在Alpha稳定分布下结合共变理论、循环平稳理论和分数低阶矩等理论, 推导了BPSK 信号的循环平稳特性和低阶循环谱密度, 结果表明稳定分布下BPSK信号的低阶循环谱结构同高斯假设下的谱结构是一致的. 最后在Matlab 下进行了仿真验证, 仿真结果与理论推导相符合, 但基于稳定分布所设计的算法具有良好的抗脉冲噪声的性能, 对复杂背景下的调制识别或者盲分离提供新的途径.

传统的多变量分析（MVA）故障诊断方法通常要求分离的采样数据潜在变量必须服从正态分布，这通常很难满足实际的工业过程。 本文首先介绍了一种基于Q统计量的故障诊断方法。 它要求采样数据必须服从正态分布。 然后介绍一种基于信息增量矩阵（IIM）的故障诊断方法，该方法的采样数据不受正态分布的限制。 该方法主要由定义协方差矩阵，计算信息增量矩阵，信息增量均值和动态阈值等组成。 最后，给出了一个数值模拟的例子和一个田纳西州的伊斯曼过程的例子，以验证两种错误诊断方法，即Q统计量和IIM，在误报和漏报中的检测性能。 结果表明，在采样数据不服从正态分布的情况下，Q统计方法的检测性能较差，而基于IIM的故障诊断方法较好。

大数据-算法-非线性非高斯条件下贝叶斯滤波若干问题研究.pdf

针对传统的OBF分解算法在非高斯噪声下检测性能较差的问题,提出了一种带通滤波结合OBF分解的磁异常信号检测算法。首先,根据磁异常信号的频域特征,设计了Parks-McCl ellan最优FI R滤波器。通过对含噪信号的带通滤波,实现对非高斯噪声的近似高斯化,同时最大程度地保留磁异常信号的信息。然后,对滤波后的信号进行OBF分解,提取能量特征信号进行门限检测。最后,分别采用仿真数据和实测数据对算法进行了验证。结果表明:改进后的算法有效地提高了信噪比,增强了非高斯噪声下微弱磁异常信号的检测能力,解决了OBF在

非高斯信号检测。

简要介绍了稳定分布统计特性，推导了一种适用于α稳定分布噪声下盲信号分离的算法。该算法采用差分进化算法对目标函数自动寻优，求得分离矩阵，从而分离出信号。仿真结果表明：该算法分数低阶α稳定分布背景噪声条件下具有良好的分离效果。

研究非高斯噪声下基于循环平稳特征的主用户检测问题。结合主用户信号的多循环平稳特征，通过求和准则和最大准则对多个循环频率的谱相关函数进行整合，提高检测结果的可信度。在等权求和准则的基础上，利用不同循环频率处不同程度的循环平稳特征，提出一种基于谱相关函数的加权求和准则。仿真结果表明，多循环频率合作可以提高检测效率，并且加权求和准则的检测性能优于等权求和准则。

使用变分贝叶斯方法的非高斯噪声状态估计的交互多模型方法

kkphoon文章中非高斯非平稳随机过程模拟,程序选取的是beta分布，协方差函数为abs(x1-x2)，根据该协方差已有的特征函数与特征值给出数值模拟，使用者可以根据自己目标协方差函数，和累计分布函数来更改该程序。（kkphoon的该篇文章可在我另一份上传资源里找到，对与协方差函数的特征函数与特征值的数值解，另一份资源中也将给出）

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.