双稳随机共振系统信号调制噪声效应用于弱信号检测

通过对双稳系统随机共振模型的数值分析，得出在双稳系统输出信号中，有一个正弦信号成分和一个表现为维纳过程的噪声成分分别与输入的正弦信号和白噪声相对应。通过选择合适的系统参数，可以减小系统输出中信号和噪声之间的耦合效应。该系统可以大大抑制噪声，并在双稳系统中产生信号调制噪声效应。然后对双稳系统的输出信号作功率谱分析。不但可以辨识出淹没在白噪声中的微弱正弦信号的频率，还可以较精确地估算出微弱正弦信号的幅值。数值仿真表明，双稳系统的信号调制噪声效应可用于多个微弱正弦信号的检测。     

基于随机共振的超低频信号仿真和电路方案

以往的研究证实:满足绝热近似理论条件的小参数微弱信号利用随机共振系统的特性可以实现混频信号中噪声能量向微弱信号能量的同周期跃迁,显著增强输出的信噪比。实验直接选用满足绝热近似理论的超低频微弱信号,从而实现基于随机共振原理的微弱信号检测。利用Simulink软件仿真的实验结果表明:基于随机共振系统能够实现从噪声背景中检测出超低频微弱周期信号。     

利用随机共振实现Lévy噪声中的信号检测

针对大量研究聚焦在利用随机共振在强噪声下提取有用的信号信息,但大都是在高斯白噪声下进行的,对Lévy噪声激励下的随机共振的研究却很少,介绍Lévy噪声的产生方法,给出Lévy噪声下双稳态系统的数值求解方法,最后对双稳态系统的输出做功率谱分析.对双稳态系统的输出进行分析,发现在Lévy噪声激励下双稳态系统也会发生随机共振现象,还可以辨识出淹没在Lévy噪声中的信号信息.仿真实例说明,可以利用随机共振实现淹没在Lévy噪声中的信号检测,并为其奠定了理论基础.     

突触噪声作用下的IF阈值神经元模型的随机共振

基于带阈值的积分放电模型研究了神经元在突触递质噪声和周期信号驱动下的随机共振现象.利用平均法得到系统输出幅值增益的精确表达式,考察了输出幅值增益与信号频率、噪声强度、相关时间及非对称度的关系.发现输出幅值增益随着这些参量的演化曲线在一定条件下呈非单调的,这些都表明在突触递质噪声和周期信号驱动下的神经发放确实存在随机共振现象.     

基于随机共振原理检测微弱信号及自适应的研究

阐述随机共振的基本概念和原理,分析基于随机共振原理检测微弱信号的方法。采用Runge-Kutta算法分别对微弱的周期信号和非周期信号进行仿真验证,仿真结果表明基于随机共振原理可以有效地检测出强噪声背景下的微弱信号。     

基于神经元阈上非周期随机共振机制的语音复原技术研究

应用随机共振机制.通过噪声能量来加强语音信号,改善低信噪比语音的输出质量.对FitzHugh-Nagumo(FHN)神经元模型中存在的阈上非周期随机共振现象进行了分析,根据其阈值特性,此二维神经元模型可被等价为两状态的阈值跨越非线性动力学系统.因此对含噪语音信号添加噪声,产生阈值化后的二值输出,经迭代收敛进入阈上非周期随机共振状态.在一个非零添加噪声强度上,含噪语音输出的互相关系数将达到最大值.通过语音复原的结果表明,本文方法对噪声的变化有更好的鲁棒性,尤其在强背景噪声下,随机共振方法较其他传统方法有更佳的复原效果.     

基于双稳随机共振的语音增强研究

针对淹没在强噪声背景中的语音信号,文中提出了一种基于双稳随机共振的语音增强方法,该方法利用调节随机共振系统的结构参数,使系统达到最佳匹配,将噪声的能量向信号转移,从而达到增强语音信号的目的。通过MATLAB仿真分析,输出信号信噪比提高了3.5db,因此该方法在对语音信号的检测增强中可获得一定的检测效果。     

基于双稳随机共振的语音增强研究

针对淹没在强噪声背景中的语音信号,文中提出了一种基于双稳随机共振的语音增强方法,该方法利用调节随机共振系统的结构参数,使系统达到最佳匹配,将噪声的能量向信号转移,从而达到增强语音信号的目的。通过MATLAB仿真分析,输出信号信噪比提高了3.5db,因此该方法在对语音信号的检测增强中可获得一定的检测效果。     

