1)式
其中JP和JD分别表示从参数θ和非线性系统输出信号y的分布中获得的信息;因为JP只与参数θ的分布相关而与加性噪声无关,因此使得克拉美罗界最小的加性噪声即为使得JD最大的加性噪声,即
其中JD(pn(n))为给非线性系统输入信号x加入概率密度函数为pn(n)的加性噪声时对应的JD;
3)求解最小化克拉美罗界所需加性噪声:
由于给非线性系统输入信号x加入概率密度函数为pn(n)的加性噪声时对应的JD小于给非线性系统输入信号x加入常向量作为噪声时对应的最大的JD,即
从而可将(2)式模型中多元函数的极值问题等价为(4)式中关于参数n的一元函数求极值问题,
即意味着使得克拉美罗界最小的加性噪声为使得JD(n)最大的常向量;
4)噪声增强下所获得的最小克拉美罗界:
CRLB=(JP+JD(nopt))-1 (5)式。
本发明将噪声增强与参数估计中克拉美罗界的计算相结合,通过给非线性系统输入信号加入噪声,使得非线性系统输出信号对输入参数进行估计时对应的克拉美罗界进一步降低。
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值时加噪前后对应的克拉美罗界。
图3是本发明仿真中不同μ值时加噪前后对应的克拉美罗界。
图4是本发明仿真中不同σθ值时加噪前后对应的克拉美罗界。
图5是本发明仿真中不同μθ值时加噪前后对应的克拉美罗界。
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。
1)构建噪声增强非线性系统:
所述非线性系统包括三个部分:非线性系统输入信号、非线性系统和非线性系统输出信号;非线性系统输入信号x与参数θ密切相关,而θ的值由其概率密度函数pθ(θ)确定;给非线性系统输入信号x加入与之独立的加性噪声n,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),其中T(·)表示非线性系统的传递函数;
2)建立噪声增强最小化克拉美罗界模型:
CRLB=(JP+JD)-1 (6)式
其中JP和JD分别表示从参数θ和非线性系统输出信号y的分布中获得的信息:
因为JP只与参数θ的分布相关而与加性噪声无关,因此使得克拉美罗界最小的加性噪声即为使得JD最大的加性噪声,即
其中JD(pn(n))为给非线性系统输入信号x加入概率密度函数为pn(n)的噪声时对应的JD。由于(8)式中的期望是同时关于y和θ的,因此JD可以计算为
3)求解最小化克拉美罗界所需加性噪声:
对(15)式不等式两边积分有如下结果:
(16)式中最后一个等式可通过交换n和y的积分顺序实现。进一步地,针对任意不同的参数θ,(16)式中不等式均能成立,则有
交换(17)式中不等式右边的积分顺序有
其中表示给非线性系统输入信号x加入常向量n作为噪声时时对应的JD。结合(17)式和(18)式可知,给非线性系统输入信号x加入概率密度函数为pn(n)的加性噪声时对应的JD小于给非线性系统输入信号x加入常向量作为噪声时对应的最大的JD,即
从而可将(9)式模型中多元函数的极值问题等价为(20)式中关于参数n的一元函数求极值问题,
4)噪声增强下所获得的最小克拉美罗界:
CRLB=(JP+JD(nopt))-1 (21)式
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,假设非线性系统输入信号为x=θ+v,其中θ为有用参数,对应的概率密度函数为即θ服从均值为μθ、方差为/>的高斯分布。此外,v为零均值的非对称高斯混合背景噪声,其概率密度函数表示为pv(v)=tγ(v;(1-t)μb,σb 2)+(1-t)γ(v;-tμb,σb 2),其中0<t<1。当θ值一定时,非线性系统输入信号x的条件概率密度函数为px(x|θ)=pv(x-θ)。假设非线性系统为限幅系统,给非线性系统输入信号x加入常量n作为噪声时,对应的非线性系统输出信号y为:
利用MATLAB语言编程求解使得克拉美罗界最小的加性噪声nopt。以t=0.75、A=3、μθ=3、σθ=1、μb=3和σb=1为例,没有给非线性系统输入信号x加任何噪声时,对应的原克拉美罗界为0.7481,通过给非线性系统输入信号x加入常量nopt=-2.85可使得克拉美罗界降至0.6265。
表1给出了当A=3、μθ=3、σθ=1、μb=3和σb=1时,分别在t值为0.075、0.75和0.9的情况下给非线性系统输入信号x加入常量nopt时噪声增强克拉美罗界以及未加噪时原克拉美罗界。
表1加噪前后对应的克拉美罗界
接下来通过先后改变背景噪声参数t、非线性系统门限A、输入参数θ的均值μθ和标准差σθ,来比较不同条件下加噪前后克拉美罗界,具体如下:
保持A=3、μθ=3、σθ=1、μb=3和σb=1不变,将t以0.05的间隔从0增至1。针对每个t值,给非线性系统输入信号x加入相应的最优加性噪声nopt,获得对应加噪后的噪声增强克拉美罗界,并与未加噪时的原克拉美罗界进行对比,结果如图2。随着t值的增加,噪声增强和原克拉美罗界均先增加后减小,且任意可能的t值对应的噪声增强克拉美罗界均小于原克拉美罗界。
保持t=0.75、μθ=3、σθ=1、μb=3和σb=1不变,将A以0.5的间隔从0增至10,对每个A值求解对应的噪声增强克拉美罗界,并与未加噪的情况进行对比,结果如图3。原克拉美罗界和噪声增强克拉美罗界均随着A值的增加而逐渐减小至0.6134,而当0<A<7.5时前者总是大于后者。
保持t=0.75、A=3、σθ=1、μb=3和σb=1不变,将μθ以0.25的间隔从0增至5,对每个μθ值求解对应的噪声增强克拉美罗界,并与未加噪的情况进行对比,结果如图4。原克拉美罗界均随着μθ值的增大而增大,而噪声增强克拉美罗界并不随着μθ的改变而改变,而是一直保持常量0.6265。此外,克拉美罗界的改善程度随着μθ值的增大而增大,而当μθ<0.5时,通过加噪所能获得的估计性能改善并不明显且接近于零。
