随机共振方法在弱信号检测中的应用

针对如何从强噪声背景下提取有用的弱信号问题,利用近年来发展起来的随机共振技术进行了信号检测的研究,发现该方法提取弱信号切实可行.介绍了随机共振的基本原理,提出了随机共振去噪检测弱信号的新方法.并通过仿真研究了系统的随机共振现象,实验证明了随机共振技术在强噪声背景下检测弱信号具有很大的优越性.     

基于随机共振理论的双基ISAR弱信号提取及成像分析

 在双基地逆合成孔径雷达成像系统中,针对强背景噪声中的目标弱散射点探测和识别问题,基于能捕获目标强散射点的假设前提,提出了应用随机共振理论的弱散射点检测方法.首先对作解线调后的回波信号进行快时间轴变换处理,并对处理后的信号进行二次采样使其满足绝热近似条件;然后应用随机共振技术检测出代表瞬时距离差的弱周期信号频率,并通过循环检测和正负频率判断等后续处理提高系统的检测信噪比以及确定弱散射点的正确位置.最后对随机共振性能和双基ISAR成像进行了仿真.结果表明:随机共振能大幅提高弱周期信号的输出信噪比,应用在双基ISAR系统中能有效提高系统的信噪比增益和扩大雷达接收机的动态范围.     

基于双稳类随机共振的信息检测

研究了小参数随机共振(SR)的响应幅值与信号频率和噪声强度的关系,并从噪声频谱的罗伦兹(Lorentz) 分布特性推出,只有在噪声能量集中的低频区域才能产生随机共振的论点。得出了二次采样大参数类随机共振的实现条件,即采样频率至少是信号频率的50倍并根据噪声强度选择二次采样频率。在大参数情况下,由双稳系统输入输出信噪比的分析,阐明了大参数类随机共振方法从强噪声中检测出弱信号的可行性。运用周期和非周期弱信号的检测实例,进一步证明了该方法的有效性和实用性。     

随机共振现象与微弱信号接收

本文从随机共振(Stochast ic Resonance)可增强信号信噪比的现象出发,介绍了随机共振非线性双稳势阱模型和参数调节随机共振理论。在此基础上,分析了随机共振现象在微弱信号接收中两种可能的应用途径,通过仿真验证了应用的可行性。最后,分析提出了将随机共振理论应用于弱信号接收需要突破的三大关键技术,即:大参数信号变尺度与还原技术、参数自适应调节技术和调制信号随机共振技术,还提出了初步解决的思路。为拓宽随机共振现象的应用领域和探究解决低信噪比条件下的信号接收提供新的方法和途径。     

一种强噪声背景下弱信号检测的非线性方法

该文利用随机共振技术对工程测量中常碰到的弱信号检测进行了计算机仿真,就信噪比的提高、弱信号的检测等进行了研究。并对信号经随机共振系统处理和不经随机共振系统处理进行检测比较。实验结果表明,随机共振技术完全有可能成为信号检测中一个强有力的新工具。     

随机共振技术在弱信号检测中的应用

针对淹没在噪声中的弱信号测量,利用随机共振技术进行了信号检测的研究。论文就非线性系统的结构参数和弱信号及噪声之间的关系进行了仿真研究,并对信号经随机共振处理和没有处理进行检测比较。实验证明了随机共振技术在强噪声背景下弱信号检测的优越性。     

基于变步长随机共振的弱信号检测技术

弱信号检测是工程建设中常见的问题之一,在过去一直是信息领域的难点。随机共振是一种新型的信号检测技术,但对高频弱信号处理能力仍较差,使用范围也有限。变步长随机共振是一种改进型随机共振理念,在满足绝热近似条件下,调整步长实现共振,以增强微弱信号,突出显现。文章对随机共振、变步长随机共振的理论基础进行概述,而后结合小波转换理论对变步长随机共振进行仿真模拟。     

基于人工鱼群算法的自适应随机共振方法研究

随机共振为微弱通信信号的检测提供了新途径.本文提出一种基于人工鱼群算法的自适应随机共振新方法,重点研究基于随机共振的微弱周期信号检测技术,将人工鱼群算法和归一化处理结合增强随机共振,适当添加噪声并设定自适应步长策略及迭代停止条件.理论分析和仿真结果表明,对比传统群智能算法处理随机共振其在算法适应性及稳定性、最佳共振精确度、寻优收敛速度、精度方面有明显提升,并为信噪比增益带来3-5dB的提升,运算时间复杂度降低逾70%.     

随机共振在信号处理中应用研究的回顾与展望

 非线性系统、弱的驱动信号和适量的噪声:在一定条件下,三者的相互协作使得噪声在一定程度上能够对信号起到增强的作用,这种反常的现象被定义为随机共振.本文以信号的估计与检测为主线,分析了推动随机共振应用发展的信息学与生物学背景,综述了随机共振在工程信号处理方面的最新进展,深入的介绍了一些模型以及存在的问题,并指出了进一步研究的方向.     

周期脉冲序列在阈值系统中随机共振的研究

将混有加性高斯白噪声的周期脉冲序列通过阈值系统,对其传输性质进行理论研究.以输入-输出的信号幅度和信噪比增益来分析随机共振现象,通过调节各相关参数使系统、信号和噪声因协同作用而产生随机共振现象:在某一最优噪声强度下获得最大的信号幅度及信噪比的增益.     

