基于单一切面的循环平稳检测方法

在非授权频段的频谱感知方法中,循环平稳检测法具有鲁棒性好与信号类型识别性强的特点,但其计算复杂度很高。在改进传统快速傅里叶变换累加方法(FAM)的基础上,提出一种采用单一切面的循环平稳检测方法。根据循环平稳特性信号峰值变化规律推导出特定切面约束条件,并构建f-切面和α-切面两种循环谱单一切面,在无需建立完整循环谱的情况下对不同类型信号进行循环平稳特征检测。实验结果表明,与传统FAM相比,该方法可大幅降低计算复杂度,当信噪比低于-16dB时其检测性能略低于传统FAM,在信噪比达到-16dB后其检测性能与传统FAM一致。     

通信网络链路非平稳数据自动修复方法

针对传统方法数据修复率较低,修复耗时较长,修复准确性较低的问题,为提高通信网络链路非平稳数据修复效果,设计了一种通信网络链路非平稳数据自动修复方法.采集通信网络链路传输数据,并构建非平稳数据噪声模型,对采集的数据进行去除噪声处理.根据噪声处理结果采用遗传算法对非平稳数据进行检测,并采用决策树方法对非平稳数据进行自动修复...     

共形阵机载雷达杂波非平稳特性及抑制方法研究

分析了共形阵机载雷达的杂波非平稳特性,并结合该特性提出了一种非平稳杂波环境下的Doppler补偿方法.不同于传统的线阵天线,共形阵天线的三维空间结构决定了应在四维频域研究其杂波分布.针对这个特点,对共形阵机载雷达的杂波非平稳特性进行了理论分析,揭示了共形阵杂波非平稳现象的本质机理,并得出在任意摆放姿态下共形阵机载雷达均存在杂波非平稳现象这一结论.在此基础上,提出了在四维频域对主杂波进行联合补偿的空时自适应处理(space-time adaptive processing,STAP)方法.经仿真验证,在共形阵机载雷达非平稳杂波环境下,利用本文所提STAP方法的杂波抑制性能显著优于传统的Doppler补偿STAP方法.     

非平稳网络链路延迟率估计过程仿真分析

研究非平稳网络链路延迟率准确估计问题.由于网络的规模越来越大,复杂性越来越高.传统方法通常通过网络内部节点协作获取网络内部性能参数,但是,节点的差异性会给算法的协作过程带来冲突,造成节点协作过程中的相互抵制,从而导致传统方法在非平稳网络链路延迟率估计中失效.提出了一种网络层析成像优化的网络延迟计算方法.在算法基础上根据源节点和目标节点的相关信息建立树结构,计算非平稳网络链路数据传输概率,克服不平稳造成的冲突.再利用网络层析成像优化方法,对链路的延迟率进行估计.实验结果表明,利用改进算法进行非平稳网络链路延迟率估计,能够提高网络链路延迟率估计的准确性,为网络性能评估提供准确的依据.     

基于循环平稳的频谱感知方法

文中提出了一种主用户信号随机出现时基于循环平稳的频谱感知方法。该方法首先推导了在主用户信号随机出现时,基于循环平稳频谱感知方法的判决统计量,然后基于Neyman-Pearson(N-P)准则,推导了在给定虚警概率时所提方法的判决门限和检测概率,最后用仿真结果证实了所提方法在主用户随机出现时相比传统循环平稳频谱感知方法的有效性和优越性。     

非平稳环境下基于小波变换的图像去噪

传统的图像去噪算法往往仅对平稳或缓慢变化的噪声有效,且残留的图像噪声较大。对此,研究了非平稳环境下基于小波变换的图像去噪算法。该算法根据图像与噪声在小波域的分布特性以及它们的小波变换模极大值随尺度的变化大小不同,运用迭代算法得到不同尺度小波域中噪声的具体位置以及小波系数大小,完成了图像去噪。实验结果表明,对峰值信噪比较低的图像,该方法去噪后峰值信噪比比传统方法的高,并且保留了较多的图像细节,同时对平稳和非平稳的噪声都能进行较好地去噪。     

多重组合的网络流量分析方法研究

传统的平稳流量模型不能描述流量的非平稳特性,在进行预测中,随着预测步长的增加,预测准确性随之降低.而神经网络作为一种非平稳模型,虽然可以弥补平稳模型不能刻画流量非平稳性的缺陷,但是其网络中各参数选取还没有一个确切的理论依据.针对以上不足,本文提出一种多重组合的方法:ARIMA模型和Elman神经网络的对比组合模型对网络流量进行分析.仿真实验表明,该方法优于单一模型.     

