基于萤火虫算法的匹配追踪用于生态声音辨识

针对生态环境中背景噪声对声音辨识产生干扰的问题,提出利用萤火虫算法优化匹配追踪的方法进行生态声音辨识。利用匹配追踪（MP）稀疏分解声音信号,在保留信号主体结构的前提下对其进行重构,减小噪声的影响。使用萤火虫（GSO）算法优化搜索最佳匹配原子,实现MP快速分解。对重构信号提取Mel频率倒谱系数（MFCCs）,MP时频特征及基音频率。结合支持向量机（SVM）对56种生态声音在不同环境和信噪比情况下进行分类识别。实验结果表明,与传统MFCC与SVM的方法相比,该方法对生态声音在不同信噪比下的识别性能得到不同程度的改善并且具有较好的抗噪性,尤其适合低信噪比（30 dB以下）噪声情境下使用。     

基于粒子群优化匹配追踪的风机振动信号去噪处理

针对风力机振动信号采集过程中易受噪声影响的问题,提出基于过完备原子库的匹配追踪算法对风机振动信号进行处理。该算法能自适应提取和原子相关的信号结构,从而可实现噪声抑制。在匹配追踪算法处理过程中,利用结合梯度信息的改进的粒子群优化算法来寻找最佳原子。仿真结果表明,该算法比标准匹配追踪算法具有更快的运算效率及更高的重构精度。利用该算法对风力发电机齿轮箱振动信号进行去噪处理实验。实验结果表明,去噪后信号信噪比可提高5 d B以上,波形特征更加清晰,并且可以在降噪的同时有效保留故障信息。     

匹配追踪算法在振动信号去噪中的应用

针对振动信号在采集过程中易受噪声干扰的情况,提出了一种采用匹配追踪算法来处理含噪的机械振动信号的方法,通过稀疏分解与重构对振动信号进行去噪。仿真实验表明该算法不仅可以有效地抑制噪声,提高信噪比,还能够获得较小的最小均方误差值,较好地保持振动信号的特征形态。     

低信噪比下的跳频信号参数估计

针对基于时频分布的跳频信号参数估计存在信噪比阈值的问题,提出了一种参数估计的算法。该算法首先基于粒子群优化,利用匹配追踪算法对信号进行自适应分解,获取匹配原子;然后基于原子参数对跳频信号进行参数估计。仿真结果表明,该方法不仅解决了匹配追踪算法运算量巨大的问题,而且克服了跳频信号各参数估计误差的相互影响,同时在低信噪比下参数估计的方差也比较小,更加适应于实际的电子战环境。     

近邻局部OMP稀疏表示图像去噪

目的 基于分类的稀疏字典去噪算法改善了字典训练阶段的效率问题,但稀疏分解阶段仍是全字典匹配,影响算法运行速度。为了解决稀疏去噪算法在稀疏分解阶段因复杂矩阵运算及字典全局搜索导致的算法效率低,以及冗余的稀疏字典因无法描述图像具体特征而影响图像去噪效果的问题,提出改进算法。方法 首先稀疏分解阶段,在原正交匹配追踪算法基础上引入字典原子聚类思想,提出局部正交匹配追踪算法,将全局搜索优化为局部搜索;为保证局部搜索仍能保持良好的匹配结果,提出近邻择优策略,计算聚类中心与信号原子的距离,从而按照某一阈值自适应地选择最优的n个子字典作为稀疏分解的匹配空间;最后将图像分解为内容簇和背景簇,对内容簇采用基于近邻的局部K奇异值分解（K-SVD）算法去噪,背景簇采用均值滤波方法去噪。结果 对USC标准数据库中大量图像进行去噪实验,本文算法去噪结果的峰值信噪比值比K-SVD算法平均提高了1.53 dB,比2维块匹配（BM3D）算法平均提高了0.72 dB,比聚类的稀疏表示去噪（CSR）算法平均提高了0.5 dB;运行时间比原算法提高了23.2%。结论 本文算法针对灰度图像去噪,在去噪效果及去噪效率方面均有改善,尤其对细节纹理较丰富的灰度图像去噪具有一定的应用价值。     

