级联双稳随机共振降噪下的有噪ICA研究

研究了强噪声混合条件下的独立分量分析（ICA）问题．提出了一种将级联双稳随机共振（SR）用于有噪ICA盲源分离的方法．该方法利用级联双稳SR对时域波形降噪的优良特性，先对有噪ICA信号进行SR输出，再进行ICA盲源分离．实验结果表明，利用上述方法可以有效提高有噪ICA的分离效果．     

级联双稳系统随机共振的加强

该文研究了随机共振下的级联双稳系统加入周期与系统粒子在单势阱中波动的时间尺度相匹配的第二驱动信号后引起的效应.通过simulink设计模拟系统并进行仿真,观察级联系统每一级系统都加入第二驱动周期信号与未加前后输出信号x2频谱幅值的变化.结果表明,第二驱动周期信号能够增强级联双稳系统随机共振的效果.本文还分析了第一级加入驱动信号后输出信号频谱涨幅程度大于次级加入驱动信号后涨幅程度的原因,并给出了第二驱动周期信号有效控制加强随机共振的条件.     

改进型双稳随机共振系统及其在轴承故障诊断的应用

针对经典双稳随机共振系统(CBSR)的输出饱和现象降低系统输出信噪比的问题,提出一种改进型双稳随机共振系统。将CBSR中限制粒子运动的四次型势函数改进为分段二次型双稳势函数,并代入到由势函数、噪声以及微弱周期信号驱动的朗之万方程中,得到非饱和分段双稳随机共振系统。该系统结构简单,可通过调节系统参数实现最佳随机共振。进一步,通过绝热近似理论,得到表征系统性能的输出信噪比表达式,当输出信噪比随系统参数以及噪声参数增加呈现非单调变化时,系统发生随机共振。将改进系统应用于轴承故障诊断,结果表明,在相同参数下,改进系统的输出信噪比共振曲线整体高于CBSR及分段非线性双稳随机共振系统(PNBSR),系统能够有效检测出故障信号频率,在内外圈故障诊断中,输出信噪比较PNBSR系统分别提高了2.4 dB与1.8 dB,证明改进系统可有效增强系统输出信噪比。     

基于IMF最优配比的冲击波信号EMD降噪方法

将原始信号进行EMD分解,通过系统校准和遍历寻优求得各个IMF的最优配比因子,将其重构后得到降噪信号。扫频信号仿真实验,结果去除了系统噪声,且对信号高频分量保留完好。爆炸冲击波实测实验,降噪结果有效去除噪声,且较好地保留冲击波前沿高频分量,在峰值压力、正压作用时间和冲量3个方面与原始信号偏差仅为-4.91%、1.06%和2.12%,优于小波降噪结果。     

基于本征模态函数最优配比的冲击波信号经验模态分解降噪方法

将原始信号进行EMD分解,通过系统校准和遍历寻优求得各个IMF的最优配比因子,将其重构后得到降噪信号。扫频信号仿真实验,结果去除了系统噪声,且对信号高频分量保留完好。爆炸冲击波实测实验,降噪结果有效去除噪声,且较好地保留冲击波前沿高频分量。在峰值压力、正压作用时间和冲量3个方面与原始信号偏差仅为-4.91%、1.06%和2.12%,优于小波降噪结果。     

含相关色噪声和周期方波信号的双稳系统的随机共振

本文研究了含相关色噪声和周期方波信号的双稳态系统的随机共振（Stochastic Resonance, SR）. 在绝热极限条件下，本文利用统一色噪声逼近（Unified Colored-Noise Approximation, UCNA）法将原系统转化为相关高斯白噪声及周期方波信号驱动的新双稳系统，给出其Fokker-Planck方程，然后基于双态理论推导了系统的信噪比（Signal-to-Noise Ratio, SNR）的表达式．本文分析了势参数、噪声参数及信号参数对系统信噪比的影响，发现对所有参数随机共振均出现．本研究可望为实际应用提供一些理论基础．     

基于非线性耦合双稳系统的微弱信号检测研究

针对系统输入信号为低频、高频情形,以非线性耦合双稳系统为随机共振模型,分别建立自适应随机共振检测算法。选取平均信噪比增益作为衡量随机共振性能指标,设置系统参数,固定步长,自适应调节耦合系数,计算最优耦合系数。本文将非线性耦合双稳系统首次应用于多频微弱信号检测。与传统的检测方法相比,非线性耦合双稳系统能更加灵活地检测微弱信号。数值仿真结果与理论分析完全符合,为非线性耦合双稳系统在实际工程中的应用提供了参考价值。     

具有质量涨落的双分数阶耦合谐振子系统的随机共振

本文对具有质量涨落的双分数阶耦合振子系统的随机共振（Stochastic Resonance,SR）进行了研究. 在利用Shapiro-Loginov公式和Laplace变换求得系统输出振幅增益（output Amplitude Gain,OAG）的解析式后,本文研究了不同参数对OAG共振行为的影响. 数值模拟结果显示,OAG随噪声强度、信号频率及阻尼系数的变化出现随机共振. 此外,分数阶和耦合系数对OAG的随机共振也有影响.     

