多阈值系统中高斯混合噪声改善信息的传输

讨论高斯混合噪声下多阈值系统中的随机共振现象.对于单峰噪声,当输入信号在阈上时,互信息随着噪声的增强单调递减,噪声总是不利于信息的传输;当信号在阈下时,互信息随着噪声的增强先递增然后再递减,适量的噪声能改善信息传输,随机共振现象存在.对于双峰噪声,信号在阈下或阈上,噪声有时能够改善信息的传输,随机共振和阈上随机共振存在.这些结果说明多阈值系统中噪声改善信息的传输依赖于噪声类型,拓广了随机共振和阈上随机共振在多元信息传输中的应用.     

井下声波通讯信号的随机共振检测方法

针对旋转导向钻井技术中,稳定平台与随钻测量系统之间进行声波通讯时,通讯信号被强噪声干扰,使得信号幅频特性检测难度增大的问题,提出了一种利用随机共振检测声波通讯信号的新方法。通过进行短距离钻杆声波传输实验,研究声波传输特性,再分析微弱信号的随机共振检测原理,然后利用双稳态系统中,噪声能量可以提高待测信号传输能力这一特殊机制,构建声波通讯信号的随机共振检测系统并进行matlab仿真。仿真结果表明,随机共振系统可以检测到被噪声完全淹没的钻杆声波通讯信号的幅频特性。     

基于饱和系统随机共振的图像去噪算法

利用随机共振（SR）机制，在传输相关信号的非线性系统中加入噪声，在输出端信号可被增强。本文提出一种基于动态饱和非线性系统随机共振的图像去噪算法，首先将图像重采样为一维信号，并调节动态饱和非线性系统的参数，使之达到最优，使动态饱和非线性系统能够产生随机共振。相比一维随机共振，二维随机共振的图像复原效果更接近于原图，输出图像的直方图和峰值信噪比(PSNR)，也明显优于一维随机共振。相比于传统滤波方法，饱和系统的去噪效果更好，同时对于噪声强度的变化具有较好的鲁棒性。     

随机共振在惯性传感器信号处理中的应用

针对实际处理惯性传感器信号的特点,根据随机共振利用噪声增强信号传输的特性,对现有随机共振的算法进行分析和改进,提出将随机共振应用于惯性传感器输出信号处理方法,即将随机共振系统与恢复系统相结合组成随机共振滤波系统,并通过改进系统参数和恢复方法以及对Runge-Kutta算法实现惯性传感器信号的滤波处理。最后分别对惯性传感器的静态数据和动态数据进行验证,结果表明改进的算法能有效地消除干扰,有效地改善了输出信号精度。所提出的滤波方法与传统的滤波方法相比有较大的优势,为惯性传感器信号处理提供了一种新的方法,具有实际应用价值。     

基于参数补偿的高频信号随机共振系统设计

工业生产环节和科学研究领域中有很多待测高频信号需要检测，研究采用随机共振方法是实现高频信号检测的有效途径之一。本文将参数补偿算法和随机共振理论相结合，克服了传统随机共振仅能检测低频信号的限制，实现了高频信号的随机共振检测。首先介绍了随机共振理论和参数补偿算法的原理，设计了基于参数补偿的高频信号随机共振系统，最后通过MATLAB仿真平台验证了系统的有效性。本文所得结论拓宽了随机共振理论的实际应用范围。     

用同频色噪声驱动的双稳系统分离弱信号

设计了将线性滤波器与随机共振装置串联处理信号、噪声的装置.这一装置模拟了在周期信号与单色同频噪声作用下的随机共振系统.实验表明,这一设计十分有利于在强噪声弱信号输入下提高输出信噪比,是将弱信号从强噪声背景下分离出来的新的强有力的工具.对上述非线性系统产生随机共振的物理机制也进行了定性的说明.     

最佳匹配阵列随机共振系统中利用噪声改善信息传输

针对数字通信系统中噪声影响码元传输的问题,为提高系统的可靠性,降低接收信号的误码率（BER）,提出一种基于最佳匹配方法和并行阵列理论的随机共振（SR）系统。首先,利用并行阵列理论来增强单个双稳态系统的随机共振效果;其次,将最佳匹配随机共振微弱信号的检测方法运用到阵列系统中;最后,推导出最佳匹配阵列随机共振系统的信噪比（SNR）增益表达式,并分析阵列单元数对误码率的影响。理论分析和实验仿真表明,最佳匹配阵列随机共振系统相比单个随机共振系统在强噪声背景下对微弱数字信号的检测性能得到提升,系统输出信噪比增益显著大于1,误码率也得到明显降低;且随着阵列单元数增加,阵列系统的随机共振效果越好。实验结果表明,最佳匹配阵列随机共振系统在实际工程中能够有效提高数字通信系统的可靠性。     

串并联结构共振峰语音综合系统

本文介绍了一种采用串并联结构的共振峰语音综合系统。该系统比一些采用专用硬件的语音综合系统具有调整容易、组态灵活、稳定性高等优点。另外，共振峰方法还可以构成一种经济的语音信息存贮和传输型式，减小存贮量和传输带宽。     

非周期随机共振抑噪应用研究

研究了噪声和随机二进制信号同时激励双稳系统时的输出响应，并测量了输入输出互相关系数。结果表明，随机共振并不限于周期信号，对于非周期信号也广泛存在。利用双稳系统中的非周期随机共振效应，可以减小随机信号传输中的噪声水平，改善输出信号质量，这在数字通信领域具有十分重要的意义。     

相关乘性和加性高斯白噪声激励下周期势系统的随机共振

研究了外加周期信号作用下,相关高斯乘性和加性白噪声激励下周期势系统的随机共振.利用线性响应理论,计算了系统输出信号的功率谱密度、振幅、相位差.研究结果表明:当加性噪声强度和关联系数不变的情况下,通过调整乘性噪声强度可以出现随机共振;关联系数的正负以及大小对随机共振的影响较小.当乘性噪声强度较小时,输出信号的振幅和相位差曲线有一个单峰出现,即出现随机共振现象,能量从噪声向信号进行转化.随着噪声强度的增大,随机共振现象消失,噪声由增大系统的有序程度渐渐变为增大系统的无序程度.     

