基于随机共振电路模拟的微弱周期信号检测

采用电路模拟非线性Duffing振子，利用其随机共振机制来检测微弱周期信号。针对随机共振只适用于极低频输入信号的限制，引入一种适当的变量变换可以将高频信号转化成符合随机共振理论要求的低频信号进行处理，增强了该方法在工程应用中的可行性。采用电路模拟方法检测微弱周期信号，不需要象随机共振数值仿真所要求的那样对信号过采样，在满足采样定理的条件下，可以取较小的采样频率，降低了对硬件的要求。实验表明，该方法能有效地从强背景噪声中检测出微弱周期信号，在机械系统故障早期检测、化学谱信号提取、多传感器测量等领域有实际应用价值。     

基于随机共振的微弱信号检测

介绍随机共振(SR)方法的基本思想,并建立数学模型。随机共振系统是非线性双稳态系统,存在某一最佳输入噪声强度,使系统产生最高信噪比输出,达到抑制噪声,放大微弱信号的目的。针对传统系统随机共振只适用于极低频信号的局限,本文引入尺度变换,消除了对待检信号频率的限制,通过Matlab仿真,验证了其对微弱信号检测的有效性。     

基于随机共振的微弱信号检测研究

微弱信号是淹没在噪声中的小信号,且一般其信噪比比较低。微弱信号的检测在物理、电子和生物医学方面都具有重要的意义。依据随机共振理论,噪声在一定的条件下有利于微弱信号的检测。研究了随机共振的原理、双稳态系统中的随机共振现象及随机共振的应用研究现状。     

基于随机共振的微弱信号检测

在强噪声背景下,基于WV和Hough变换的正弦和线性调频信号检测方法的性能严重下降,为克服这种不足,该文在深入分析FHN随机共振系统参数对滤波能力影响的基础上,提出一种基于随机共振系统检测微弱正弦和线性调频信号的方法。首先借助FHN随机共振模型进行滤波,在此基础上进行WV和Hough变换,将信号的检测问题转换为时频图中的直线检测问题。实验证实,该方法具有较好的效果。     

用于微弱信号检测的随机共振系统设计

 随机共振(SR)作为一种能够利用噪声来提高系统输出信噪比的工具,近来得到越来越多的关注和研究.一个很大的问题是如何设计一个简单高效的SR系统.针对常见的微弱信号检测问题,我们分析了二值量化器和二值量化器阵列,推导出最优二值量化检测器和渐近最优阵列SR检测器,给出渐近最优阵列SR检测器的设计准则.根据理论分析结果,给出了鲁棒阵列SR检测器及基于噪声样本集合的参数选择算法,能够在未知背景噪声情形中获得较好的检测性能.     

随机共振理论在微弱信号检测中的应用研究

本文介绍了随机共振的基本原理,通过数值仿真研究了对称双稳系统的随机共振现象,并将其用于微弱信号的检测。为了进一步提高检测信噪比,采用了系统参数寻优的方法。仿真结果证明了基于随机共振的微弱信号检测方法的有效性。最后,提出了几个需要解决的问题。     

随机共振瓦斯微弱信号检测方法研究

为了解决检测煤矿复杂环境中的瓦斯信号时易受周围噪声干扰以至微弱信号被掩埋或产生异常数据的问题,提出一种基于随机共振的微弱瓦斯信号检测方法。采用欠采样原理对大频率信号尺度变换及粒子群算法优化系统结构参量,对大参量微弱信号在随机共振系统中的共振效果进行了理论分析和研究。结果表明,该方法可以以较低的采样频率,自适应地达到较好的共振效果;可有效地滤除噪声并增强系统辨识微弱信号的灵敏度以及信号检测的动态范围。该研究为瓦斯突出信息的早期辨识提供了一定的理论依据。     

阵列双稳随机共振在微弱信号检测中的应用研究

阵列双稳随机共振(stochastic resonance, SR)系统可利用噪声在单个双稳SR系统基础上进一步增强微弱信号检测的能力,为强噪声背景下微弱信号的检测开创了新方法。本文应用阵列双稳SR原理进行微弱信号检测的研究,采用理论和数值仿真相结合,通过稳态自协方差函数,分析了阵列双稳SR系统输出信噪比（signal-to-noise ratio, SNR）增益。在此基础上,分别讨论了阵列噪声、外部噪声及阵列单元数对检测性能的影响。并与单个双稳SR检测弱信号进行性能比较,分析和仿真结果都表明,在相同条件下,采用阵列双稳SR比采用单个双稳SR检测微弱信号性能有较大改善。这些研究结果对于阵列双稳SR的进一步发展及应用具有重要意义。      

基于欠采样随机共振的单频微弱信号检测新方法

由于随机共振具有在特定条件下增强微弱信号信噪比的特性,近年来成为一种全新的微弱信号检测手段。为了克服随机共振绝热近似理论小参数条件的限制,提出一种基于欠采样随机共振的微弱信号检测方法。通过欠采样尺度变换与还原技术,实现了大参数信号的随机共振处理,突破了二次采样变尺度随机共振算法要求采样频率必须大于信号频率的50倍的限制。构建了基于欠采样随机共振的微弱信号检测模型,从理论上证明了方法的可行性。最后利用该方法对信噪比为-27 dB条件下的微弱单频信号检测进行了仿真,结果进一步验证了所提微弱信号检测方案的正确性。所提方法大大降低了信号的采样速率,为将随机共振应用于科斯塔斯(Costas)环的改进奠定了基础。     

基于幂函数型随机共振的微弱信号恢复

针对微弱信号淹没在强噪声中难以恢复的问题,提出幂函数恢复系统实现信号还原.采用互相关系数为测量指标,研究不同参数、噪声强度以及信号幅度对恢复性能的影响.并利用粒子群算法寻优参数,在采样点数较少情况下,实现单频、多频正弦信号以及单脉冲信号的恢复,结果表明理论分析与实际仿真结果一致,证明所提幂函数恢复系统有效可行,恢复效果理想.     