保持t=0.75、A=3、μθ=3、μb=3和σb=1不变,将σθ以0.1的间隔从0增至2,对每个σθ值求解对应的噪声增强克拉美罗界,并与未加噪的情况进行对比,结果如图5。原克拉美罗界和噪声增强克拉美罗界均为关于σθ单调递增的函数。当σθ值趋近于零时,无论加入任何噪声均不可能使得克拉美罗界减小。当σθ值增大到一定程度时,克拉美罗界通过加噪实现的改善程度随着σθ的增加而增加。
Claims (1)
1.一种噪声增强最小化克拉美罗界的方法,其特征在于,包括以下步骤:
1)构建噪声增强非线性系统:
所述非线性系统包括三个部分:非线性系统输入信号、非线性系统和非线性系统输出信号;非线性系统输入信号x与参数θ密切相关,而θ的值由其概率密度函数pθ(θ)确定;给非线性系统输入信号x加入与之独立的加性噪声n,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),其中T(·)表示非线性系统的传递函数;
2)建立噪声增强最小化克拉美罗界模型:
CRLB=(JP+JD)-1 (1)式
其中JP和JD分别表示从参数θ和非线性系统输出信号y的分布中获得的信息:
因为JP只与参数θ的分布相关而与加性噪声无关,因此使得克拉美罗界最小的加性噪声即为使得JD最大的加性噪声,即
其中JD(pn(n))为给非线性系统输入信号x加入概率密度函数为pn(n)的加性噪声时对应的JD;
3)求解最小化克拉美罗界所需加性噪声:
由于给非线性系统输入信号x加入概率密度函数为pn(n)的加性噪声时对应的JD小于给非线性系统输入信号x加入常向量作为噪声时对应的最大的JD,即
从而可将(4)式模型中多元函数的极值问题等价为(6)式中关于参数n的一元函数求极值问题,
即意味着使得克拉美罗界最小的加性噪声为使得JD(n)最大的常向量;
4)噪声增强下所获得的最小克拉美罗界:
CRLB=(JP+JD(nopt))-1 (7)式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811365350.2A CN109635349B (zh) | 2018-11-16 | 2018-11-16 | 一种噪声增强最小化克拉美罗界的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811365350.2A CN109635349B (zh) | 2018-11-16 | 2018-11-16 | 一种噪声增强最小化克拉美罗界的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109635349A CN109635349A (zh) | 2019-04-16 |
CN109635349B true CN109635349B (zh) | 2023-07-07 |
Family
ID=66068215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811365350.2A Active CN109635349B (zh) | 2018-11-16 | 2018-11-16 | 一种噪声增强最小化克拉美罗界的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635349B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111371432A (zh) * | 2020-03-24 | 2020-07-03 | 宁波飞拓电器有限公司 | 一种带有噪声相关的非线性可观测度分析方法 |
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 |
CN113743585B (zh) * | 2021-08-17 | 2023-10-13 | 山东科技大学 | 基于快速非线性盲解卷积的旋转机械早期故障诊断方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5661696A (en) * | 1994-10-13 | 1997-08-26 | Schlumberger Technology Corporation | Methods and apparatus for determining error in formation parameter determinations |
WO2004021512A1 (en) * | 2002-08-30 | 2004-03-11 | Telefonaktiebolaget Lm Ericsson | Method for enhancing the measuring accuracy in an antenna array |
EP1505786A1 (de) * | 2003-08-06 | 2005-02-09 | Rohde & Schwarz GmbH & Co. KG | Verfahren und Vorrichtung zum Schätzen der Frequenz und/oder der Phase einer digitalen Signalfolge |
EP1626549A2 (de) * | 2004-08-11 | 2006-02-15 | Rohde & Schwarz GmbH & Co. KG | Verfahren und Vorrichtung zum Schätzen einer Trägerfrequenz mit blockweiser Grobschätzung |
WO2009043835A1 (en) * | 2007-09-29 | 2009-04-09 | Deutsches Zentrum Fuer Luft- Und Raumfahrt E.V. | Method for determining the distance between a transmitter and a receiver |
