基于AR模型和神经网络的舰船水压信号检测方法

为了有效地从风浪背景中检测舰船水压场信号,根据舰船水压场信号和波浪噪声信号的差异,以时间序列的AR模型理论为依据,采用基于AR模型和神经网络的舰船水压信号检测方法。该检测算法的核心是将检测问题转化为模式识别问题,首先对接收信号建立AR模型并提取AR模型系数作为特征向量,然后利用人工神经网络对信号进行检测。在此基础上,通过不同浪级情况下海浪水压力场的仿真信号数据,对某型目标舰船的水压力信号进行了检测计算,验证了该方法的有效性,尤其是达到了在高海况、低信噪比条件下,对目标信号检测率比较高、虚警率比较低的效果。     

基于小波变换的低信噪比雷达回波快速检测法

根据二进小波变换对信号分解的形式与特性,给出了信号在小波域中广义子波能量的定义,并利用子波变换的多尺度分解特性构造出广义小波能量积累器。在此基础上设计出一种直接利用广义小波能量积累对低信噪比雷达回波信号进行检测的快速算法。仿真实验结果表明,该检测算法对强白噪声及强声背景下的低信噪比信号检测比较有效,对背景噪声具有较好的自适应性,且该检测算法设计简单,执行速度快,可靠性高。     

一种基于小波的改进型带噪话音激活检测算法

提出了一种基于小波的改进型话音激活检测方法.在介绍小波变换、增强型变速率语音编码(EVRC)算法中的语音增强模块原理的基础上,着重讲述了利用小波对语音信号进行分解重构,利用语音增强模块中的判别方法对语音端点进行检测,依据判决更新对检测结果进行修正.通过对不同信噪比下的语音信号进行端点检测,给出了仿真结果及语音帧检测率,证明了该算法的有效性和可靠性.     

利用小波系数对带噪信号进行参数估计

在该文中，首先利用小波阈值对带噪信号进行了去噪，然后利用小波系数对信号进行了参数的估计，利用小波分解的频段特性，自适应地对不同载频信号选取不同的小波系数层次来估计参数。与其它方法相比较，该估计参数的方法能在较低的信噪比下比较准确的计算出信号的到达时间等重要参数，由于是用小波系数对参数进行估计，因此在一定的信噪比范围内对参数的估计受噪声影响较小。满足准确性和实时性的要求。     

小波方法在油井液面检测中的应用

油井液面回波检测是石油探测的重要内容，它决定后续石油开采的成功与否。由于信号幅值小，干扰多，因而采用常规时、频域滤波方法往往不能收到良好的效果。针对这一问题，本文利用信号和干扰在小波变换下的不同变化特性及小波变换的变焦特性设计了小波去噪算法，并根据实际要求选定了小波基和分解尺度，给出了使用小波去噪方法前后的实际结果。对这些结果进行的分析比较表明，小波方法在大幅提高信噪比的同时，也保持了信号的位置信息，因而适合此类信号检测问题。     

基于改进小波变换的语音基音周期检测

基音在许多方面都有比较广泛的应用,比如语音编码、语音识别、语音转换、音乐检索以及发声系统疾病诊断等。针对目前很多小波变换方法在测量基音周期时存在的准确度低、复杂度高、鲁棒性差等缺点,以及在带噪语音环境下,特别是在非平稳噪声下比较难判断语音基音周期的问题,提出了一种基于改进小波变换的语音基音检测方法。首先将每帧带噪信号进行预处理,提取出有话段的信息,消除直流分量;然后在加窗分帧后先进行端点检测,滤波后再分帧;接着再利用小波分解后取低频系数重构信号;最后结合四阶累积法对重构信号进行基音检测。试验结果表明,该方法在不同带噪语音环境下和低信噪比条件下,提高了带噪语音基音检测的准确性。与传统的小波变换法相比,该方法鲁棒性好且计算复杂度低,有利于语音基音周期检测。     

