基于小波降噪的稀疏傅里叶变换时延估计

稀疏傅里叶变换时延估计具有较低的运算时间复杂度,但在低信噪比时无法准确估计出时延.针对稀疏傅里叶变换时延估计在噪声干扰下时延估计精度下降的缺点,提出了基于小波降噪的稀疏傅里叶变换时延估计算法.算法利用小波降噪方法处理接收到的信号,再对降噪后的信号进行稀疏傅里叶变换广义相关,通过检测相关函数的谱峰得到估算的时延值.实验仿真以及对实测数据的验证均表明,在低信噪比条件下,基于小波降噪的稀疏傅里叶变换时延估计算法在保证数据高处理速度的同时,具有较好的抗噪性以及较高的时延估值精确度.     

稀疏低秩模型下的单通道自学习语音增强算法

针对现有基于字典学习的增强算法依赖先验信息的问题,基于矩阵的稀疏低秩分解提出一种无监督的单通道语音增强算法。该算法首先通过稀疏低秩分解将带噪语音的幅度谱分解为低秩、稀疏和噪声三部分,然后通过对低秩部分进行自学习构建出噪声字典,最后利用所得噪声字典和乘性迭代准则于低秩和稀疏部分中分离出纯净语音。相较于其他基于字典学习的语音增强算法,本文所提算法无需语音或噪声的先验信息,因而更加方便和实用。实验结果显示,本文算法能够在保留语音谐波结构的同时有效抑制噪声,增强效果明显优于鲁棒主成分分析和多带谱减法。     

基于全卷积神经网络与低秩稀疏分解的显著性检测

为了准确检测复杂背景下的显著区域,提出一种全卷积神经网络与低秩稀疏分解相结合的显著性检测方法,将图像分解为代表背景的低秩矩阵和对应显著区域的稀疏噪声,结合利用全卷积神经网络学习得到的高层语义先验知识,检测图像中的显著区域.首先,对原图像进行超像素聚类,并提取每个超像素的颜色、纹理和边缘特征,据此构成特征矩阵;然后,在MSRA数据库中,基于梯度下降法学习得到特征变换矩阵,利用全卷积神经网络学习得到高层语义先验知识;接着,利用特征变换矩阵和高层语义先验知识矩阵对特征矩阵进行变换;最后,利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解,并根据分解得到的稀疏噪声计算显著图.在公开数据集上进行实验验证,并与当前流行的方法进行对比,实验结果表明,本文方法能够准确地检测感兴趣区域,是一种有效的自然图像目标检测与分割的预处理方法.     

小波分析在管道缺陷超声检测中的应用

在管道缺陷超声无损检测中，作为检测基本数据的脉冲反射回波信号受到电子噪声(包括热噪声和量化噪声)和结构噪声的干扰，使材料的缺陷信号变得难以识别。小波变换借助于时．频局部分析特性，已成为现代信号处理中的一种重要方法。在阐述小波变换基本原理的基础上，研究了管道超声缺陷信号的小波分解与重构。利用此方法对超声信号进行分析，可方便地识别是否存在缺陷以及缺陷的位置。     

基于K-SVD超声渡越时间获取方法研究

在超声回波检测信号中,反映污垢特征的冲击信号非常微弱,容易被噪声淹没。针对信号稀疏分解中常用匹配追踪分解不够准确的问题,提出基于K-SVD奇异值分解的超声渡越时间获取方法,利用K-SVD训练得到超声回波信号的过完备字典,结合正交匹配追踪进行局部搜索适配原子,以提高信号稀疏分解的速度和准确度。基于Comsol Multipysics仿真软件建立充液污垢管道三维有限元模型,研究了超声回波传播特性规律。将K-SVD算法应用于超声回波仿真信号和换热污垢管道回波检测信号的处理,并与原始小波训练字典进行对比。结果表明：改进的K-SVD字典学习算法能够在提高信号稀疏分解的同时,获得较好的降噪结果和污垢特征信息提取,对超声检测信号的处理具有实际意义。     