CN102771144A (zh) * | 2010-02-19 | 2012-11-07 | 西门子医疗器械公司 | 用于方向相关空间噪声减低的设备和方法 |
WO2014054044A1 (en) * | 2012-10-04 | 2014-04-10 | Ramot At Tel-Aviv University Ltd. | Method and system for estimating position |
CN104808179A (zh) * | 2015-04-09 | 2015-07-29 | 大连大学 | 杂波环境下基于克拉美罗界的mimo雷达波形优化方法 |
CN105068049A (zh) * | 2015-07-27 | 2015-11-18 | 电子科技大学 | 一种分置天线mimo雷达的克拉美罗界计算方法 |
CN105203883A (zh) * | 2015-09-23 | 2015-12-30 | 国网青海省电力公司 | 基于双密度小波网络的无偏估计光伏逆变器参数辨识方法 |
CN105738696A (zh) * | 2016-04-18 | 2016-07-06 | 天津大学 | 全相位时移相位差频率估计方法及装置 |
CN106612152A (zh) * | 2017-01-12 | 2017-05-03 | 重庆邮电大学 | 一种用于精确评估ieee1588同步时钟时间偏移估计量下界的方法 |
CN106646410A (zh) * | 2017-01-06 | 2017-05-10 | 天津大学 | 宽带认知被动雷达架构下的学习‑感知‑决策‑响应方法 |
CN107832268A (zh) * | 2017-11-22 | 2018-03-23 | 重庆大学 | 一种基于噪声增强的线性最小均方误差估计方法 |
CN108337029A (zh) * | 2017-12-29 | 2018-07-27 | 南京理工大学 | 安全无线传输中自适应稳健零空间投影波束赋形方法 |
CN108470089A (zh) * | 2018-02-12 | 2018-08-31 | 杭州电子科技大学 | 一种基于最小二乘样本拟合的复信号时延估计方法 |
CN108562883A (zh) * | 2017-12-29 | 2018-09-21 | 南京航空航天大学 | 一种多载波雷达系统的最大似然距离估计算法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7027546B2 (en) * | 2002-02-11 | 2006-04-11 | Hughes Network Systems Inc. | Method and system for providing a semi-data aided frequency estimator for OQPSK |
US9173025B2 (en) * | 2012-02-08 | 2015-10-27 | Dolby Laboratories Licensing Corporation | Combined suppression of noise, echo, and out-of-location signals |
-
2018
- 2018-11-16 CN CN201811365350.2A patent/CN109635349B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5661696A (en) * | 1994-10-13 | 1997-08-26 | Schlumberger Technology Corporation | Methods and apparatus for determining error in formation parameter determinations |
WO2004021512A1 (en) * | 2002-08-30 | 2004-03-11 | Telefonaktiebolaget Lm Ericsson | Method for enhancing the measuring accuracy in an antenna array |
EP1505786A1 (de) * | 2003-08-06 | 2005-02-09 | Rohde & Schwarz GmbH & Co. KG | Verfahren und Vorrichtung zum Schätzen der Frequenz und/oder der Phase einer digitalen Signalfolge |
EP1626549A2 (de) * | 2004-08-11 | 2006-02-15 | Rohde & Schwarz GmbH & Co. KG | Verfahren und Vorrichtung zum Schätzen einer Trägerfrequenz mit blockweiser Grobschätzung |
WO2009043835A1 (en) * | 2007-09-29 | 2009-04-09 | Deutsches Zentrum Fuer Luft- Und Raumfahrt E.V. | Method for determining the distance between a transmitter and a receiver |
CN102771144A (zh) * | 2010-02-19 | 2012-11-07 | 西门子医疗器械公司 | 用于方向相关空间噪声减低的设备和方法 |
WO2014054044A1 (en) * | 2012-10-04 | 2014-04-10 | Ramot At Tel-Aviv University Ltd. | Method and system for estimating position |
