基于卷积型小波包变换的信号消噪算法

提出了卷积型小波包变换，与传统小波包变换相比。在这种小波包变换中不管信号被分解多少层，每层分解得到的各频道序列长度始终与原始信号一致，利用这一性质本文进一步提出并实现了对小波包分解结果利用模极大值法进行消噪的算法。这一算法的思想来自于基于小波变换的模极大值消噪算法，但是由于小波包分解是对小波分解的结果作进一步细分，在小波分解中难于分离的高频噪声将被小波包充分分离与集中到后面的频道，因此基于小波包变换的模极大值消噪算法将会取得比小波消噪更好的效果。文中给出了信号的小波包消噪实例，并与小波消噪的效果进行了对比，结果表明小波包有更优良的消噪效果。  

加性噪声抵消的对称相关函数法

提出了一种新的噪声抵消方法－对称相关函数法，它利用时频分析中的WVD分布分析实信号时零频处的交叉项包含有原信号的所有信息这一特性，定义了对称相关函数，并从理论上分析了它抵消平稳随机过程中与信号不相关的加性随机噪声的机理。仿真结果证明了该方法的有效性。  

高斯随机噪声实时生成实现方法研究

提出了一种面向硬件的任意均值、方差的高斯随机噪声生成方法。改进了传统的采用蒙特卡洛方法实现均匀分布噪声到随机分布噪声的快速转化,采用映射函数方法实现这个转变,最大限度地降低了运算量。实验证明本方法具有快速、高精度等优点。  

基于相似加权滤波的红外图像增强算法

为了有效地增强红外图像,对算法进行了研究;提出了一种相似加权滤波算法和迭代平台阈值算法,将被大量噪声污染的红外图像进行相似加权滤波后,利用迭代法求得统计直方图的平台阈值,对滤波后的红外图像进行平台直方图均衡处理,以提高对比度;实验结果表明,相似加权滤波结合平台直方图均衡的这种算法不但能有效地滤除大量随机噪声,还能提高图像对比度,在效果上优于统计直方图均衡算法.  

第二代Curvelet变换在地震随机噪声衰减中的应用

介绍了具有多尺度与多方向性特点的Curvelet变换的基本原理及实现方法。采用硬阈值法将其应用于地震数据随机噪声衰减中,并进行了仿真计算。结果证明利用Curvelet变换能比较彻底地去掉噪声,去噪后的图像边缘保持良好,滤除噪声同时还保留了有效部分,去噪效果良好,且易于实现,在地震资料处理中具有一定的可行性和应用前景。  

日盲紫外图像的降噪

紫外成像技术已广泛应用于各个领域,但紫外图像中的噪声严重影响了图像的质量。分析了日盲紫外图像的噪声特点,采用多帧平均方法和时域递归滤波算法对日盲紫外图像的噪声进行了处理。仿真实验表明:这两种算法均可用于紫外图像的降噪处理,提高了图像的信噪比,特别是时域递归滤波算法。  

动态双线性工业过程稳态模型的强一致估计

针对双线性动态工业过程,提出一种辨识其稳态模型的方法.该方法利用阶跃信号作为辨识输入信号和过程稳态输出采样值的滑动平均近似稳态输出值,从而构造一种线性矩阵关系,获得其未知系数矩阵的估计.该过程在阶跃输入情况下是一个严格稳定的过程,所以其稳态输出采样值是拟平稳的,从而这种估计是强一致的.数字仿真充分证明了该方法是有效和实用的.  

双向模糊形态联想记忆网络及其抗随机噪声的研究

在文献[1]提出的模糊形态联想记忆网络FMAM的基础上,提出了一种新型的模糊形态学双向联想记忆网络FMBAM,证明了FMBAM的双向联想中能够保证记忆在一步之内完成,因此不存在收敛问题,也表明了FMBAM具有优越的抗腐蚀或膨胀噪声的能力.但是,通常的噪声是随机的,为此,本文提出了动态核的方法,从而较好地提高了FMBAM对随机噪声的抗噪能力.仿真实验验证了利用动态核的双向联想记忆网络FMBAM,在加入较大的随机噪声的情况下,仍能保证完全记忆在一步之内完成.  

基于小波分析的激光陀螺信号处理

随机噪声是影响激光陀螺精度的一个重要因素,其中随机噪声主要是白噪声。利用小波变换理论对激光陀螺数据进行消噪处理是小波的一个最基本的应用。选用Daubechies小波函数作为小波基,采用软阀值方法去除噪声。对某型号的激光陀螺的滤波结果表明了该方法的有效性。  

Sampled-data based average consensus with measurement noises: convergence analysis and uncertainty principle

In this paper, sampled-data based average-consensus control is considered for networks consisting of continuous-time first-order integrator agents in a noisy distributed communication environment. The impact of the sampling size and the number of network nodes on the system performances is analyzed. The control input of each agent can only use information measured at the sampling instants from its neighborhood rather than the complete continuous process, and the measurements of its neighbors’ states are corrupted by random noises. By probability limit theory and the property of graph Laplacian matrix, it is shown that for a connected network, the static mean square error between the individual state and the average of the initial states of all agents can be made arbitrarily small, provided the sampling size is sufficiently small. Furthermore, by properly choosing the consensus gains, almost sure consensus can be achieved. It is worth pointing out that an uncertainty principle of Gaussian networks is obtained, which implies that in the case of white Gaussian noises, no matter what the sampling size is, the product of the steady-state and transient performance indices is always equal to or larger than a constant depending on the noise intensity, network topology and the number of network nodes.