基于稀疏分类算法的矿物传送设备故障诊断方法

针对现有基于特征频率识别的矿物传送设备故障诊断方法存在易受强噪声干扰的问题,提出了基于稀疏分类算法的矿物传送设备故障诊断方法。首先,利用计算机测取设备已知故障类型的振动信号,并对其进行傅里叶变换;然后,以傅里叶变换系数构造训练字典,将待测故障类型的振动信号傅里叶变换系数在该训练字典上进行稀疏分解,求取稀疏系数;最后,利用重构信号最小误差判别故障类型。仿真和测试结果表明,该方法能有效诊断出矿物传送设备中轴承的故障类型,为煤矿传送设备的故障监测提供了一种新方法。     

基于EMD的谱峭度方法在滚动轴承故障检测中的应用

针对传统谱峭度方法中短时傅里叶变换不能保证对瞬态脉冲这种高度非平稳信号最优分解效果的问题,提出一种基于经验模式分解的谱峭度方法;该方法首先利用经验模式分解和Hilbert变换得到信号的时频分布,然后将信号的时频分布按照不同层数分成若干频段,通过计算各频段的峭度值得到相应的峭度图,再根据峭度最大原则选择滤波频段进行带通滤波,最后对滤波信号采用包络分析确定故障信息;实验结果表明:相比基于短时傅里叶变换的谱峭度方法,文章方法更能准确的获得轴承加速度信号的故障特征频率信息。     

基于EMD的谱峭度方法在滚动轴承障检测中的应用

针对传统谱峭度方法中短时傅里叶变换不能保证对瞬态脉冲这种高度非平稳信号最优分解效果的问题,提出一种基于经验模式分解的谱峭度方法;该方法首先利用经验模式分解和Hilbert变换得到信号的时频分布,然后将信号的时频分布按照不同层数分成若干频段,通过计算各频段的峭度值得到相应的峭度图,再根据峭度最大原则选择滤波频段进行带通滤波,最后对滤波信号采用包络分析确定故障信息;实验结果表明:相比基于短时傅里叶变换的谱峭度方法,文章方法更能准确的获得轴承加速度信号的故障特征频率信息.     

压缩感知观测信号的低秩稀疏分解

低秩稀疏分解是可应用于视频监控的一种视频分析方法,与满足Nyquist定理的采样信号相比,压缩感知观测信号的低秩稀疏分解难度更大。借鉴在低秩稀疏分解时将信号投影到其低秩部分的正交空间方法,提出先压缩观测再投影与先投影再压缩观测两种不同的压缩观测与投影方法,推导出每种方法的投影与压缩观测合并算子,分别对稀疏前景与低秩背景进行压缩感知重构,实现时变稀疏信号压缩观测的低秩稀疏分解。由于背景的缓慢变化会使低秩矩阵的正交空间发生改变,应用结构相似度来判断相邻帧低秩矩阵的变化情况,并估计该正交空间是否需要更新。实验结果表明,与SpaRcs方法相比,该方法能够在较低的压缩采样率下实现更精确的信号低秩背景与稀疏前景的直接分离重构,每帧图像压缩感知重构结果的峰值信噪比最多能够提高2 dB左右。     

基于改进NMF与相位补偿的胎心音降噪算法

在孕妇体表,通过声音传感器对胎儿心音信号进行采集,结果通常包含多种噪声,常用的滤波方法无法取得满意的降噪效果。为了能够更好地滤除与胎儿心音信号同频的噪声信号,提出改进的非负矩阵分解算法(NMF),对短时幅度谱利用奇异值分解得到用于NMF的特征数和初始化矩阵,对NMF增加L2,1稀疏限制,使分解得到的胎心音特征呈现更多细节;对短时相位谱采用了增加稀疏限制的相位补偿算法(PSC)。实验结果表明：与常用降噪方法相比,该方法的信噪比至少提升0.52 dB,能更好保留胎儿心音信号特征。     