CN104808179A (zh) * | 2015-04-09 | 2015-07-29 | 大连大学 | 杂波环境下基于克拉美罗界的mimo雷达波形优化方法 |
CN105068049A (zh) * | 2015-07-27 | 2015-11-18 | 电子科技大学 | 一种分置天线mimo雷达的克拉美罗界计算方法 |
CN105203883A (zh) * | 2015-09-23 | 2015-12-30 | 国网青海省电力公司 | 基于双密度小波网络的无偏估计光伏逆变器参数辨识方法 |
CN105738696A (zh) * | 2016-04-18 | 2016-07-06 | 天津大学 | 全相位时移相位差频率估计方法及装置 |
CN106646410A (zh) * | 2017-01-06 | 2017-05-10 | 天津大学 | 宽带认知被动雷达架构下的学习‑感知‑决策‑响应方法 |
CN106612152A (zh) * | 2017-01-12 | 2017-05-03 | 重庆邮电大学 | 一种用于精确评估ieee1588同步时钟时间偏移估计量下界的方法 |
CN107832268A (zh) * | 2017-11-22 | 2018-03-23 | 重庆大学 | 一种基于噪声增强的线性最小均方误差估计方法 |
CN108337029A (zh) * | 2017-12-29 | 2018-07-27 | 南京理工大学 | 安全无线传输中自适应稳健零空间投影波束赋形方法 |
CN108562883A (zh) * | 2017-12-29 | 2018-09-21 | 南京航空航天大学 | 一种多载波雷达系统的最大似然距离估计算法 |
CN108470089A (zh) * | 2018-02-12 | 2018-08-31 | 杭州电子科技大学 | 一种基于最小二乘样本拟合的复信号时延估计方法 |
Non-Patent Citations (2)
Title |
---|
张毅 ; 欧阳志新 ; 邓云凯 ; 王宇 ; .高性能无数据辅助QPSK频偏估计新算法.西安电子科技大学学报.2012,(第02期),全文. * |
胡彤 ; 张弓 ; 李建峰 ; 张小飞 ; 贲德 ; .非圆实信号MIMO雷达中基于实值ESPRIT的角度估计.航空学报.2013,(第08期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN109635349A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635349B (zh) | 一种噪声增强最小化克拉美罗界的方法 | |
CN105939188B (zh) | 一种underlay频谱共享下时频重叠MASK信号的载频估计方法 | |
Hashemi et al. | Adaptive noise variance estimation in BayesShrink | |
CN108243125B (zh) | 自动频率控制器及方法与无线通信装置及方法 | |
CN107832268B (zh) | 一种基于噪声增强的线性最小均方误差估计方法 | |
Gupta et al. | A geometric mixed norm approach to shallow water acoustic channel estimation and tracking | |
CN108133463B (zh) | 一种直方图均衡化图像的降噪方法及系统 | |
WO2021007841A1 (zh) | 噪声估计方法、噪声估计装置、语音处理芯片以及电子设备 | |
CN109657273B (zh) | 一种基于噪声增强的贝叶斯参数估计方法 | |
CN107944362A (zh) | 一种基于ica降低误码率的盲源分离方法 | |
CN112929006B (zh) | 变步长选择更新核最小均方自适应滤波器 | |
CN113452350B (zh) | 一种变步长块稀疏仿射投影自适应滤波器 | |
CN113381731B (zh) | 一种针对非高斯噪声的扩散式变步长自适应参数估计方法 | |
CN110046327B (zh) | 一种基于帕德逼近的通信误差函数逼近方法 | |
Shin et al. | An affine projection algorithm with update-interval selection | |
CN104573303A (zh) | 未知辐射源信号信噪比的估计方法 | |
CN112014811B (zh) | 一种雷达载波频率的精细估计方法 | |
CN107092780A (zh) | 一种基于最小二乘法的速度信息野值剔除方法 | |
CN103823973A (zh) | 一种基于MeanShift算法的目标跟踪方法 | |
CN110380799B (zh) | 一种基于马尔科夫链干扰预测的信号检测方法 | |
Liu et al. | An adaptive observer design for auto-synchronization of lorenz system | |
CN112995073A (zh) | 一种信道估计方法、装置、设备及存储介质 | |
CN105721252A (zh) | 数据包乱序度的测量方法和系统 | |
Steinbring et al. | Semi-analytic progressive Gaussian filtering | |
CN116013337B (zh) | 音频信号处理方法、模型的训练方法、装置、设备和介质 |
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 |