隐Markov模型的多算法交叉耦合自适应算法

以离子通道信号重构为例，扩展HMM为矢量隐Markov模型，利用随机逼近原理对期望最大算法进行自适应改造，估计离子通道的动力学特征参数；递归辅助变量算法估计背景噪声的统计特征；卡尔曼滤波预测背景噪声；三种算法交叉耦合重构离子通道信号。该算法能够克服滤波器和背景噪声的影响，在低信噪比情况下得到了较高精度的估计参数和重构信号，具有鲁棒性和一致收敛特性。     

谐波重构先验信噪比估计算法

先验信噪比单通道语音增强算法在信噪比较高时能有效地去除噪声,但在信噪比较低时语音高次谐波失真较为严重。针对此提出了一种基于谐波重构的先验信噪比估计算法,对增强后的信号加权求平方,进行功率谱的二次谱处理,以加强语音信号的周期性;再进行谐波重构,提升谐波分量。实验研究表明,该算法在低信噪比时能够有效地增强语音谐波分量,相对于先验信噪比估计的语音增强算法能够改善语音质量,减少语音失真。     

小波去噪算法在含噪盲源分离中的应用

无噪模型下的盲源分离算法在信噪比较低的情况下并不适用。针对该情况一种解决方案就是先对含有高斯白噪声的混合信号进行去噪预处理,然后使用盲源分离算法进行分离。为此,本文提出了一种适用于信噪比较低条件下的基于平移不变量的小波去噪算法。该算法首先使用高频系数滑动窗口法准确估计含噪混合信号的噪声方差,然后使用Bayesshrink阈值估计算法 得到更加合理的阈值,最后在不降低去噪效果的同时缩小了平移不变量的范围,减少了运算量。实验仿真表明,在信噪比较低的情况下,与传统小波去噪算法相比,该算法可以更加有效地去除噪声,在很大程度上提升盲源分离算法的性能。     

基于Bayes阈值估计的小波在转子故障信号降噪中的运用

提出了一种有效的转子故障信号的降噪方法.该方法利用概率统计的最优估计原理对样本信号进行估计,增加了小波阈值参数的可靠性.根据Bayes估计风险最小的原则,对不同子带的小波系数估计小波阈值,通过软阈值函数进行逐层降噪,对降噪后的信号进行重构,达到对转子故障信号降噪.把从多功能振动实验台上取得的转子故障振动信号,利用该方法进行降噪.并将降噪结果与Birge-Massart小波阈值降噪法和Donoho小波阈值降噪法的处理结果进行比较,结果显示使用Bayes(贝叶斯)阈值估计降噪法处理的信号能够很好地保留信号的细节部分,而且信噪比(SNR)也有明显提高.     

利用遗传粒子滤波的单通道扰信盲分离算法

针对低信噪比条件下单通道通信信号与干扰盲分离问题,本文提出了一种基于遗传粒子滤波的单通道盲扰信分离新算法.该算法首先建立了受扰信号的状态空间模型,并利用粒子滤波得到通信码元和未知参数的最大后验估计.针对标准粒子滤波中存在的粒子退化现象,本文引入了遗传进化操作来迭代估计优质粒子,在减少了所需粒子数量的同时,又保持了序贯估计过程中粒子集合的多样性和优质性,使新算法在低信噪比条件下具有更好的分离效果.仿真结果表明,新算法在干信比小于15 dB,信噪比大于10 dB的条件下,可以有效地从单路接收的受扰信号中分离出通信信号与干扰.     

图像压缩感知的双收缩快速迭代算法

针对传统图像压缩感知重构算法重构质量差及时间复杂度大的问题,提出一种双收缩快速迭代算法.通过引入阈值和正则化参数的双收缩,逐步迭代恢复图像信号,以加快收敛速度,改善重构质量.仿真结果表明,与传统阈值迭代算法相比,该算法重构图像的峰值信噪比较高,在低采样率下运行时间较少.     