改进离散平稳小波变换在压力信号消噪中的应用

提出基于离散平稳小波的改进自适应降噪方法,并将该方法应用于压力信号消噪,取得了优于传统小波消噪的效果。方法利用平稳小波的冗余特性,解决了传统二进小波变换降噪方法在奇异点存在振荡效应的不足,同时将尺度系数的噪声与各层噪声强度不同纳入分析。利用噪声强度估计各分解层阈值,对尺度和小波系数同时进行自适应降噪。将该方法应用于压力信号消噪,并与传统离散二进小波进行比较,证明了方法的可行性和有效性。     

基于信号循环平稳特性的自适应时延估计

本文提出了基于信号循环平稳特性的自适应时延估计方法,在信源的载波频率或波特率不同于干扰信号的情况下,利用信号的循环平稳性实现对非平稳干扰和空间相关噪声的抑制,进而提高时延估计的精度.仿真实验结果表明该方法比传统的参数模型时延估计方法有更好的性能.     

信号自适应去噪方法的仿真研究

研究信号问题,实际中信号都带有噪声.对不同的信号寻找最佳的去噪方法一直是信号处理和检测的主要问题,传统的信号去噪方法存在基函数单一,或者基函数难以选择的问题,使去噪效果不理想.提出一种新的基于Hilbert-Huang变换的自适应的信号去噪方法,解决了传统去噪方法存在的问题,提高了信号去噪的效果.方法是一种新的分析非线性非平稳信号的时频方法,包括经验模态分解(EMD)和Hilbert变换两部分,从信号本身的尺度特征出发对信号进行EMD分解,得到一组固有模态函数,具有良好的局部自适应性.进行仿真证明,方法的基函数具有自适应性,能很好的匹配信号的特征,既能分析平稳信号又能分析非平稳信号,尤其是对短时的非平稳信号进行去噪是非常有效的.     

基于时频特征的抹香鲸Click与传统声呐信号的分类方法

正确识别与分类鲸类发出的叫声脉冲信号与主动声呐或通信信号,对提高海洋被动声学监测以及水下声呐探测或水下声学通信系统的稳定性和可靠性具有十分重要的作用。本文选取鲸声中具有代表性的Click信号和3类具有代表性的传统声呐信号作为研究对象,提出了一种基于时频特征的抹香鲸Click与传统声呐信号的分类方法。首先,利用滤波、小波去噪和端点检测方法实现鲸声去噪及信号自动摘取;然后,基于4类信号的短时傅里叶变换时频图,对信号时频轮廓进行多项式拟合,并提取多项式的系数作为信号时频特征;最后,分别使用反向传播(Back propagation,BP)神经网络和支持向量机对4类信号进行分类与识别。分类结果验证了所提算法和方法的有效性。     

一种结合信噪比的独立成分分析算法

针对传统独立成分分析算法存在的不足,在简要介绍独立成分分析的基本原理和相关算法的基础上,提出一种结合负熵与信噪比的独立成分分析法.推导了算法的关键公式,给出了实现算法,并进行了计算机仿真实验,分别使用传统算法和改进算法对模拟产生的合成数据进行分离.通过对实验结果进行的计算分析表明了所提出的改进算法比基于负熵的传统算法具有更佳的信号分离能力,能更好地从混合信号中估计出源信号.     

DOA估计算法的一种修正MUSIC算法的研究

传统改进 MUSIC 算法通过对接收信号协方差矩阵作预处理,使信号协方差矩阵分解得到信号子空间与噪声子空间正交,从而降低噪声的影响。但当信号间隔很小时,随着信噪比的降低,传统改进MUSIC算法已无法分辨出信号。基于此问题提出的修正MUSIC算法在使信号子空间与噪声子空间正交的基础上,充分利用了噪声子空间及其特征值对噪声子空间的修正,进而构造谱峰搜索函数估计出信号。通过仿真实验,证实了在信噪比很低的情况下,信号间隔很小且存在相关信号时,修正MUSIC算法能准确地估计出传统改进MUSIC算法不能估计的信号。     

基于FRFT的多分量LFM信号DOA估计

提出了一种基于分数阶Fourier变换的多分量LFM信号波达方向估计算法。观测信号经滤波和解线调处理,变换为一系列单频平稳信号。在分数阶Fourier域结合传统的MUSIC算法,从而实现了LFM信号的方向估计。给出了估计误差的统计分析,使得这一方法在理论上趋于完备,仿真试验验证了算法的有效性。     

