改进的EEMD算法在时域航空电磁信号降噪中的研究

常规降噪方法在应用于时域航空电磁信号降噪时需根据噪声情况人为进行参数调整,自适应性较差。总体经验模态分解（EEMD）算法对非线性、非平稳信号处理具有良好的自适应特性,传统的EEMD算法进行噪声抑制是将高频本征模态分量滤除,将低频分量重构得到降噪信号,这种方法易失掉高频分量中的有效信号。本文提出一种改进的EEMD降噪算法,应用于时域航空电磁信号的处理。该方法结合时域航空电磁信号的衰减特性,将信号EEMD分解后得到本征模态分量,其中包含信号和噪声,经Savitzky Golay平滑滤波,再将高频部分进行阈值去噪,最后得到干净的本征模态分量进行重构。实验结果表明在输入信号信噪比小于等于15 dB的情况下,输出信噪比能够提高12 dB左右,在抑制噪声的同时保留了更多有效信息。      

基于广义二次互相关的低信噪比信号时延估计

针对时延估计精度受噪声影响,导致时延估计不准确的问题,在现有广义二次相关算法的基础上,提出了一种改进的广义二次相关算法,通过将二次相关函数先做指数运算,降低噪声干扰,再将傅里叶逆变换得到的相关函数做高次方运算,达到锐化峰值提高时延正确率的目的。仿真结果表明,信噪比(SNR)在0~10 dB时,改进算法的均方根误差明显优于广义二次相关算法,正确率相比于广义二次相关算法也显著提高,且在更低SNR的情况下仍然具有一定优势。     

一种基于经验模态分解的信噪比盲估计新算法

为了增强未知样式信号的信噪比估计性能,提出了一种基于经验模态分解（EMD） 的信号信噪比估计新算法,通过固有模态函数（IMF）分量平均周期判断信号与噪声界限。 给出了经验模态分解估计法的工作原理和流程图,分析了经验模态分解估计法的性能。仿真 结果表明,与信号空间分解法一样,经验模态分解估计法能够实现盲信号信噪比估计,后者 估计均方误差比前者要小,在0 dB信噪比下均方误差不超过0.3 dB。     

基于EMD与功率谱熵的语音端点检测

为了提高低信噪比下语音端点检测的准确性,提出一种基于经验模态分解与功率谱熵的语音端点检测方法。对带噪语音信号进行经验模态分解获得一系列语音本征模函数,选取功率谱熵作为语音端点检测的特征,并计算特定阶本征模函数的功率谱熵实现语音的端点检测。通过EMD分解可以有效地消除白噪声的影响,仿真结果表明,在低噪比情况下结合经验模态分解和功率谱熵的方法能够有效实现语音端点检测。     

一种改进的基于EMD分解的超宽带信号消噪算法

针对低信噪比超宽带信号的消噪问题,提出一种改进的基于经验模式分解(EMD)的消噪算法.该算法首先对含噪信号进行EMD分解,得到多个固有模态函数(IMF)分量,然后选取高阶IMF重构原信号,达到消噪的目的.针对对UWB信号的IMF重构过程中阶数阈值难以确定的问题,通过数值仿真的方法,得到信号分量和噪声分量在不同阶IMF上的能量分布特性;在对所得特性进行分析的基础上,设计了一种数据自适应的阶数阈值选取算法,解决了EMD消噪中的阶数阈值选取问题.仿真结果表明,EMD消噪算法能够在较低信噪比下提供平均10 dB的信噪比增益,可以有效地对超宽带信号进行消噪.     

基于HB加权函数的改进广义互相关算法

针对HB加权广义互相关时延估计算法在低信噪比情况下,算法性能急剧下降的问题,提出了一种联合加权广义互相关时延估计算法.该算法将SCOT加权函数和HB加权函数相结合,构成复合加权函数.在接收信号信噪比不高于10 dB的情况下,该算法能锐化时延估计的峰值、提高时延估计结果的鲁棒性.仿真结果表明,与现有同类算法相比,该算法时...     

