一种改进的局部本质维数LID检测混沌方法

介绍基于确定吸收子维数上界检测混沌的LID算法,与关联数检测混沌算法比较该算法具有两个优点：可以区分出分形噪声和混沌;可以在较 低信噪比的情况下进行有效的检测。由于普遍利用基于SVD分解的LID算法在有噪声的情况下阈值很难确定,本文分析了SVD分解计算LID缺陷的原因,并在此基础了提出了一种基于局部Neymark分解计算LID检测混沌的算法,仿真表明取得了很好的结果。     

基于局部投影和提升小波的混沌信号降噪

根据信号和噪声的不同特性,提出了一种基于局部投影和提升小波的混沌信号降噪方法。该方法利用提升小波变换得到实际混沌信号的近似系数,对其进行相空间重构,与实际混沌信号的重构相空间进行比较,来选取局部投影的邻域,在局部邻域内进行奇异谱分析,利用代表吸引子的主分量来重构混沌信号。通过对Lorenz模型和月太阳黑子进行仿真分析,证实了提出方法对混沌信号降噪的有效性。     

基于混沌振子和EEMD的周期信号检测方法

针对含强噪声周期信号的检测,提出基于混沌振子结合集合经验模式分解降噪的检测新方法;针对相位差对检测结果的影响,提出正反导入的检测方法,该方法能有效克服由相位差造成的漏检现象。对仿真信号和故障轴承振动信号的检测效果表明,混沌振子结合集合经验模式分解降噪的方法能有效检测含在强噪声中周期信号,进一步提高了混沌振子对周期信号的检测能力和对噪声的免疫力。     

基于VMD方法的混凝土缺陷超声成像噪声处理研究

时间反演多信号分类(TR-MUSIC)算法进行混凝土结构缺陷超声成像,能够在激励超声频率不改变,保证探测深度的情况下,打破衍射限制,实现超分辨率成像;但此方法的缺点是极易受到噪声的干扰,在成像划分信号子空间与噪声子空间过程,产生附加奇异值,影响超声成像的精度和准确性;为进一步提高TR-MUSIC超声成像的质量和稳定性,抑制噪声对成像的干扰,提出一种基于变模态分解(VMD)的噪声处理方式,该方法首先对VMD分解后的变模态分量采用能量熵和重心熵结合的方式来确定信号频谱形态发散和能量分布不均的噪声分量,对噪声分量采用小波阈值降噪方法处理,然后将降噪后的噪声分量和其他分量进行最小二乘平滑滤波并重构;改善后的信号进行反演成像,提高了信号子空间和噪声子空间对应奇异值大小的区分度,再通过设定阈值方式进行划分,提高了成像分辨率,抑制了由噪声引起的伪像问题。     

基于混沌理论的微弱信号检测方法

分析了间歇混沌模型———Duffing振子的混沌特性,利用Duffing振子的非平衡相变对微小信号具有敏感性及对白噪声和与参考信号频差较大的周期干扰信号具有免疫力的性质,采用混沌振子阵列实现对噪声背景下微弱信号的检测;并采用梅尔尼科夫方法作为混沌判据,该方法的优点在于可以直接进行解析计算。仿真实验表明:该检测方法简单、有效,检测的精度比较高。     

相位匹配信号与混沌背景分离方法

针对混沌背景下的信号提取问题,提出了混沌噪声背景下的相位匹配噪声去除方法。它不同于以往的混沌背景下的信号提取方法,不需要相位重构对混沌进行预判估计,也不需要对信号和混沌在有限维相空间中进行几何分析。通过对混沌背景下的不同相位不同幅值的正弦信号进行分离仿真验证了本方法的有效性,通过分离度的分析表明,本方法对于弱信号的混沌背景分离效果明显,可以获得很好的去除混沌背景噪声的效果。     

基于小波分解和Duffing振子的变尺度微弱信号检测

传统的时频分析方法在对周期性微弱信号进行检测时,提取的信息具有信噪比不高的缺点,从而影响了检测效果,为此,利用Duffing振子混沌系统对噪声的强免疫力的特征,提出了一种基于小波分解和混沌阵子的混合微弱信号检测方法;首先,采用小波变换对信号进行分解,通过小波变换的平滑作用实现对含噪微弱信号的离散处理,并设计了一种根据阈值来确定分解层数的方法,然后将降噪后的重构信号作为Duffing阵子的周期驱动力并入混沌系统,采用混沌Duffing阵子阵列实现在强噪声背景下的微弱信号检测,并提出了一种临界状态策动力幅值和初始相位的自适应确定方法;在Matlab7仿真环境下进行实验,结果表明:文中方法能有效地对湮没在强噪声下的微弱信息进行检测,具有信号检测信噪比高,重构信号频率较其它方法更接近于真实频率,具有较强的可行性。     