Duffing振子微弱信号检测方法的分析比较

本文基于Duffing振子检测微弱信号的检测原理,介绍了参数测量法、双耦合振子,利用随机共振、阻尼比扰动和Duffing振子与传统检测法结合的五种检测方法及研究进展,并对后四种检测方法从待测信号信噪比、检测系统抗噪性、可检单或多频信号、适合检测信号类型四方面进行分析比较.结果表明,双耦合和随机共振检测法在四种检测法中稍具优势.     

利用Duffing方程组检测随机相位的正弦信号

讨论用16个能产生混沌现象的方程来检测带有未知相位的微弱正弦信号。16个相位已经确定的方程的阈值事先求解出来。当未知相位的信号通过系统时,逐个验证方程,看是否有混沌向大尺度周期运动转变的方程,如果有,则此方程可以作为检测信号的方程,若没有则继续实验,最后必然会出现一个甚至多个相轨迹转变的方程。用能够出现相轨迹转变的方程...     

弱暂态正弦信号的检测

将Duffing振子用于弱暂态正弦信号的检测,发现可被检测的暂态正弦信号的持续时间下限为12个周期,对相位随机分布并淹没在噪声中的弱暂态正弦信号可以用一组(16个)Duffing方程检测到,对到达时间的定位可以精确到一个周期。     

基于Duffing混沌振子的微弱信号检测研究

传统的微弱信号检测方法在检测信噪比很低的信号时效果很差,而Duffing振子混沌系统由于具备对初值敏感、对噪声具有较好的抵抗力等优点,因此在检测微弱信号能够表现出良好的检测效果。分析了Duffing方程的基本形式和动力学演化过程,阐述了基于相平面变化进行微弱信号检测的工作原理。提出了一种准确确定相变阈值的方法,讨论了高斯白噪声对阈值的影响。按照提出的检测步骤,应用MATLAB软件进行仿真,仿真结果表明可以检测出的微弱信号的信噪比能达到-130 dB。     

基于Duffing振子的弱正弦信号检测方法研究

数值仿真发现,通过设置Duffing振子初值和参考信号初相使其满足一定关系,Duffing振子从大周期态向混沌态的转变(正向相变),比较其从混沌态向大周期态的转变(逆向相变),对周期策动力的幅值体现出了更稳健的敏感性.据此,提出了一种利用Duffing振子逆向相变实现弱正弦信号检测的方法,分析了其可行性,并通过仿真与传统的检测方法进行了对比.数据表明,相同条件下,所提检测方法具有更高的检测精度.此外,根据相空间分布特点,提出了一种相轨迹运动状态的判别方法.该判别方法计算量小,并具有较好的实时性,通过仿真验证了该方法的正确性.     

基于Duffing振子的微弱信号混沌检测

分析了Duffing振子的混沌特性,给出了确定系统混沌阈值的Melnikov方法.在阐述了基于相平面变化进行微弱信号检测原理后,在混沌检测中噪声对系统状态的影响也进行了研究.仿真结果表明,Duffing振子对与参考信号频率差较小的周期信号敏感,对白噪声和频差较大的周期干扰信号具有免疫力,该振子应用于实际微弱信号的检测具有可行性.     

联合增益递推的Duffing系统弱信号检测算法

相变判别在Duffing振子弱信号检测中具有至关重要的作用,传统的判别算法复杂度高而精度低,限制了Duffing振子的应用,因而需要寻求更优的判别算法.本文通过欧拉方程建立正弦策动力Duffing振子的状态方程,并对Duffing系统进行滤波估计,推导出系统扩展卡尔曼增益的递推表达形式,以此为据提出了一种联合卡尔曼增益递推方程判别Duffing系统状态的新方法,同时根据增益随信号幅度变化的规律,提出了运用联合系统对弱信号进行定性和定量检测的方法,仿真验证表明,该方法可有效地对弱信号进行检测,相比传统Lyapunov指数判别法,运算耗时降低了两个数量级,且运算精度得到了显著提高.     

基于小波变换分析的微弱信号检测研究

文章针对在检测农田水势微弱信息时传统的微弱信号检测算法或原理的局限性,在分析了小波变换信噪分离原理的基础上,提出了将小波分析与自适应滤波相结合的算法.通过小波分析对被检测的微弱信号的分解,为每一子带单独设计阈值,实现了从强噪声信号中提取微弱信号,并通过仿真的结果验证了本算法的可行性和可靠性,为微弱信号的检测提供了新的理论算法.