相关乘性和加性高斯白噪声激励下周期势系统的随机共振

研究了外加周期信号作用下,相关高斯乘性和加性白噪声激励下周期势系统的随机共振.利用线性响应理论,计算了系统输出信号的功率谱密度、振幅、相位差.研究结果表明:当加性噪声强度和关联系数不变的情况下,通过调整乘性噪声强度可以出现随机共振;关联系数的正负以及大小对随机共振的影响较小.当乘性噪声强度较小时,输出信号的振幅和相位差曲线有一个单峰出现,即出现随机共振现象,能量从噪声向信号进行转化.随着噪声强度的增大,随机共振现象消失,噪声由增大系统的有序程度渐渐变为增大系统的无序程度.     

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.     

调参随机共振在超高频微弱信号检测中的应用

针对经典随机共振（SR）理论只适用于小参数,在提取高频微弱信号失效而无法使用的问题,提出一种调参随机共振检测高频率微弱信号的方法。首先,推导出双稳系统中阻尼系数与信号频率的关系,并以Kramers逃逸速率为分析手段,讨论阻尼系数变化对系统发生随机共振的影响;然后,分析了系统形状参数对系统产生随机共振现象的影响,通过联合调整阻尼系数和系统参数实现了大频率微弱信号的检测,并讨论了不同采样频率与调参系统输出频谱特性的影响,验证了该方法在低采样率下仍具有较强的稳定性;最后,以通用软件无线电设备（USRP）接收的无线电带噪信号作为系统的输入进行仿真。实验结果表明,利用该调参随机共振策略能够稳定有效地检测出强噪声背景下的超高频微弱信号,信号频率可达到MHz、GHz,拓展了随机共振原理的微弱信号检测的应用领域。     

最佳匹配阵列随机共振系统中利用噪声改善信息传输

针对数字通信系统中噪声影响码元传输的问题,为提高系统的可靠性,降低接收信号的误码率（BER）,提出一种基于最佳匹配方法和并行阵列理论的随机共振（SR）系统。首先,利用并行阵列理论来增强单个双稳态系统的随机共振效果;其次,将最佳匹配随机共振微弱信号的检测方法运用到阵列系统中;最后,推导出最佳匹配阵列随机共振系统的信噪比（SNR）增益表达式,并分析阵列单元数对误码率的影响。理论分析和实验仿真表明,最佳匹配阵列随机共振系统相比单个随机共振系统在强噪声背景下对微弱数字信号的检测性能得到提升,系统输出信噪比增益显著大于1,误码率也得到明显降低;且随着阵列单元数增加,阵列系统的随机共振效果越好。实验结果表明,最佳匹配阵列随机共振系统在实际工程中能够有效提高数字通信系统的可靠性。     

随机共振技术在弱随机二元码检测中的应用研究

分析了小信号条件下二维双稳Duffing系统的随机共振现象,提出基于Duffing系统随机共振技术的微弱随机二元码检测方法,此方法在不需要知道被检测信号的任何先验知识的条件下,检测微弱随机二元码信噪比可以达到-25dB以下,并可估计出信号波形,计算机仿真验证了该方法的有效性;为强噪声背景下微弱随机二元码的检测提供了一种操作性强、高效的方法。     

二值噪声激励下耦合欠阻尼双稳系统的随机共振

研究了二值噪声激励下耦合欠阻尼双稳系统的随机共振问题.首先,数值模拟二值噪声,研究了噪声参数对二值噪声输出的影响;其次,分析了噪声参数对系统输出的影响,发现随着噪声强度的增大,粒子可以在两个势阱之间进行跳跃,而且跳跃的频率随着噪声强度的增大而增大;最后,描述了噪声对系统输出功率谱以及信噪比的影响.结果发现在一定噪声强度下,功率谱的输出有峰的结构,并且峰值在关键的噪声处达到最大.特别地,对于不同的参数,信噪比的变化呈现非单调性,从而可以找到使信噪比峰值最大的最优参数.     

