基于独立分量分析特征提取的带噪信号端点检测

运用独立分量分析(ICA)提取信号高阶统计特征的方法,提出一种新的利用信号自身统计特性的信噪区分方法,由于ICA变换可以增大语音和噪声的统计性差别,故在ICA域内可以有效区分语音和噪声。在此基础上提出了ICA能量(ICAE)和滤波ICAE(FICAE)特征来进行端点检测。实验表明,结合FICAE与ICAE的端点检测方法在不同信噪比时具有一定的稳定性,在很低信噪比下也能有效检测出语音的端点,显示了良好的抗噪性能,为强背景噪声下弱信号的端点检测提供了新的途径。     

非高斯噪声背景下的诱发电位信号去噪方法

在一些特殊实验条件下EP信号的背景EEG噪声具有显著脉冲特性。基于传统的小波去噪方法不能有效地去除EP信号中具有尖峰脉冲特性的背景噪声。提出中值滤波-小波阈值去噪算法,进行中值滤波抑制信号中的尖峰脉冲,利用小波阈值消噪去除剩余噪声。仿真结果表明经过中值滤波预处理后的小波去噪方法比传统的小波去噪方法在信噪比较低时更具有良好的消噪性能。     

基于阈值自学习小波算法的压力信号去噪方法

提出了信号预滤波结合阈值自学习小波去噪的综合滤波方法.该法通过对恒定状态下带噪压力信号阈值自学习使得重构信号与期望输出均方误差最小来获得单一工况下的最佳去噪阈值,再将此阈值用于同一工况下整个时间段信号的去噪,不同工况下得到不同的最佳阈值进而获得最优输出.数值计算对比证明,该方法对噪声抑制作用明显,比传统小波去噪、改进神经网络去噪等方法效果更好.     

含噪语音实时迭代维纳滤波

针对传统去噪方法在强背景噪声情况下,提取声音信号的能力变弱甚至失效与对不同噪声环境适应性差,提出了迭代维纳滤波声音信号特征提取方法。给出了语音噪声频谱与功率谱信噪比迭代更新机制与具体实施方案。实验仿真表明,该算法能有效地去噪滤波,显著地提高语音识别系统性能,且在不同的噪声环境和信噪比条件下具有鲁棒性。该算法计算代价小,简单易实现,适用于嵌入式语音识别系统。     

基于curvelet变换和独立分量分析的含噪盲源分离

独立分量分析（ICA）是基于信号高阶统计量的盲源分离方法,在高阶统计量方法中,由于高斯信号的高阶累计量为零,所以系统存在加性高斯噪声时就难以处理。提出了一种基于curvelet阈值去噪和FastICA算法的含噪信号盲分离的方法,并对高斯噪声环境下的混合图像进行了盲分离的仿真。结果表明,该方法能很好地解决由于存在加性高斯噪声而导致经典ICA算法性能发生严重恶化的问题;同时将curvelet变换去噪应用于含噪图像的盲源分离中,可以提高混合图像的信噪比,相对于小波去噪后的ICA算法,其分离性能有很大改善。     

FRFT滤波的语音增强

针对传统去噪方法在强背景噪声情况下,提取声音信号的能力变弱甚至失效与对不同噪声环境适应性差,提出了一种动态FRFT滤波声音信号语音增强方法。给出了不同语音噪声环境下FRFT最优聚散度的更新机制与具体实施方案。用TIMIT标准语音库与Noisex-92噪声库搭配,实验仿真表明,该算法能有效地去噪滤波,显著地提高语音识别系统性能,且在不同的噪声环境和信噪比条件下具有鲁棒性。算法计算代价小,简单易实现。     

一种新的毫米波图像去噪方法?

毫米波(MMW)焦平面成像系统得到的图像质量较差,为此,结合基于人类视觉系统(HVS)的自适应中值滤波和轮廓波变换,提出一种新的MMW图像去噪方法。利用基于HVS的自适应中值滤波方法实现噪声的自适应检测和滤波,滤除脉冲噪声。根据轮廓波分解的方向性和能量变化特性对中值滤波结果进行变换,并对得到高频子带做阈值去噪处理,以最大限度保留图像轮廓。实验结果表明,与传统方法相比,该方法所得图像的峰值信噪比较高。     

基于权值的中值和均值混合去噪算法

针对均值去噪算法对图像边缘定位带来困难,中值去噪算法对一些点、线、细节较多的图像去噪效果往往不理想等诸多问题,为了得到更好的去噪图像,并为后继的边缘定位等处理打下良好的基础,提出了基于权值的中值和均值混合滤波方法,该方法能在类椒盐噪声密度较大时较好的去除大量类椒盐噪声,同时较好的保留图像的边缘信息,并提高图像的信噪比.实验证明,该方法去噪性能明显优于中值滤波和均值滤波,并且算法简单,适合于高速在线检测系统.     

