基于改进CEEMDAN在电能质量复合扰动去噪中的应用

为提高噪声环境下电能质量复合扰动识别精度，提出一种基于改进自适应噪声完备经验模态分解（CEEMDAN）去噪算法。首先通过CEEMDAN方法将含噪信号分解为若干本征模态函数（IMF）；然后将改进兰氏距离与多重分形去趋势波动分析（MFDFA）结合，把若干IMF分量分为信号IMF分量、噪声和信号混叠IMF分量、噪声IMF分量。对于混叠IMF分量、噪声IMF分量分别采用改进奇异谱分析（SSA）、小波阈值（WT）去噪；最后，将经去噪处理的IMF分量与信号IMF分量进行重构。实验表明：与对比算法相比，含噪扰动经新算法去噪后，信噪比显著提高，去噪效果良好。     

基于EMD分解与1-D CNN算法的光纤振动信号的识别

为提高基于相敏光时域反射计(-OTDR)的分布式光纤声传感系统(DAS)对入侵振动事件的识别准确率,提出一种基于经验模态分解(EMD)与一维卷积神经网络(1-D CNN)相结合的识别方式。该方式首先使用EMD将振动信号分解为m阶本征模函数(IMF),然后使用皮尔逊相关系数(PCC)判断出有效的IMF分量,将有效的IMF分量使用小波阈值去噪算法(WTD)进行去噪,对所有去噪后的IMF分量求和得到重构信号,最后使用1-D CNN对重构信号进行识别。实验证明该识别方式能快速完成对识别模型的训练,训练时间小于3min,并且能有效识别在实际环境中采集的入侵振动信号,对入侵信号的识别准确率可达98.3。     

基于拉格朗日乘子SSMD和SSA的通信信号降噪方法

针对强噪声背景下通信信号的分析识别困难问题,提出一种基于拉格朗日乘子-辛奇异值模态分解(vSSMD)的奇异谱分析(SSA)降噪方法.鉴于噪声的随机变化使得采用功率谱密度方法计算嵌入维度时有较大误差,引入蒙特卡洛思想确定嵌入维数.噪声较大时,vSSMD通过构建拉格朗日乘子矩阵增强有用分量并抑制表示为噪声的残余信号,然后采用SSA方法去除vSSMD重构信号中的微弱噪声.将vSSMD-SSA算法的去噪效果与SSA、vSSMD方法进行比较,当信噪比为-14dB时,vSSMD-SSA算法相较于传统算法SSA信噪比提升了4.49dB,均方误差提升了38.25%.实验结果说明在低信噪环境比下,vSSMD-SSA算法的去噪效果最好.将vSSMD-SSA算法用于无人机通信信号去噪,降噪效果最明显.     

利用奇异谱分析的深度神经网络语音增强方法

针对现有深度神经网络语音增强方法对带噪语音的去噪能力有限、语音质量提升不高的问题，提出了一种基于奇异谱分析的深度神经网络语音增强方法。通过引入奇异谱分析算法对带噪语音进行预处理，以初步分离得到语音信号与噪声。接着将语音信号与噪声用于深度神经网络模型得训练，以得到性能更优的网络模型，从而使得本文方法具有更好的性能。最后在重建干净语音的环节中，同时使用神经网络估计得到的对数功率谱和带噪语音的对数功率谱，并加入了权重系数，使得本文提出的方法可以适应不同信噪比的情形，有效的去除背景噪声，降低语音信号的失真。本文通过仿真实验验证了该方法的有效性和鲁棒性。      

基于数据挖掘的光纤周界振动信号识别

针对光纤周界振动信号中的噪声干扰以及通过单一特征无法全面描述振动信号的问题，研究基于数据挖掘的光纤周界振动信号识别方法。采用SVD(奇异值分解)方法对所采集的振动信号进行去噪处理，基于秩阶次值重构信号，由此消除噪声；针对无噪音振动信号，将峭度。排列熵与瞬时频率标准差作为特征，并进行特征融合，获取振动信号的特征向量；将特征向量输入概率神经网络中，利用模拟退火算法确定网络中的平滑因子参数值优化网络结构，通过学习与训练的过程输出振动信号识别结果。实验结果显示秩阶次值k为5时信号去噪性能最好，信号特征之间差异较为显著，易于区分，识别准确率平均为94.08%。     

利用改进阈值的平移不变量小波处理FBG传感信号

噪声是影响光纤布拉格光栅(FBG)传感系统精确解调中心波长的一种重要因素。小波变换因 具有良好的时频特性和多分辨率特性而去噪性能较好。本文通过分 析小波传统软、硬阈值去噪方法,发现它们存在影响系统的测量精度缺陷,并且其函数表达 式有难以确定的可调因子。提出一种不含调节因子的改进阈值函数并将这种改进阈值与平 移不变量(TI)小波 去噪法相结合处理FBG传感信号噪声,以提高传统小波去噪法的去噪效果。对FBG模 拟信号与实验信号去噪,结 果表明,采用基于改进阈值的TI小波能处理不同FBG含噪(从5dB到40dB)信号,且获得最 好的信噪比(SNR)和均方根误差(RMSE)性能。与传统 软阈值去噪法相比,信噪比平均提高3dB,与参考的改进阈值去噪法相比,信噪比平均提 升2dB,满足提高FBG传感系统测量精度的要求。     