强噪声背景下识别高频弱信号的方法研究

从理论上分析了噪声通过双稳系统其能量向低频区域集中的频谱特性,根据绝热近似理论,得出只有在噪声能量集中的低频区域才能产生随机共振主谱峰的结论。本文利用计算机仿真,基于Runge-Kutta算法,分析了绝热近似随机共振(SR)技术从强噪声中识别高频弱信号的新方法。     

极大并联阈值网络中噪声改善信号的相关性

讨论了极大并联阈值网络中噪声改善信号相关性问题。当输入噪声为单峰高斯噪声时，输入信号在阈下时噪声才能改善信号的相关性，即随机谐振现象存在。而当输入噪声为双峰高斯混合噪声时，不仅输入信号在阈下时随机谐振现象有时存在，而且输入信号在阈上时噪声往往也能改善信号的相关性，即阈上随机谐振现象存在。噪声改善信号相关性随着网络中单元数的调整而改善。这些结果进一步说明了随机谐振或阈上随机谐振对噪声分布的依赖性，同时也拓广了随机谐振或阈上随机谐振在数字信号处理方面的应用。     

一阶自回归模型中噪声改善信号的相关性

讨论一阶自回归模型中三种典型噪声改善信号的相关性问题。当输入信号在阈下或部分在阈下时,随着噪声强度的增加,输出信号与输入信号的相关系数先递增后递减,适量的噪声改善了信号的相关性,随机谐振现象存在。随着阈值的增加,随机谐振功效降低、最佳噪声值变大;随着噪声密度函数在零均值周边脉冲值变大和拖尾变厚,随机谐振功效也降低。存在一个噪声范围,其间输入信号与输出信号相关系数大于输入信号与噪声信号相关系数,一阶自回归模型中输出信号比噪声信号与输入信号更相关。这些结果说明在离散时间系统中噪声改善信号的相关性,随机谐振现象存在,且随机谐振对噪声具有鲁棒性。这些结果也拓广了随机谐振在数字信号处理中的应用。     

Effects of underdamped step-varying second-order stochastic resonance for weak signal detection

Stochastic resonance (SR) has been proved to be an effective approach for weak signal detection. In this paper, an underdamped step-varying second-order SR (USSSR) method is proposed to further improve the output signal-to-noise ratio (SNR). In the method, by selecting a proper underdamped damping factor and a proper calculation step, the weak periodic signal, the noise and the potential can be matched with each other in the regime of second-order SR to generate an optimal dynamical system. The proposed method has three distinct merits as: 1) secondary filtering effect produces a low-noise output waveform; 2) good band-pass filtering effect attenuates the multiscale noise that locates in high- and (or) low-frequency domains; and 3) good anti-noise capability in detecting weak signal being submerged in heavy background noise. Numerical analysis and application verification are performed to confirm the effectiveness and efficiency of the proposed method in comparison with a traditional SR method.     

应用随机共振研究一组抗癌药物定量结构活性相关

提出了一种基于随机共振理论的定量构效关系研究方法。随机共振现象中存在着将噪声的能量转移给信号,从而提高信号信噪比的机制,是一种处理噪声信号的有效方法。本文将随机共振算法应用于一组抗艾滋病药物的定量构效关系研究,以普遍存在于分子结构描述子之中的误差和冗余变量为噪声,而将与所研究化合物活性之间相关性较好的分子结构描述子作为信号,通过优化非线性系统的参数,实现了随机共振,达到了抑制误差、增强信号的目的。所建四变量模型的统计特性为：n=34,R~2=0.9601,s=0.29,Q~2=0.9508,F=168.62。结果表明,随机共振方法是一种提高定量构效关系模型性能的有效途径。     

Adaptive stochastic resonance in noisy neurons based on mutual information

Noise can improve how memoryless neurons process signals and maximize their throughput information. Such favorable use of noise is the so-called "stochastic resonance" or SR effect at the level of threshold neurons and continuous neurons. This work presents theoretical and simulation evidence that 1) lone noisy threshold and continuous neurons exhibit the SR effect in terms of the mutual information between random input and output sequences, 2) a new statistically robust learning law can find this entropy-optimal noise level, and 3) the adaptive SR effect is robust against highly impulsive noise with infinite variance. Histograms estimate the relevant probability density functions at each learning iteration. A theorem shows that almost all noise probability density functions produce some SR effect in threshold neurons even if the noise is impulsive and has infinite variance. The optimal noise level in threshold neurons also behaves nonlinearly as the input signal amplitude increases. Simulations further show that the SR effect persists for several sigmoidal neurons and for Gaussian radial-basis-function neurons.