一种基于小波和时频分解的端点检测方法

提出了一种新的基于小波和时频分解的语音端点检测方法。首先通过小渡分解对舍噪信号进行增强，然后采用Matching pursuits算法对去噪信号进行时频分解．使得信号在时频平面上具有较明显的魏格纳能量分布．最后利用该特点设定合适的门限来进行语音端点检测。实验结果表明，该方法对低信噪比的语音端点检测仍有效。     

基于Gabor滤波的引导源目标定位

针对引导源目标定位算法在低信噪比声源信号条件下不能有效定位的问题,在推导了引导源目标定位(GTL,Target localization algorithm using a guide source)算法原理基础上,根据低信噪比条件下GTL算法处理结果的特点,提出了利用Gabor滤波对算法输出条纹图进行降噪处理的方法。利用几组不同信噪比的引导声源和目标声源信号,对基于Gabor滤波降噪处理的GTL算法进行了仿真,并比较分析了其降噪前后引导源目标定位算法的处理结果。仿真结果表明,基于Gabor滤波处理后的GTL算法能准确实现低信噪比条件下的目标声源定位。     

基于小波多尺度分解与GLR的UWB信号检测技术

由于常规窄带信号检测方法不能适用于超宽带信号,为了对超宽带信号进行有效检测,提出了一种基于小波多尺度分解与广义似然比(GLR)相结合的新颖目标检测方法;首先利用小波进行多尺度分解,获得目标所在的位置,通过计算小波域能量,来截取目标信号,由此计算散射中心的分布密度,然后结合利用广义似然比,来实现超宽带信号检测;仿真试验结果表明,该方法与常规的双门限方法相比,在信噪比相同情况下,能获得更好的检测概率,从而体现其优越性.     

基于小波核函数-支持向量算法的信号检测

关于水声信号检测优化问题,对在极低信噪比情况下被背景噪声所淹没的微弱信号进行检测时,由于舰船航行时接收目标信号的噪声较大,使检测更加困难。通过对谐波小波变换和支持向量回归算法的分析,在谐波小波函数的窄带信号分析支持向量回归基础上,提出了一种谐波小波核函数-支持向量回归的信号检测算法,实现小样本情况下微弱信号的检测。通过仿真信号和海上实测噪声数据的分析,利用改进算法可以很好地检测出在极低信噪比情况下噪声背景中的微弱信号,从而验证了改进算法在低信噪比情况下检测线谱信号的有效性。     

基于小波分解的无线电引信目标识别

多普勒无线电引信目标识别的传统的方法是利用多普勒信号的幅值和增幅速率等特征进行目标信号识别.为使无线电引信在强背景噪声干扰的情况下能够正确地识别目标,就需要采取有效的信号处理方法识别目标.文中根据无线电引信回波多普勒信号功率主要集中在低频部分的特点,对淹没在噪声中的无线电引信回波信号进行小波分解,提取在不同频带内信号能量作为特征,用Fisher判别方法对目标进行检测.针对不同信噪比,对某典型无线电引信回波信号进行定量研究,从仿真结果可以得出该文方法能处理信号的信噪比达-7dB,表明该方法是有效的.     

基于小波熵自适应阈值的语音信号去噪新方法

针对语音信号去噪问题, 提出小波熵自适应阈值去噪法。首先利用小波变换分解带噪语音信号, 计算小波分解后信号子带区间的小波熵, 然后将小波熵和自适应阈值相结合确定各层高频系数的阈值门限, 采用折中指数阈值函数对各层高频系数进行去噪处理, 重构降噪后的语音信号, 最后对比小波熵自适应阈值、极大极小阈值、固定阈值和无偏风险阈值去噪方法的性能。实验结果表明, 当输入信噪比为5 dB时, 小波熵自适应阈值去噪法的输出信噪比是最大的, 且其输入输出信噪比曲线高于其他三种阈值去噪法的输入输出信噪比曲线, 从而证实该算法具有更好的去噪性能。     

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.     

