基于最大相关熵准则的水下生物脉冲噪声消除方法

近海生物噪声表现为脉冲噪声,这一类噪声显著降低了水声通信系统的性能。结合水声信道的稀疏特性,提出一种基于最大相关熵准则的级联滤波器算法,该算法实现了脉冲噪声的消除及稀疏信道估计。第一级自适应滤波器完成对噪声的消除工作,第二级滤波器对去噪后的信号进行稀疏信道估计。该方法的优势在于无需知道信号和噪声的相关信息。仿真结果表明,提出的方法比单一的滤波器结构和传统信道估计算法性能更加优越。     

基于深度神经网络的水声FBMC通信信号检测方法

针对传统水声滤波器组多载波（Filter Bank Multi-Carrier,FBMC）通信接收端需经过信道估计和均衡才可恢复出发送符号,系统复杂度高且信道估计精度不佳等问题。文章将深度神经网络融入到水声多载波通信当中,提出一种基于深度神经网络的水声FBMC信号检测方法。在训练阶段通过大量的数据迭代、调试超参数和优化算法来改善深度神经网络参数,使其具有预期的估计效果。利用训练完成的深度神经网络模型取代传统FBMC通信系统接收端的信道估计、均衡等模块,自适应地学习水声信道状态信息,同时避免了固有的虚部干扰影响。在测试阶段直接将频域序列作为网络的输入来预测发送的二进制序列,仿真结果表明所提出的基于深度神经网络的FBMC信号检测方法相比传统信道估计算法有更好的误码率性能。     

EEMD与改进小波阈值结合应用于心电信号去噪研究

心电信号监测过程中噪声是不可避免的,目前主要采用EEMD算法对观测信号所带有的噪声进行滤除,但该方法会直接丢弃高频噪声主导的低阶IMF分量或低频噪声主导的余项,导致部分有用信息丢失。为此,文中提出将改进的小波阈值与EEMD相结合,应用于心电信号去噪。改进的阈值方法能有效地去除各IMF分量噪声,再将处理后的各分量叠加,得到去噪的心电信号。通过真实监测信号实验进行验证,结果表明,所提方法具有较好的去噪声和重构效果,能够完整地保留QRS特征。     

基于小波包分解和PCA-Attention-LSTM的舰船辐射噪声识别技术

为了改进舰船辐射噪声分类系统的性能,进一步提高识别准确率,文章提出了一种基于多特征的小波包分解在长短期记忆(LongShort-TermMemory,LSTM)网络中分类的方法。该方法首先通过小波包分解技术,分频段提取舰船辐射噪声的多种特征,将提取的特征利用主成分分析法(Principal Component Analysis, PCA)进行数据降维,通过添加注意力机制(Attention Mechanism)算法的LSTM网络,对辐射噪声结果分类,提高了学习效率和识别准确率。为了更精细地提取特征,分频段提取了舰船辐射噪声的时频域特征、小波变换特征和梅尔倒谱系数等特征,并将分频段与不分频段的特征、多特征与单一特征、不同信噪比间的算法性能进行对比。实验结果表明,基于小波包分解和PCA-Attention-LSTM的模型可以有效地提高舰船辐射噪声分类的性能,是一种可行的分类方法。     

基于多层双向长短时记忆网络的水声多载波通信索引检测方法

索引调制滤波器组多载波(FBMC-IM)水声通信系统在进行信号检测时,需要先根据均衡后子载波上承载的恢复数据判断出活跃子载波的位置。针对传统检测方法估计索引信息时计算复杂度高且准确度较低的问题,该文结合双向长短时记忆网络(BLSTM)对时序信号进行特征提取的优势,将深度学习理论引入水声信号处理的概念,提出一种基于多层BLSTM的水声通信信号索引检测方法。该方法将传统索引检测问题转化为数据驱动的多元分类问题,在提高估计性能的同时降低了计算复杂度。基于湖试测得的水声信道数据仿真验证了该方法的优越性和鲁棒性,可以作为索引调制机制下的一种通用检测手段。