一种改进奇异值分解降噪方法研究

针对奇异值分解降噪过程中采用一般方法构造重构矩阵信号完整度不高的问题,提出一种基于循环矩阵方法来构造重构矩阵的新方法。该方法利用循环矩阵在构造重构矩阵时能够较好地保留原始信号信息的特性,对循环矩阵奇异值分解,进而有效确定矩阵的有效重构阶次,达到降噪目的。仿真结果表明,该方法相比于其他方法具有较高的降噪精度和抗噪声能力,提高了算法的实用性。     

基于EMD和SVD的光电容积脉搏波信号去噪方法

光电容积脉搏波采集过程中存在基线漂移和高频噪声会给后续人体生理参数的测量带来困难,因此消除噪声干扰是准确进行相关生理参数测量的关键问题。提出一种结合经验模态分解和奇异值分解的去噪方法。该方法采用经验模态分解将光电容积脉搏波信号分解为若干个固有模态函数,通过功率谱密度判断代表基线漂移信息的固有模态函数获得基线漂移曲线;使用奇异值分解处理光电容积脉搏波信号中的高频噪声,针对传统的差分谱法无法准确识别奇异值有效阶次的不足,提出加权能量贡献率的方法选取奇异值的有效阶次。实验结果表明,该方法能有效消除光电容积脉搏波信号中的基线漂移和高频噪声,这对光电容积脉搏波信号检测精度的提高具有重要意义。     

基于优化SVD和平稳小波的复合降噪方法

通过分析奇异值分解(SVD)和小波阈值两种降噪方法的特点,提出了基于优化奇异值分解和平稳小波的复合降噪方法。方法采用统计学习理论的结构风险最小化原则优化确定矩阵有效秩,解决奇异值分解降噪特征值选取困难的问题。针对传统二进离散小波忽略尺度噪声且在奇异点存在振荡效应的不足,运用改进的平稳小波降噪方法对奇异值分解降噪后的信号进行精细处理。通过在不同信噪比条件下与传统离散二进小波进行降噪对比试验,证明了方法的有效性和优越性。     

基于广义线性插值奇异值的低秩近似

传统算法奇异值分解（singular value decomposition,SVD）低秩近似在图像处理等领域有巨大的潜力,但其并没有有效的利用图像本身的自然结构信息。针对上述问题,提出有限维交换半单代数,在此基础上提出广义奇异值分解（tensorial singular value decomposition, TSVD）,并对二阶图像进行邻域拓展策略,将原图像的每个像素替换为广义标量。广义线性插值奇异值分解（tensorial linear interpolation singular value decomposition, TSVD-L）对广义标量进行线性插值处理,拓展阶数后的广义标量构成广义矩阵。以此为基础,通过不同阶数和尺寸的策略,将TSVD-L与传统算法SVD进行低秩近似重建,比较峰值信噪比结果,实验数据表明,在有限维交换半单代数之上的广义线性插值奇异值分解算法性能明显优于经典奇异值分解算法,且随着阶数的提升,TSVD-L的峰值信噪比完全优于SVD的峰值信噪比。同时TSVD-L比TSVD有一定的优越性。     

基于GWO-VMD-SVD的Φ-OTDR信号降噪方法

针对Φ-OTDR系统采集的信号中包含大量随机噪声的问题，提出了一种基于灰狼优化算法的变分模态分解联合奇异值分解的新型降噪方法(GWO-VMD-SVD)。通过灰狼优化算法寻找VMD分解中最优的分解层数K和二次惩罚因子α,抑制了模态混叠现象；引入排列熵判定机制区分有用信号分量和噪声分量；将有用信号分量保留，同时对噪声分量使用SVD分解进行二次降噪，提取其中的有用信号；将两次降噪保留的有用信号进行重构，得到降噪后的信号。实验结果表明，该方法相对于VMD-PE和EEMD-CC,信噪比更高，能更有效地保留信号中的有用信息。     

基于矩阵奇异值分解的高频雷达瞬态干扰抑制

雷电等瞬态干扰严重影响了高频雷达的工作性能,必须加以抑制。本文提出了基于矩阵奇异值分解的高频雷达瞬态干扰抑制方法。该方法将高频雷达回波信号分段构造成矩阵并进行奇异值分解,首先根据矩阵有效秩的大小判断雷达回波中是否存在瞬态干扰,然后利用奇异值分解的正交性实现雷达回波的正交分解,使瞬态干扰分离出来,以利于检测,最后通过建立线性预测的全极点AR模型对瞬态干扰位置处的回波信号予以恢复。实测数据处理结果表明本文方法是有效的。     

