基于卷积自编码网络的BPSK信号降噪

针对传统降噪方法提取特征繁琐、参数选取不易的问题,提出了基于卷积自编码器(Convolutional Autoencoder,CAE)降噪的方法,对BPSK信号、加性高斯白噪声,信噪比-10dB 2dB的数据构成信号数据集。在网络训练阶段,将加噪后的样本经过卷积自编码器提取潜在特征,多次训练迭代并且保存模型的参数;在测试阶段,利用新产生的测试集完成对该算法的验证与测试,可以观察到恢复出的有用信号,且误码率有了明显的降低。实验表明,相对于传统信号降噪算法(例如小波阈值降噪、PCA等),所提算法不需要人工手动提取信号特征,实现了对BPSK信号的降噪处理。     

基于小波阈值算法的海杂波信号去噪

为有效提取噪声背景下的海杂波信号,针对海杂波信号非线性非平稳的特点,提出基于小波阈值算法对实测海杂波数据去噪。在噪声水平未知条件下,提出基于噪声主要在高频段且能量较小、信号主要集中在低频段思想的噪声判断准则。为验证小波去噪效果,将该算法对含有噪声的海杂波实测数据进行去噪,采用均方差和降噪信号信噪比两项指标来衡量去噪效果,并与均值和中值等去噪方法对比,小波算法在这两项指标均优于其他算法;此外,实验结果还表明,db2小波在双曲线阈值函数和HeurSure阈值模式下优于其他小波去噪效果。     

一种基于Matching pursuits时频分解算法的语音降噪方法

提出一种基于时频分解算法的语音降噪方法,利用Matchingpursuits时频分解算法对含噪语音信号进行分解,把分解后的各个分量的魏格纳分布之和作为整个信号的魏格纳分布,这样便使得信号和噪声在时频平面上有了较直观的分布,利用这个特点对信号进行降噪。仿真结果表明,该方法能在保证可听懂度的情况下,有效地去除含噪语音信号中的宽带噪声。     

基于MELMD-ICA的光纤振动信号降噪方法

针对分布式光纤传感系统所采集含噪信号,提出一种改进集成局部均值分解(MELMD)联合独立成分分析(ICA)的降噪方法,引入排列熵判决机制提高抑制模态混叠与虚假分量能力。首先使用MELMD方法分解含噪信号得到乘积函数(PF)并进行信号重构;将含噪信号和重构信号求差得到虚拟噪声,构造虚拟通道;然后使用ICA对含噪信号和虚拟通道进行信噪分离,得到最终结果。通过实验验证,该方法与EMD-ICA,EEMD-ICA,MELMD相比,能更好地消除信号中的噪声,保留信号的特征信息。     

基于Matching Pursuits时频分解算法的传声器阵语音增强

根据在时频域中对含噪语音信号进行的时频分析研究,提出1种基于MatchingPursuits时频分解算法的语音降噪方法。利用MatchingPursuits算法对含噪语音信号进行分解,将分解后各分量的魏格纳分布之和作为整个信号的魏格纳分布,使信号在时频平面上有较直观的分布,并利用此特点对信号进行降噪。仿真结果表明:此方法能在保证可懂度的情况下,有效去除含噪语音信号中的宽带噪声。     

零差激光测振系统中含噪多普勒信号处理方法

针对零差激光测振系统中多普勒信号的噪声导致信号正交校正困难、增大测量误差的问题,提出了含噪多普勒信号处理方法。首先利用平滑滤波对两路含噪多普勒信号进行降噪处理,再通过最小二乘法对非正交多普勒信号进行校正,然后采用单位圆校正算法二次校正成正交信号,最后利用微分相除积分操作解调出振动信号。实验结果表明,本文方法能有效解调振...     

DCSK通信系统中的一种LS-SVM降噪方法

本文提出了基于最小二乘支撑矢量机(LS-SVM)学习算法的一种DCSK混沌通信系统降噪方法。在发信端混沌信号的动力学特性是已知的情况下,设定接收信号为训练样本集,利用LS-SVM的非线性处理能力对接收信号进行估计,从而优化接收的混沌信号,达到降噪的目的。仿真结果表明,优化后的系统误码率(BER)性能得到改善。     

基于仿生小波变换和模糊推理的语音降噪算法研究

提出了一种基于仿生小波变换和模糊推理的变步长自适应滤波语音降噪算法。该算法首先用仿生小波变换法对包含噪声的语音信号进行小波分解,以分离出来的噪声信号作为自适应滤波器的输入,选择基于模糊推理变步长自适应算法对带噪声语音信号进行降噪处理,最终实现语音信号的信噪分离,去除语音信号中的噪声。仿真结果表明,该方法对语音信号有较为明显的降噪效果。     

