粒子滤波和独立分量分析的含噪信号盲分离算法研究

研究了两阶段含噪独立分量分析算法来解决含噪信号盲分离问题。第一阶段,通过粒子滤波实现对不含噪混合信号的估计,将含噪独立分量分析转化为不含噪的独立分量分析;第二阶段用现有的FastICA算法从估计的不含噪混合信号中提取出源信号。不含噪混合信号的时变自回归模型和含噪与不含噪混合信号之间的关系构造了动态的状态．空间方程。该方程的特点是多变量、过程和观测噪声不限于高斯分布,粒子滤波是解决该问题的有效方法。提出了解决含噪独立分量分析的PF＋FastICA算法,仿真试验表明所提出的算法性能优于相关文献的结果。     

一种有效的振动信号分离算法

振动信号包含随机成分与周期成分 ,其中的随机成分占据了很宽的频域 ,其能量极易引起其它设备特别是电子设备的共振 ,从而导致设备失效。为评估随机成分对设备的影响 ,需要将周期成分从振动信号中去除。为此 ,首先使用ARMA建模法对振动信号中周期成分出现的频率位置进行估计 ,然后设计阻带带宽极窄 (小于 0 .5Hz)的V型滤波器来完成相应的滤波。实验表明本文中的方法能有效地去除振动信号中的周期成分 ,而完整地保留随机成分     

谐波干扰作用下柔性结构振动的增益调度H∞控制

针对柔性结构受到随系统运行工况的变化而改变频率的谐波干扰作用下的振动控制问题，提出了一种新的增益调度H∞控制器设计方案，首先，对谐波干扰信号建模，并将该模型与系统结构模型结合形成广义模型，然后，选取二次性能指标将谐波干扰作用下振动抑制问题转换为标准的H∞控制器设计问题，最后，采用增益调度技术对典型谐波频率所设计H∞控制器的输出进行模糊加权插值，从而获得随谐波干扰频率变化的控制器输出，通过与LQC和一般的H∞控制器进行数值的仿真比较，验证了方法的有效性。     

水下目标信号的Lofar谱图特征的主分量分析研究

研究一种基于Lofar谱图特征和主分量分析的水下目标信号的特征处理方法。首先介绍了这种方法的应用背景．给出了舰船辐射噪声的结构和Lofar谱特征的提取方法。在简单介绍了主分量分析的有关基础知识和数学解法后，对于海上测量获得的舰船辐射噪声信号进行特征提取，利用主分量分析的方法对提取的特征向量进行降维处理。针对主分量分析处理前后的特征向量，采用结构自适应模糊聚类神经网络分类器分类，与直接对Lofar谱特征分类相比，主分量提取后的分类准确率有明显提高。     

基于小波软阈值降噪的内燃机缸盖振动信号时域识别

针对内燃机缸盖振动信号信噪比低且呈宽带、非平稳、时变特性,本文首先采用了基于软阈值的小波紧缩降噪方法进行处理,从而有效地突出了缸盖在不同时刻所受到激励的响应信号;然后,对降噪后的时域响应信号分别建立二阶AR模型,以模型参数作为模式识别特征参数;最后,采用感知器神经网络对特征参数进行识别与分类.由于缸盖振动信号信噪比的有效提高,使得对缸盖振动信号的时域识别和分类取得了很好的结果.通过对实验数据的处理,进一步验证了方法的有效性.     

柴油发动机气缸压力和燃烧始点的辨识

在柴油发动机气缸压力的识别过程中，针对缸盖振动信噪比较低的问题，提出了对RBF网络训练样本进行时域统计平均降噪的方法，同时在对燃烧始点的辨识中应用了Kaiser差分器。时域统计平均有效提高了信号的信噪比，对柴油发动机气缸压力的恢复获得了很好的结果；Kaiser差分器有效提高了对燃烧始点的辨识。通过实践证明，该计算方法可以有效地从柴油发动机缸盖振动信号恢复气缸压力，并进一步辩识燃烧始点。     

结构振动的H_2/H_∞混合最优控制

讨论了柔性结构振动的混合Ｈ２／Ｈ∞最优控制问题、结构振动控制器的鲁棒稳定性转化为Ｈ∞最优控制问题,以及振动控制的最优二次性能转化为Ｈ２最优控制问题,并提出了利用遗传算法求解Ｈ２／Ｈ∞的方法。通过结构振动主动控制的计算机仿真,表明用遗传优化算法解Ｈ２／Ｈ∞最优控制是有效的。仿真结果还表明,Ｈ２和Ｈ∞性能指标是相互矛盾的,本方法能有效地处理Ｈ２和Ｈ∞性能指标的折衷问题,以得到闭环系统的鲁棒稳定性和良好的时域性能。     

舰船噪声波形结构特征提取及分类研究

本文系统深入地地分析研究了舰船噪声信号的时域波形结构特征,利用舰船器声信号的过零点,峰间幅值,波长差,波列面积分布以及时域特性提取技术,     

水下目标识别的特征融合分类器设计

本文对水下目标识别中的特征融合技术进行了研究,讨论了特征融合技术中的问题和解决途径,并给出了特征融合分类器的特性;设计了模糊融合分类器,给出了具体的算法.该分类器对样本在模式空间中的分布不做任何假定,注重类别间的相互约束,强调各个模式的独立作用,用类似于模糊并运算的方式综合这些作用.在实际应用中,通过与已有的分类器比较,表明模糊融合分类器能够综合多种信号特征,有效地提高了分类性能.     

一种任意信号源盲分离的高效算法

提出了信号源盲分离的DBBSS算法.利用随机变量概率密度函数非参数估计的核函数法,对混合信号的概率密度函数及其导数进行估计,并由此估计信号的评价函数(score function).解决了现有信号源盲分离算法中,普遍存在的非线性函数只能凭经验选取,以及混合信号同时包含超高斯信号和亚高斯信号时,算法失效的问题.该方法非常简单,可以直接应用于所有以非线性函数代替评价函数的信号源盲分离算法.仿真结果验证了算法的有效性.