自适应匹配追踪图像去噪算法

针对目前的稀疏去噪算法分解效率低、去噪效果不理想的问题,提出了一种基于自适应匹配追踪的图像去噪算法。该算法首先通过自适应匹配追踪算法求解稀疏系数,然后利用K奇异值分解算法将字典训练成能够有效反映图像结构特征的自适应字典,最后将稀疏系数与自适应字典相结合来重构图像。在重构过程中,将噪声对应的系数去除,最终达到去噪的效果。算法引入Spike-Slab先验来引导稀疏系数矩阵的稀疏性,并利用两个权重矩阵促使去噪模型更加真实。鉴于字典在稀疏算法中的重要性,将自适应字典与DCT冗余字典、Global字典进行比较。实验结果显示,选择自适应字典的去噪结果比传统字典在峰值信噪比上高出约4.5 dB;与目前6种主流的稀疏去噪方法相比,文中提出的方法在3种评价指标上均有不同程度的提高,其中峰值信噪比平均提高了约0.76~6.24 dB,特征相似度平均提高了约0.012~0.082,结构相似性平均提高了约0.015~0.108。对图像去噪算法进行定性的评价,结果显示所提算法保留了更多的有用信息,视觉效果最佳。实验充分证明了自适应匹配追踪图像去噪算法对图像去噪的有效性和鲁棒性。     

改进GOMP算法在心电信号去噪中的研究与应用

心电信号的采集、传输在医学研究心脏性疾病具有重要意义,利用稀疏分解方法对其进行去噪仍存在诸多问题。针对广义正交匹配追踪(Generalized Orthogonal Matching Pursuit,GOMP)算法选择字典原子时在残差取值最小的非最优性,以及在稀疏信号过程中选择过多原子导致的重构精度问题,提出一种新的优化算法。通过增加阈值的方式来根据噪声干扰程度不同实现迭代次数的变化。利用Jaccard系数相似性来替换GOMP算法中内积余弦算法准测,优化了字典矩阵与残差匹配原子的方式。实验结果表明,改进GOMP算法明显提高了信噪比,且均方根误差最低,在时效性上达到最优。     

基于EMD的脉冲星信号消噪算法

为了提高脉冲星辐射信号的信噪比,提出了一种基于经验模态分解(EMD)的脉冲星信号去噪算法。利用经验模态分解将信号分解为一组固有模态函数(IMF)。针对EMD阈值消噪算法性能不稳定这一问题,该算法滤除固有模态函数噪声时,利用相邻信号标准差作为噪声水平的判断准则,并采用自适应阈值,对于噪声含量较高的信号采用低通滤波器消噪。实验结果表明,与EMD阈值消噪方法相比,该算法能获得更高的信噪比,并具有较好的稳定性。     

回溯正则化分段正交匹配追踪算法

针对分段正交匹配追踪（StOMP）算法对信号重构效果较差的问题,提出一种回溯正则化分段正交匹配追踪（BR-StOMP）算法。首先,该算法采用正则化思想选取能量较大的原子,以减少阈值阶段候选集中的原子;然后,利用回溯对原子进行检验,并对解的支撑集中的原子重新筛选一次,同时删除对解的贡献较低的原子,提高算法的重构率;最后,对感知矩阵进行归一化处理,使算法更加简单。仿真结果表明：BR-StOMP算法与正交匹配追踪（OMP）算法相比较峰值信噪比提高8%~10%左右,运行时间减少70%~80%;与StOMP算法相比较,峰值信噪比提高19%~35%。BR-StOMP算法能够精确地恢复信号,重建效果优于OMP算法和StOMP算法。     

小波去噪算法在含噪盲源分离中的应用

无噪模型下的盲源分离算法在信噪比较低的情况下并不适用。针对该情况一种解决方案就是先对含有高斯白噪声的混合信号进行去噪预处理,然后使用盲源分离算法进行分离。为此,本文提出了一种适用于信噪比较低条件下的基于平移不变量的小波去噪算法。该算法首先使用高频系数滑动窗口法准确估计含噪混合信号的噪声方差,然后使用Bayesshrink阈值估计算法 得到更加合理的阈值,最后在不降低去噪效果的同时缩小了平移不变量的范围,减少了运算量。实验仿真表明,在信噪比较低的情况下,与传统小波去噪算法相比,该算法可以更加有效地去除噪声,在很大程度上提升盲源分离算法的性能。     