基于形态学运算和自适应阈值的心电信号消噪

抑制信号中的噪声干扰,是心电(ECG)信号预处理中的关键步骤.针对传统形态学滤波损失有用信号的缺陷,本文提出了一种基于形态学运算和自适应阈值的ECG信号消噪算法.首先,对含噪ECG信号进行形态学滤波和形态学峰谷提取运算;然后,估算形态学峰谷信号中时变噪声的即时方差,并依据3σ准则对峰谷信号进行自适应阈值处理,保留其中的有用信号;最后,将阈值处理结果与形态学滤波结果相加,作为ECG信号消噪处理的最终结果.仿真试验与实际应用结果表明,该算法不仅可以有效去除时变噪声的干扰,而且较好地保持了ECG信号的特征形态,处理效果明显优于以往的形态学滤波算法,且比基于平稳小波变换的消噪算法更适用于非平稳ECG信号的消噪处理.     

导向矢量和协方差矩阵联合迭代估计的稳健波束形成算法

针对自适应波束形成器在目标导向矢量存在约束偏差时性能急剧下降的问题,该文提出一种目标导向矢量和干扰噪声协方差矩阵联合迭代估计的稳健波束形成算法。该算法首先采用稀疏重构的方法得到目标导向矢量的初始值,并通过从采样协方差矩阵中剔除目标信号估计值完成干扰加噪声协方差矩阵的初始化;然后在建立导向矢量误差优化模型的基础上,采用凸优化方法对目标导向矢量和干扰加噪声协方差矩阵联合迭代求解。最后利用目标导向矢量和干扰加噪声协方差矩阵的稳态估计值获得自适应权矢量。仿真结果表明该算法提高了波束形成器在目标导向矢量约束偏差时的输出信干噪比。     

Recursive parameter estimation for noisy autoregressive signals (Corresp.)

The problem of recursively estimating the unknown parameters of a scalar autoregressive (AR) signal observed in additive white noise, including signal power and noise variance, is considered. A state-space model in a canonical but noninnovations form is used to represent the noisy AR signal. An algorithm based on a system identification/parameter estimation technique known as the recursive prediction error method is presented for recursive parameter estimation. Two simulation examples illustrate the effectiveness of the proposed algorithm.     

混沌信号的自适应阈值同步挤压小波变换消噪

针对同步挤压小波变换（SST）消噪过程中仅使用单一阈值的不足,对SST消噪时的幅度阈值进行了改进,提出了一种基于SST分层阈值的混沌信号消噪方法.首先,根据信号和噪声经SST分解后系数的分布模型,推导SST混沌去噪时幅度阈值权系数的均方误差计算公式;进而,根据均方误差最小准则,计算幅度阈值权系数的最优取值;最后,根据最优阈值权系数和噪声标准差,确定SST混沌去噪时的分层阈值.利用模拟混沌信号和实测月太阳黑子信号对所提方法进行了实验分析,实验结果表明,本文方法可较好地滤除混沌信号中的噪声,同时原始信号的内在混沌特性也能得到较大程度的恢复.与小波阈值法和集合经验模态分解（EEMD）消噪法相比,可获得更好的消噪效果.     

混沌背景中微弱信号检测的回声状态网络方法

对复杂非线性系统的相空间重构理论进行了研究分析,提出了混沌背景中微弱信号检测的回声状态网络方法。针对回声状态网络模型参数选取困难这一问题,采用遗传算法对其模型参数进行优化。将回声状态网络模型参数作为遗传算法的个体,混沌时间序列预测均方根误差的倒数作为适应度函数,通过选择、交叉、变异等操作获得适合数据特点的最优模型参数。根据回声状态网络强大的学习和非线性处理能力,利用得到的回声状态网络模型最优参数建立混沌背景噪声的单步预测模型,将淹没在混沌背景噪声中的微弱瞬态信号和周期信号从预测误差中检测出来。以Lorenz系统和实测的海杂波数据作为混沌背景噪声进行仿真实验,仿真结果表明,本文所提方法在预测精度和训练速度方面均优于支持向量机和神经网络模型,能够有效地检测出混沌背景噪声中的微弱目标信号,且具有较小的预测误差。      

Denoising Nonlinear Time Series by Adaptive Filtering and Wavelet Shrinkage: A Comparison

Time series measured in real world is often nonlinear, even chaotic. To effectively extract desired information from measured time series, it is important to preprocess data to reduce noise. In this Letter, we propose an adaptive denoising algorithm. Using chaotic Lorenz data and calculating root-mean-square-error, Lyapunov exponent, and correlation dimension, we show that our adaptive algorithm more effectively reduces noise in the chaotic Lorenz system than wavelet denoising with three different thresholding choices. We further analyze an electroencephalogram (EEG) signal in sleep apnea and show that the adaptive algorithm again more effectively reduces the Electrocardiogram (ECG) and other types of noise contaminated in EEG than wavelet approaches.      