船舶噪声干扰下基于LS线性回归的水声频率估计算法

针对船舶噪声干扰和离散傅里叶变换带来的栅栏效应问题,提出基于最小二乘线性回归的水声频率估计算法。算法利用离散傅里叶变换实现接收信号的频率粗估计,对得到的频率粗估计误差信号进行加窗求和,再利用最小二乘线性回归,得到频率粗估计的误差,最终实现频率的精准估计。仿真结果表明,所提算法在低信噪比下也能实现频率的精准估计,水箱和胶州湾水下试验验证了所提算法在船舶噪声干扰下的有效性。     

基于稀疏与低秩的核磁共振图像重构算法

已有的基于压缩感知的核磁共振图像重构算法仅利用了数据的稀疏性或矩阵的低秩性,并没有充分利用图像数据的相关性先验知识.针对这一问题,提出了一种新型的应用于二维核磁共振图像重建的算法模型.与传统的单一利用原始数据的稀疏性或矩阵低秩性进行重建的方法不同,该方法同时利用了图像数据的稀疏性与矩阵的低秩性.矩阵低秩部分使用应用赤池信息量准则的奇异值分解阈值方法,数据稀疏部分使用全变分作为稀疏变换基.实验结果表明,该方法在相同的采样率下与应用赤池信息量准则的奇异值分解阈值方法、全变分方法和奇异值分解阈值方法相比大大提升了重建图像的质量.     

大气湍流下退化序列图像的目标检测方法

为解决大气湍流退化序列中运动目标检测困难的问题,提出了一种结合低秩分解和检测融合的目标检测方法。首先,根据退化视频中湍流运动分量的稀疏分布特点,采用低秩矩阵描述法将每帧图像分解为低秩稳像和稀疏运动两部分,初步实现场景和湍流运动的粗分离。其次,由于稀疏部分中包含目标在内的整个场景的稀疏运动量,引入自适应阈值法剔除干扰量,分割目标并填补其中空洞;对于无湍流偏移干扰的低秩部分,采用高斯建模获得低秩中的前景区域。最后,对两部分检测结果进行联合判定,从而获得准确的目标检测结果。实验表明,本文方法目标提取的准确度较高,明显优于当前经典检测方法,在强湍流条件下检测结果仍较为理想。     

生态型机械加工过程设备叠加振动检测仿真

生态型机械加工的特殊性导致其容易产生大量振动.为及时发现其中的故障隐患,提出基于偏最小二乘法的设备叠加振动检测方法.首先利用连续小波变换提取设备振动信号特征,并归一化处理信号特征,从而构建多特征属性集成模型;然后使用傅里叶变换得到设备信号内的非稳定信号,并采取短时傅里叶变换获得振动信号功率谱,再根据各采样点间的马氏距离获得全新的频域空间矩阵.将满足正态分布状态的信号划分为叠加信号,在信号频域空间实施偏最小二乘分解,从而实时评估生态型机械设备故障情况.仿真结果表明,上述方法能有效判别叠加振动信号与常规信号,检测精度高,具有较高的实用价值.     

认知无线电中一种基于秩准则的鲁棒多天线盲频谱感知算法

在多天线感知场景中,噪声不确定的存在使得经典的能量检测算法的感知性能表现出不稳定性。基于多天线接收信号的统计协方差矩阵为秩-1矩阵这一事实,提出一种基于秩准则的频谱感知方法。该方法首先将取样协方差矩阵分解为具有未知秩的理想信号矩阵和噪声扰动矩阵之和,然后采用秩检测准则估计接收信号子空间的最佳维数,最后利用该值判断信道的状态。与经典的能量检测方法相比,新方法对噪声不确定性具有良好的鲁棒性,且属于全盲检测方法。具体而言,新方法在感知判决过程中,无需事先知道噪声方差以及主用户信号和无线信道的统计特征。仿真结果验证了基于秩准则的多天线频谱感知算法的有效性。     

正交频分复用系统中的判决反馈干扰消除方法

针对正交频分复用系统中Hadamard载波干扰矩阵估计方法估计效果差,提出了基于判决反馈的载波干扰矩阵估计方法.该方法根据载波干扰矩阵可用傅里叶变换矩阵对角化的特性,通过离散傅里叶变换的输出来估计载波干扰系数,再根据符号判决结果更新载波干扰矩阵,可较快地跟踪信道的快速衰落.实验仿真表明,该方法与Hadamard载波干扰矩阵估计方法相比,结合比特交织编码调制技术可进一步提高系统的载波干扰消除能力.     

