尖峰噪声下分数低阶统计与函数变换的高效时延估计算法

本文主要探讨了在尖峰脉冲噪声环境下，针对α稳定分布噪声的时延估计问题，提出了一种创新的解决方案。文章的核心在于对最大似然加权估计法进行了改进，以适应此类特殊噪声环境。具体来说，作者首先引入了分数低阶统计量这一概念，设计了一种基于分数低阶统计量的最大似然时延估计算法（FLO-ML算法），这种方法充分利用了分数阶特性来提高估计精度。 接着，作者进一步采用函数变换的思想，独立于分数低阶统计量，开发了两种新的时延估计算法：Log-ML算法和UDE-ML算法。这两种算法的优势在于它们能够在不依赖特定统计假设的情况下工作，提高了算法的通用性和鲁棒性。 文章详细地分析了这三种新算法的适用范围，包括它们在不同噪声环境下的表现，特别强调了在分数低阶α稳定分布噪声条件下的优异性能。相较于传统的时延估计方法，如相关法、广义相关法和相位谱法，在这类噪声环境中的估计效果显著提升。 此外，文中还涉及了算法的计算复杂度评估，这对于实际应用中的效率至关重要。尽管在处理α稳定分布噪声时表现出色，但这些新算法在传统的高斯噪声环境中也保持了良好的稳健性，确保了在各种噪声条件下都能提供稳定的性能。 这篇论文为通信信号处理领域的时延估计提供了一种有效的应对策略，特别是在处理尖峰脉冲噪声时，利用分数低阶统计量和函数变换的方法展示了强大的估计能力和广泛的应用前景。通过仿真分析的结果，证明了这三种新算法在理论和实践上的优越性，对于提高无线通信系统的抗干扰能力具有重要意义。