非线性自适应滤波在磁致伸缩导波传感器信号处理中的应用

针对传统滤波算法对磁致伸缩导波传感器信号滤波,存在降噪效果不理想、滤波后信号失真等问题,提出一种基于小波分解的非线性自适应滤波算法。在利用小波分解提取参考噪声的基础上,将神经网络和粒子群优化算法引入传统自适应滤波中,实现了对信号的非线性自适应滤波。以纵向导波磁致伸缩传感器对钢杆的检测信号为例,应用该算法进行滤波处理,结果表明:这种算法能够有效滤除检测信号中的噪声,具有滤波后信号信噪比高、信号不失真、容易实现实时处理等优点,可以实际应用在磁致伸缩导波传感器信号处理中。     

基于迁移学习的癫痫EEG信号自适应识别

脑电图（electroencephalogram,EEG）信号智能识别是癫痫病检测的重要手段。传统的智能识别方法在进行检测时,都假定智能模型训练采用的训练样本集和测试样本集满足同一分布特征,但在实际应用时,此假设条件过于苛刻,当训练和测试数据对应的场景有一定漂移时传统方法不再适用。针对上述情况,将近年来广受关注的对分布差异性场景具备较好性能的迁移学习方法引入到脑电图识别中,使得最终所得的模型对训练和测试数据的分布要求较之传统方法得到进一步放松,扩大了算法的适应场景,实现了在数据漂移场景下对癫痫EEG信号的自适应识别。实验表明,基于迁移学习的方法比传统方法具有更好的适应性。     

采用SVD-NMF的管道泄漏信号去噪算法

在管道泄漏检测中,压力信号中的噪声干扰会降低传统互相关法的定位精度。传统的去噪算法对环境的适应性差,去噪效果不理想。为此,提出了一种奇异值分解SVD( Singular Value Decomposition)与非负矩阵分解NMF( Nonnegative Matrix Factorization)相结合的管道泄漏信号去噪算法。该方法首先通过奇异值分解确定非负矩阵分解的阶数并对其初始化;然后,采用改进的非负矩阵分解算法对原信号进行迭代分解,获得去噪信号;最后,对去噪信号进行处理后通过互相关计算时延,并结合泄漏信号的传播速度实现泄漏定位。大量实验结果表明,SVD￣NMF算法能够显著降低迭代次数,提高去噪速度;同时在泄漏检测中,能够达到去除噪声干扰,提高定位精度的目的。     

基于混合信号的状态估计方法

传统的系统状态估计方法只用到连续信号,而离散测量信号所包含的信息没有得到利用.提出一种基于混合信号(包括连续和离散)的系统状态估计方法,既利用了连续信号,也用到离散信号的信息.该方法将离散信号的变化视作系统的离散事件,提取其准确的信息并参与系统状态估计,构成具有混合系统特性的新型状态估计器.还讨论了该估计器的稳定性条件和设计方法.仿真实验证明这种所提出的状态估计方法可以有效地改善系统的状态估计性能.     

A way to use local and spline models for estimating the parametrical functions of a nonstationary waveform signal

A way for estimating the parametrical functions of a nonstationary waveform signal by using local and spline models has been developed. The mathematical technique for estimating parametrical amplitude, frequency and phase functions of nonstationary waveform signals by using local and spline approximate models is examined. In order to estimate the parametrical functions of the signals, it is possible to use several traditional methods, for example, Fourier analysis, the method of time-frequency distribution, and the method of wavelet transformations. However, there are many cases when it is necessary to numerically process a signal with high nonstationarity over the parameters observed at limited time intervals. As a rule, the traditional methods for estimating the signals with such specificity are not very efficient.     

基于感知评价的三维信号识别的一种在线算法

目前,各种传感器广泛应用于各种智能系统中,但对这些传感器信号的识别大多以传统的模式识别方法来完成,而这些方法一般都需要训练样本集进行学习或者需要一些先验知识。本文提出了一种新的基于感知评价的方法。该方法通过对加速传感器的三维信号进行提取、分割和识别来完成动作的识别。在信号识别阶段,我们把曲线转为一种加权图结构,我们称之为简单线形图。通过这个结构,构造了线性简单图之间相似性的一个评价函数,并用来对两个图结构进行相似性评价,最终完成动作的识别。该方法使用了三维信号的空间拓扑结构信息和极小样本,而不依赖于先验知识和大量训练样本。而且该方法是一个在线算法,能够满足很多应用的实时性要求。最后,给出了该方法的实验结果。