一种盲自适应随机共振数字基带信号处理方法

随机共振能够明显提高输出信噪比,在信号处理领域得到了广泛关注。与传统噪声调节随机共振相比,参数调节随机共振增强了随机共振的鲁棒性,但面临如何选取最佳系统参数的问题。以峭度和负熵来度量非线性系统输出信号的概率分布情况,找出了输出信号的概率分布特性与最佳系统参数之间的对应关系。在此基础上,提出一种盲自适应随机共振方法,并将其应用于数字基带二进制信号处理之中。该方法利用输出信号的峭度或负熵数值引导非线性系统参数迭代,使之自适应达到随机共振状态。该方法可解决最佳系统参数的选取问题,能够增强随机共振的灵活性及鲁棒性。利用MATLAB软件搭建随机共振仿真平台对提出方法进行了实验验证,仿真结果表明,该方法能够迅速收敛到最佳系统参数值,进而明显提高输出信号的信噪比。     

基于双稳态随机共振的图像复原技术研究

传统的图像滤波复原技术一般通过滤除噪声来达到恢复图像的目的,但是对于受强噪声干扰的图像,噪声的消除很困难,而随机共振却具有利用噪声增强信号的特点,因此,提出了以非线性双稳态系统作为信号处理器,根据互信息熵调节参数使系统达到非周期随机共振状态,从而对受噪声污染的图像进行复原处理。实验结果表明,相比传统滤波复原方法,该方法的复原结果更加接近于原图,另外对于噪声强度的变化具有较好的鲁棒性。     

Levy噪声下基于自适应级联三稳随机共振的4FSK信号检测

针对Levy噪声背景下数字信号检测效率较低的问题,提出了一种基于自适应级联三稳态随机共振的4FSK信号提取新方法,并与4FSK信号传统调制解调模型作对比。模拟并比较了自适应级联三稳态随机共振系统模型和传统模型的输出信号误码率。数值仿真实验结果表明,与传统调制解调模型相比,4FSK信号在经过自适应级联三稳态随机共振系统模型解调后的输出信号误码率相较于传统调制解调模型要平均降低了4%,且时域图像更为清晰,毛刺明显减少,频谱幅值大幅提升。该实验的成功表明随机共振系统对冲击噪声中的数字信号检测有很强的应用前景。     

双稳态自适应随机共振的强噪声图像复原研究

传统的图像滤波复原技术一般都是对图像中的噪声加以抑制或消除,但图像在强噪声污染时传统的方法消除噪声很困难。根据随机共振可以利用噪声增强弱信号的特性,提出了一种通过比较互信息熵,自适应调节参数使双稳态系统达到随机共振来复原含噪图像的方法。实验结果表明,在强噪声背景下与传统滤波复原方法相比,该方法复原信噪比更高,鲁棒性好,改善了图像复原的效果。     

基于单稳随机共振的语音增强处理

针对双稳系统结构参数不利于调节的问题,该文提出了一种基于单稳态随机共振系统进行语音增强的方法。该方法通过调节只有一个系统结构参数的单稳态随机共振系统的结构参数,即可使微弱信号与噪声在非线性系统中达到匹配的状态,从而噪声的能量向信号转移,实现信号增强的目的。通过实验仿真发现,利用本方法输出信噪比提高了4.4d B,因此该方法对语音信号的增强有一定的效果,且系统结构参数更易于调节。     

纳米碳管气体放电气敏传感器中随机共振现象的研究

在对某些非线性动力学系统中,存在着随机共振现象,它不是通过消除噪声而是利用噪声来达到检测微弱信号的目的,随机共振是非线性动力系统中的普遍现象,它向人们展示了噪声在非线性体系中的积极作用.本文对纳米碳管气体放电气敏传感器中的随机共振现象进行了研究,利用纳米碳管电极作为气敏传感器阳极,在以空气为目标气体的传感器检测系统中观察到二重随机共振现象.提取放电周期脉冲信号,利用高斯白噪声调制放电周期脉冲信号,输出信噪比的仿真结果与实际观察到的二重随机共振现象一致.     

小信号检测中的自适应随机共振技术

就双稳态非线性系统的结构参数和弱信号及噪声之间的关系进行了仿真，对随机共振技术运用于强噪声背景下的弱信号检测进行了研究。首先研究了双稳态非线性系统的方程式，并指出影响随机共振的三个要素是：系统两稳态之间存在势垒(阈值)；低于势垒的小信号和噪声。提出了一种随机共振自适应算法，并运用于中频电源故障信号检测，取得了较好的效果。     

用同频色噪声驱动的双稳系统分离弱信号

设计了将线性滤波器与随机共振装置串联处理信号、噪声的装置.这一装置模拟了在周期信号与单色同频噪声作用下的随机共振系统.实验表明,这一设计十分有利于在强噪声弱信号输入下提高输出信噪比,是将弱信号从强噪声背景下分离出来的新的强有力的工具.对上述非线性系统产生随机共振的物理机制也进行了定性的说明.     

