تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,294 |
تعداد دریافت فایل اصل مقاله | 15,216,901 |
ارائه یک الگوریتم جدید بر اساس مدلهای پارامتری سیگنال بهمنظور تخمین طیف سیگنال نویزی غیرگوسی | ||
مجله مهندسی برق دانشگاه تبریز | ||
مقاله 6، دوره 48، شماره 2 - شماره پیاپی 84، شهریور 1397، صفحه 519-529 اصل مقاله (1.29 M) | ||
نویسندگان | ||
میثم بیات* 1؛ امین کدیور2؛ حمید رادمنش1 | ||
1تهران - دانشگاه علوم و فنون هوایی شهید ستاری - دانشکده مهندسی برق | ||
2دانشگاه شیراز - دانشکده مهندسی برق و کامپیوتر | ||
چکیده | ||
در این مقاله یک روش جدید برای تخمین طیف سیگنال در حضور نویز اندازهگیری ارائهشده است. نویز زمینه دارای توزیع غیرگوسی آلفا-پایدار متقارن است. پارامترهای سیگنال از طریق روشهای طیفی بهصورت مدل خود کاهنده (AR) مدل شده است. پس از محاسبه میزان بایاس ایجادشده در پارامترهای سیگنال، به حذف آن با استفاده از معادلات یول واکر تعمیمیافته پرداختهشده است. در توزیع آلفا-پایدار فرم بسته فرمولی برای توابع چگالی احتمال و توزیع تجمعی احتمال وجود ندارد. همچنین نامحدود بودن مقدار واریانس در این توزیع، موجب ناکارآمدی در استفاده از ضرایب همبستگی و روشهای معمول تخمین پارامتر شده است. با ارائه یک فرم بسته فرمولی جدید بر اساس ضرایب همتغییر، حذف این بایاس در قالب یک الگوریتم تکرارشونده صورت گرفته است. نتایج حاصل از شبیهسازی الگوریتم پیشنهادی نشان میدهد که در نسبتهای سیگنال به نویز dB 10 و بالاتر، بیش از 20 درصد بهبود دقت، در تخمین پارامترهای مدل AR نویزی نسبت به روش یولواکر ایجادشده است. همچنین نتایج نشان میدهد تخمینهای حاصل از روش پیشنهادی نسبت به جابهجایی قطبهای مدل بسیار مقاومتر از روش یولواکر است و برای مدلهای AR با قطبهای نزدیک به مرزهای دایره واحد بهبود قابلتوجهی نسبت به روش یولواکر مرتبه بالا نشان میدهد. | ||
کلیدواژهها | ||
توزیع آلفا-پایدار متقارن؛ مدل AR؛ معادلات یول واکر تعمیمیافته | ||
مراجع | ||
[1] S. M. Kay, Modern spectral estimation: theory and application, Englewood Cliffs,1988. [2] P. Stoica and R. L. Moses, Spectral analaysis of signals, Pearson/Prentice Hall, 2005. [3] A. Amini, Th. Philippe, J. Paul Ward, and M. Unser, “On the linearity of Bayesian interpolators for non-Gaussian continuous-time AR (1) processes,” IEEE Transactions on Information Theory, vol. 59, no. 8, pp. 5063-5074, 2013. [4] A. Wyłomańska and G. Janusz, “Stable continuous-time autoregressive process driven by stable subordinator,” Physica A: Statistical Mechanics and its Applications. Vol. 44, no.3, pp. 1012-1026, 2016. [5] D. Gencaga, E. Kuruoglu, and A. Ertuzun, “Estimation of time-varying autoregressive symmetric alpha stable processes by particle filters,” Signal Processing Conference, 2005 13th European, IEEE, pp.1-4, 2005. [6] مجتبی حاجی آبادی، عباس ابراهیمی مقدم و حسین خوش بین، «حذف نویز صوتی مبتنی بر یک الگوریتم وفقی نوین»، مجله مهندسی برق دانشگاه تبریز، جلد 46، شماره 3، صفحه 139-146، 1395. [7] احمد قلی زاده سوته، حسین خالقی بیزکی، « تخمین پارامترهای کد BCH باینری در شرایط نویزی با استفاده از روش مبتنی بر بیتهای بررسی توازن»، مجله مهندسی برق دانشگاه تبریز، جلد 47، شماره 1، صفحه 197-209، 1396. [8] M. Xiong, Zh. Daifeng, and J. Jinlong, “Improved Whitening Method of Linear AR Colored Noise in Stable Distribution Environments,” International Conference on Networks Security Wireless Communications and Trusted Computing, Vol. 1, pp. 1-3, 2009. [9] M. Alexandr, “Parameter