基于α稳定分布的空间瞬态光频谱估计

分析待探测的瞬态光信号,对其进行频谱估计,推导出空间瞬态光信号是一种随机信号。通过分析基于FLOM估计的共变谱估计,得出当 <1时,这种方法并不适应。为此,提出一种分数低阶协方差谱的估计方法,对这2种 稳定分布噪声中正弦信号的估计与分辨进行仿真实验,结果表明该方法可以获得较好的谱估计性能,对 稳定分布噪声具有广泛适用性,且瞬态光信号为 稳定分布噪声。     

分数低阶α稳定分布的功率谱估计新方法

传统的α稳定分布噪声下信号功率谱估计方法有两种,分别为共变谱估计与协方差谱估计。这两种谱估计方法都是以自相关这个二阶矩作为频域分析对象,而自相关是个损失了信号中相位的信息,不能用于时频域分析。针对这一问题,提出了一种新的分数低阶功率谱估计方法,计算机仿真结果表明,与现有方法相比,该新方法不仅在进行分数低阶功率谱估计时具有更优良的性能,而且可进一步应用于时频域分析,具有更广泛的应用价值。     

分数低阶alpha稳定分布的STFT时频分析方法

对于α稳定分布噪声的非平稳信号,仅用频域的一维分析方法是不够的,需要考虑进行二维的时—频域分析方法。在基于传统的短时傅里叶变换(STFT)基础上,针对分数低阶α稳定分布的特性,提出了分数低阶STFT新方法。计算机仿真结果表明,该分数低阶STFT方法能克服传统的STFT方法在对α稳定分布进行时频分析时的性能退化问题,为α稳定分布在时频域的研究开拓了全新的途径。     

基于分数低阶协方差谱的频谱感知算法研究及其FPGA实现

在对非高斯噪声情况下主用户频谱感知问题的理论研究之上,采用α稳定分布模型描述认知通信系统的非高斯噪声,给出了一种基于分数低阶协方差的感知方法,并采用分数低阶协方差谱对α稳定分布噪声下的主用户信号进行了谱估计,较好地解决了在非高斯噪声情况下传统的功率谱估计性能失效的问题。在此基础上针对FPGA的特性,进一步优化了算法,在FPGA上设计并实现了基于该算法的感知系统。系统利用FPGA产生中心频率为25 MHz、带宽为12.5 MHz的QPSK信号和特征指数为1的α稳定分布噪声作为主用户信号,设计相应的数字信号处理模块,并在此系统中验证了基于分数低阶协方差的感知方法能够有效地从α稳定分布噪声中检测出主信号的存在。该系统运行稳定,可移植性强,适用于不同的主用户频谱检测方案在此系统上进行实现与验证。     

最小p范数准则α谱估计及载波频率检测

针对共变系数矩阵和分数低阶协方差矩阵估计ARSαS信号α谱精度不高的情况,提出了一种最小p范数准则的α谱估计方法。该方法对传统的奇异值分解（SVD）方法估计ARSαS信号模型最小阶数进行改进,得到一种分数低阶的奇异值分解方法（FLO-SVD）,然后利用最小p范数准则和IRLS算法求出信号模型参数,用于作α谱估计。应用于脉冲噪声环境下的QPSK信号的仿真表明,改进后的方法对α谱有更好的估计,对载波频率有更准确的检测性能。     

基于稳定分布噪声的分数低阶自适应时频分布

信号中的α稳定分布噪声会使自适应时频分布方法失效.针对该问题,利用分数低阶统计量理论,提出一种改进的分数低阶自适应时频分布.为了实现带噪信号的实时在线处理及长时间信号的时频分布分析,给出一种分数低阶短时自适应时频分布.仿真结果表明,2种方法都能在含有α稳定分布噪声和高斯噪声的环境下进行有效的时频分布分析.     

稳定分布下信号的小波分析方法

采用传统小波分析方法对分数低阶?稳定分布噪声下的信号进行时频分析,存在性能退化的问题。为此,提出一种新型时频分析方法——分数低阶小波分析方法。根据分数低阶?稳定分布的特性,采用不破坏相位信息的频谱分析思想对传统小波理论进行改进。仿真结果表明,该方法能在时域、频域较好地分析出信号的频谱特征。     

非线性系统中稳定有色噪声建模及FLOC谱特性

用多项式自回归模型对非线性系统中稳定有色噪声建模,利用扩展的迭代重加权最小[p]范数算法进行模型参数估计。系统研究了分数低阶协方差谱的性质,并对无限方差非高斯多项式自回归有色噪声进行频域特性分析。理论分析和仿真实验表明,EIRLP算法是在高斯和分数低阶稳定分布噪声条件下具有良好韧性的参数估计方法。仿真通过对稳定有色噪声条件下的正弦信号进行谱估计,结果表明,分数低阶协方差谱具有良好韧性的谱估计性能。     

基于α稳定分布自共变的雷达回波频率谱估计

雷达工作在复杂的环境下,回波常伴有α稳定分布噪声,特别是当非高斯性较强时,传统的谱估计方法将退化,甚至不能工作.为此,提出了四种基于FLOS共变的雷达回波频率谱估计新方法:FLOS-直接法、FLOS-间接法、FLOS-welch法、FLOS-music法.通过对α稳定分布噪声中正弦信号频率估计的仿真结果表明,所提出的方法不论雷达杂波是传统分布还是非高斯的α稳定分布,均具有较好的工作韧性.     

