共查询到20条相似文献,搜索用时 531 毫秒
1.
论述了阵列调制随机共振方法在强噪声背景下多频微弱信号特征提取中的工作原理和实现步骤;采用预先设定系统参数的多个并联非耦合随机共振单元形成阵列,将被测强噪声背景下的多频微弱信号分别与不同频率的载波进行调制,生成多个差频均为0.01Hz的信号作为各对应随机共振单元的激励信号,采用龙格-库塔算法求取各单元输出并进行频谱分析,根据0.01Hz处的信噪比判断在微弱信号中是否存在载波频率与差频值之和大小的频率分量,最后综合各个随机共振单元的检测结果生成微弱信号的频率特征向量;仿真结果表明,阵列调制随机共振在微弱信号特征提取方面效果明显,具有很好的应用前景。 相似文献
2.
针对人体静止状态下生命周期信号(如心跳、呼吸)的幅值通常很小,且常被强噪声淹没、信号频率难以检测的特点,本文提出基于自相关和混沌振子相变理论相结合的微弱生命周期信号检测新方法。该方法利用传统的时域自相关方法对微弱生命周期信号进行初步去噪,再利用改进的混沌振子列检测方法提取有效信号,以充分发挥自相关及混沌检测在噪声抑制及信号提取方面的优势。仿真分析表明,该方法能有效地检测出深埋于强噪声中的两个频率未知的微弱生命周期信号,其信噪比工作门限值较单独的自相关方法和混沌振子检测方法更低,达到-81.43dB。 相似文献
3.
传统的时频分析方法在对周期性微弱信号进行检测时,提取的信息具有信噪比不高的缺点,从而影响了检测效果,为此,利用Duffing振子混沌系统对噪声的强免疫力的特征,提出了一种基于小波分解和混沌阵子的混合微弱信号检测方法;首先,采用小波变换对信号进行分解,通过小波变换的平滑作用实现对含噪微弱信号的离散处理,并设计了一种根据阈值来确定分解层数的方法,然后将降噪后的重构信号作为Duffing阵子的周期驱动力并入混沌系统,采用混沌Duffing阵子阵列实现在强噪声背景下的微弱信号检测,并提出了一种临界状态策动力幅值和初始相位的自适应确定方法;在Matlab7仿真环境下进行实验,结果表明:文中方法能有效地对湮没在强噪声下的微弱信息进行检测,具有信号检测信噪比高,重构信号频率较其它方法更接近于真实频率,具有较强的可行性。 相似文献
4.
研究关于盲源分离的特征向量分离算法在语音增强的应用,传统的方法对混合的语音信号很难进行有效的分离,而在实际中很多场合都需要对语音信号进行增强.为消除噪音,提高清晰度,使用的盲源分离算法却正能实现传统方法难以实现的技术.运用一种盲源分离的特征向量分离算法来进行语音增强,并且对实际的两个语音信号运用该算法进行了混合语音信号的分离增强实验,利用MATLLAB软件对混合语音信号进行了盲源分离的特征向量分离算法的仿真,可从混合语音信号分离出了两个原始语音信号.证明了盲源分离算法应用于语音分离的可行性,为盲源分离应用于语音增强提供了参考依据. 相似文献
5.
6.
在电子信息、电力控制、通信、生物学等领域,都不同程度地需要进行微弱信号检测,为了提取强噪声背景下的微弱信号的幅值和频率,通过对混沌系统的Duffing方程动力学特性的分析,利用该系统对周期信号的敏感性和对噪声的免疫性,构建了多重相关和混沌振子相结合的微弱信号检测系统,并对具有代表性的微弱正弦信号进行了仿真检测;仿真实验表明:该系统可以对未知纳伏级的正弦信号幅值和频率进行有效的提取,并可达到较高的精度,同时也可进一步提高对低信噪比信号的检测能力. 相似文献
7.
