直接序列扩频通信中基于循环累积量的自适应干扰对消技术

在可以获得与干扰强相关的参考信号的扩频通信系统中，自适应干扰对消器是常用的抗干扰技术．为在保证对消器性能的同时，减少运算量，提出了一种基于二阶循环累积量(SOCS)自适应干扰对消器(AIC-SOCS)，利用源信号和参考信号的循环二阶累积量，自适应调整对消器中滤波器系数．与基于四阶累积量的自适应干扰对消器(AIC-FOS)相比，乘法次数减少50％，加法次数减少60％．仿真实验表明，AIC-SOCS的性能和AIC-FOS的干扰抑制性能相当，表现出比基于二阶累积量的自适应干扰对消器(AIC-SOS)更优良的干扰抑制性能．     

基于BP神经网络的海上目标检测

为了减少展宽的一阶海杂波谱对空间超分辨谱估计技术的影响,提高MUSIC算法的检测性能,用BP神经网络实现海杂波预测和对消.利用神经网络的可对任意非线性函数模拟的特性,对展宽的海杂波进行模拟.用模拟后的结果实现一阶海杂波的对消,来满足MUSIC算法的应用条件.最后,用MUSIC算法分辨海上目标的方位信息.实验结果表明,对消前后目标背景噪声子空间特征值发生改变,对消后更接近于MUSIC算法的假设条件,提高了MUSIC算法的检测性能,扩大了MU-SIC算法的应用范围,实现在非高斯噪声背景条件下应用MUSIC算法检测目标.     

自适应SAR图像噪声识别和去噪算法研究

对噪声SAR图像进行噪声类型识别,是对图像进行有针对性去噪的第一步。针对7种典型噪声的干扰图像,提取包括Zernike矩、小波高频不显著系数子带能量比、噪声能量特征值等在内的8类特征值。设计了反向传播(BP)神经网络分类器,可以实现对不同噪声类型干扰的SAR图像的有效识别。采用了包括Probabilistic Patch-Based filter、2DDFT-DWT等7种最新有效过滤SAR噪声图像的算法进行综合去噪。实验结果表明,系统能够在一定程度上自适应过滤受到不同噪声干扰的SAR图像信号。     

声纳探测信号自适应脉冲噪声对消算法

针对浅海环境噪声严重影响声纳探测信号检测性能的问题,提出了一种非线性变换的自适应脉冲噪声对消算法。算法首先对回波信号和参考通道噪声信号同时进行非线性变换,对脉冲噪声进行软阈值滤波,在此基础上,采用最小均方误差算法实现自适应噪声对消,可获得稳健的收敛性能。α-稳定分布脉冲噪声条件下的仿真和某次实验中的声纳探测回波信号处理证明了算法的有效性。     

一种变步长符号梯度脉冲噪声对消算法

针对最小均方误差(least mean square,LMS)自适应噪声对消器在脉冲噪声干扰条件下实现噪声对消失效的问题,提出了一种变步长符号梯度最小均方误差(variable step size sign LMS,VSSLMS)脉冲噪声对消算法?VSSLMS算法利用符号函数对误差信号?参考噪声信号取符号运算构成符号梯度? 符号算子的量化操作可以抑制脉冲噪声对自适应算法的影响,为进一步提高VSSLMS脉冲噪声对消性能,采用误差功率归一化准则设计步长控制函数,给出了一种变步长算法,该算法能减小由于符号算子引入的量化误差对收敛速度和收敛精度的影响?利用计算机仿真把提出的VSSLMS脉冲噪声对消算法与改进的归一化LMP算法(MNLMP)进行了比较,结果表明,VSSLMS算法具有更快的收敛速度,同时具有与MNLMP算法相近的稳态剩余误差?因此,VSSLMS算法在脉冲噪声对消中具有实际应用价值?     

基于LMS自适应噪声对消法的激光液位测量信号波动抑制研究

针对激光液位检测中的信号波动问题,提出了一种采用LMS自适应噪声对消法抑制噪声的信号滤波方法,该方法采用数字高通滤波器获取自适应噪声对消器参考通道的信号。论述了自适应滤波器噪声对消的工作原理、LMS算法以及Butterworth数字高通IIR滤波器的设计方法,给出了整个噪声对消系统的原理图。仿真和实验结果表明,该噪声对消法在保证实际测量信号相位不变的情况下对液位测量信号的波动影响具有明显的消除和抑制作用。     

自适应噪声消除算法的性能比较与仿真

在信号处理中,噪声往往是非平稳和随时间变化的,传统方法很难解决噪声背景中的信号提取问题.通过对自适应噪声消除原理的研究,介绍了基于参考信号和基于预测原理的两种自适应噪声消除(ANC,Adaptive Noise Cancellation)方法,分析对比了基于最小均方(S,Least Mean Squares)、递推最小二乘(RLS,Recursive Least Squares)和平方根自适应滤波(QR_RLS,recursive least squares based on QR decomposition)三种噪声消除算法的性能.仿真结果表明:这几种算法都能从高背景噪声中有效地抑制干扰提取出有用信号,显示出了良好的收敛性能.相比之下,RLS算法和QR_RLS算法呈现出更快的收敛速度、更强的稳定性和抑噪能力.     

