某些曲线拟合或平滑工具可以从数据中预期的噪声方差的知识中受益。 卡尔曼滤波器使用此信息，还有一些样条拟合工具。 所以我写了一个函数来从信号向量中提取噪声方差。 它也适用于数组的任何指定维度。 使用此代码的一些示例： 简单的线性数据，纯加性 N(0,1) 高斯噪声： t = 0:10000; x = t + randn(size(t)); mv = 估计噪声（x） MV = 1.0166 添加到正弦波的高斯噪声（标称方差 = 0.01） t = linspace(0,1,1000)'; x = sin(t*50) + randn(size(t))/10; mv = 估计噪声（x） MV = 0.0096887 纯高斯噪声，标称方差为 9。（请注意，对于这种特殊情况，var 可能是更好的估计量......） mv = 估计噪声(3*randn(2,3,1000),3) MV =

%LLR_DEMOD LLR 解调器% H = LLR_DEMOD_MEX(CONSTELLATION, MAPPING, METHOD) 构造% 用于给定星座、映射和噪声的 LLR 解调器对象 H ％方差。 向量 CONSTELLATION 和 MAPPING 通常由% using MATLAB Modem Modulation Modem. 并包含复数或％实际星座点和位映射，但通常任何信号% 星座和任何位图都可以使用。 方法确定是否% 计算准确的 LLR 值或近似值。 （想要查询更多的信息： % http://www.mathworks.com/help/toolbox/comm/ug/bqwswmc-1.html ) % % LLR 解调器对象配备一个功能： % - CALC_LLR（输入“help llr_demod/calc_llr”以获得详细帮助） % % 输入：

针对噪声方差不确定的约束系统,讨论了一种鲁棒滚动时域估计(MHE)方法.首先,根据噪声方差不确定模型,找到满足所有不确定性的最小方差上界,在线性矩阵不等式(LMI)框架下求解优化问题,得到近似到达代价的表达形式;然后再融合预测控制的滚动优化原理,把系统的硬约束直接表述在优化问题中,在线优化性能指标,估计出当前时刻系统的状态.仿真时与鲁棒卡尔曼滤波方法进行比较,结果表明了该方法的有效性.

为了克服小波阈值去噪中硬阈值小波系数不连续和软阈值估计小波系数与分解小波系数之间恒定偏差的缺点，改进的阈值去噪方法被相继提出。文章根据高斯白噪声和信号在小波变换以后得到的小波系数呈现不同的特性，基于噪声方差提出一种新算法。最后通过MATLAB仿真验证该算法在信噪比、均方根误差、相关系数、信噪比增益4个去噪指标的效果。

弱GNSS信号跟踪技术是卫星导航接收机关键技术之一,跟踪技术的好坏将直接影响卫星导航接收机在弱信号条件下的跟踪性能;在动态环境和先验信息不充分的情况下,由于扩展卡尔曼滤波(EKF)的固定设计使其不能满足要求,针对此不足引入一种自适应扩展卡尔曼滤波(AEKF)的信号跟踪算法;该自适应滤波算法能够实时监测残差或滤波器新息的动态变化,来修正观测噪声方差和状态噪声方差,以此调整滤波器增益,观测值和控制预测值在滤波结果中的权重;理论分析和结果表明,该算法能够充分利用观测信号的统计特性,克服了传统EKF算法不足,获得更好的跟踪性能。

基于自适应噪声方差估计的泊松噪声去噪方法

I/Q不平衡OFDM系统基于噪声方差门限的信道估计