estimation in an autoregression model with infinite variance,” Innovative Computing Information and Control, 3rd International Conference on, IEEE, pp.586-586, 2008. [10] W. X. Zheng, “A least-squares based method for autoregressive signals in the presence of noise,” Circuits and Systems II: Analog and Digital Signal Processing, IEEE Transactions on, vol. 46, no.1, pp. 81-85, 1999. [11] N. Balakrishna and G. Hareesh, “Stable Autoregressive Models and Signal Estimation,” Communications in Statistics-Theory and Methods, vol. 41, no. 11, pp. 1969-1988, 2012. [12] E. Ollila, “Complex elliptically symmetric distributions: Survey, new results and applications,” Signal Processing, IEEE Transactions on, vol. 60, no. 11, pp. 5597-5625, 2012. [13] Z. Hashemifard, H. Amindavar, and A. Amini, “Parameters estimation for continuous-time heavy-tailed signals modeled by α-stable autoregressive processes,” Digital Signal Processing, vol. 57, no. 2, pp. 79-92, 2016. [14] Bibalan, M. Hassannejad, and H. Amindavar, “On parameter estimation of symmetric alpha-stable distribution,” IEEE International Conference on Acoustics Speech and Signal Processing (ICASSP), pp.4328-4332, 2016. [15] W. Chunyang, X. Liu, and B. Fan, “Estimation method for weak sinusoidal amplitude in alpha noise,” 12th IEEE International Conference on Signal Processing (ICSP), pp.46-51, 2014. [16] T. Yong, X. Zhong, and L. Zhong, “Time-delay estimation based on fractional lower order statistics,” IEEE International Conference on Wireless Communication and Sensor Network (WCSN), pp. 50-55, 2014. [17] M. Shao and Ch. L. Nikias, “Signal processing with fractional lower order moments: stable processes and their applications,” Journal of Proceedings of the IEEE, vol. 81, no. 7, pp. 986-1010, 1993. [18] C. M. Gallagher, “A method for fitting stable autoregressive models using the autocovariation function,” Statistics & probability letters, vol. 53, no. 4, pp. 381-390, 2001. [19] G. Samoradnitsky and M. S.Taqqu, Stable non-Gaussian random processes:stochastic models with infinite variance, CRC Press, (1994). [20] G. Akbarizadeh, “A new statistical-based kurtosis wavelet energy feature for texture recognition of SAR images,” IEEE Transactions on Geoscience and Remote Sensing. Vol. 50 , no. 11, pp. 4358-68, 2012. [21] Z. Tirandaz, G. Akbarizadeh, “A two-phase algorithm based on kurtosis curvelet energy and unsupervised spectral regression for segmentation of SAR images,” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 9, no. 3, pp. 1244-64, 2016. [22] E. Jokar and H. Pourghassem, “Segmentation in Ultrasound Images Using Curvelet Transform and Shape Prior,” International Conference on Communication Systems and Network Technologies (CSNT),pp. 180-185, 2013. [23] M. Testa, E. Magli, “Compressive estimation and imaging based on autoregressive models,” IEEE Transactions on Image Processing, vol. 25, no. 11, pp. 5077-87, 2016. [24] G. Zhai, X. Wu, “Hybrid parametric-nonparametric modeling with application to natural image upsampling,” 18th IEEE International Conference on Image Processing (ICIP), pp. 1393-1396, 2011. | ||
آمار تعداد مشاهده مقاله: 487 تعداد دریافت فایل اصل مقاله: 496 |