低采样率非线性随机共振微弱信号检测

传统的随机共振方法处理微弱信号要求很高的采样率（信号最高频率的50倍以上）.本文提出了一种在采样率较低的情况下利用非线性随机共振系统检测弱信号的方法,并推导了参数归一化单稳随机共振系统模型,极大地降低了利用随机共振检测弱信号的采样率.通过插值处理等效地提升低采样率下样本信号的采样率,并将插值后的信号送入参数归一化单稳系统进行随机共振处理,可在较低的采样率下提取特征信号.仿真结果表明,在采样率仅为信号最高频率的6倍时,在输入信噪比为－20dB的强噪声背景下,利用本方法可实现弱信号的检测     

基于EMD和LMS自适应形态滤波的滚动轴承故障诊断

针对铁道车辆走行部的滚动轴承故障特征,其故障信号通常被调制到高频,且还有大量噪声,提出了一种EMD(EmpiricalMode Decomposition)分解和基于LMS(least mean square)算法的自适应广义形态学滤波相结合的方法。先采用EMD分解得到高频信号,将低频干扰和噪声相分离;再使用LMS算法的形态学滤波和闭运算的方法进行形态解调。最后对其进行频谱分析,提取出故障特征。通过仿真实验和实例表明该方法能够有效的消除大量噪声和低频干扰,提取出滚动轴承故障特征。该方法计算速度快,易于实现,具有较好的实用价值。     

级联自适应局部投影降噪方法

针对具有非线性、非平稳性特征的信号，提出一种邻域半径自适应局部投影和小波阈值去噪级联的降噪方法.首先，利用经验模态分解得到信号中的高频分量并以此估计噪声水平;再根据噪声水平确定邻域半径;最后，利用该半径进行局部投影处理并结合小波阈值方法进行细节平滑.Lorenz系统时间序列的降噪结果表明，本方法能够提高信噪比并降低均方误差，并在信号结构失真时恢复其原始吸引子形态，去噪和还原信号特征的能力皆优于小波阈值去噪方法.对桡、颈、肱动脉脉搏信号、心电信号的降噪结果展示了本方法在生理信号噪声抑制和特征保留方面的优越性能.     

一种新型阈值的EMD去噪方法

为了更好提升经验模式分解(Empirical Mode Decomposition,EMD)对于mie散射激光雷达信号的去噪效果,本文提出了一种多层重复间隔阈值(EMD-MCIIT)的EMD去噪方法。首先,对多层固有模态函数(Intrinsic Mode Function,IMF)进行去噪,应用alter函数对信号分量进行改变。然后,应用重复间隔阈值(EMD-IIT)对信号进行滤波。通过信号仿真以及mie散射激光雷达真实回波信号的实验进行验证,与传统的EMD阈值方法进行比较,结果表明该方法可以有效地去噪,信噪比有了较大的提升,因此具有很好的应用前景。     

基于EMD的基音检测预处理技术

针对基音检测的性能严重受背景噪声影响的问题,论文基于经验模态分解(EMD)理论,研究了含噪语音信号的EMD分解特性,参照小波阈值去噪方法,提出了一种基于EMD的自适应语音去噪算法,并且针对软、硬阈值函数的不足提出了一种新的阈值函数.MATLAB仿真结果表明,该方法可以有效地去除噪声,较好地恢复语音信号,与小波阈值去噪方法相比,信噪比、均方根误差等性能指标均有明显提高.     