基于离散双向联想记忆神经网络的多元通信系统

针对噪声导致非线性数字通信系统传输信号的差错概率增加的问题，提出一种基于离散双向联想记忆（BAM）神经网络的多元通信系统。首先，根据需要传输的信号，选取适当的神经元数量和记忆向量，计算权值矩阵，并生成BAM神经网络；然后将多元信号映射为具有调制幅度的初始输入向量并不断输入系统，通过神经网络进行循环迭代，并向各神经元添加高斯噪声，之后按照码元间隔采样输出并在无损信道中传输，接收端依据判决规则译码判决；最后在图像处理领域，利用所提系统传输图像压缩后的数据并解码恢复图像。仿真结果表明，对于码元间隔较大的弱调制信号，随着噪声强度的增加，差错概率先减后增，随机共振现象比较明显；差错概率还与信号的进制数呈正相关关系，与信号幅度、码元间隔和神经元个数呈负相关关系，某些条件下，差错概率可以达到0。以上结果表明BAM神经网络可以通过噪声改善数字通信系统的可靠性。另外，解码恢复图像的相似度显示了适量噪声对图像恢复效果的改善，扩展了BAM神经网络和随机共振在图像压缩编码中的应用。     

基于ＦＨＮ神经元自适应多通道随机共振图像增强

为了解决图像受到采集设备以及外界噪声干扰，导致图像质量出现不同程度退化的问题，本文提出一种基于FHN神经元自适应的多特征并行通道级联随机共振图像增强方法。首先将原始输入图像分解为朝向、亮度以及亮度对比度等特征信息独立通道；然后构建基于遗传算法的自适应随机共振多特征并行通道对输入信息流并行处理机制，通过遗传算法求解每一个通道FHN神经元随机共振系统的最优参数，以实现特定噪声自适应最优FHN神经元参数设置，达到非线性FHN神经元、图像信号以及噪声之间的共振协同作用；最终对并行多通道的输出特征增强信息进行融合，再通过一个级联FHN神经元对融合数据做深度优化，实现FHN神经元非线性系统和输入带噪声输入图像的最佳匹配。本文以本实验室基于常规微生物学实验需要而采集的菌落图作为实验对象，采用仿自然光悬浮式暗视野系，以F/1.4大光圈镜头，对培养后皮氏培养皿上所生长的菌落进行了千万像素级的成像。通过与其它图像增强算法对比实验结果证明了本文方法的有效性和鲁棒性，PSNR值保持在35以上，对于在保持菌落图像细节的基础上对于原图像具有很好的增强效果。通过利用随机共振的机制，设计的多特征独立通道的自适应随机共振信息增强处理方法，为图像增强方法提供了新的思路以及后续的图像处理任务提供了基础。     

非周期随机共振抑噪应用研究

研究了噪声和随机二进制信号同时激励双稳系统时的输出响应，并测量了输入输出互相关系数。结果表明，随机共振并不限于周期信号，对于非周期信号也广泛存在。利用双稳系统中的非周期随机共振效应，可以减小随机信号传输中的噪声水平，改善输出信号质量，这在数字通信领域具有十分重要的意义。     

双稳态随机共振机制及其在图像复原中的应用

强噪声背景下的图像复原对于改善目标图像的视觉效果,提高后续图像分析或处理的性能起着关键性作用。首先研究双稳态非线性系统的随机共振非周期响应;然后通过多方向Hilbert扫描法,在保持图像像素空间相关性的基础上,将2维灰度图像转换为多个1维非周期信号序列;最后利用双稳态系统、图像信号以及噪声之间的随机共振协同作用,实现强噪声背景灰度图像的复原。实验结果表明,随机共振复原方法在较好地重现图像细节的同时,能有效抑制图像中的噪声;尤其在低信噪比情形下,本文方法在信噪比改善程度与灰度层次感上,要明显优于传统图像复原方法。     

融合CNN和Transformer的图像去噪网络

目前基于深度学习的图像去噪算法无法综合考虑局部和全局的特征信息, 进而影响细节处的图像去噪效果, 针对该问题, 提出了融合CNN和Transformer的图像去噪网络(hybrid CNN and Transformer image denoising network, HCT-Net). 首先, 提出CNN和Transformer耦合模块(CNN and Transformer coupling block, CTB), 构造融合卷积和通道自注意力的双分支结构, 缓解单纯依赖Transformer造成的高额计算开销, 同时动态分配注意力权重使网络关注重要图像特征. 其次, 设计自注意力增强卷积模块(self-attention enhanced convolution module, SAConv), 采用递进式组合模块和非线性变换, 减弱噪声信号干扰, 提升在复杂噪声水平下识别局部特征的能力. 在6个基准数据集上的实验结果表明, HCT-Net相比当前一些先进的去噪方法具有更好的特征感知能力, 能够抑制高频的噪声信号从而恢复图像的边缘和细节信息.     