基于SFFT的宽带信号互谱法测向算法

在无线电频谱监测中,随着数据采集能力和采样频率的不断提高,对算法的时效性提出了更高要求。对于宽带信号测向系统,提出基于稀疏快速傅里叶变换的互谱法相位测量算法,该算法利用信号频域的稀疏特性,通过频谱重排、滤波、降采样和估值,能快速计算出频谱中K（信号稀疏度）个拥有最大值的傅里叶系数。利用这K个大值点计算平均时延,在保证与传统快速傅里叶变换有相同精度的同时,降低算法的时间复杂度。分析表明,该算法的时间复杂度与信号稀疏度K呈亚线性关系。该方法提高了算法效率。仿真分析对比了基于稀疏快速傅里叶变换的互谱法和基于快速傅里叶变换的互谱法的误差,表明了该算法的有效性。     

基于截断核范数低秩分解的自适应字典学习算法

针对过完备字典直接对图像进行稀疏表示不能很好地剔除高频噪声的影响,压缩感知后图像重构质量不高的问题,提出了基于截断核范数低秩分解的自适应字典学习算法。该算法首先利用截断核范数正则化低秩分解模型对图像矩阵低秩分解得到低秩部分和稀疏部分,其中低秩部分保留了图像的主要信息,稀疏部分主要包含高频噪声及部分物体轮廓信息;然后对图像低秩部分进行分块,依据图像块纹理复杂度对图像块进行分类;最后使用K奇异值分解（K-single value decomposition, K-SVD）字典学习算法,针对不同类别训练出多个不同大小的过完备字典。仿真结果表明,本文所提算法能够对图像进行较好的稀疏表示,并在很好地保持图像块特征一致性的同时显著提升图像重构质量。     

基于压缩感知的自适应稀疏子脉冲成像方法

基于空中运动目标回波信号的稀疏特性,提出了一种基于压缩感知（CS）的线性调频步进信号（SFCS）稀疏子脉冲自适应高分辨雷达成像方法。在对目标进行稀疏成像时,根据目标回波稀疏特性与发射信号子脉冲数之间的关系,建立相应的稀疏子脉冲动态闭环反馈系统,实现发射信号子脉冲数量的自适应调整;结合各脉冲簇中子脉冲的稀疏情况,建立相应的部分逆傅里叶变换基矩阵,并利用正交匹配追踪（OMP）算法对目标高分辨距离像（HRRP）进行重构处理,进而实现对目标的高分辨成像。仿真结果验证了该方法的有效性。     

拉普拉斯分布下的MMSE谱减语音增强算法

针对基于高斯分布的谱减语音增强算法,增强语音出现噪声残留和语音失真的问题,提出了基于拉普拉斯分布的最小均方误差（MMSE）谱减算法。首先,对原始带噪语音信号进行分帧、加窗处理,并对处理后每帧的信号进行傅里叶变换,得到短时语音的离散傅里叶变换（DFT）系数;然后,通过计算每一帧的对数谱能量及谱平坦度,进行噪声帧检测,更新噪声估计;其次,基于语音DFT系数服从拉普拉斯分布的假设,在最小均方误差准则下,求解最佳谱减系数,使用该系数进行谱减,得到增强信号谱;最后,对增强信号谱进行傅里叶逆变换、组帧,得到增强语音。实验结果表明,使用所提算法增强的语音信噪比（SNR）平均提高了4.3 dB,与过减法相比,有2 dB的提升;在语音质量感知评估（PESQ）得分方面,与过减法相比,所提算法平均得分有10%的提高。该算法有更好的噪声抑制能力和较小的语音失真,在SNR和PESQ评价标准上有较大提升。