基于深度神经网络的光纤传感识别算法

为解决光纤传感过程中不同类型事件信号混叠造成识别概率降低的问题,搭建了一种采用差分相关计算的双光纤传感结构,并在此基础上提出了基于深度神经网络的信号识别算法。首先利用双光纤回波信号计算相关系数,再通过不同事件类型信号特征设置阈值范围,从而通过相关计算与阈值滤波提高信噪比。设计了包含三个隐藏层的深度神经网络模型,以分离输入层与相关运算层的形式完成低频噪声抑制与信号混叠解调的目的。实验分别对三种常见入侵事件进行测试,并在此基础上分析了不同算法对组合事件的识别概率。结果显示三种事件的回波谱形具有显著特征。三种算法对单一触发事件的识别概率均在95%以上,该算法的识别均值为98.5%。当两个事件同时触发时,三种算法的平均识别概率分别为73.4%、 84.5%和96.4%。当三个事件同时触发时,三种算法的平均识别概率分别为65.2%、78.3%和93.5%。可见,该算法在光纤传感中信号存在干扰及混叠时具有更好的识别效果。     

一种基于奇异谱分析的降噪技术

提出一种基于奇异谱分析的降噪技术，用于降低目标声信号中的环境噪声分量，提升信号的信噪比。该方法将含噪声音信号分解为多个不同能量的声模态，通过提取包含大量目标声信号的主要声模态，舍去包含大量噪声信号的次级模态，实现目标声音与噪声的分离，达到降噪的目的。使用该方法对实验数据进行处理，能够大幅降低背景噪声的影响，提升信号的信噪比。     

基于VMD与SSA的OTDR信号去噪算法

为对光时域反射计(Optical Time Domain Reflectometer, OTDR)数据进行去噪处理,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)与奇异谱分析(Singular Spectrum Analysis, SSA)的去噪算法。首先,对OTDR数据进行VMD分解;然后根据相关系数准则判定有效分量,并采用SSA对与原信号相关系数较小的分量进行处理;再对所有分量求和,得到重构后的信号,从而实现数据信噪比的提高。经实验验证,该算法的去噪效果良好,容易实现,具有较大的实用价值。     

分布定位式光纤振动传感系统的事件识别

本文提出了一种对分布式光纤声传感器的入侵事件分类方法.该方式采用小波包去噪方式对原始信号进行去噪;将去噪后的原始信号进行小波变换,得到原始信号的小波时频图;构建双输入型的卷积神经网络,将滤波后的原始一维信号直接输入到一个三层的1-D CNN中、滤波后得到的二维小波时频图直接输入到一个两层的2-D CNN中;将两种CNN输出的特征输入到支持向量机(SVM),使用SVM对事件进行分类.本文中主要识别3种振动事件:汽车通过、挖掘机挖掘和破路机工作.实验结果表明,所提方式对实际环境中3种振动事件的识别准确率平均可以达到96％,并且识别时间仅为0.61 s.     

分布定位式光纤振动传感系统的事件识别

本文提出了一种对分布式光纤声传感器的入侵事件分类方法.该方式采用小波包去噪方式对原始信号进行去噪;将去噪后的原始信号进行小波变换,得到原始信号的小波时频图;构建双输入型的卷积神经网络,将滤波后的原始一维信号直接输入到一个三层的1-D CNN中、滤波后得到的二维小波时频图直接输入到一个两层的2-D CNN中;将两种CNN输出的特征输入到支持向量机(SVM),使用SVM对事件进行分类.本文中主要识别3种振动事件:汽车通过、挖掘机挖掘和破路机工作.实验结果表明,所提方式对实际环境中3种振动事件的识别准确率平均可以达到96％,并且识别时间仅为0.61 s.     

基于FastICA算法和小波变换的雷达信号分选

传统的独立分量分析（ICA）算法对噪声敏感,存在很难正确分选带噪混合雷达信号的问题。针对该问题提出一种结合FastICA算法和小波去噪的改进算法。该算法首先利用小波阈值法对带噪雷达信号进行去噪,适当提高信噪比后再用FastICA算法进行分离,最后进一步对分离信号作矢量归一和再消噪处理,得到各个雷达源信号的最终估计。仿真结果表明,与传统的ICA算法相比,该改进算法可以有效地去除噪声,提高带噪雷达信号分选的准确率。     