曲波域高斯混合尺度模型的图像压缩重构

压缩传感理论将信号的采样与压缩同时进行,利用信号在变换基上可以稀疏表示的先验知识,从比香农采样少的多的观测值中重构原始信号。近年来,两步迭代阈值算法作为一种求解反问题的优化方法,因其与多尺度几何分析存在紧密联系,且算法参数少,思想比较简单等特点,已经应用到了压缩重构中。但其使用时域的软硬阈值算子,不能获得很好的图像稀疏表示,从而使得算法重构精度不高。针对上述问题,本文在研究两步迭代阈值算法的基础上,提出了一种自适应的两步迭代阈值算法。该算法利用当前估计值提供的信息自适应估计步长参数,保证了估计值向最优解方向移动,提高了算法的重构精度,且针对其稀疏表示信号能力不足的缺点,运用高斯混合尺度模型对曲波邻域系数进行建模,充分利用曲波变换平移不变性和多方向选择性的优点,增加了图像表示的稀疏度。最后将其应用到图像压缩重构中,实验结果表明,该算法在峰值信噪比和主观视觉上都优于小波域高斯混合尺度模型和曲波硬阈值重构方法。     

正弦信号幅值和初相位估计的问题研究

在已知频率的情况下,提出了利用互相关函数估计正弦信号幅值与初相位算法,解决了使用自相关函数法估计幅值丢失相位信息问题.并利用叠加法在不损失源信号能量的情况下,提高了观测信号信噪比,从而提高了正弦信号估计精度.仿真实验结果表明,基于叠加的互相关函数法可在较低信噪比情况下以较高精度估计正弦信号的幅值和初相位.     

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。     

基于压缩感知的多小区MASSIVE MIMO信道估计

针对多小区多用户大规模多输入多输出（MASSIVE MIMO）系统信道估计在低信噪比情况下估计精度较差的问题,提出了一种基于群智能搜索的果蝇分段正交匹配追踪（FF-StOMP）压缩感知算法。该算法在分段正交匹配追踪（StOMP）求解不同阈值下的信道矩阵参数与归一化最小均方误差的基础上,采用果蝇优化算法动态搜索出最小归一化均方误差与其对应的阈值,达到自适应参数设定的目的。仿真结果表明,与StOMP算法相比,信噪比在0~10 dB情况下,所提出的FF-StOMP算法信道估计性能能够提升0.5~1 dB;信噪比在11~20 dB时,信道估计性能能够提升0.2~0.3 dB。当小区用户数发生变化时,所提出的算法能实现自适应信道估计,能够有效提升MASSIVE MIMO系统低信噪比情况下的信道估计精度。     

基于动态阈值的可信度加权协作频谱感知

为了提升受阴影衰落等因素影响下的协作频谱感知性能, 采取了一种改进的基于动态阈值和可信度相结合的协作频谱感知方法。该方法利用各认知用户的检测信噪比对检测可信度较低的认知用户进行过滤, 各认知用户根据检测信噪比设定一个适合自身的动态阈值进行能量感知, 融合中心结合各单节点感知结果和分配的传输可信度作出最终判决。仿真结果表明, 在检测信道和传输信道均受到阴影衰落等因素严重影响下, 与单纯的动态阈值协作感知和传统的可信任度协作感知方法相比, 该方法能获得较高的检测概率。     

车载光电测量平台晃动监测数据分析

车载环境下由于加速度计自身和外界环境干扰等因素的影响,真实的加速度信号叠加了大量干扰信号。针对加速度计信号特点,采用小波阈值去噪对加速度计信号进行了滤波处理。建立一个振动信号模型,将真实的加速度计的输出噪声作为干扰成分叠加到该模型上,选择较优的小波参数,对仿真信号进行小波阈值去噪,去噪后信噪比（SNR）由4．24dB提高到20．45dB,均方根误差（RMSE）由0．051改善到0．0081。据此对真实加速度计输出信号进行去噪处理,实验结果表明：小波阈值去噪对加速度信号具有良好的滤波效果。     

压缩感知分组分离语音增强

压缩感知（Compressive Sensing,CS）是一种基于信号稀疏性的采样方法,可以有效提取信号中所包含的信息。提出了一种分组分离压缩感知语音增强新算法。算法利用语音在离散快速傅里叶变换（Fast Fourier Transform,FFT）域下的稀疏性,设计复域观测矩阵与软阈值对带噪语音进行压缩测量与去噪,通过可分组分离逼近稀疏重建（Sparse Reconstruction by Separable Approximation,SpaRSA）算法恢复语音信号,实现语音增强。实验表明：该算法对含噪信号压缩重构,信噪比幅度较大提高,能更有效地抑制背景噪声。     