基于红外面阵传感器的小目标检测算法

研究了红外面阵传感器图像中小目标的特征,针对目标低信噪比的问题,提出了一种新的单帧红外图像小目标的检测方法。首先用改进的中值滤波对图像进行处理,抑制孤立噪声,然后对图像进行基于提升小波的分解,并用形态学对图像进行背景抑制,最后通过自适应阈值进行二值化分割检测出小目标。实验结果表明：该方法对面阵传感器红外弱小目标有良好的检测效果。     

基于多小波子带加权判别熵的SAR目标ICA特征提取及识别

传统小波独立分量分析(ICA)提取合成孔径雷达(SAR)目标特征时大都采用单一的小波基函数,并且仅利用小波分解低频子带数据进行ICA处理,而忽略了高频子带信息。针对这一问题,采用多类小波基函数对SAR目标图像进行分解;针对得到的所有低频和高频子带数据,引入子带加权的判别熵准则,结合现有的小波ICA算法,提出多小波子带加权判别熵的SAR目标图像ICA特征提取算法。采用MSTAR实测SAR目标图像数据,根据提出算法进行特征抽取,利用最近邻准则进行SAR目标识别。识别结果表明提出算法优于仅利用小波分解低频子带ICA算法。     

基于EMD阈值算法的脉冲涡流信号消噪

针对脉冲涡流信号夹杂着较多的高频噪声,提出了一种新的经验模态分解阈值消噪算法。首先将信号分解为多个本征模态函数（Intrinsic Mode Function,IMF）,对信噪比低的高频IMF进行减小噪声能量处理后得到重组信号;再对重组信号进行EMD分解后根据白噪声统计特性对IMF筛选,对噪声含量多的IMF进行小波阈值消噪;最后将处理过的IMF与噪声含量少的IMF重构得到消噪后的信号。实验仿真的结果和数据表明,该方法可以减少失真,获得更高的信噪比,能够较好地消除噪声的干扰恢复出原始的信号。     

高压水射流靶物反射声信号的特征提取方法

为了提高利用高压水射流靶物反射声信号识别靶物材质的效率,针对地雷探测过程常见的地雷、石块、砖块和木块4种靶物,采用不同的特征提取方法来识别靶物材质。在分析Mel频率倒谱系数及小波包变换倒谱系数基本原理的基础上,结合靶物反射声信号的特点,提出了一种基于Mel频率倒谱和小波包变换倒谱特征融合的特征提取方法:利用小波包变换将原始靶物反射声信号划分为若干子频段,选取其中一个子频段作为低频和高频的划分层;低频部分提取Mel频率倒谱系数作为特征值,高频部分则提取小波包变换倒谱系数作为特征值,将2组特征值线性合并为一组新的特征向量,用于靶物材质的识别。采用最小二乘支持向量机建立多分类模型,验证基于单一特征和基于特征融合的特征提取方法的识别率。实验结果表明,在取得低频与高频的最佳划分层时,基于特征融合的特征提取方法的平均识别率达到82.812 5%,较单一的利用Mel频率倒谱系数或小波包变换倒谱系数作为特征向量时的平均识别率分别提高了10.312 5%和7.812 5%。     

基于FPGA的信号小波实时处理方法

根据小波去噪的原理及特点,提出了用FPGA实现小波实时信号处理的方法。实验结果证明采用FPGA实现小波信号处理能在低信噪比的情况下有效去除噪声,同时能够满足信号处理系统的实时性要求。     

非高斯噪声背景下小波阈值算法分析

针对小波阈值算法以高斯噪声为研究背景的局限性,为解决硬阈值函数不连续和软阈值函数估计小波系数和分解小波系数存在恒定偏差的问题,在非高斯噪声背景下提出一种新的小波阈值算法。新阈值函数从Garrote阈值改进而来,引入了高阶幂函数。该算法首先对加入一类非高斯噪声的信号进行小波分解,然后根据新的阈值函数对每层高频小波系数进行量化,最后用小波分解的低频系数和处理过的高频系数重构信号。在非高斯噪声背景下进行的仿真结果表明,新阈值函数去噪相对于软阈值、硬阈值、两类改进阈值以及Garrote阈值在信噪比和最小均方误差上都得到了改善。