岩石爆破振动信号的EMD滤波与消噪

研究了采用经验模态分解（EMD）法对信号进行滤波、消噪的原理和过程，运用小波滤波和EMD滤波方法对仿真信号进行比较，并将EMD滤波、消噪法引入岩石爆破与冲击破碎信号处理领域中。结果表明：采用小波与EMD2种滤波、消噪的方法都能获得较好的效果，而基于EMD滤波、消噪法是依据信号分解结果的频谱特性进行选择性的滤波和消噪，更能充分保留信号本身所固有的非平稳特征，具有自适应强和灵活、有效的特点，是一种更好的爆破振动信号滤波、消噪法。     

CEEMDAN自适应阈值去噪算法在地震方向的应用

提出一种基于自适应完备集合经验模态分解(CEEMDAN,complete ensemble empirical mode decomposition with adaptive noise)的自适应阈值去噪算法。含噪信号经CEEMDAN算法分解成若干个模态分量(IMF,intrinsic mode functions),根据样本熵理论,对IMF分量中高频分量自适应选取,根据噪声和有用信息与原始信号的相关性不同,对高频分量中的噪声系数定位,利用能量熵选取噪声主区间,用高频分量中噪声主区间的噪声系数方差作为阈值,对高频分量进行阈值去噪,进一步去除噪声,保留高频中的有用信息,最后将信噪分离的高频分量和低频分量重构。分别对合成和实际地震信号去噪处理,并与常规去噪算法进行对比。数据仿真和实验结果表明,在原始信号信噪比为0.5dB时,常规与改进算法去噪后信噪比分别为4.55dB和9.97dB,大幅提高信噪比,达到随机噪声压制的目的,实现了高频分量的自适应选取和高频分量中有用信息的再提取。     

基于小波包分解的纹理图像去噪

噪声对图像的后续处理影响较大,常用的去噪方法虽然可以去除变化平缓的图像中的噪声,但对细节较多的纹理图像的去噪效果却不太理想．文中基于信号和噪声在小波分解中呈现出来的不同特性,提出了一种新颖的小波包去噪算法．采用该算法对纹理图像进行最优小波包分解,并计算每个子频带的两个范数,然后根据范数值区分信号和噪声,从而达到去除噪声的目的．实验结果表明,该算法对皮革图像具有较好的去噪效果．不仅可以去除纹理图像中的大部分噪声,而且可以较好地保留图像纹理信息．     

Hilbert-Huang变换与大电机局部放电超声信号消噪

通过分析Hilbert-Huang变换(HHT)的核心经验模态分解(empirical mode decomposition, EMD)算法及其实现过程,提出了基于EMD算法的数据压缩消噪。运用仿真模型信号和实验信号对提出地消噪算法效果进行验证;对同样条件下的数据源,与基于db2小波、db8小波的数据压缩消噪的效果进行了分析比较。此外,运用研制地硬件系统,在重庆某电机厂进行实验,采集在电机运行地真实环境下局部放电超声信号,并对其进行基于EMD算法、db2小波和db8小波数据压缩消噪分析和比较。仿真和实验结果分析表明,基于EMD算法的数据压缩消噪,与基于db2小波、db8小波的数据压缩消噪能达到同样的消噪效果,甚至更优,而且不损耗原信号能量;在对真实信号处理方面,前者更优于后者。     

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。     

基于EMD与1D全变分的地震信号去噪

经验模态分解(Empirical Mode Decomposition,EMD)是一种信号的时频分析方法,该方法在不需要先验知识的条件下,可以将非平稳、非线性信号,依据信号的特征,自适应的分解为多个本征模态函数(Intrinsic Mode Function,IMF)之和,得到高的频率分辨率。然而,一般的去噪方法是将所选择的高频IMF部分取不同的阈值进行滤波或者是直接置为零重构后实现信号的去噪,很显然这会造成高频部分有用信号的损失。1D全变分(Total Variation,TV)是一种有效的信号去噪方法,能够非常好的保护信号边缘信息,但有时也会把噪声当作边缘信息,出现虚假边缘现象。因此,基于EMD和1D-TV的优点提出了一种新的去噪方法,根据对实际金属矿床地震信号处理的结果表明,该算法能有效的消除地震信号中的噪声,并能有效保护地震信号边缘构造信息。     

基于多层联合降噪的信号处理方法

针对旋挖钻机钻杆振动信号具有非线性、非平稳的特点,以及多源振动耦合影响,提出了一种基于多层联合信号降噪方法,对振动信号进行降噪处理。首先,采用局域均值分解(local mean decomposition, LMD),得到一系列乘积函数(product functions, PF),根据计算得出的相关系数,挑选出含噪声成分最多的PF分量,舍弃残余分量,实现第一层降噪;其次,利用小波阈值降噪(wavelet threshold denoising, WTD),对挑选分量实现了第二层降噪;最后,将WTD重构信号设为奇异值分解(singular value decomposition, SVD)的前置处理单元,实现第三层降噪。基于MATLAB仿真实验与轴承数据降噪实验,分别使用EMD-SVD、LMD-SVD两种算法对目标信号进行降噪处理,LMD-WTD-SVD方法可以提高信噪比,并对比波形图与频谱图结果表明,此方法是一种更有效的降噪方法。