Chaotic Signal Denoising Algorithm Based on Self-Similarity

Inspired by the self-similar fractal proper-ties of chaotic attractors and the heuristics of similarity filtering of images, a novel chaotic signal denoising algorithm is proposed. By grouping the chaotic signal with similar segments, the denoising of one-dimensional input is transformed into a two-dimensional joint filtering problem. Singular value decomposition is performed on the grouped signal segments and the transform coefficients are processed by thresholding to attenuate noise and finally undergo inverse transformation to recover the signal. Because the similar segments in the grouping have good correlation, the two-dimensional transformation of the grouping can obtain a more sparse representation of the original signal compared with the threshold value denoising in the direct one-dimensional transform domain, thereby having better noise suppression effect. Simulation results show that the algorithm can improve the reconstruction accuracy and has better signal-to-noise ratio than existing chaotic signal denoising algorithms.     

Partially blind source separation of continuous chaotic signals from linear mixture

The authors consider the problem of partially blind source separation of continuous chaotic signals from a linear mixture, in which the generating systems of chaotic signals are assumed to be available and the mixture matrix is unknown. Determination of the mixture matrix is firstly formulated as a problem of the synchronisationbased parameter estimation. Then an efficient parameter estimation method by exploiting the generating dynamics of chaotic signals is introduced. The estimated mixture matrix is used to design a signal separator to blindly separate the mixed chaotic signals. Three examples are given to illustrate the applicability of the proposed approach for the mixed chaotic signals generated by different and/or same dynamical systems and contaminated in measurement noise. In comparison with statistics-based methods, the new approach can solve the magnitude scaling indeterminacy and shows the separability of the mixed signals in strong noise background.     

一种应用粒子滤波器实现混沌通信的方法

该文研究应用粒子滤波器实现混沌通信的问题。组合信号建模技术,提出了一种基于粒子滤波器的实现方法。在发送端,采用加性混沌掩盖或乘性混沌掩盖将信息符号调制在混沌信号上;在接收端,应用粒子滤波器估计信息符号,进而实现混沌通信。仿真结果表明,当信息符号为二进制编码和M进制编码时,基于两种混沌掩盖的通信方案,粒子滤波器均能较好地从噪声混沌信号中恢复信息的编码值;与无先导卡尔曼滤波器相比,前者具有较低的误码率。此外,对比两种混沌通信方案,基于粒子滤波器的加性混沌掩盖通信系统在较高的Eb/N0下的通信性能接近BPSK,具有较低的误码率。     

非高斯噪声环境的进化粒子滤波盲检测器

对于信道模型系数未知的平坦瑞利衰落信道下非高斯噪声环境中的盲信号检测,提出了一种基于进化粒子滤波的盲检测算法。该算法能够解决一般的粒子滤波对于估计长时间不变的状态存在的样本贫化的问题和系统噪声的非高斯问题。仿真试验结果证明,在信道模型系数未知的平坦衰落信道下,非高斯的噪声环境中,该算法性能优越,接近达到已知信道模型系数情况下的混合卡尔曼滤波算法的性能。     

含噪声混沌信号的小波去噪方法研究

基于混沌信号具有分形结构的特点，提出了一种分数维与小波变换相结合的带观测噪声混沌信号的噪声去除新方法，利用噪声小波变换特性提取信号的真实分数维，进而根据欲处理混沌时间序列分数维与信号真实分数维之差控制小波包除噪的阈值及位置，达到噪声与信号的自适应分离。该方法克服了以往对未知动力系统方程信号除噪的盲目性，仿真结果表明此法有效可行。     

基于粒子滤波的混沌信号盲分离

该文首先建立了混沌信号盲分离问题的状态空间模型,进而通过引入Rao-Blackwellisaion策略和加扰动的方法,提出了一种基于粒子滤波的在线盲分离算法。在此基础上,为了降低分离后信号中的残留噪声,提出了新颖的延迟估计方法,很好地解决了传统的延迟加权(delay-weight)方法中信号源之间的相互干扰问题。