自适应信号处理在柴油机振动信号识别中的应用

介绍了信号自适应处理的基本方法和自适应对消原理 ,利用正弦合成信号和正弦与噪声合成信号的对消实例验证了该方法。在对PZ1 2V1 90B型柴油机缸盖振动信号的分析中 ,用非爆发段信号作为待消信号 ,对原信号进行了对消 ,抑制了噪声及其他信号 ,突出了有效信号。     

基于参考信号频域半盲提取的机械故障特征声学诊断

针对生产现场机械设备零部件结构复杂、设备运行时背景噪声干扰严重等造成的监测诊断难题,以及传统盲信号处理算法在机械声信号处理方面的局限性,提出一种基于参考信号约束频域半盲提取的机械故障声学诊断算法。详细介绍了该算法的关键技术:以频域盲解卷积算法为基础,使用利于全局寻优的人工鱼群算法,构建适用于机械故障特征的改进多尺度形态学滤波器,以最大程度削弱背景噪声干扰;结合机械设备零部件结构参数构建参考信号,通过单元参考信号约束频域半盲提取算法,对降噪后的信号逐段进行复数盲分离;利用改进KL距离,解决复分量间次序不确定性问题,最终实现机械故障特征信号的提取与分离。实际声场环境中的滚动轴承故障声学诊断实验验证了该算法的有效性。     

基于LMS算法的混合干扰对消模块的设计与分析

为了解决无线通信中多类型混合干扰问题,利用LMS算法设计和仿真了混合干扰对消模块;首先对LMS自适应噪声干扰对消原理和周期性干扰分离原理进行了阐述和分析,通过分析可知自适应对消器的对消效果与LMS自适应算法阶数、步长的选取密切相关,而输入信号的自相关矩阵直接决定LMS参数的设置,不同类型的干扰差异较大;然后对混合干扰对消模块进行了建模,证明了所设计模块的可行性和有效性;最后,在不同信干噪比(SINR)下分析了所设计模块的性能,得出混合干扰对消模块在低信干噪比时性能好于高信干噪比时的结论。     

基于神经网络的自适应噪声抵消器的研究

在系统阐述了自适应滤波器和自适应噪声抵消器基本原理的基础上,利用神经网络的特点,设计了基于四层神经网络的自适应噪声抵消系统,克服了传统自适应滤波器需要两路输入信号统计相关的特点。理论分析和计算机仿真表明,该系统与传统自适应噪声抵消系统相比具有很好的噪声消除能力和鲁棒性。     

强海杂波背景条件下海上目标检测方法

为了减少展宽的一阶海杂波谱对空间超分辨谱估计技术的影响，提高MUSIC算法的检测性能，用径向基神经网络实现海杂波预测和对消．利用神经网络的可对任意非线性函数模拟的特性，对展宽的海杂波进行模拟，用模拟后的结果实现一阶海杂波的对消，来满足MUSIC算法的应用条件．最后用MUSIC算法分辨海上目标的方位信息．实验结果表明，对消前后目标背景噪声子空间特征值发生改变，对消后更接近于MUSIC算法的假设条件，提高了MUSIC算法的检测性能，扩大了MUSIC算法的应用范围，实现在非高斯噪声背景条件下应用MUSIC算法检测目标．确定最小的相空间维数和时间间隔，采用更先进的神经网络算法，可以提高神经网络的预测速度．     

基于粒子群算法的自适应滤波器研究及应用

针对神经网络自适应滤波器易于陷入局部极小的缺陷,采用抑制局部最优的粒子群算法优化神经网络的权系数,设计了基于改进粒子群算法训练的三层神经网络的自适应滤波器,并将其应用于自适应噪声抵消器.仿真表明,该系统与传统自适应噪声抵消系统相比具有很好的噪声抵消能力,信噪比大大提高.     