基于稀疏分解的轨道移频信号去噪算法研究

随着我国铁路的高速发展,轨道移频信号的检测译码技术受到广泛关注;然而实际采集的轨道移频信号不可避免地会混入大量的背景噪声和干扰,因此译码前需要去噪以提高译码的准确性;提出一种基于稀疏分解的轨道移频信号去噪算法,利用移频信号特点构建过完备原子库,采用粗细二阶段匹配追踪算法实现移频信号的噪声去除;将文章算法应用到主流的ZPW-2000轨道移频信号中,结果表明,该算法具有比小波阈值、经验模式分解算法更好的去噪性能,能够有效地去除低信噪比移频信号的噪声,且去噪后译码信噪比可提高10 dB,另外,采用粗细二阶段原子搜索算法显著降低了匹配追踪的运算量,满足实时性要求。     

基于互累积量的有噪独立分量分析方法

针对传统独立分量分析(ICA)方法无噪假设的局限性,提出基于互累积量的有噪ICA方法。考虑含高斯噪声的瞬时混合模型,以观测信号的互累积量组成一系列对称矩阵,以对称矩阵的联合对角化程度为目标函数,采用粒子群优化算法对混合矩阵进行全局寻优。通过寻优得到混合矩阵,将有噪ICA转化为一维欠定ICA,基于奇异值分解法得到源信号的估计。仿真结果表明,与传统ICA方法相比,该方法对混合矩阵的估计精度较高,可以明显提高分离信号的信噪比。     

基于独立分量分析的低压电力线信号去噪

针对低压电力线中的噪声,提出了一种运用独立分量分析原理对低压电力线信号进行消噪的方法,详细研究了低压电力线信道噪声特性以及独立分量分析原理,应用基于负熵的FASTICA算法对低压电力线信道载波进行去噪,并与小波去噪的效果进行了比较。实验结果表明,该去噪方法的去噪效果与小波去噪效果接近,其特色是通过电力线信号与噪声信号的盲源分离实现噪声去除,与小波去噪方法相比,该方法更简单容易、去噪效果好、自适应能力强。     

基于小波-EEMD-Adaline网络的容栅传感器信号去噪方法

针对容栅传感器检测的转动轴扭振信号掺杂的环境噪声干扰和自身的电磁噪声干扰使得信噪比低、微弱信号难提取的问题,提出了一种基于小波-EEMD-Adaline自适应线性神经网络去噪方法.该方法对信号进行小波、EEMD、Adaline网络消噪处理,采用三级去噪、噪声过滤、对消来逼近原始信号.用典型加噪超声信号、Doppler信号、Block信号对该方法进行有效性验证,与EEMD、基于小波分解的EEMD去噪效果相比较.实验结果表明,后两种方法信号去噪的SNR提升小(均不到20),而本文方法SNR(RMSE)提升(减小)明显,对于9 dB的Doppler信号SNR提升达90,RMSE从1.038 5降至0.009 5.对容栅电路实测大噪声微弱信号去噪,结果表明,该方法去噪性能更优,去噪后信号光滑性好,波动稳定性强.     

PDE模型在声纳图像去噪中的应用研究

偏微分方程方法在光学图像去噪中已有很多成功的应用,但用于声纳图像去噪的情况还不多见。针对声纳图像受噪声污染严重的问题,将偏微分方程原理引入到声纳图像去噪中,重点讨论了两种偏微分方程模型:ROF模型和四阶扩散模型。基于这两种模型对声纳图像进行去噪处理,仿真实验证明了偏微分方程去噪算法的有效性,并对比分析了两种模型的去噪性能。ROF模型适用于低信噪比条件下的声纳图像处理,而四阶扩散模型在高信噪比条件下,能够很好地保持图像边缘,但当噪声污染严重时,其去噪后的SNR比ROF模型去噪低了近10 dB,不利于声纳图像处理。     

基于广义S变换的声发射信号去噪研究*

为了有效消除声发射信号中的噪声,将广义S变换滤波方法应用于声发射信号去噪,分别采用广义S变换中的充零法、基于带通滤波器设计滤波算子法以及时频滤波法进行滤波比较,针对信号的不同时频特性设计了相应的时频滤波算子.结果表明,基于S变换的三种时频滤波法对声发射信号的去噪均有较好的效果,克服了传统滤波方法滤波因子不能随时间、频率变化而变化的缺陷.其中时频滤波法在高信噪比和低信噪比情况下都能更好地去除噪声,可以满足信号处理的要求.     