基于无监督深度图像生成的盲降噪模型

鉴于有监督神经网络降噪模型的数据依赖缺陷,提出了一种基于无监督深度生成（UDIG）的盲降噪模型。首先,利用噪声水平评估（NLE）算法测定给定噪声图像中的噪声水平值并输入到主流FFDNet降噪模型中,所得到降噪后的图像（称为初步降噪图像）作为UDIG降噪模型的输入。其次,选用编码器—解码器架构作为UDIG模型的骨干网络并用UDIG模型的输出图像（即生成图像）分别与初步降噪图像、噪声图像之间的均方误差之和构建混合loss函数;再次,以loss最小化为优化目标,通过随机梯度下降（SGD）网络训练算法调整网络模型的参数值从而获得一系列生成图像;最后,当残差图像（噪声图像与生成图像之间）的标准差逼近之前NLE算法所测定的噪声水平估计值时及时终止网络迭代训练过程,从而确保生成图像（作为降噪后图像）的图像质量最佳。实验结果表明：与现有的主流降噪模型（算法）相比,UDIG降噪模型在降噪效果上具有显著优势。     

基于非线性共振的图像恢复技术及应用

图像恢复技术常用于信息安全和电子取证等领域.传统的图像恢复技术,往往通过抑制噪声的方式来对图像进行恢复,但是,这样的缺点在于图像中一些非噪声像素遭到破坏,而文章中提到的相关算法则是将信号处理系统中的随机共振演化为双稳态随机共振并将其引入到图像恢复中来,将噪声视作一种能量,从而达到图像恢复的目的.     

基于U-Net融合的保留纹理的图像去噪方法

图像的噪声阻碍了高级视觉任务对图像的理解,且去除图像的噪声是一个具有挑战性的任务.现有的基于卷积神经网络的图像去噪方法在去除噪声的同时,对图像纹理会引入一定程度的破坏,导致去噪后图像无法保留图像的纹理.为了解决这个问题,本文提出一种用二分支U-Net网络来融合特征和保留纹理的图像去噪方法.首先选取一种去噪方法的两个不同去噪参数的预训练模型分别得到同一张噪声图像的不同去噪结果,其中一个结果中去噪效果比纹理保留效果好,另一个结果中纹理保留比去噪效果好.然后将这两个去噪图像作为卷积神经网络的输入,利用两个编码器分别提取图像的特征,并同时放入融合模块融合图像的特征,最后利用解码器重建出无噪声图像.实验结果表明,与现有的方法相比本文的方法更有效,在去除噪声的同时能保留更多的图像纹理信息.     

结合分块噪声估计的字典学习图像去噪算法

图像去噪是图像处理领域的重要环节,也是对图像进行后续处理的基础。近年来K-SVD字典学习去噪算法因其耗时短、去噪效果好的特点得到广泛关注和应用。但该算法的适用条件为图像的噪声为加性噪声且噪声标准差已知。针对这一情况,本文先提出一种平滑图像块筛选方法,并将其与奇异值分解(Singular Value Decomposition, SVD)相结合实现对图像的噪声标准差估计。再将得到的噪声估计方法与K-SVD字典学习去噪算法结合起来,提出一种具备噪声估计特性的K-SVD字典学习去噪算法。对多种图像的去噪实验结果表明,与Donoho小波软阈值去噪算法、全变分(Total Variation, TV)去噪算法相比,本文算法不仅能够使去噪后图像的峰值信噪比提升1~3dB,并且能较好地保留图像的细节信息和边缘特征。     

一种基于小波分析的SAR图像增强去噪方法

提出了一种基于小波分析的SAR图像增强去噪声方法。该方法首先对被噪声污染的SAR图像进行小波变换，然后在小波域内对该图像进行平滑滤波，最后实现了一个SAR图像增强去噪处理系统。由处理结果可以看出，本方法在对SAR图像直接进行平滑滤波的应用中取得了较好的结果，为进一步图像分割、边缘提取奠定了一个较好的基础。     

调制随机共振及其在微弱信号检测中的应用

根据非线性双稳系统只能在低频段产生随机共振的特性,提出了调制随机共振方法,实现了在较宽的频率范围内检测微弱信号.理论分析和实验结果表明:经调制产生的低频信号通过双稳系统的协同作用而形成的输出信号,其能量和信噪比都有显著提高,对强噪声中的微弱信号有较强的检测能力.采用该方法可进一步开发双稳系统低频段的信息资源,拓宽其应用领域.