��������С���任��GPS��̬�˲����㷨

针对应用卡尔曼滤波器进行车辆GPS导航信号的动态滤波时难以建立精确的数学模型以及传统小波变换在实时性方面存在不足,提出了基于提升小波变换的GPS动态滤波新算法.该算法采用提升小波变换对车辆GPS导航信号进行分解;用3σ准则和多项式插值方法对各层提升小波变换系数进行粗差探测与数据修复;采用模平方软阈值去噪算法对各层提升小波变换系数进行去噪;最后进行提升小波逆变换,从而实现车辆GPS导航信号的动态滤波。仿真实验结果表明,该算法的导航定位精度优于卡尔曼滤波算法;虽然在导航定位精度方面稍比传统小波变换算法的性能高,但比传统小波变换算法速度快一倍;显然该算法对车辆GPS导航系统是有效的.     

基于克隆选择算法的模糊规则提取方法

结合人工免疫系统的克隆选择原理,采用克隆算法进行优化,提取通过多精度模糊分割产生的大量模糊if-then规则中的优质分类规则,建立了模糊分类所需要的有效规则集来实现分类的目的.由该方法所提取的模糊规则集具有分类正确率高、规则数目较少及识别时间短的特点.     

平稳噪声背景下短时动态信号的自适应滤波

根据短时动态信号与平稳背景噪声的特征区别，以时间序列的AR模型理论为依据，导出背景噪声自适应白化滤波器的结构，并用变步长LMS算法实现自适应滤波．合理设计LMS算法的收敛速度，使得滤波器既能白化背景噪声，又能使动态信号失真不大．当输入信号只有平稳背景噪声时，滤波器输出是白噪声；如果输入信号中含有短时动态信号，则滤波器输出就含有明显的信号波形．仿真计算结果表明，文中给出的方法用于从4，5级海况下的海洋波浪噪声中提取动态船舶水压场信号时，能提高信噪比达20dB．该方法可推广到其它场合，用于从平稳噪声背景中提取短时动态信号．     

周期分类和Single-Pass聚类相结合的话题识别与跟踪方法

针对增量式聚类初始时话题模型不够充分和准确,随处理报道数量增加,误检与漏检的累积效应被放大的问题,提出了周期分类和Single—Pass聚类相结合的话题识别与跟踪方法．首先采用增量式聚类算法进行话题识别与跟踪,当新闻文本每积累到一定程度之后,对已经聚类的报道进行周期分类,使话题簇精度提高,从而提高后续话题识别与跟踪精度．实验表明这种方法是有效的,能够降低漏检率与错检率,减少归一化错误识别代价．     

小波神经网络改进结构及其学习算法

论述了小波神经网络用于信号分类识别的模型结构,在此基础上,充分利用小波变换时频分析的局部化特性,提出了一种改进的网络结构,建立了非显式小波的网络的学习算法。计算机模拟表明,该结构提高了信号分类识别的精度和灵敏度。     

多分量LFM雷达辐射源信号的经验模式分解

基于改进的经验模式分解,提出了多分量LFM雷达辐射源信号的分析方法．该方法用RBF神经网络对端点延拓削弱边界效应,将自相关函数与相关系数结合估计分量的数量,通过模式分解滤波和平均滑动消除噪声影响,以提高算法的分解精度．理论分析和实验表明,在较宽的信噪比范围内,使用该方法能够正确提取各分量信号的瞬时频率和有效地估计多分量LFM辐射源信号的分量数量．     

基于LMS形态滤波和Hilbert变换的电能质量扰动定位

针对电能质量中常见的几种暂态扰动,为了实现对其正确地检测和定位,提出了一种最小均方(LMS)自适应形态滤波和Hilbert变换相结合的方法。首先,扰动信号中往往夹杂中各种噪声,采用基于LMS算法的广义形态学滤波器对扰动信号进行降噪处理。然后,对降噪后的信号进行Hilbert变换,提取扰动信号的幅值包络,可以实现对扰动的初步定位。最后,对提取的幅值包络进行后向差分处理,形成定位脉冲,实现对暂态扰动起止时刻和持续时间的精确定位。通过在不同条件下的仿真对比实验,证明了该方法的有效性。     

一种基于定点DSP的语音识别算法实现

介绍了一种基于定点DSP的特定人的孤立词语音识别系统,着重讨论了算法中参数快速提取的实现．该算法采用基于动态规划（DP）技术的动态时间弯折算法（DTW）,采用VAD两极端点检测方案以提高端点检测的精度,以Mel尺度倒谱系数为语音识别参数．首先讨论了标准浮点实现方法,然后结合算法特点和定点DSP的结构,采用了一种优化的快速定点实现方法．测试结果表明,定点算法时间比浮点算法大大降低,使系统的性能得到了提高．     

基于Kalman滤波的无源动态定位算法的研究

目前已经能够研制出测量用户至卫星伪距信号的“北斗”用户接收机，此款接收机可以工作在无源定位的情况下．由于“北斗”定位卫星数量极其有限，接收机在动态定位的精度上会出现很大的误差．文中针对这一问题进行讨论，采用“当前”统计模型来建立用户载体的状态方程，并且提出一种新的量测方程，然后将构建的Kalman滤波方程组运用于接收机的动态定位中，仿真结果表明，这种算法能很好地改善定位的精度及动态性能．     

基于小波包能量谱和SVM的水下目标识别

为了提高舰船辐射噪声信号分类的准确率,即在水下进行舰船目标识别的准确率,采用了小波包提取信号能量谱特征的方法和支持向量机的分类算法.简介了小波包变换及支持向量机的基本原理,然后针对舰船辐射噪声信号进行多层小波包分解,提取各子频段能量谱作为特征量,归一化处理后构建特征向量,最后用支持向量机算法进行分类.仿真实验结果表明,利用对信号的多层小波包分解提取能量谱特征和支持向量机的分类算法能对舰船辐射噪声信号进行有效识别.