随机共振(SR)作为一种能够利用噪声来提高系统输出信噪比的工具,近来得到越来越多的关注和研究.一个很大的问题是如何设计一个简单高效的SR系统.针对常见的微弱信号检测问题,我们分析了二值量化器和二值量化器阵列,推导出最优二值量化检测器和渐近最优阵列SR检测器,给出渐近最优阵列SR检测器的设计准则.根据理论分析结果,给出了鲁棒阵列SR检测器及基于噪声样本集合的参数选择算法,能够在未知背景噪声情形中获得较好的检测性能.

复杂非高斯随机分布系统的自适应投影算法故障诊断

现有的因果关系发现算法主要基于单个观察变量本身之间的因果关系，无法适用于多组观察变量，为此提出了一种多组典型相关变量的因果关系发现算法。首先，引入多组典型相关变量建立多组典型相关变量的线性非高斯无环模型并提出对应的目标函数；然后，采用梯度上升的方法求解目标函数，构建多组典型相关变量的因果关系网络。模拟实验验证了该算法的有效性，并在移动基站数据上发现了一批有价值的多组无线网络性能指标间的因果关系。

非高斯噪声下的车载GPS信号定位算法.pdf

基于非高斯噪声分布​​的分布式随机Sigma点置信度传播的混合合作车辆定位

行业分类-电信-一种基于非高斯中性向量特征选择的脑电波(EEG)信号分类方法.rar

Matlab集成的c代码散粒噪声 R套件，用于精确模拟非负散粒噪声过程（具有伯努利，泊松，伽玛和高斯分布逆跳）和非高斯OU过程，也称为Lévy驱动的OU过程（特别是OU-Poisson，论文中的OU-Gamma和OU逆高斯（OU-IG）过程） [1] M. Tamborrino，P。Lansky，散粒噪声，弱收敛和扩散近似，Physica D，418，132845，2021， 该代码由Rcpp中的Massimiliano Tamborrino（warwick.ac.uk上的名字点secondname）编写。 Yan Qu为基于论文的OU-Gamma和OU-IG过程提供了Matlab代码，用于精确模拟OU-Gamma和OU-IG过程 [2] Y. Qu，A。Dassios，H。Zhao，伽马驱动的Ornstein–Uhlenbeck过程具有有限和无限活动跃迁的精确模拟，J。Oper。 Res。 Soc。，471--484，2019，。 [3] Y. Qu，A. Dassios，H. Zhao，Ornstein–Uhlenbeck回火稳定过程的精确模拟，J. Appl。Chem。，117，

在当前文件中，将高斯过程转换为非高斯过程的方法基于基于矩的 Hermite 变换模型 (MBHTM)，并使用三次变换。 在[1]中已经描述过，但我主要依靠[2]来实现代码。 非高斯性由目标偏度和目标峰度引入。 但是，转换仅适用于偏度和峰度的有限范围（有关更多详细信息，请参见 [2]）。 ----------- ----------- 包括 3 个 .m 文件： - MBHTM.m 这是生成非高斯过程的主要函数- Example.m 这是示例文件- 在 Example.m 文件中使用的 fitDistEtienne.m。 它的灵感来自于 matlab 函数 fitdist。 ----------- ----------- 这是脚本的第一个版本，因此，很快就会有一些变化。 我没有进行任何新的工作。 所有的功劳都归于 [1] 和 [2]。 任何改进脚本的评论或提议都受到热烈欢迎！ -------

针对非线性非高斯离散动态系统中的状态估计问题, 基于高斯和递推关系, 提出一种高斯和状态估计算法GSSRCKF. 首先将状态噪声、观测噪声及滤波初值均表示为高斯和的形式, 以平方根容积卡尔曼滤波为子滤波器分别估计各高斯子项对应的系统状态; 然后结合各子项对应的权值实现全局估计; 最后设计高斯子项对应权值的自适应策略, 并采用约简控制法降低计算复杂度. 仿真结果验证了所提出的算法在滤波稳定性方面的优越性.

现有的信道估计算法大多是基于高斯噪声模型假设。然而在实际无线通信环境中，常常出现脉冲噪声使得噪声不再满足高斯模型，而是满足一种广义高斯分布（GGD）噪声模型。采用传统的自适应信道估计算法（如递归最小二乘（RLS）算法）无法抑制这种非高斯噪声的干扰。对此提出一种可抑制非高斯噪声干扰的RLS信道估计算法。该算法通过在标准RLS算法中引入两种稀疏约束函数（L1-范数和L0-范数）来有效地挖掘稀疏结构信息。通过蒙特卡罗仿真，验证了提出的信道估计算法的估计性能比标准RLS算法更好。