红外图像的自适应混合消噪方法

针对带有高斯噪声和脉冲噪声的红外图像,提出一种自适应混合去噪方法。首先将受脉冲噪声和高斯噪声污染的像素区分开来,然后对被脉冲噪声污染的像素采用自适应层叠中值滤波法,对被高斯噪声污染的像素采用基于局部噪声方差估计的自适应局部滤波法。实验表明,该方法在信噪比(SNR)和最小均方误差(MSE)的改善上明显优于线性平滑滤波法和普通中值滤波算法,并具有较好的图像细节保护能力和较快的滤波速度。     

基于双树复小波变换的X射线脉冲星信号处理

X射线脉冲星信号是一种典型的信噪比非常低的非平稳信号,为了提高对X射线脉冲星信号的识别效果,有效去除噪声是非常必要的。在详细分析了传统去噪算法的优劣之后,提出了一种基于双树复小波变换的X射线脉冲星信号去噪算法。此方法充分地利用了双树复小波变换的平移不变性、有限的数据冗余度和完美的重构性等特点,并研究了双树复小波结合软硬阈值估计法和实小波结合软硬阈值估计法对X射线脉冲星B0531＋21进行去噪的效果。实验结果表明,基于双树复小波变换的消噪算法较小波变换算法相比,对X射线脉冲星信号去噪的效果有了很大的提高。     

基于奇异谱分析和维纳滤波的语音去噪算法

针对维纳滤波算法对非平稳语音信号去噪存在的信号失真、信噪比(SNR)不高的问题,提出了一种奇异谱分析(SSA)和维纳滤波(WF)相结合的语音去噪算法SSA-WF。通过奇异谱分析将非线性、非平稳的语音信号初步去噪,提高含噪语音的信噪比以获取尽可能平稳的语音,并将其作为维纳滤波的输入,以剔除其中仍存在的高频噪声,最终获取纯净的去噪语音。在不同强度的背景噪声下进行仿真实验,结果表明SSA-WF算法在SNR和均方根误差(RMSE)等方面都要优于传统的语音去噪算法,能够有效去除背景噪声,降低有用信号的失真,适用于非线性、非平稳语音信号的去噪。     

异构双核构架下的脉冲涡流信号实时小波去噪

针对工业现场的脉冲涡流(PEC)信号,设计了基于异构双核OMAP3530的实时嵌入式去噪的硬件与软件系统。分析了适用于实时去噪的小波基的选择,完成了基于DB4小波基的Penalty阈值法、B-M阈值法、默认阈值法的Matlab去噪仿真实验,并给出了均方根误差(RMSE)和信噪比(SNR)。结合OMAP3530硬件平台,讨论了基于DSPLINK的异构双核构架的数据共享方法,并提出一种基于固定步长滑动窗口的实时去噪算法。通过计算机仿真与实验结果表明:该系统具有信噪比高、实时性强、数据吞吐率大的优点,满足连铸现场自动检测要求。     

基于信噪比最大化的极化SAR滤波算法

为提高图像可读性、改善图像质量,提出基于信噪比最大化的极化SAR图像的融合去噪算法。根据图像滤波时信噪比最大的要求,采用均方误差最小作为收敛条件,分别对极化SAR图像的2个极化方向进行滤波融合,并与传统Lee滤波算法和自适应阈值算法进行比较,结果证明该算法性能更高。     

Investigation of different approaches for noise reduction in functional near-infrared spectroscopy signals for brain–computer interface applications

Functional near-infrared spectroscopy (fNIRS) is a noninvasive technique to measure the hemodynamic response from the cerebral cortex. The acquired fNIRS signal usually contains influences generated from physiological processes, also called “global” oscillations, in addition to motion artifacts that impede detection of the localized hemodynamic response due to cortical activation. Preprocessing is the fundamental step to enhance the quality of fNIRS signals corresponding to movement tasks for efficient classification of brain–computer interface (BCI) application. Various signal preprocessing approaches such as band-pass filtering, correlation-based signal improvement, median filtering, Savitzky–Golay filtering, wavelet denoising and independent component analysis (ICA) have been investigated on experimental datasets acquired during hand movement tasks and are compared to one another using artifact power attenuation and contrast-to-noise ratio (CNR) metrics. The results showed that wavelet denoising method attenuated the artifact energy of the datasets belonging to Subjects 1 and 2 as well as enhanced the CNR. In the case of Subject 1, before denoising the values of ΔHbR and ΔHbO were 0.6392 and 0.8710, respectively. Wavelet method improved these values to 0.8085 and 0.9790. In the case of Subject 2, the CNR values of ΔHbR and ΔHbO signals were improved from 0.0221 and 0.0638 to 1.1242 and 0.3460, respectively. In this study, ICA was also demonstrated to suppress noises related to physiological oscillations including Mayer wave influence and other unknown artifacts. It greatly reduced the sharp spikes present in the Subject 2 dataset. On the basis of the results obtained, it can be shown that application of such filtering algorithms for fNIRS signal could effectively classify motor tasks to develop BCI applications.