基于数据挖掘的光纤周界振动信号识别

针对光纤周界振动信号中的噪声干扰以及通过单一特征无法全面描述振动信号的问题，研究基于数据挖掘的光纤周界振动信号识别方法。采用SVD(奇异值分解)方法对所采集的振动信号进行去噪处理，基于秩阶次值重构信号，由此消除噪声；针对无噪音振动信号，将峭度。排列熵与瞬时频率标准差作为特征，并进行特征融合，获取振动信号的特征向量；将特征向量输入概率神经网络中，利用模拟退火算法确定网络中的平滑因子参数值优化网络结构，通过学习与训练的过程输出振动信号识别结果。实验结果显示秩阶次值k为5时信号去噪性能最好，信号特征之间差异较为显著，易于区分，识别准确率平均为94.08%。     

基于矩阵奇异值分解的高频雷达瞬态干扰抑制

雷电等瞬态干扰严重影响了高频雷达的工作性能,必须加以抑制。该文提出了基于矩阵奇异值分解的高频雷达瞬态干扰抑制方法。该方法将高频雷达回波信号分段构造成矩阵并进行奇异值分解,首先根据矩阵有效秩的大小判断雷达回波中是否存在瞬态干扰,然后利用奇异值分解的正交性实现雷达回波的正交分解,使瞬态干扰分离出来,以利于检测,最后通过建立线性预测的全极点自回归模型对瞬态干扰位置处的回波信号予以恢复。实测数据处理结果表明该方法是有效的。     

基于改进ALIF与FA-BP的滚动轴承故障诊断

针对滚动轴承的故障信号存在大量噪声信号和滚动轴承故障的准确诊断等问题，提出一种基于改进自适应迭代滤波算法与萤火虫算法优化BP神经网络相结合的故障诊断新方法。首先采用自适应迭代滤波算法对故障信号进行分解得到若干个内禀模态函数，再进行奇异值分解，绘制差分谱曲线并选择重构信号，对其进行二次降噪；然后通过萤火虫算法寻找BP神经网络的最佳参数，建立FA-BP故障诊断模型，提取降噪后的内禀模态函数中心频率形成特征矩阵，输入故障诊断模型；最后应用于美国凯斯西储大学的轴承数据进行检测，准确率达99.4%，诊断时间为3.18 s。该方法与BP神经网络、萤火虫算法网络、遗传算法网络、遗传算法优化BP神经网络的诊断模型相比，大大提高了诊断效率并具有较高准确率。     

一种多谱线增强器

用奇异值分解界定信号和噪声子空间的困难之处,在于有效秩的确定。过去常用的办法是采用固定的阈值确定有效秩,尽管其物理意义明显,但由于缺乏自适应性,影响了子空间法在谱线增强中的应用。本文针对这一缺陷,提出一种根据含噪谐波信号的时频分布,用聚类方法确定有效秩的算法。仿真实验的结果表明了这种算法对一类多谱线增强问题非常有效。     

基于滑动窗奇异值分解的局部放电信号检测方法

在局部放电信号检测过程中,局部放电信号幅值小,易受到噪声干扰,导致低信噪比下局部放电信号检测与波形恢复难度大。本文提出了基于滑动窗奇异值分解的局部放电信号检测方法。该方法利用噪声干扰信号与局部放电信号奇异值的差异性,通过滑动窗分段处理,建立奇异值差值序列,达到降噪与还原局部放电信号的目的。仿真与实测结果表明,本文方法在抑制噪声干扰和还原局部放电信号方面相比传统方法更具优势,且稳定性更好,适合在混合噪声干扰下实现对实测局部放电信号的检测和波形恢复。     

基于张量四元数极化平滑的极化-DOA估计

为了解决相干信号的极化平滑算法在小快拍数和低信噪比条件下估计性能较差的问题,结合四元数的正交特性和协方差张量方法,提出了一种基于张量四元数的极化平滑多重信号分类（Multiple Signal Classification,MUSIC）解相干算法。首先,为了充分利用接收数据样本中的多维结构信息,建立了由张量四元数表示的柱面共形阵列极化平滑信号模型;其次,将平滑后的张量协方差矩阵通过高阶奇异值分解得到信号子空间;最后,通过极化秩亏MUSIC算法对入射相干信号分别进行二维波达方向（Direction of Arrival,DOA）估计和极化参数估计。仿真结果表明,该算法在小快拍数和低信噪比条件下具有更高的估计精度和分辨能力。     

低信噪比下机载多脉冲激光雷达姿态不敏感性特征提取研究

针对纳秒量级脉宽机载多脉冲激光照射目标的回波波形,提出几何分割比这一目标姿态不敏感特征,给出了特征提取算法,可用于与激光目标运动状态结合开展目标检测与跟踪。首先,基于激光目标波形数学模型分析目标波形与目标特征的关系,指出激光目标的几何分割比特征具备姿态不敏感特性。接着,结合目标特征提取对目标波形和噪声不失真分离的要求,提出在小波域利用对称小波基进行改进Donoho阈值降噪处理,在时域利用小波重构信号阈值获取目标波形序列,再由一阶二阶差分计算检测目标波形峰值点,进而提取激光目标散射中心及几何分割比等特征。最后,通过仿真实验验证算法在低信噪比下提取激光目标特征信息的有效性。在与机载多脉冲激光目标模拟器联试实验中,利用文中算法提取激光目标特征结合目标的运动状态信息,开展多帧相关匹配检测,多脉冲激光目标检测的可靠性明显提高。     