基于混沌和小波变换的信号检测方法

针对微弱周期信号提出小波阈值去噪和混沌系统相结合的微弱周期信号检测新方法,该方法利用小波变换的平滑作用对包含噪声的信号进行有限离散处理,并根据小波自适应分解尺度确定阈值去嗓深度,然后根据混沌系统时噪声的免疫性和对周期信号的敏感性,把重构的信号作为周期策动力的摄动并入混沌系统,由混沌系统完成微弱信号检测;并改进了 Duf...     

混沌卷积混合信号的预测重构盲反卷积方法

介绍了混沌序列的特性，然后利用混沌的类随机特性和盲信号处理技术，提出了一种针对混沌卷积混合信号的预测重构盲反卷积方法．该方法充分利用了混沌的物理特性，通过对混沌卷积混合信号使用基于直接预测误差分析所构成的混沌滤波器和基于相空间重构动力学系统方程的人工智能补偿技术去进行盲反卷积，从而实现对单输入单输出混沌卷积信号的源信号和传输函数的盲反卷积处理．仿真实验验证了该方法的有效性和可行性。     

一类混沌系统的部分投影同步的稳定性判据

研究了一类混沌系统的部分投影同步问题．对于一类三维混沌系统提出了实现部分投影同步的稳定性判据,用Lyapunov方法从理论上证明了结论．该判据不仅可用于三维系统,也可用于四维超混沌系统中两个变量的部分投影同步判别．以混沌Lorenz系统和超混沌系统为例的数值仿真结果验证了稳定性判据的正确性和有效性．     

金属基复合材料缺陷超声信号消噪研究

为了剔除金属基复合材料缺陷超声信号中的噪声,得到没有污染的缺陷信号,便于进行信号分析,文章中使用了一种改进小波包消噪方法——平均能量阈值法,讨论了平均能量阈值法消噪的原理,并将小波包的多尺度时频分析及重构结合在一起,用于信的消噪研究中,通过仿真实验并与小波消噪方法进行对比。证明了该方法消噪的有效性;结果表明基于平均能量阈值法消噪技术在保信号奇异性的同时,能有效地去除金属基复合材料缺陷超声信号中的噪声。     

小波图象去噪综述

小波图象去噪已经成为目前图象去噪的主要方法之一。在对目前小波去噪文献进行理解和综合的基础上，首先通过对小波去噪问题的描述，揭示了小波去噪的数学背景和滤波特性；接着分别阐述了目前常用的3类小波去噪方法，并从小波去噪中常用的小波系数模型、各种小波变换的使用、小波去噪和图象压缩之间的联系，不同噪声场合下的小波去噪等几个方面，对小波图象去噪进行了综述，最后，基于对小波去噪问题的理解，提出了对小波去噪方法的一些展望。     

基于CEEMD和改进小波阈值的机械密封声发射信号降噪方法

声发射作为一种无损检测结束被广泛应用于多个领域,针对声发射信号难以从背景噪声种分离的问题,提出了一种基于互补集合经验模分解（CEEMD）与改进小波阈值相结合的降噪方法。首先对声发射信号进行CEEMD分解,通过峰宽占比确定信噪分量分界点,对噪声分量进行改进的小波阈值降噪,将降噪后的分量与其余分量进行信号重构得到最终降噪结果。通过仿真信号和机械密封声发射实验信号论证了本文方法相较于传统小波降噪和CEEMD强制降噪更有效。     

基于Hilbert-Huang变换的ECG信号降噪方法

提出了一种新的ECG信号降噪方法.该方法以Hilbert-Huang变换(HHT)和阈值降噪方法为核心,将经验模态分解(EMD)分解出的各层固有模态函数(IMF)分为噪声成分起主导作用层和有用信号起主导作用层.对噪声成分起主导作用层采用Donoho等人提出的阈值估计法,对有用信号起主导作用层的噪声水平通过高频层的能量与平均周期的乘积来确定.讨论了噪声成分起主导作用层和有用信号起主导作用层的区分判别问题.该方法克服了阈值估计法对有用信号起主导作用层噪声水平估计的较大偏差.经实验验证表明,该方法能有效地滤除ECG信号检测中的几类主要噪声,且失真很小.     

