简介:针对脉冲噪声环境下多径时延估计的分辨率问题,提出了一种基于共变谱(CS)和信号估计参数旋转不变技术(ESPRIT)的多径时延估计方法。采用α稳定分布建模脉冲噪声,依据分数低阶统计量理论,将两接收信号的共变序列进行傅里叶变换得到共变谱。CS看作等效的时间序列,把时域的多径时延估计问题转化为频域的多个正弦信号频率估计问题。利用ESPRIT对等效时间序列进行频率估计,得到高分辨率的多径时延估计。仿真实验表明:多径时延估计方法(CS_ESPRIT)在高斯和脉冲噪声环境中均具有较好的估计性能。
简介:将分支前馈神经网络(BFNN)运用于数字字符的模式识别问题中,其某些性能优于标准反向传播(BP)网络。BFNN的隐层神经元与输出神经元之间为分组对应关系,采用的学习算法与标准BP算法类似。BFNN可以根据样本的可分性构建最适宜的网络结构。在对大规模、分类复杂的样本进行识别时,性能优于标准BP网络。
简介:将Hilbert-Huang变换(HHT)算法和Prony算法相结合进行电力系统低频振荡模式识别。利用HHT算法对实测信号进行经验模态分解,使之分解成处于不同频率的固有模态函数(IMF);然后根据Hilbert变换,分析IMF分量的频率和相位,提取出含主导低频振荡模式的IMF;利用Prony算法对含低频振荡模式的IMF进行分析,提取出低频振荡模态参数,准确识别低频振荡模态。通过算例分析,证明了该方法可提高模态识别的精确性,验证了提取低频振荡模态参数的有效性。