泥浆泵液力端故障诊断技术研究

通过对现有的泥浆泵液力端故障诊断技术的分析研究,并结合泥浆泵的结构及工况特征,提出了振动信号统 计指标与神经网络相结合的液力端故障诊断方法。该方法选取振动信号的有效值、方差、峰值指标、脉冲指标、峭度指 标和裕度指标作为表征液力端振动信号的特征指标;采用动态数据采集仪、压电式加速度传感器采集振动测试信号, 并计算得出振动信号平均特征量;然后通过对振动信号特征指标的归一化处理,构建BP 网络和设置网络参数,将经 归一化处理后的时域统计指标作为训练样本,输入到构建的BP 网络中进行网络训练;经过训练,使BP 网络满足预定 的精度要求。现场应用诊断误差分别为：0.007 7,0.017 9,0.017 7,0.021 6,说明构建的BP 网络的性能能够满足故障 诊断要求。利用统计指标和BP 神经网络结合的故障诊断方法,对泥浆泵故障诊断具有较准确的识别效果,可应用于 泥浆泵液力端的故障诊断。     

基于力信号和智能控制的电解加工间隙检测与控制

采集真实电解加工过程中阴极表面上的力信号,利用小波变换对采集的信号进行降噪处理,得到一条随着间隙减小而光滑增大的力信号趋势曲线.用这些力-间隙数据对训练一个BP神经网络,通过训练好的网络和在线测得的力实现间隙的在线预报,并设计了一个模糊控制器.利用上述从试验中获得的间隙-力关系训练另一个BP神经网络,实现间隙向力信号的映射,把间隙的误差转化为力的误差及误差的变化信号,以此作为模糊控制器的输入,以加工电压的增量作为模糊控制器输出,实现对间隙的控制.在Matlab的simulink模块中建立了由神经网络、模糊控制器和电解加工系统联合组成的智能控制系统的仿真模型,进行了仿真试验,试验结果表明对间隙的控制效果满意,特别是快速性和鲁棒性好.     

基于RBF神经网络的跳频信号频率预测的研究

提出了一种跳频信号频率预测的解决方案——RBF神经网络．比较了BP神经网络和RBF神经网络在跳频信号频率预测中的性能差异．应用MATLAB针对一伴有随机噪声的信号进行了仿真实验，证明了该理论的可行性与优越性。     

基于经验模态分解的自适应噪声对消方法

针对飞行器试验中单通道遥测信号频率内容丰富、降噪困难的问题,提出了一种基于经验模态分解的自适应噪声对消方法。将信号利用经验模态分解(Empirical mode decomposition, EMD)方法分解为一系列本征模态函数(Intrinsic Mode Function,IMF),将第一阶IMF作为参考噪声,并将第二阶以后的IMF分量累加求和,作为待降噪信号,在此基础上利用自适应噪声对消系统完成降噪。该方法克服了直接将高阶IMF作为噪声消除后在降噪和细节信息损失之间的矛盾性问题,可以最大程度保护信号细节信息不受损失的情况下实现良好的降噪效果。计算机仿真和某次飞行器试验实测数据处理结果证明了这一方法的有效性。     

基于TD-BP网络的噪声滤除

为更好地消除噪声,提出TD-BP神经网络拟合未知的噪声信道滤波器,讨论了它的模型与学习算法及其通用逼近性.基于TD-BP神经网络的噪声消除器具有神经网络分布式并行信息处理能力,利用TD-BP逼近噪声,然后抵消噪声得到有用信号,具有较好的鲁棒性和除噪性能.     

基于ECG信号和体动信号的睡眠分期方法研究

为了研究整夜睡眠状况和睡眠过程, 利用多导睡眠仪(polysomnography, PSG)和体动记录仪, 分别记录被试的ECG信号和体动信号, 再对 ECG信号提取心率变异性(heart rate variability, HRV)的特征值, 并将其作为实验数据的特征参数。为了提高识别率和防止过度拟合, 将实验数据分为训练集和测试集, 设计一个用遗传算法改进的BP神经网络模型, 对样本进行训练和预测。研究结果表明, 改进的BP神经网络能有效地识别测试样本, 综合识别准确率为86.29%。将检测ECG信号和体动信号的穿戴式设备与睡眠分期识别算法相结合, 能够用于家庭睡眠监测, 也可作为睡眠疾病的初筛方法。     

基于光纤光栅和BP神经网络的结构损伤识别

以光纤光栅为传感元件,四边简支板为研究对象,BP神经网络为信号处理手段,研究了光纤光栅传感器和BP神经网络在结构损伤识别中的应用,实验表明,光纤光栅传感器具有灵敏度高、稳定性好的特点,是结构损伤识别中的一种新的信号采集工具。采用光纤光栅作为传感元件,不仅可使BP神经网络成功地实现对四边简支板的损伤识别。而且提高了结构损伤识别的精度。