最小二乘自适应滤波旋转机械阶比跟踪研究

为克服等角度重采样的计算阶比跟踪方法不能在时域提取阶比的不足，提出了直接在时域进行自适应滤波的阶比跟踪方法.通过研究周期性负载机械系统振动信号的特点，构造了包括状态方程和观测方程的振动信号模型.状态方程表示了阶比幅值的平滑变化，观测方程表示了测量误差和噪声.通过构造加权最小二乘自适应滤波器，实现了各阶比成分在时域中提取.并根据滤波矩阵的特殊性，采用共轭梯度法求解滤波方程.实验结果表明，该方法能够在时域中准确地提取幅值和频率变化的阶比，适合于旋转机械振动响应特征提取.     

混响环境声信号的在线检测

提出了解混响的一种新方法，采用自适应滤波最小均方ＬＭＳ算法和自适应多小线怀预测滤波技术，通过确定预测步长值，直接估计出最小平方反滤波系数，仿真结果表明，如果信噪比较高，并且为周期信号，则自适应线性预测滤波可用于混响环境下声信号的在线检测。     

分数阶傅市叶变换域的心电信号滤波算法

心电信号是一种非平稳的低频微弱信号,与干扰噪声具有较强的时频耦合．经典的滤波方法难以实现有效的信噪分离．提出了一种基于分数阶傅立叶域的LMS自适应滤波算法,既结合了适合处理非平稳信号和减少时频耦合的特点,又能够有效地提高信噪比．首先将信号进行分数阶傅立叶变换,寻找最优变换域,再利用LMS自适应滤波算法在最优变换域滤波,然后对滤波后的信号进行分数阶傅立叶反变换．通过对MIT—BIH中的心电数据进行Mat—lab仿真,表明信噪比从-6dB提高到14dB,清晰地还原出心电信号的波形及特征点．     

基于双递归自适应滤波的高精度频率估计算法

针对线谱信号的检测与频率估计问题,在分析自适应瞬时频率估计算法的基础上,提出一种具有双递归特性的信号频率提取算法:将自适应滤波器组成递归环路,通过比较不同的自适应滤波器输出信号的瞬时频率序列方差来进行滤波器中心频率以及带宽的更新,从而获得最优的滤波输出.仿真分析表明,与传统方法相比,此方法具有更好的噪声抑制能力以及频率跟踪能力,还可以获得可控的频率估计精度.     

基于小波消噪和自适应滤波的FECG提取

应用小波分析和自适应滤波消噪相结合的方法提取胎儿心电（feta electrocardiogram, FECG）信号．对样本信号对软阈值去噪和硬阈值去噪进行了对比分析，发现软阈值去噪较好．把去噪后的信号作为自适应滤波消噪的参考信号，将腹部信号作为主输入信号，构建了基于RLS自适应噪声抵消（recursive least squares adaptive noise cancellation），并对其进行了样本试验．     

基于径向基函数神经网络的自适应滤波器

自适应滤波器在信号检测、信号恢复、数字通信等领域中被广泛应用。传统的自适应滤波器主要在时域中实现。通常采用算法简单、稳健性好的自适应LMS算法。但LMS算法对输入信号的自相关矩阵具有很强的依赖性,因而自适应率不高。本文提出利用RBF神经网络实现的自适应滤波,并将其用于语音除噪和脉象信号的除噪。仿真结果表明该方法具有良好的非线性噪声抑制能力。     

经验模式分解域自适应滤波方法

为了利用经验模式分解法提取信号边缘信息,提出一种基于经验模式分解的自适应滤波方法,并给出了噪声功率阈值的两种选取方法．该滤波方法首先对信号进行经验模式分解; 其次对相邻尺度上残差分量一阶导数信号进行空间相关性计算,并对归一化空间相关函数与残差分量一阶导数进行逐点比较,实现对残差分量一阶导数的滤波; 最后根据噪声功率阈值判断自适应滤波过程是否结束．仿真实验结果显示,本方法可以准确提取信号边缘信息,同时抑制噪声信号．     

基于FPGA的车辆振动信号提取方法

为了从车辆复杂噪声背景中实时提取陀螺仪的有效振动信号,在分析弱信号特征提取方法的基础上,针对自适应滤波算法处理相关信号时收敛速度降低的缺点,提出一种适用于FPGA（Field Programmable Gata Ar-ray）的自适应步长LMS（Least Mean Square）算法。该算法通过建立步长和误差信号相关值之间的非线性关系,使步长仅与输入有用信号相关,降低算法对噪声的敏感度。实验以收敛速度和计算复杂度两个指标对该算法与其他改进算法进行比较,并以真实车辆振动信号提取结果分析验证该算法对车载环境噪声和陀螺仪自身噪声都有较好抑制。在用算法计算基础上,以FPGA平台提出并实现一种可扩展滤波器结构。设计采用一阶滤波单元重用方式完成多阶累加计算,在目前最大规模FPGA芯片上实现8～256阶滤波器。实验表明,该设计充分利用芯片内逻辑资源,处理速度快,可靠性高,并适用于车辆中低速行驶姿态测量系统。     