基于脉冲相关性的时域增强EMD轴承故障诊断

为了提高低速动车轴承故障诊断的有效性,提出基于互相关原理对EMD经验模态分解后的信号时域脉冲进行增强。轴承故障信息呈周期性出现,所以经过EMD分解得到的IMF分量也含有周期故障脉冲信号。为了增强故障脉冲信号的信噪比,利用基于对周期信号的时域相关性对各IMF本征模态分量分别进行时域叠加增强,最后对IMF进行包络分析提取故障特征频率。实验结果表明对IMF进行基于脉冲相关性的时域增强能够有效地抑制EMD无法去除的噪声信息,提高IMF包络谱中信噪比。     

基于周期模糊函数理论的信噪比估计

周期模糊函数表示周期调制连续波信号的时延-频偏平面的相关,不同的信号具有不同的周期模糊函数。针对雷达中频信号的信噪比估计,提出了基于周期模糊函数理论的信噪比估计方法。根据信号和噪声在周期模糊函数中的不同位置具有不同的表现特征,推导了在高斯白噪声背景下基于周期模糊函数的信噪比估计公式,给出了实现算法,同时和其他信噪比估计算法进行了对比仿真分析。结果表明,基于周期模糊函数的信噪比估计方法,特别是对低信噪比情况下,估计精度高,算法简单,易于工程实现。     

一种TDCS信号检测及基函数周期估计的方法

针对变换域通信系统（Transform Domain Communication System, TDCS）信号难以检测的问题，设计了基于功率谱二次处理的检测方法。通过数学建模，理论推导了TDCS信号的自相关函数，并由此推出了TDCS信号的两次功率谱函数，证明了TDCS信号的二次功率谱存在周期性谱峰的特征，并给出了谱峰周期与基函数周期的数学关系。据此设计了一种TDCS信号检测算法，该算法能够检测TDCS信号并对基函数周期给予估计。理论分析了高斯白噪声对检测算法的影响，通过计算机仿真，验证了该算法在低信噪比下的性能，对比了二次功率谱法与时域相关法的检测性能，验证了采样数据长度对检测性能的影响。仿真结果表明在低信噪比条件下，本文算法对基函数周期估计仍有效，且算法性能相较于自相关法提高了约1.5 dB，增加采样数据长度可进一步提高二次功率谱算法的准确性。     

总体经验模态细分法提取血流超声多普勒信号的研究

提出基于总体经验模态分解（EEMD）血流细分法提高血流超声多普勒信号提取精度.首先估计辅助分析所需的白噪声幅度,进而用EEMD得到无模态混叠的本征模态函数（IMF）组,最后分离出血流信号的IMF.将本方法应用于计算机仿真和人体实测超声多普勒信号,并与高通滤波器法、原EMD法和EMD细分法比较.结果表明本文方法,提取的血流信号精度最高,特别对WBSR=70dB的混合信号,其精度比上述方法分别提高35%、38%及17%.     

基于整体经验模态分解的信噪比估计方法

为了提高未知样式信号的信噪比估计性能,提出一种基于噪声辅助的信噪比估计新算法,通过固有模态函数（IMF）分量平均周期的变化判断信号与噪声界限,给出了基于噪声辅助估计法的工作原理和流程图,分析了基于噪声辅助估计法的性能。仿真结果表明,基于噪声辅助估计法能够实现盲信号信噪比估计,在0 dB信噪比下均方误差不超过0.2 dB。     

基于多级维纳滤波的盲信噪比估计

提出了一种基于多级维纳滤波(MSWF: Multistage Wiener Filter)的盲信噪比估计算法。结合信号子空间分解理论,该方法利用多级维纳滤波器的相关相减结构(CSA: Correlation Subtraction Algorithm)前向递推实现含噪信号空间分解,避免了传统方法对信号自相关矩阵进行复杂的特征值分解运算,并以此估计信号功率和噪声功率来完成盲信噪比估计。在加性高斯白噪声(AWGN)信道条件下进行信噪比估计仿真,仿真表明,当实际信噪比在-7~25dB范围内时,估计器的估计标准偏差小于0.5dB,且性能优于常规方法。设定实际信噪比为10dB,当接收码元数目为100时,对所有仿真的调制方式信噪比估计标准偏差小于0.35dB,证明了估计器在小样本支撑环境下实现信噪比快速盲估计的能力。      

基于自适应多尺度形态滤波与EMD的激光雷达回波信号去噪方法

在使用经验模式分解(Empirical Mode Decomposition,EMD)对激光雷达回波信号进行去噪处理时,由于信号含有脉冲及间歇等间断事件而产生模态混叠,导致不能很好地分解出有用信号成分,影响去噪效果。针对这一问题,提出了一种形态滤波与EMD相结合的组合算法。首先,使用自适应多尺度形态滤波器作为前置单元,对信号进行初步处理,剔除信号中的间断事件干扰。之后,应用EMD对处理过的信号去噪。采用仿真数据及真实激光雷达回波数据进行了去噪实验。实验结果表明,文中算法相比于直接EMD去噪,在仿真试验中信噪比提高了8.89 dB,均方根误差降低了0.0514;在真实回波数据去噪实验中,6 km以后平均信噪比提高了3.356 4 dB。该组合算法有效地抑制了模态混叠现象,具有良好的去噪效果及应用前景。     

