强噪声背景下DS-SS信号检测技术

针对如何使直接序列扩频（Direct Sequence-Spread Spectrum,DS-SS）信号检测方法适应更低的输入信噪比,详细分析了平方法、时域相关法、周期谱法和高阶累积量法等现有DS-SS信号检测方法的原理和各自的特点,并应用神经网络、混沌理论和随机振动理论进行微弱DS-SS信号检测的探索。研究表明,上述方法可以用来检测DS-SS信号。     

多模噪声背景下信号提取算法的研究

信号检测是信号处理的一个重要的研究方向,以前的信号检测方法多数是基于在高斯噪声背景下进行讨论,对非高斯噪声研究比较少。非高斯噪声的干扰问题在通信过程中是经常出现的。背景噪声用多模（非高斯）噪声为模型,提出改进（最小均方误差牛顿）LMS Newton算法实现对多模背景噪声的抑制,并给出了多模噪声中信号的检测,达到对有用信号提取的目的。最后,进行了计算机模拟仿真,得出了结果。     

高斯约束强干扰背景下微弱语音信号的提取

语音通信是人类最常见最有效的通信方式,随着数字化信息化时代的飞速发展,已经实现了实时的、超远距离的语音通信,人们对于语音通信的音质也越来越高,然而,电磁空间各频段分布日趋密集,语音信号在传输过程中常受到各类电磁信号的干扰,加之声源处的各种噪声干扰并放大,甚至在军用领域对于非合作信号的提取,往往都是淹没在极强干扰的背景之下.尽可能地将微弱的语音信号从复杂的噪声环境中提取出来,会便于民用通信,更好地获得军事情报等.而自然界最为普遍的分布就是高斯分布,本文假设强干扰背景信号是服从高斯分布的,以尽可能多地符合真实场景,再利用同步累加的算法,使得服从高斯分布的强背景噪声在一定程度上抵消,而含有用信息的语音信号在多次叠加后相对于背景噪声更加突出,进而容易提取.     

强混沌噪声背景下弱信号检测

提出了一种强混沌噪声中检测微弱正弦信号的新方法。该方法主要利用了数据平滑处理和自适应处理,故在硬件设计上容易实现。计算机仿真实验结果表明：能够比较精确地检测到强混沌噪声中的微弱信号,检测到微弱信号的信噪比可达到-80dB。     

语音信号的混沌遮掩及其正定盲提取算法

利用小波变换提取语音信号的能量聚集带,将其隐藏在混沌载体信号中进行传输,设计一种盲提取算法实现不同混沌动力学系统下语音信号的有效提取。以3种不同维数的混沌动力学系统为背景,仿真实验定性和定量地分析了所提出算法的性能,验证了噪声环境下算法的可靠性,证明盲提取算法可作为对混沌保密通信系统保密性验证的有效方法。     

基于遗传RBF网络的混沌背景微弱信号检测方法

弱信号检测问题是目标检测中的一个重要研究内容。利用背景信号为混沌信号这一先验知识，采用径向基函数神经网络（RBFNN）建立混沌背景的一步预测模型，RBF网络利用遗传算法训练，最后，设计了门限滤波器，得到感兴趣的信号。仿真结果表明，在非线性程度很高的情况下，通过与其它几种训练RBF网络算法的比较，利用遗传算法训练的RBF网络具有最高的检测精度，并且训练得到的网络的复杂程度最低。     

强噪声下的微弱信号检测技术

本文首先分线性方法和非线性方法对微弱信号检测技术进行了介绍。线性检测方法一般分为时域分析法、频域分析法和时频分析法;混沌理论法、随机共振法和差分振子法是目前主要的微弱信号非线性检测方法。然后,本文从应用范围、优势和缺点等方面对常用的微弱信号检测方法进行了对比分析和总结展望。     

基于增殖系数的混沌信号提取算法

本文提出一种基于混沌信号特性的信号盲提取算法,由于不同的混沌信号在相空间里面对应着不同的吸引子二阶增长率,利用这个特点定义了增殖系数（Proliferation Exponent,PE）并将其作为混沌信号提取的目标函数.首先分析基于增殖系数的梯度搜索方法在解决盲提取问题时存在不足,并将混沌信号的盲提取问题转化为带约束的优化问题,提出利用改进的粒子群优化算法解决信号盲提取的优化问题,通过惯性系数动态调整和最优位置的扰动,提高算法的寻优性能.实验结果表明基于增殖系数的信号提取算法能有效地提取混沌信号,提取的信号在时域和相空间与源信号接近,同时算法也表现出对噪声污染的鲁棒性.     