低信噪比弱信号提取算法研究

采用从强背景噪声中提取话音信号的自适应噪声抵消技术——最小均方误差(LMS)入手，对该算法的性能进行了分析，针对其收敛速度慢、提取信号频带窄的缺点，提出了改进的有动量因子的自适应最小均方误差算法(MLMS)．仿真结果表明，该方法对于解决弱信号提取问题有一定效果．     

一种新的非线性非高斯信号分离方法

提出一种基于粒子滤波的非线性非高斯信号分离方法.该方法依据状态空间模型把信号分离问题转化为信号的状态和参数的联合估计问题,利用粒子滤波方法,结合核平滑收缩技术拟合系统未知参数后验分布,以实现非线性系统中多路信号的分离.仿真结果表明,与现有分离算法相比,该方法能有效解决非线性非高斯系统中多路信号的分离问题,并提高未知参数的估计精度.     

自适应滤波技术在水声信号处理器中的应用

针对海洋环境噪声大、干扰信号强的特点,在水声信号处理器研制中,采用自适应滤波模块对海洋水声信号进行处理。实验表明该方法具有良好的滤除噪声和抗干扰能力,顺利实现了海洋复杂环境下的水声信号处理。     

自适应滤波理论与算法

自适应滤波的研究对象是具有不确定性的系统或信息过程。为尽可能准确对信号进行自适应滤波处理,对不同的系统、信号、过程,应该采用不同的信号统计方式和算法。     

路面层间应变信号的预处理方法

为获得路面层间应变情况、实时监测道路状态,开发一套无人值守路面层间应变信号自动采集系统。选用四轴货车进行现场试验,对采集的应变信号进行特点分析,通过去除趋势项消除实测信号的零点漂移问题;采用S变换方法研究路面层间应变信号在时域和频域上的分布规律;为提高实测道路应变信号的信噪比,分别采用低通滤波和小波滤波方法对信号进行预处理。研究结果表明:所开发系统可以实现道路应变信号的自动采集;采集的路面层间应变信号的噪声成分频率不固定,而道路应变信号的有效成分主要为50 Hz以下的低频信号;低通滤波方法在处理应变信号时有局限性;小波滤波方法对不同类型的噪声信号都能取得良好的滤波效果,适合路面层间应变信号的预处理。     

AMT 模糊自适应滤波技术

信息处理技术是实现车辆起步控制的关键。对于转速脉冲信号，因为包含高频过零脉冲，其滤波十分困难，为此本文引入模糊推理技术，采用人工智能的方法进行自适应滤波。实验证明其滤波效果十分明显。     

基于压缩感知的雷达信号分选方法

针对复杂电磁环境下,大量的信号在时间、空间、频谱发生随机交叠时,现有分选方法很难进行分辨的问题,提出了一种基于压缩感知理论的雷达信号分选算法.该算法将信号的样本空间作为稀疏字典,将待分选的雷达信号进行稀疏表示,以少量的观测数据就能获取信号的全部信息,从而对雷达信号进行有效的分选.仿真结果表明,该算法能对大量时频交叠信号进行快速分选,且在低信噪比下也能取得较理想的效果.     

基于时频分析的混沌谐波线性混合信号提取算法

混沌信号与谐波信号的分离问题是混沌信号处理中的重点问题,时频分析理论的日趋成熟为该问题带来了新的解决方案。针对不同噪声情况下混沌背景下谐波信号的提取进行分析,将小波变换与EMD方法进行比较,经仿真实验总结出一种新的谐波信号提取的融合算法,仿真实验验证了该算法的有效性。     

复合Q因子基在齿轮箱微弱故障特征提取中的应用

根据强噪声干扰环境下齿轮箱故障非平稳信号是由持续振荡成分(高共振成分)和非持续振荡的瞬态成分(低共振成分)混合而成,且其各成分存在频率重叠而不能利用传统的基于频率不同的方法对其进行有效处理的特点,提出了构造复合Q因子基(高Q因子基及低Q因子基)对故障信号进行处理的方法,对提取齿轮箱各故障的冲击性信号特征取得了良好的效果.仿真信号分析及应用实例分析结果表明了算法的可行性及有效性,为强噪声干扰环境下的机械故障信号提取提供了一种方法.     

基于稀疏滤波神经网络的智能调制识别

针对传统调制识别中特征提取依赖人工经验的问题,该文提出了一种基于抗噪预处理及稀疏滤波卷积神经网络的智能通信调制识别算法。该算法将调制信号的循环谱作为卷积神经网络的输入图像,并引入低秩表示算法去除循环谱图中的噪声及干扰。在有监督训练卷积神经网络之前,该文设计了一种新型的稀疏滤波准则对网络进行无监督的逐层预训练,从而提升了泛化性能。仿真表明算法在信噪比为0 dB时仍可达94.2%的识别准确率,优于传统方法及相关深度学习方法。