基于BLPN算法的AR SαS过程共变谱估计方法

研究了一种新的AR SaS过程的谱估计算法.该算法将整个数据作为一个整体,利用分数低阶P阶矩从前向、后向两个方向对数据进行处理,获得了一种高分辨率的参数估计算法--双向最小P范数法(Bidirectional Least p Norm,BLPN).利用得到的参数,结合共变谱的定义,构建了AR SaS过程下的共变谱估计表达式,并分别对AR SaS过程参数估计,α稳定分布噪声中的正弦信号的谱估计进行仿真.仿真结果表明,基BLPN的ARSαS模型的共变谱估计方法对于不同的口值均具有良好的韧性,特别是在α值较小或者短时数据时,本文方法的性能明显优于基于FLOM的AR SαS模型共变谱估计方法.     

脉冲噪声环境下宽带循环平稳信号DOA估计算法

针对传统二阶循环相关算法在脉冲噪声环境中的显著退化问题,本文以α稳定分布为噪声模型,提出基于分数低阶循环相关的波达方向(Direction of arrival,DOA)估计算法。利用分数低阶循环相关的相移特性,将宽带循环平稳信号的DOA估计问题转化为"中心频率"为ε的窄带问题,解决了宽带情况下DOA估计困难的问题。计算机仿真结果进一步验证了此算法的有效性,且性能优于传统SC-SSF(Spectral correlation signal subspacefitting)算法。     

分数低阶时频滑动平均模型参数估计

针对稳定分布环境下非平稳过程分析方法时频滑动平均（TFMA）模型算法的退化,引入分数低阶统计量共变,提出了一种改进的分数低阶时频时频滑动平均（FLO-TFMA）模型算法。推导了FLO-TFMA模型的参数求解过程,给出了基于FLO-TFMA模型的时频谱估计。通过在稳定分布环境下对TFMA模型算法和所提出的FLO-TFMA模型算法的参数估计均方误差（MSE）比较和时频谱估计比较,仿真结果表明,FLO-TFMA模型算法的参数估计精度优于TFMA模型算法,TFMA模型时频谱估计完全失效,而FLO-TFMA模型时频谱算法能较好地进行时频谱估计。     

正交小波包分析方法在分数阶系统特性识别中的应用

基于正交小波包分析思想研究分数阶系统的动力学特性识别,提出了一套新的、能有效识别分数次动力系统复杂动力学行为的程序化方法.首先根据时间序列的平均周期对信号的频带进行分割并获得与各个频带对应的子信号;然后,通过计算子信号能量所占整个采样序列总能量的比重对时间序列的相关特性进行直观识别;最后,采用上述方法对受控的分数次Chen系统进行特征识别的结果与常用的功率谱分析方法所得结果是一致的.这些表明基于正交小波包分析方法能够有效地应用于分数阶系统的动力学特征识别.     

基于分数低阶统计量的阵列信号盲分离

传统方法常对阵列信号处理所研究的噪声采用高斯分布的模型进行描述,但当噪声存在显著的尖峰时,往往不能得到满意的结果。利用稳定分布建模实际中所遇到的具有较大脉冲特性的随机噪声,综述了阵列信号处理方法,并利用分数低阶统计量提出了一种较有韧性的阵列信号处理新方法。仿真表明它们在高斯和低阶稳定分布噪声条件下,具有良好韧性与有效性。     

基于分数低阶统计量的阵列信号盲分离

传统方法常对阵列信号处理所研究的噪声采用高斯分布的模型进行描述，但当噪声存在显著的尖峰时，往往不能得到满意的结果。利用稳定分布建模实际中所遇到的具有较大脉冲特性的随机噪声，综述了阵列信号处理方法，并利用分数低阶统计量提出了一种较有韧性的阵列信号处理新方法。仿真表明它们在高斯和低阶稳定分布噪声条件下，具有良好韧性与有效性。     

分数阶Fourier变换域极值搜索的混沌优化算法研究

正如傅里叶变换采用正弦基,单频信号能够在频域形成峰值,分数阶Fourier变换采用线性调频基,线性调频(LFM)信号能够在分数阶Fourier域上实现聚焦,利用此聚焦性通过搜索峰值可实现LFM信号检测和参数估计.通常采用步进式搜索方法,效率低下.为了克服该缺点,通过对分数阶Fourier域优化问题本质的研究,将混沌优化算法引入到分数阶Fourier域极值搜索中.仿真结果表明:本文的方法优于传统的步进式搜索法.     

基于G—L分数阶微分的图像边缘检测

传统的基于整数阶微分的图像边缘检测算子,存在对噪声敏感、抗干扰能力差,提取图像边缘信息简单等缺点。分数阶微分能加强信号的高频成分,同时对信号的中低频成分进行非线性保留。本文根据分数阶微分的G L定义,推导出分数阶微分的差分表达式,构造5×5大小的分数阶微分算子模板,并采用Sobel算子、Prewitt算子和Laplacian算子进行图像边缘检测的仿真实验。仿真实验结果表明,相比整数阶微分算子,分数阶微分算子抗噪声性能强,能有效保留图像平滑区域中的纹理细节信息,图像边缘检测结果的信息也更为丰富。     

Fractional Envelope Analysis for Rolling Element Bearing Weak Fault Feature Extraction

The bearing weak fault feature extraction is crucial to mechanical fault diagnosis and machine condition monitoring. Envelope analysis based on Hilbert transform has been widely used in bearing fault feature extraction. A generalization of the Hilbert transform, the fractional Hilbert transform is defined in the frequency domain, it is based upon the modification of spatial filter with a fractional parameter, and it can be used to construct a new kind of fractional analytic signal. By performing spectrum analysis on the fractional envelope signal, the fractional envelope spectrum can be obtained. When weak faults occur in a bearing, some of the characteristic frequencies will clearly appear in the fractional envelope spectrum. These characteristic frequencies can be used for bearing weak fault feature extraction. The effectiveness of the proposed method is verified through simulation signal and experiment data.