研究讨论了一种只利用信号的二阶统计量来分离盲源信号的方法。该方法先估计传感器信号的相关矩阵,通过对其进行特征值分解,可以得到信号的主特征值和特征向量。同时可通过奇异值分解来得到预白化后的时滞信号的奇异值,利用这些信息来估计源信号。仿真结果表明:该方法计算工作量少,对多个盲混合信号有良好的分离性能。 相似文献
8.
针对涡街流量传感器在小口径、低流速下信号微弱,易被强噪声淹没而难于提取的特点,提出了利用Duffing振子检测微弱信号的方法.通过仿真对涡街信号中含有白噪声以及谐波干扰的情况进行分析,仿真和实验均表明:这种基于混沌理论的微弱信号检测方法对涡街信号中较强的白噪声以及频差较大的谐波干扰具有很好的免疫力,并且通过计算最大Lyapunov指数的波动频率能够准确估计出涡街有用信号频率,实现低流速下涡街微弱信号检测. 相似文献
9.
一种短波跳频信号盲检测和参数盲估计的方法 总被引:2,自引:0,他引:2
提出一种基于阵列信号处理的短波跳频信号盲检测和参数盲估计方法,即在缺少足够的先验信息的条件下,充分挖掘信号的时域、频域和空域特性,完成短波FH信号的检测、分离并估计出其各自的参数集,包括驻留时间、跳速、跳时、到达方向(DOA)、频率集和跳频带宽.提出的门限策略不仅使得检测门限能够通过理论计算得到,而且还显著地抑制了非跳频信号的干扰,从而能有效地检测出FH信号.现场测试表明:该方法切实有效,且大大提高了信噪比,改善了整体性能. 相似文献
10.
11.
Speech Separation is among the propelled advances for a wide range of uses in different sectors, where detachment from the Blind Source Separation Signal is a troublesome task. Blind source separation is a growing digital signal processing industry to separate the precise signal from the recorded dense. Exclusively, among the "Blind Source Separation," the "Under Determined Blind Source Separation" is considered as an Over Determined Blind Source Separation due to its wide range of usage. Nevertheless, it is seen that real implementation is very rarely done in existing researches because the real-time Implementation of UBSS (Underdetermined Blind Source Separation) exists to be a challenging one due to its lacking hardware characteristics of increased latency, reduced speed and consumption of more memory space. Consequently, an increasing need to implement an Underdetermined source signal separation in real-time with improved hardware utility. In this Unswerving framework, a Real-time feasible Source Signal separator formulated in which the source signals decomposed by Boosted Band-Limited VMD (Variational Mode Decomposition) "Multicomponent Signal”. The amount of "Band-Limited” Intrinsic Mode Function (BLIMF) was subjected to the Encompassed Hammersley–Clifford algorithm for source separation using Expectation-Maximization and Gibbs Sampling, an alternative to deterministic algorithms and to determine the exact estimated parameter from the E-M method. Subsequently, the source separation algorithm infers the best separation of source signals by exact estimation and determination from the decomposed signals. The iterations in E-M estimation reduced by the Gauss-Seidel Method. Thus, our novel source signal separates internally with a signal decomposer and a source separation algorithm with fewer iterations, which reduces memory consumption and yields better hardware realization with reduced latency and increased speed. The proposed implementation is done by utilizing Matlab for initial processing and the hardware analysis performed in Xilinx Platform. 相似文献
12.
因为噪声总是会影响检测的结果,所以低信噪比下的信号检测是目前检测领域的热点,而强噪声背景下微弱信号的提取又是信号检测的难点。小波神经网络比数字滤波器更加适合检测微弱信号。小波神经网络是一种时频分析的自适应系统,它能检测信号中的微小变化。该文提出了一种新的检测白噪声中微弱信号的方法。仿真结果表明,小波神经网络在检测微弱信号的特征和改善信噪比方面是一种十分有效的方法。 相似文献
13.