智能实验室全光纤防区型光栅周界入侵报警技术

智能实验室入侵检测报警系统的无线探测器抗干扰能力差，表现为同频干扰时容易造成误报。且系统的层级较多，导致传输数据的时间较长。因此，提出智能实验室全光纤防区型光栅周界入侵报警技术。分析光栅入侵检测原理，采用改进阈值函数的小波去噪算法，采集光纤布拉格光栅信号。引入局部最小值遍历和逃逸方法，改进并训练BP神经网络。将预处理后信号输入训练后的BP神经网络，实现智能实验室全光纤防区型光栅周界入侵报警。实验结果表明，所提方法的信号去噪能力较强，精确率、召回率和F1值均高于95%,且参数数量和浮点运算次数较少。     

基于EMD与SSA的语音增强算法研究

针对低信噪比下语音性能不佳及经验模态分解(EMD)在语音增强中的有效应用,文中提出了一种基于奇异谱分析(SSA)与EMD的语音增强算法。将含噪语音信号做EMD分解,对噪声IMF分量及信号IMF分别采用小波变换和SSA去噪处理。在输入信噪比为-10d B到10d B的高斯白噪声环境下进行仿真实验。结果表明文中提出的是一种有效的语音增强算法。     

基于傅里叶分解与排列熵降噪方法的光纤入侵信号分类

为了准确识别分布式光纤预警系统中的入侵信号类型,提出了一种基于傅里叶分解方法（FDM）与排列熵降噪方法的光纤入侵信号特征提取与识别算法。首先,用FDM将光纤入侵信号分解为若干个固有频带函数（FIBF）。然后,计算各FIBF分量的排列熵,利用排列熵对噪声的敏感特性筛选出符合条件的FIBF并重构信号。最后,计算重构信号的近似熵与能量并构造二维特征向量,将其送入支持向量机进行训练后识别光纤入侵信号。实验结果表明,该算法可以有效识别敲击、小跑、过车三类光纤入侵信号,平均识别准确率为93.33%。     

基于时频特征的分布式光纤传感系统振源识别

为准确识别不同类型分布式光纤传感系统振源信号,提出基于时频特征的分布式光纤传感系统振源识别方法,通过饱和嵌入维数法确定信号的最小分帧长度,保留分帧信号时间序列的动力学特征,并根据分帧信号的短时能量和短时平均过零率判断分帧信号是否为振源信号;采用EMD算法分解含噪声的振源信号为多个IMF,通过门限去噪法阈值处理含噪声的振源信号IMF分量,对去噪后振源信号进行小波频域分解,获取去噪后振源信号在不同尺度上的小波系数能量分布,将其与先验经验获取的振源信号各层小波系数能量分布进行比较,根据二者差值判断分布式光纤传感系统振源信号类型,实现分布式光纤传感系统振源的精确识别。仿真实验结果表明,所提方法识别不同类型分布式光纤传感系统振源信号的识别率均较高,不同类型振源信号识别率均高于90. 12%,最高识别率达到99. 14%。     

基于端点检测的光纤振动信号识别

利用光纤分布式传感系统对入侵事件进行识别主要难点在于对入侵事件的识别准确率低,为了提高对入侵事件的识别准确率,本文提出一种基于端点检测与信号重组的光纤振动信号的识别方法.该方法首先使用基于谱质心与短时能量的端点检测算法对振动信号的振动部分进行检测,然后将检测到的振动信号进行振动信号的重组,最后使用一个多尺度卷积神经网络...     

一种小波阈值函数的CDMA信号去噪研究

噪声是影响CDMA系统检测概率的重要因素,针对软、硬阈值函数去噪法与最新的3种改进小波阈值去噪法对信号去噪效果进行对比性研究,在此基础上对小波阈值去噪方法中的阈值函数进行改进.用各种阈值函数对带高斯白噪声的方波输入信号进行去噪的仿真实验,分析其均方误差和信噪比,结果表明本文的阈值函数能够提高去噪信噪比和降低均方误差.     

一种改进的基于奇异值分解的信源数目估计算法

信源数目估计问题在盲源分离中具有重要的意义。研究了传感器数目大于信源数目时的源数估计问题。首先分析了用奇异值分解法进行信源数目估计的优势与不足,然后提出了一种改进的基于奇异值分解的信源数目估计算法。该算法首先对含噪混合信号进行奇异值分解,然后检测信号分量与噪声分量之间的转折点,将信号分量与噪声分量区分开来,从而得到信号源的数目。实验仿真表明,该算法在低信噪比以及采样点数较少时仍然具有好的性能。     

基于一维Wconv-BiLSTM的轴承故障诊断算法

针对不同信噪比噪声干扰下的轴承故障诊断问题,文中建立了一种基于一维宽卷积核卷积神经网络和双向长短记忆神经网络的轴承故障诊断模型.向该模型输入轴承振动信号,通过短时傅里叶变换将振动信号转化为时频图.然后利用首层为宽卷积核的卷积神经网络和长短记忆神经网络分别提取其空间与时间特征,并结合全连接层实现分类.为增强抗噪性,模型采...