纳米器件的散粒噪声检测方法研究

针对纳米器件散粒噪声信号去噪方法的不足,利用散粒噪声信号在不同状态下的方差特性,提出了一种改进的经验模态分解算法(EMD)。该算法根据信号固有模态函数(IMFs)方差最大值与对应层数的关系自适应地选择需要处理的IMF层数,并与传统平均算法相结合提取了散粒噪声信号。实验结果表明:在不同程度(≥-3.92 d B)低频噪声环境下,与传统的EMD硬性去噪等方法比较可知,其信噪比提高了5.4 d B~7.0 d B,均方误差降低了36%以上,该方法有效地去除了低频噪声,提高了散粒噪声检测的有效性。     

一种IGS站高程时间序列分析方法

针对IGS站高程时间序列经EEMD分解后含有残留噪声,导致信号重构效果降低的问题,引入互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法对IGS站高程时间序列信号进行分解,利用平均周期与能量密度乘积准则进行噪声与信号分界点的判定。据此去除噪声分量,使去噪后的信号更加接近IGS站高程时间序列的真实特性。将基于CEEMD算法与基于EEMD、EMD算法的IGS站高程信号去噪效果进行对比分析,以BJFS站序列信号为分析对象的结果表明,采用EMD、EEMD、CEEMD 3种算法滤波后的信噪比分别为18.808 2、20.478 8、23.965 5,与EMD、EEMD算法相比,采用CEEMD算法滤波的信噪比分别提高了27%和17%,均方根误差指标分别降低了55%、41%。改善了EEMD分解的噪声残留问题,提高了信号重构的效果。     

基于块分类和字典优化的K-SVD图像去噪研究

基于K-奇异值分解（K-SVD）的图像去噪方法使用K-SVD算法训练得到的过完备字典对图像进行稀疏表示去噪,能够在去除噪声的同时较好地保持原始图像信息。但该方法缺少对图像结构特征的考虑;此外,K-SVD算法训练得到的字典中往往含有噪声原子,从而导致该方法在强噪声下去噪性能欠佳。针对这些局限性,提出一种新的去噪方法：基于块分类和字典优化的K-SVD去噪方法。首先通过图像块的分类训练得到与图像结构相适应的字典,能够更为稀疏地表示图像;然后通过噪声原子检测将字典原子分为噪声原子和非噪声原子,并对噪声原子进行替换,减弱噪声原子对去噪性能的影响,得到优化字典;利用优化字典对图像进行稀疏表示去噪。仿真实验表明,与非局部均值去噪、曲波去噪以及经典K-SVD去噪等算法相比,新方法能够取得更好的去噪结果。     

基于改进K-SVD和非局部正则化的图像去噪

K-奇异值分解( K-SVD)算法在强噪声下的去噪性能较差。为此,提出一种新的图像去噪算法。使用相关系数匹配准则和噪声原子裁剪方法改进传统K-SVD算法,提高原算法的去噪性能,将非局部正则项融入图像去噪模型,并采用非局部自相似性进一步改善图像的去噪效果。实验结果表明,与传统K-SVD算法相比,该算法在提高同质区域平滑性的同时,能保留更多的纹理、边缘等细节特征。     

基于小波阈值算法的中心静脉压信号去噪研究

为去除无创中心静脉压监测仪采集的中心静脉压信号中的噪声,提出了一种基于小波阈值的去噪算法。针对采集过程中出现的基线漂移和高频噪声,通过选取合适的小波基、小波分解层数和阈值方法,对中心静脉压信号进行小波阈值处理,并与经过傅里叶变换和维纳滤波去噪后的结果进行对比。在信噪比、均方根差等评价指标上,小波阈值的效果更好。选择sym3小波基对中心静脉压信号进行6层小波分解,设置硬阈值所得到的效果更好。该算法能够有效去除采集过程中产生的噪声信号,信噪比达到90.1942dB,均方根差接近0,与其他算法相比去噪效果更好。     