双模非高斯噪声背景下级联双稳态随机共振信号检测

针对随机共振(SR)以高斯噪声为研究背景的局限性,为了分析非高斯噪声对级联随机共振的影响且验证在双模非高斯噪声中级联随机共振的降噪及波形整形特性的可靠性,提出了级联双稳随机共振系统在双模非高斯情况下的微弱信号检测方法。输入信号在进行信号检测过程中,首先把概率密度函数作为随机共振现象的衡量指标,然后当系统处于最佳随机共振状态时,分析了非高斯参数、相关时间及噪声强度之间的关系。最后通过仿真证实,与一级SR相比,二级SR的噪声强度和相关时间的可用范围随着非高斯参数的减少不仅会得到增大,而且滤波特性、信号检测效果得到明显提高。     

一种语音与背景乐音信号盲分离优化算法

在盲分离算法中,许多智能优化算法被应用,以克服独立性准则函数的优化进入局部最优位置,但这些优化算法的性能依赖控制参数的选择。因此,提出利用一种单参数的纯随机搜索的单形进化优化算法(Surface-Simplex Swarm Evolution,SSSE),克服算法参数对优化算法性能的影响,提高盲分离算法的应用有效性,并将该改进盲分离算法应用于语音与背景乐音信号的盲分离。实验中,以四阶累积量作为独立分量分析(Independent Component Analysis,ICA)中的准则函数。实验结果表明,该改进算法有效分离出语音成分与背景乐音成分,而且在稳定性和分离效果方面具有较好的性能。     

基于数据场的未知雷达信号动态聚类算法

未知雷达信号分选一直是雷达对抗情报处理中的难题。通过引入势和场强的概念,提出了一种基于数据场的未知雷达信号聚类算法。该方法通过设置势值门限来剔除噪声,同时设置场强门限进行聚类。该方法可以达到自动确定聚类数目和聚类中心的目的。仿真试验表明,该方法能够有效适应于未知雷达信号的分选。     

一种基于自适应密度阈值的未知雷达信号分选算法

针对基于密度的聚类算法不能发现密度分布不均匀数据样本的问题,提出了一种基于自适应密度阈值的未知雷达信号分选算法。该方法利用同一部雷达数据的分布特性进行聚类,通过寻找局部密度阈值,以达到分选不同密度分布的雷达信号的目的,并且在此基础上提出一个引理,提升了算法的时间效率。算法测试表明,该方法对噪声不敏感,能够发现任意形状、大小和密度的聚类。     

语音信号的矢量量化码书特性研究

本文针对语音信号的矢量量化码书进行了研究，利用矢量量化码书的码字和值及码字差值作为码书的特征变量，对不同语言信号的矢量量化码书分布情况做了分析，并给出了基本结果。     

白噪声背景下基于MUSIC算法的信号频率检测仿真

描述了在白噪声干扰下使用MUSIC算法对信号进行特征分解频率估计的原理方法,并且通过对一个正弦信号和多个正弦信号的MATLAB仿真试验结果,讨论了算法的特点并且对虚假峰的成因做出了解释。     

用于人脸动画的语音特征提取算法研究

针对人脸语音动画提出了基于小波包分析的语音特征提取算法,为了表征语音的动态特性,采用了特征差分和基于口形帧前后关联的多帧语音特征提取,井利用主成分分析(Principle Component Analysis,PCA)降低了输入语音的特征维数.基于隐马尔可夫模型(Hidden Markov Model,HMM)的可视语音合成系统的实验表明该算法提取的语音参数比传统的Mel频率倒谱系数(Mel-Frequency Cepstrum Coefficients,MFCC)合成的口形效果要好,有利于可视语音合成的研究.     

强信号覆盖下弱信号检测算法性能分析

强信号覆盖下,弱信号存在性问题一直是频谱监视、威胁评估、干扰检测领域的重要研究内容。为了有针对性地改进基于峰度特性的弱信号检测算法,提高弱信号检测性能。通过定量分析强信号信噪比、强弱信号功率比、定时偏差对检测算法性能的影响,优化影响算法性能的关键参数实现途径,给出一种既能有效抑制虚警又能提高弱信号检测概率的修正算法。计算机仿真结果验证了分析结论的正确性及修正算法的有效性。     

基于正交投影变换的宽带弱信号测向算法

为了解决强干扰环境下宽带多波束系统中弱信号的测向问题,提出了一种基于正交投影变换的弱信号测向算法。该算法根据强干扰方向构造干扰子空间的正交补子空间作为投影矩阵,对多波束频域数据进行变换,抑制强干扰对弱信号测向的影响。分析和仿真实验表明,算法能够有效抑制强干扰的影响,实现邻近弱信号的正确测向,提高了弱信号的分辨概率。     

基于声场景分析的混叠语音分离研究

从计算声场景思想出发，研究了如何从混叠语音中提取各源信号基音及谐波分量的方法，在此基础上根据语音信号正弦模型重建各语音分量，从而实现混叠语音分离。实验结果表明，笔者提出的方法是十分有效的。     

一种面向混沌时间序列预测的虚拟特征提取算法

针对混沌时间序列预测问题,该文提出一种虚拟特征提取算法,以提高其预测精度。首先,采用平移不变小波变换,提取出混沌时间序列的细节和光滑子层信息。然后,将混沌序列线性与非线性特征从加和关系推广到函数关系。最后,利用小波子层信息给出一种新颖的虚拟特征表达,以用于预测实验。采用经典的Mackey-Glass仿真数据,以及美国密西西比河实测径流流量数据实验表明,该文方法提高了预测精度,从而也验证了该文提出的虚拟特征提取算法在混沌时间序列预测上的有效性。同时,也可为控制、水文、气象等领域的混沌现象决策提供参考。