基于改进EMD的接触网绝缘子泄漏电流去噪

采集接触网绝缘子泄漏电流时存在大量干扰,且使用经验模态分解(Empirical Mode Decomposition,EMD)方法去噪时存在端点效应和虚假分量的问题。提出利用类似极值延拓法和功率比值法(The Ratio of Power,TRP)解决EMD存在的上述问题,结合小波阈值方法对泄漏电流进行去噪。选择小波阈值去噪作为对比,对泄漏电流仿真模型和高压实验采集的泄漏电流进行去噪处理。通过去噪前后的有效值、三次谐波和基波幅值之比和信噪比对去噪效果进行评价。结果表明类似极值延拓法和TRP法可有效解决端点效应和虚假分量问题,改进EMD阈值去噪方法去噪效果优于小波阈值去噪。改进EMD阈值去噪方法具有自适应性,适用于污湿情况下的绝缘子泄漏电流去噪处理。     

针对异常序列检测的非法入侵识别算法

针对非法入侵带来的室内安全隐患,聚焦于目前应用广泛的Wi-Fi技术,首次设计提出了一种通过学习合法用户的行为习惯,再进行异常序列检测进而甄别非法入侵者的识别算法。对收集到Wi-Fi信号的CSI特征值进行去噪和信号分段,使用隐马尔科夫模型对用户的行为建模。根据模型输出的概率不断调整判断的阈值,使学习训练的模型随着时间的推移越来越符合用户的行为特征。实验结果表明检测准确率可以达到93.4%,达到了实时准确检测的目的。     

静息态下基于变分模态分解的生命体征检测

传统的无线生命体征监测方法在心跳和呼吸信号的分离方面容易存在谐波残留现象,针对这一情况,提出了一种基于变分模态分解（VMD）的生命信号检测方法。该方法使用毫米波段调频连续波（FMCW）雷达进行生命体征信号获取,根据心跳及呼吸的频率特征,使用VMD算法将主要信号分解为不同模态,保证了各模态之间信号频率范围互不重叠,分离出较为完整且无谐波残留的呼吸及心跳信号。实验结果表明,所提算法能够有效提取出目标的呼吸及心跳信号,且相比传统的模态分解算法具有更高的鲁棒性和稳定性,具有良好的信噪比（SNR）,提高了测量精度和距离。     

基于正交字典的全反馈信道函数估计

为解决传统均衡算法和匹配算法在低信噪比情况下水声稀疏信道估计准确率低和计算量大的问题,提出一种基于正交字典的全反馈信道函数估计方法。通过信道参数估计公式分析,当训练序列与信道函数分量卷积构成正交字典集时,利用匹配算法便可获得最佳匹配结果,结合全反馈结构将信道参数反馈迭代计算,用数学归纳法证明该结构可进一步提高信道函数估计准确率。仿真结果表明,在低信噪比条件下,相比均衡类算法和匹配类算法,提出的信道估计算法可获得更高的估计准确率,具有更低的时间复杂度。     

一种改进的含噪语音端点检测方法

语音端点检测是语音识别系统的重要环节之一。针对噪声环境下的语音端点检测困难,提出了一种改进的支持向量机的语音端点检测方法。利用小波分析（WA）提取含噪语音信号的特征向量。采用遗传算法（GA）得到最优的SVM核函数参数[γ]和惩罚因子[C]。建立语音端点检测模型。在Matlab软件平台下进行仿真实验,结果表明在不同的噪声条件下,GA-SVM算法的平均检测率达到94.5%,明显优于传统的双门限算法和普通的SVM算法。     

基于小波去噪的联合频谱感知优化算法

传统的能量检测算法由于受到噪声不确定性的影响,在信噪比较低时检测精度差,理论上较优的循环平稳特征频谱感知算法的计算复杂度偏高。因此,在传统能量检测算法基础上结合小波阈值去噪和差分能量检测模型,提出一种优化的双门限联合检测算法。使用能量检测法来判断双门限区间之外的区域,双门限阈值内的不确定性区域使用小波阈值去噪重构后做差分能量检测,并根据信道实时状态动态地调整双阈值。当信道质量较差时,增大双门限之间的距离,否则缩短双门限之间的距离,从而提高频谱检测效率。通过仿真对比得知,该算法有效地提高了噪声不确定性影响下频谱感知的准确性,并且降低了感知算法的计算复杂度。