Multi-frequency weak signal detection based on multi-segment cascaded stochastic resonance for rolling bearings

For rotating machinery, vibration signals excited by its faulty components provide rich condition information for its fault diagnosis and condition-based maintenance. However, strong noise severely influences the accurate detection of incipient faults. Thanks to the ability of enhancing weak input and suppressing the noise, the stochastic resonance (SR) has been applied to weak signal detection in some fields, and the improvement on its performance are still being concerned, especially in the mechanical engineering. For multi-frequency weak signals, this paper proposes an improved mechanism for the SR, called multi-segment cascaded stochastic resonance (MS-CSR). In this method, the input signal obtains segment enhancement by using some bistable SR models, and series connection of such a unit compose an improved cascaded SR (CSR) system, which can not only gradually enhance the weak signals of interest, but also pay more attention on the signal with relatively small amplitude at the initial. A modified measurement index, named alliance signal-to-noise ratio (ASNR) is defined to evaluate the detection performance of the proposed SR method, as well as the parameter selection for the MS-CSR system. In this index, a weight factor is introduced to influence the assignment of noise energy in the SR, so that the relatively weak signal in the multi-frequency input signal can obtain a high priority to make the resonance phenomenon happen and avoid the misdiagnosis. A simulated signal and an experimental vibration signal collected from a faulty bearing are used to verify the effectiveness of the proposed MS-CSR method. The results demonstrate that the MS-CSR is a useful tool for detecting weak signals with multiple characteristic frequencies.     

基于随机共振电路模拟的微弱周期信号检测

采用电路模拟非线性Duffing振子，利用其随机共振机制来检测微弱周期信号。针对随机共振只适用于极低频输入信号的限制，引入一种适当的变量变换可以将高频信号转化成符合随机共振理论要求的低频信号进行处理，增强了该方法在工程应用中的可行性。采用电路模拟方法检测微弱周期信号，不需要象随机共振数值仿真所要求的那样对信号过采样，在满足采样定理的条件下，可以取较小的采样频率，降低了对硬件的要求。实验表明，该方法能有效地从强背景噪声中检测出微弱周期信号，在机械系统故障早期检测、化学谱信号提取、多传感器测量等领域有实际应用价值。     

随机共振理论在微弱信号检测中的应用研究

本文介绍了随机共振的基本原理,通过数值仿真研究了对称双稳系统的随机共振现象,并将其用于微弱信号的检测。为了进一步提高检测信噪比,采用了系统参数寻优的方法。仿真结果证明了基于随机共振的微弱信号检测方法的有效性。最后,提出了几个需要解决的问题。     

随机共振应用于窄带PSK信号检测的研究

非线性随机共振系统能够有效利用噪声能量增强微弱周期信号,因此可用于强噪声背景下的微弱通信信号检测。本文提出基于人工鱼群算法的自适应随机共振方法处理相移键控(PSK)信号,分别从算法应用于参数估计、应用于提高带内信噪比、应用于降低检测信噪比门限三个角度分析本文算法对PSK信号检测带来性能上的提升,阐述了采样率在窄带PSK信号随机共振中的作用。对比谱线法,基于人工鱼群算法的自适应随机共振能够明显提升PSK信号参数估计性能,并且将参数估计信噪比门限降低3-6dB。此外,本文验证得到随机共振直接处理窄带周期信号没有实际提升效果。      

工程信号测量中的自适应随机共振应用

论文对随机共振技术运用于强噪声背景下的弱信号检测进行了研究。针对工程测量的实际要求，提出了一种随机共振的自适应算法，并开发了一套面向工程实用的自适应随机共振系统。运用于开关电源的故障信号检测，取得了较好结果。     

小信号检测中的自适应随机共振技术

论文就双稳态非线性系统的结构参数和弱信号及噪声之间的关系进行了仿真,对随机共振技术运用于强噪声背景下的弱信号检测进行了研究。提出了一种随机共振自适应算法,并运用于中频电源的故障信号检测,取得了较好结果。     

Adaptive stochastic resonance

This paper shows how adaptive systems can learn to add an optimal amount of noise to some nonlinear feedback systems. This “stochastic resonance” (SR) effect occurs in a wide range of physical and biological systems. The noise energy can enhance the faint periodic signals or faint broadband signals that force the dynamical systems. Fuzzy and other adaptive systems can learn to induce SR based only on samples from the process. The paper derives the SR optimality conditions that any stochastic learning system should try to achieve. The adaptive system learns the SR effect as the system performs a stochastic gradient ascent on the signal-to-noise ratio. The stochastic learning scheme does not depend on a fuzzy system or any other adaptive system. Simulations test this SR learning scheme on the popular quartic-bistable dynamical system and on other dynamical systems. The driving noise types range from Gaussian white noise to impulsive noise to chaotic noise     

采用主分量分析方法研究随机共振

噪声能量向信号能量的转换是随机共振具有的独特优点,也是实际应用随机共振进行弱信号检测的基础。由于随机共振系统只在合适量的噪声输入时产生最大的信噪比输出(共振),过多、过少的噪声都会降低系统的性能,因此,如何有效地控制输入到随机共振系统中的噪声十分重要。本文首次提出采用主分量分析方法研究随机共振,其基本思路是分解信号和噪声能量到相互正交的主轴方向上,之后进行重构,通过控制重构主轴的数目(重构维数),获得最优量的输入噪声。实验结果证实了方法的有效性。