【技术实现步骤摘要】
一种不确定噪声的非高斯性检测判别方法及装置
[0001]本专利技术属于UAV传感器噪声检测领域,涉及提出一种不确定噪声的非高斯性检测判别方法及装置。
技术介绍
[0002]在复杂观测环境下,主要针对海上环境和动平台等环境以及传感器精度有限等因素的共同影响,在实际工程测量中传感器观测通常会受到不同程度的不确定性的噪声的影响。对于位姿状态估计等应用需求,如何理解这些不确定并进行尽可能准确的建模是获得高性能状态估计结果的首要关键问题,尤其对于不确定噪声的高斯性和非高斯性的判别则显得至关重要。随机噪声变量的非高斯性或高斯性判别主要依赖于随机变量概率分布曲线的峰度与偏度系数参数的检验,因此对峰度与偏度系数的高性能估计成为关键。
[0003]在进行偏度和峰度的高性能估计时,通过对实际环境中的数据的测量和采集,我们往往会面临许多困难和挑战,多维数据的处理就是在实验过程中不可避免的问题,因此在多维峰度与偏度的检验中,对高维数据的高性能处理成为了关键的一步。而在高维数据进行降维的过程中又会面临很多挑战,比如,在数据降维后的数据是否具有很强的解释性;在数据完全无知的情况下,降维处理是否能较好的保留数据信息;降维后丢弃的数据对后续的数据处理是否会产生影响等等,这些都是在整个研究过程中需要考虑到的问题。
[0004]从20世纪末到如今,多维数据降维技术得到了很迅速的发展,大量研究人员针对降维技术进行了不断地研究和实验,降维技术也逐步有所完善。刘文博等提出一种基于加权核主成分分析的维度约简算法,依据核矩阵特征值构造核函数权重, ...
【技术保护点】
【技术特征摘要】
1.一种不确定噪声的非高斯性检测判别方法,其特征在于,包括以下步骤:步骤1、数据预处理将原始数据按列组成n行m列矩阵X
(n
×
m)
:D
x
:D
x
=∑D
d
·
w
dd
其中,为样本均值,D
d
为每行各个元素与均值之差,w
d
为每个元素对应D所分配的权重值,w
d
之和为1,其中w
d
利用均方差计算各指标的权重。加权平均值处理后得到X
′
,m个样本,n维特征:用(X
ij
)
n
×
m
表示。步骤2、利用信息熵处理数据:步骤2、利用信息熵处理数据:步骤2、利用信息熵处理数据:式中:j=1,2,...,m,k=1/ln(n),其中,1
‑
E
j
为信息偏差度d
j
,即权重由信息偏差度确定,式中,步骤3、基于加权核函数的主成分分析对Z
n,p
进行加权核主成分分析,n为样本量,p为数据维度,x
i
在高维特征空间当中的映射为Z
i
=φ
T
(x
i
),在高维特征空间中数据集为D
′
={z1,z2,...,z
m
},K(x
i
,x
j
)=[γ(x
i
·
x
j
)+1]
q
,q∈Z
+
构成的加权核函数如下:利用GWO进行参数寻优过程如下:y
i
[ω
T
φ(x)+b]=1
‑
e
i
决策函数:具体寻优过程:具体寻优过程:具体寻优过程:a=2
‑
2t/t
max
灰狼位置更新的具体过程如下:灰狼位置更新的具体过程如下:灰狼位置更新的具体过程如下:其中,α
i
为拉格朗日因子,x
α
、x
β
、x
δ
为本次迭代适应度为前三的灰狼的位置。A1、A2、A3,C1、C2、C3为每次迭代时产生的系数。求出核矩阵对应的特征值以及对应的特征向量;将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵P。Y=PX即为降维到k维后的数据。步骤4、PCA
‑
ICA相关性分析计算对原始数据进行独立成分分析,n为样本量,p为数据维度。设有n行m列矩阵X,X=AS,其中A是混合源分量的某个位置可逆方阵,ICA的目标是找到混合矩阵A,以便从观测数据中恢复原始信号A。a、数据按行去中心化,数据预处理b、数据白化处理,即去相关,去除数据集中所有线性相关性并沿所有维度归一化方差的操作:求协方差矩阵:cov=E<X
·
X
T
>将式1代入,化简得到最终表达式:<XX
T
>=U∑2U
T
,其中,E=[E1,E2,...E
n
]是特征向量按列组成的矩阵,D=diag(λ1,λ2,λ3,...,λ
n
)是特征
值组成的对角矩阵。其中D和E是由观测数据X的协方差矩阵的特征值和特征向量构成的,V是唯一未知的旋转矩阵。转矩阵。假设所有的数据源相互独立,那么也就可知:c、利用信息论求解,找到一个旋转矩阵V使得多重信息那么是条件独立的,那么d、ICA求得分量和PCA结果进行相关性分析:2.一种不确定噪声的非高斯性检测判别装置,其特征在于,包括:数据预处理模块;信息熵处理数据模块;加权核函数的主成分分析模块;PCA
‑
ICA相关性分析计...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。