基于经验模式分解法的光学相干层析成像去噪研究

针对光学相干层析(OCT,optical coherence tomography)成像中存在的散斑噪声和扫描噪声,提出了采用经验模式分解(EMD,empirical mode decomposition)算法同时减小这两种噪声的思想。EMD是一种时频分析法,较傅立叶谱法能准确地确定时变非平稳的这两种噪声随时间变化的频率特性,从而获得更好的滤波效果。结果表明,通过合理设计EMD滤波参数,即可有效地同时减小散斑噪声和扫描噪声,信号的信噪比(SNR)提高(不考虑扫描噪声时,SNR达7dB左右,考虑到扫描噪声时,SNR提高达3dB左右),扫描噪声的条纹对比度降低60%以上,改善了成像质量,同时图像细节得到保留。与小波去噪法相比,本文方法具有滤波器设计简单、去噪效果明显及能同时有效地去除两种噪声的优点。     

基于阈值处理的TD-SCDMA下行多用户信道估计方法

 阈值后处理是针对TD-SCDMA系统中B Steiner信道估计器受加性噪声影响而提出的一种去噪方法,该方法误滤除信息径,保留噪声径.本文提出一种基于阈值处理的多用户信道估计方法,它基于某一下行用户会收到所有其它下行用户的训练序列这一特性,设定一个值,与各用户幅度加权值比较,去掉信噪比很小的用户对应的信道估计窗,将其余用户的信道估计窗进行平均,然后将平均后的结果再进行阈值后处理,抑制由噪声贡献的信道响应.仿真结果表明,提出的方法与直接进行阈值后处理法在同一误码率下,所需平均信噪比(SNR)降低1~4dB;在SNR低于5dB时,与复杂度高的加权合并法具有相同的误码率.     

Mie散射激光雷达回波信号处理方法

为了提高Mie散射激光雷达测量斜程能见度的精度,提出了一种回波信号处理的组合算法。首先,采用基于经验模式分解(EMD)的自适应算法,去除回波信号中的高频噪声,提高信噪比。其次,采用基于不动点原理的迭代算法进行消光系数的反演,它不需要准确的边界值就可计算消光系数均值,同时还能得到准确的边界值,可用于求取消光系数的分布。数值仿真表明:EMD算法比五点三次平滑去噪算法输出信噪比提高4.67 dB,不动点迭代算法比最小二乘法估算消光系数边界值算法反演得到的消光系数均值的相对误差减小31.50%,而迭代次数只有3~5次,因此该组合算法是有效的。     

基于EMD拟合特征的耳语音端点检测

耳语音作为人类发音的一种特殊形式,与正常语音相比具有信噪比低、元音的周期特征不明显等特性,因而耳语音处理比正常语音更为困难。耳语音处理研究的第1个关键步骤就是语音的端点检测,该文利用希尔伯特-黄变换(Hilbert-Huang Transform, HHT)中的经验模态分解(Empirical Mode Decomposition, EMD),首次提出了一种基于EMD拟合特征的耳语音端点检测新方法。利用EMD得到的内禀模态函数(Intrinsic Mode Function, IMF)能量,以其归一化拟合参数为耳语音端点检测的特征,可以准确地划分出耳语音端点。实验表明,该方法在耳语音端点检测中取得了很好的效果,在1200个信噪比为2～10dB的测试样本中,检测准确率为98.25%。     

稳定分布噪声下基于粒子滤波的双站伪多普勒定位方法

传统的伪多普勒测向算法在高信噪比和高斯噪声环境下能较为精确地计算出到达方位角,但对于稳定分布噪声的顽健性较差。针对以上不足,提出了一种基于粒子滤波的双站伪多普勒定位方法。用粒子滤波对2个接收机的来波方位角进行联合估计,并通过非线性映射得到信源位置坐标估计,实现了方位角计算与双站定位的集成。仿真实验表明,当稳定分布参数α为1.4（中等脉冲程度）时,所提方法在低信噪比下的顽健性要显著优于传统方法,在高信噪比时估计精度与传统方法相当;当信噪比为10 dB时,所提方法在 的情况下定位精度远高于传统方法。     

改进的经验模态分解盲信噪比估计方法

针对经验模态分解信噪比估计方法运算量大、精度低的问题,本文结合概率论提出了改进的算法。利用离散傅里叶变换分析了固有模态函数的功率谱分布情况,确定了3次分解的有效性,简化了运算过程。基于统计数据给出了分量功率谱密度分布关于特征参数的正态分布近似表达式,并分析了分解过程中存在的能量溢出现象,由此给出了由特征参数估计信噪比的方法。针对不同的样本长度和信号调制方式测试了新算法的性能,结果表明新方法的性能优于原始方法,信噪比0dB时新方法的估计误差不高于0.5dB。