基于混合噪声模型的双层管柱电涡流信号去噪算法

针对复杂环境下气田井中双层管柱检测时的电涡流信号噪声去除难问题,提出一种基于混合去噪模型的双层管柱电涡流信号去噪算法（ECSD）。在ECSD中,首先对电涡流信号进行预处理,去除信号中增益。然后分析电涡流信号中包含的偏心噪声、温度噪声、电磁噪声、提离噪声等混合噪声及各自噪声的来源,并根据混合噪声特性建立去噪模型。提出改进的海洋捕食者算法求解去噪模型参数,获得可较好拟合混合噪声的去噪模型,从而实现去除不同深度和温度下电涡流信号中的噪声。实验结果表明：ECSD算法能够拟合电涡流信号中的混合噪声,提高了信噪比,并且降低了去噪信号与纯净信号之间的均方根误差,优于 WD、EMD、MF和WF等去噪算法。     

采用SVD-NMF的管道泄漏信号去噪算法

在管道泄漏检测中,压力信号中的噪声干扰会降低传统互相关法的定位精度。传统的去噪算法对环境的适应性差,去噪效果不理想。为此,提出了一种奇异值分解SVD( Singular Value Decomposition)与非负矩阵分解NMF( Nonnegative Matrix Factorization)相结合的管道泄漏信号去噪算法。该方法首先通过奇异值分解确定非负矩阵分解的阶数并对其初始化;然后,采用改进的非负矩阵分解算法对原信号进行迭代分解,获得去噪信号;最后,对去噪信号进行处理后通过互相关计算时延,并结合泄漏信号的传播速度实现泄漏定位。大量实验结果表明,SVD￣NMF算法能够显著降低迭代次数,提高去噪速度;同时在泄漏检测中,能够达到去除噪声干扰,提高定位精度的目的。     

一种改进的EMD硬阈值去噪算法

为了提升基于经典小波阈值的EMD去噪算法的性能,利用高斯白噪声的统计特征提出了一种改进的硬阈值去噪算法;首先将含噪信号进行EMD分解,把第一个固有模态函数作为高频噪声直接去除并估算出其他IMF中高斯白噪声的能量,然后根据硬阈值去噪的原理,利用滤除掉的样本点包含的能量等于白噪声的能量确定出合适的阈值;该方法能根据样本点自适应地确定阈值;最后通过对含噪正弦信号和仿真心电信号的去噪实验证实了改进后的阈值使算法去噪效果有明显提升。     

基于自适应阈值的脑电信号去噪方法

脑电采集后得到的脑电信号(Electroencephalogram,EEG)中含有噪声信号,为了有效去除噪声并保留有用信息,本文在软阈值去噪的基础上,提出一种改进阈值去除EEG噪声的算法。利用小波变换对EEG信号分解,得到多层的高频系数和低频系数;根据分解层次不同,对小波系数进行自适应的阈值处理;将缩放后的小波系数重构,得到去噪后的EEG信号。以信噪比、均方根误差作为去噪效果的定量指标,将改进算法与硬阈值法、软阈值法、Garrote阈值法进行比较,结果表明,改进阈值法优于其他3种阈值法。     

基于改进MP的地震信号去噪

地震资料中的噪声分为相干噪声和随机噪声.针对随机噪声,采用匹配追踪（MP）算法进行去噪,能取得一定的去噪效果,但是MP算法过大的计算量严重影响去噪的效率.为解决这个问题,本文采用遗传算法（GA）寻找最优原子,大大减少了算法的运算量,提高了算法的运算速度.本文对Ricker子波进行改进,加入尺度参数、位移参数和相位参数,利用改进后的Ricker子波构建的过完备原字库进行去噪可以取得更好的效果.本文采用相邻残差比阈值作为迭代终止条件,与采用硬门限作为迭代终止条件相比增强了算法的鲁棒性.实验仿真时,首先对加有随机噪声的人工合成地震信号进行去噪,仿真结果表明：本文改进的去噪算法与基础MP算法相比,在信噪比、均方差和计算速度上具有明显优越性,然后将本文改进的方法应用于实际地震信号去噪,并取得很好的去噪效果.