基于主成分分析的经验模态分解消噪方法

 针对非线性非平稳信号的去噪问题,提出一种基于主成分分析(PCA)的经验模态分解(EMD)消噪方法.该方法根据EMD的分解特性,利用PCA对噪声信号经EMD分解后的内蕴模态函数(IMF)进行去噪处理:首先利用"3σ法则"对第一层IMF进行细节信息提取,并估计每层IMF中所含噪声的能量;然后对IMF进行PCA变换,根据IMF中所含噪声的能量选择合适数目的主成分分量进行重构,以去除IMF中的噪声.为验证本文方法的有效性,进行了数字仿真与实例应用实验.实验结果均表明,所提方法的消噪效果整体上优于Bayesian小波阈值消噪方法和基于模态单元的EMD阈值消噪方法,是一种有效的信号消噪新方法.     

信号幅值跳变小波降噪方法研究

传统的小波阈值降噪算法会使信号的不连续点附近产生伪吉布斯（pseudo Gibbs）现象。为了抑制这种现象,本文提出了信号幅值跳变小波降噪方法。该方法首先对原始信号进行幅值跳变处理,消除其不连续性;然后利用小波阈值降噪方法进行降噪;最后对得到的信号进行幅值逆跳变处理,获得原始信号的降噪信号。分别采用信号幅值跳变小波降噪方法、平移不变小波降噪方法和传统的小波阈值降噪算法对具有不连续点的信号进行降噪处理,结果发现,与另外两种方法相比,信号幅值跳变小波降噪方法能够有效抑制pseudo Gibbs现象,且降噪后的信号具有较高的信噪比。      

3-D AR model order selection via rank test procedure

This paper deals with the problem of three-dimensional autoregressive (3-D AR) model order estimation. We show that the information for the 3-D AR model order is implicitly contained in an appropriate matrix rank built from the autocorrelation function (ACF) of the underlying 3-D Gaussian process. Exploiting this property, we develop an algorithm to estimate the order (p/sub 1/,p/sub 2/,p/sub 3/) corresponding to the quarter-space (QS) region of support. The proposed method is based upon a rank test procedure (RTP) using singular value decomposition (SVD) and solving nonlinear system equations. Numerical simulations are presented to illustrate the performances of the proposed algorithm.     

基于K-均值聚类的SVD杂波抑制算法

针对强地物静止杂波及慢速杂波严重环境下,慢速运动目标被淹没其中而无法有效检测的问题,本文设计了一种基于K-均值聚类的SVD杂波抑制方法。该方法对回波信号矩阵进行奇异值分解,依据回波信号特性,得到相应的奇异值谱分布,以及奇异向量的空间相关性和平均多普勒频率三个统计量特征,然后基于这些特征采用K-均值聚类算法对各奇异分量进行聚类,无需人为设定阈值参数估计杂波基,可以自适应确定杂波子空间所对应的奇异向量,最后通过正交子空间投影来抑制回波信号中的杂波成分。实验结果表明,该方法在低信杂比条件下相比于传统子空间方法,能够得到较好杂波抑制效果。     

SVD降噪在载波同步技术中的研究

为了提升突发通信中载波频偏估计的性能,降低有效估计的信噪比门限,提出了一种基于奇异值分解去噪的频偏估计方法。首先,该方法将含噪信号根据相应映射转换成矩阵,并对该矩阵进行奇异值分解;其次,将较大的奇异值判定为信号特征予以保留,否则判定为噪声特征置零;接着,根据降噪后的奇异值重构矩阵,恢复成模拟信号;最后,将预处理后的信号进行M&M频偏估计。结果表明,相比于不去噪的频偏估计算法,该方法能够提升估计精度,降低信噪比门限,具有一定的实用性。     

基于改进的奇异值分解的红外弱小目标检测

为了克服传统的基于奇异值分解的目标检测方法存在目标强度变弱的不足之处,采用改进的奇异值分解方法用于红外弱小目标检测。根据奇异值分解的性质,对其中目标贡献最大的中序部分奇异值进行了非线性修正的改进,并将其它奇异值设置为零后通过重构图像得到背景抑制后的目标图像。结果表明,该方法不仅能够保存和增强目标能量,提高目标信号的信杂比和对比度,而且还能得到很好的背景抑制效果。