极大并联阈值网络中噪声改善信号的相关性

讨论了极大并联阈值网络中噪声改善信号相关性问题。当输入噪声为单峰高斯噪声时，输入信号在阈下时噪声才能改善信号的相关性，即随机谐振现象存在。而当输入噪声为双峰高斯混合噪声时，不仅输入信号在阈下时随机谐振现象有时存在，而且输入信号在阈上时噪声往往也能改善信号的相关性，即阈上随机谐振现象存在。噪声改善信号相关性随着网络中单元数的调整而改善。这些结果进一步说明了随机谐振或阈上随机谐振对噪声分布的依赖性，同时也拓广了随机谐振或阈上随机谐振在数字信号处理方面的应用。     

基于级联双稳随机共振的微弱信号检测方法研究

微弱信号采集、检测与提取是航天测控领域研究的热点之一,学者们不断探索与研究微弱信号检测的新理论、新方法,以期能更快速、更准确地从大噪声背景中检测出微弱信号;文章介绍了随机共振的基本原理,分析了基于随机共振的微弱信号检测和故障诊断的工程实例,进一步指出了随机共振技术在微弱信号的增强放大和检测中的独特优势,为微弱信号的分析和噪声控制提供了一个新的处理思路。     

Stochastic resonance in parallel concatenated turbo code decoding

In an array of threshold devices, we examine the effect of noise in improving performance of turbo code decoding. Such a phenomenon of noise-enhanced effect is termed stochastic resonance (SR). When signal is subthreshold, SR is observed by using Gaussian noise during iterative decoding. That is, the minimal bit error ratio (BER) is achieved at some non-zero noise intensity level. Besides, the larger the number of threshold devices is, the more remarkable the SR effect becomes. Especially when noise intensity is nearly optimal, BER approximates to zero after a few decoding iterations. Moreover, when Gaussian mixture noise is utilized, suprathreshold stochastic resonance (SSR) occurs in turbo decoding. These results show the beneficial effect of noise in channel coding and decoding.     

随机共振技术在弱随机二元码检测中的应用研究

分析了小信号条件下二维双稳Duffing系统的随机共振现象,提出基于Duffing系统随机共振技术的微弱随机二元码检测方法,此方法在不需要知道被检测信号的任何先验知识的条件下,检测微弱随机二元码信噪比可以达到-25dB以下,并可估计出信号波形,计算机仿真验证了该方法的有效性;为强噪声背景下微弱随机二元码的检测提供了一种操作性强、高效的方法。     

应用随机共振研究一组抗癌药物定量结构活性相关

提出了一种基于随机共振理论的定量构效关系研究方法。随机共振现象中存在着将噪声的能量转移给信号,从而提高信号信噪比的机制,是一种处理噪声信号的有效方法。本文将随机共振算法应用于一组抗艾滋病药物的定量构效关系研究,以普遍存在于分子结构描述子之中的误差和冗余变量为噪声,而将与所研究化合物活性之间相关性较好的分子结构描述子作为信号,通过优化非线性系统的参数,实现了随机共振,达到了抑制误差、增强信号的目的。所建四变量模型的统计特性为：n=34,R~2=0.9601,s=0.29,Q~2=0.9508,F=168.62。结果表明,随机共振方法是一种提高定量构效关系模型性能的有效途径。     

Stochastic Resonance in Recurrent Neural Network with Hopfield-Type Memory

Stochastic resonance (SR) is known as a phenomenon in which the presence of noise helps a nonlinear system in amplifying a weak (under barrier) signal. In this paper, we investigate how SR behavior can be observed in practical autoassociative neural networks with the Hopfield-type memory under the stochastic dynamics. We focus on SR responses in two systems which consist of three and 156 neurons. These cases are considered as effective double-well and multi-well models. It is demonstrated that the neural network can enhance weak subthreshold signals composed of the stored pattern trains and have higher coherence abilities between stimulus and response.     

Adaptive stochastic resonance in noisy neurons based on mutual information

Noise can improve how memoryless neurons process signals and maximize their throughput information. Such favorable use of noise is the so-called "stochastic resonance" or SR effect at the level of threshold neurons and continuous neurons. This work presents theoretical and simulation evidence that 1) lone noisy threshold and continuous neurons exhibit the SR effect in terms of the mutual information between random input and output sequences, 2) a new statistically robust learning law can find this entropy-optimal noise level, and 3) the adaptive SR effect is robust against highly impulsive noise with infinite variance. Histograms estimate the relevant probability density functions at each learning iteration. A theorem shows that almost all noise probability density functions produce some SR effect in threshold neurons even if the noise is impulsive and has infinite variance. The optimal noise level in threshold neurons also behaves nonlinearly as the input signal amplitude increases. Simulations further show that the SR effect persists for several sigmoidal neurons and for Gaussian radial-basis-function neurons.