在深入分析独立分量分析技术的基础上,针对常规数值求解方法容易陷入局部最优解的问题,提出了一种基于遗传算法和独立分量分析相结合的盲源分离新算法.通过对图象信号分离仿真试验表明,采用最佳保留机制和移民方式的动态补充子代个体操作,在一定的群体规模和遗传代数的情况下,该方法能实现信号的盲分离,并可获得全局最优解.对超高斯信号和亚高斯信号的混合信号,与扩展信息最大化方法相比,该方法可获得更好的分离效果。 相似文献
14.
针对利用非线性双稳系统随机共振逐一检测多个频率弱信号存在效率低、无法满足信号实时处理要求的问题,研究了基于随机共振的多频弱信号同时检测方法。首先建立了同时检测多频弱信号的仿真模型,通过调节双稳态随机共振系统参数、噪声强度,将在单个低频弱信号上产生的随机共振效应扩展到多个低频弱信号上,实现了多个低频弱信号的同时检测,分析了检测结果所呈现出的特点、原因。进一步研究了多频弱信号同时检测时不同频率信号之间的最小频带间隔问题。采用参数补偿的方法将其扩展应用到高频弱信号的检测中,实现了多个高频弱信号的检测。仿真结果表明该方法是可行的,能有效提高信号检测的速度及效率。 相似文献
15.
16.
基于盲源分离的单通道语音信号增强 总被引:1,自引:0,他引:1
在运用基于独立分量分析(ICA)的盲源分离法进行语音增强时,要求观测信号(含噪语音)的个数不少于源信号(纯净语音和噪声)的个数.由于含噪语音通常是单通道的,所以必须合理地生成另一路的虚拟观测信号,以实现纯净语音和噪声的分离是个关键.介绍了一种基于盲源分离和谱减法的单通道语音信号增强的方法.首先运用谱减法对语音进行部分去噪,产生了ICA其中的一路观测信号,并产生了对噪声的估计值.用语音和噪声估计值的帧平均能量构成了加权函数,将噪声的估计值与原始含噪语音进行加权组合,生成另一路的虚拟观测信号.由于虚拟观测信号很好地再现了实际的观测信号,所以运用ICA可以较好地实现了噪声和语音的分离.同时,盲源分离和谱减法相互结合,使语音增强的性能提高.实验证明了算法可以在信噪比很小的情况下实现对噪声的去除,其效果要优于传统的去噪算法. 相似文献
17.
在直接序列扩频信号的捕获中,针对低信噪(SNR)比以及大频偏对信号捕获产生影响的问题,提出了一种基于级联随机共振的直接序列扩频信号的捕获方法。首先将输入信号通过部分匹配滤波器进行处理,当本地伪码和输入信号伪码相位对齐时,输出信号仅剩下了残余多普勒频偏;然后将该信号进行级联随机共振,从而提高信号的输入信噪比;最后通过快速傅里叶变换(FFT)谱分析,可以在频谱上得到清晰的谱峰,进而求出多普勒频偏值。通过理论分析和实验仿真可知,在输入信噪比为-26 dB的情况下,所提方法能够提高直接序列扩频信号的捕获灵敏度,并且通过两级级联随机共振系统后输出信噪比提高了15 dB左右;同时与传统捕获算法相比,该方法的正确检测概率提高了4 dB左右。所提方法不但能抑制噪声,而且能将部分噪声能量转换为信号能量,同时能够改善大多普勒频偏的影响,在捕获弱信号方面有着极大的优越性。 相似文献
18.
调制随机共振及其在微弱信号检测中的应用 总被引:8,自引:0,他引:8
根据非线性双稳系统只能在低频段产生随机共振的特性,提出了调制随机共振方法,实现了在较宽的频率范围内检测微弱信号.理论分析和实验结果表明:经调制产生的低频信号通过双稳系统的协同作用而形成的输出信号,其能量和信噪比都有显著提高,对强噪声中的微弱信号有较强的检测能力.采用该方法可进一步开发双稳系统低频段的信息资源,拓宽其应用领域. 相似文献
19.