小波去噪和混沌理论应用于输电线缺陷检测

为了解决在利用电磁超声检测高压输电线路缺陷时,回波信号微弱且易被强大的电磁噪声覆盖而难以提取的问题。认真研究了Duffing方程和小波理论。将小波去噪技术和混沌理论结合起来,设计了一种新型微弱信号检测系统。利用MATLAB/Simulink对系统进行了仿真。实验结果证明,此系统能有效检测强电磁背景下的超声信号,进一步降低了系统的输出信噪比,提高了检测性能。     

基于双波长稳定技术的光纤甲烷传感系统研究

鉴于煤矿开采过程中,背景噪声相当复杂且多变,如何能将有效的AE信号提取出来是一个关键问题。利用改进型AE传感双波长稳定技术和小波变换多尺度分析极强的时域频域特性与局部化特性好的特点,对小波系数进行分时分频相关分析处理,消除部分噪声,再利用小波重构和小波阈值技术,对重构信号前后进行消噪处理,提取有效AE信号。结果表明:采用此方法可以有效提高AE信号的信噪比,达到消噪目的。     

基于有效K均值有效极限学习机的混沌海杂波背景中微弱信号检测

为了在复杂混沌噪声背景中快速准确提取有用信号,提出基于复杂非线性系统相空间重构理论,采用改进极限学习机(ELM)预测单步误差检测微弱信号的方法。采用改进K均值聚类算法选择最优族作训练集,改进极限学习机选择权值和偏置的方法进一步提高检测的精度和速度,采用Lorenz系统建立了混沌噪声序列的一步预测模型,从预测误差中检测湮没在混沌噪声中的微弱目标信号(包括周期信号和瞬态信号),然后使用加拿大Mc Master大学IPIX雷达数据,在海杂波噪声中提取漂浮物信号作为实验研究。结果表明该方法能够有效检测混沌背景噪声中极微弱信号,同时抑制噪声对混沌背景信号的影响,与径向基函数(RBF)神经网络等传统算法相比,预测精度提升了25%,检测门限提高了-5 dB,同时训练用时减少77.1 s,在实际应用中具有更明显优势。     

基于盲源分离的ICA去噪技术在裂缝预测中的应用

地震记录中不可避免地包含随机干扰信号,直接利用原始的地震资料开展裂缝发育带预测,对裂缝预测中采用的边缘检测算法影响很大,降低了预测结果的准确性。因此,有必要对地震资料进行去除噪声的处理,提高原始地震资料的品质。本文基于盲源分离的独立分量分析方法(Independent component analysis,ICA)去噪技术,将地震资料分解为不同级次的背景与储层目标反射响应,实现有效信号与随机噪声的区分,去噪效果优于常规去噪算法的效果,保证了去噪后有效信息基本不受损失,处理后地震资料横向波形特征的稳定性得到了较好改善。实际工区应用效果表明,利用去噪处理后的地震资料开展边缘检测裂缝预测,裂缝发育区分布规律与区域断裂发育特征具有较好的一致性,且与钻井揭示的裂缝发育特征吻合性较好,从而提高了火成岩裂缝发育区预测的可靠性。     

基于改进的小波阈值函数语音增强方法

传统的小波阈值去噪方法会造成有用语音信号的损失, 信噪比改善情况不理想. 通过分析小波去噪原理, 提出了一种改进的小波阈值函数语音增强方法. 该方法结合小波软、硬阈值函数去噪的优点, 克服了硬阈值函数的不连续及软阈值函数存在偏差的缺点. 该方法首先对清浊音信号进行判断, 接着采用变化的阈值对清浊音信号的小波系数进行不同的阈值处理. 仿真实验结果表明, 改进的方法非常适用于强噪声背景下的语音增强, 无论在保留含噪语音信号中的清音信息, 还是在信噪比改善指标上均优于传统的软阈值法、谱减法和听觉感知小波变换法.     

基于分频带最优阈值函数的电力信号去噪

研究电力信号在传输过程中受到噪声污染问题。由于电网负荷较大,系统的运行随机性强,系统非线性引起电力信号噪声严重。针对小波阈值去噪算法存在较大的缺陷,传统改进算法全局阈值去噪的局限性,提出了一种适合电力信号去噪的分频带(分层)最优阈值函数去噪方法。新方法根据电力信号与噪声各频带能量分布特性得到各频带最优阈值,并对含噪电力信号逐层分频带最优阈值函数去噪处理,明显地降低了波形畸变率。仿真与实验结果表明,分频带最优阈值函数去噪方法明显提高了电力信号的去噪效果,提高了电力信号的检测精确度。