小波变换与信号去噪

本文通过对信号与噪声在经过小波变换后不同特点的分析,讨论了一种对含噪信号进行噪声消除的方法,该方法与传统的低通滤波器相比在改善信噪比的同时还保持了很好的时间分辨率,最后通过仿真实验,证明了该方法的有效性。     

联合波束形成与谱减法的麦克风阵列语音增强算法

考虑到封闭环境的散射噪声场中，传统波束形成方法及单通道谱减法对噪声抑制的局限性，提出一种将波束形成方法与谱减法相结合的麦克风阵列语音增强方法．该方法首先通过波束形成器的空间滤波作用，将波达方向不同的语音信号和噪声信号加以区别，再经过延时补偿单元的相应处理，从而达到衰减噪声的目的，然后采用谱减法对波束形成器输出端的残留噪声进行后置处理．仿真实验结果表明。在小房间混响情况下，与其他方法相比，该方法不仅运算量小。而且具有良好的噪声抑制性能．     

车内道路噪声有源控制的虚拟参考信号分组构建方法

针对道路噪声有源控制系统参考信号数量较多导致系统运算负担较大，而直接构建的虚拟参考信号与车内目标噪声相干度不高的问题，提出了一种虚拟参考信号的分组构建方法。首先进行整车道路试验，选取4个车轮位置附近采集到的和车内噪声相干性较高的振动加速度信号作为原始信号，基于奇异值分析法确定构建的虚拟参考信号数量。然后基于车轮位置将关联度较高的原始信号分为一组，对每组原始信号通过奇异值分解法构建转换矩阵，分组构建虚拟参考信号。最后搭建基于归一化参考信号滤波最小均方误差（NFXLMS）算法的道路噪声有源控制模型，分析分组构建的虚拟参考信号在降低计算复杂度与降噪效果方面的表现。与原有虚拟参考信号构建方法相比，该方法在降低计算复杂度和提高降噪效果方面均有较大改善，验证了该方法的有效性。     

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PZ12V190B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，抑帛了噪声及其他信号，突出了有效信号。     

小波去噪及其在信号检测中的应用

基于信号和噪声在小波变换下表现出的截然不同的性质，提出了一种非线性的消噪方法．该方法与传统的消噪方法不同，它并非等价于信号通过一个低通或带通滤波器，而是根据信号与噪声的奇异点性质不同进行滤波，因而在改善信噪比的同时，又保持相当高的时间分辨率．理论分析和实验表明该方法特别适合于弱信号的检测和定位     

模糊大脑情感学习的自适应噪声抵消方法

提出一种以模糊大脑情感学习(fuzzy brain emotional learning, FBEL)模型作为自适应噪声抵消器的噪声抵消方法，应用于信号处理问题。该方法通过FBEL模拟经非线性通道传输后的噪声信号，将噪声信号从含噪信号中过滤掉，达到消噪的目的；根据自适应学习算法，利用奖励信号和梯度下降法对FBEL模型的权重及参数进行在线更新，以适应噪声的变化。选取均方根误差和计算时间2个性能指标，采用自适应噪声抵消方法在不同网络中进行仿真比较，结果表明，应用该方法可以获得更好的滤波性能。     

一种语音增强算法的研究

采用基于子空间的方法，对语音信号进行增强处理，该算法提供了在语音信号失真和残留噪声之间进行控制的机制。克服了以往语音增强算法中对语音信号的噪声特点的限制，可以对混有加性白噪声、有色噪声和音乐噪声的语音信号进行增强处理。     

基于残余噪声能量的自适应杂波抑制方法

基于残余噪声能量的自适应杂波抑制方法无需对目标信号、杂波与噪声的先验统计信息做假设，权向量值由系统设定的残余噪声决定。计算机仿真结果证实了该方法可以有效地抑制杂波与噪声信号。     

双谱分析条码信号去噪的仿真研究

条码技术目前已经深入到生活的各个领域，条码扫描系统产生的扫描信号的处理仍然是研究的焦点。目前有很多种方法对条码图像进行去噪和识别处理，但去除噪声的效果不尽理想，尤其是对高斯白噪声的去除值是在噪声估计的基础上进行，由于噪声的随机行决定了对噪声的实时估计存在着误差，影响了实际的去噪效果。这里并没有对噪声信号进行估计，而是将扫描系统的扫描采样信号进行双谱分析，在双谱分析下用数学方式理论上去除高斯白噪声从而得到纯净的扫面信号，通过仿真实验证明，在SNR较低的状态下对采用该方法去除高斯白噪声有非常理想的处理效果。     

关于噪声环境中语音信号盲分离的研究

研究了在噪声环境中进行语音信号盲分离的问题。为了解决由于噪声导致解混合系统性能发生严重恶化的问题，在不增加传感器数目的前提下，利用语音源信号的短时平稳特性和噪声信号的长时间平稳特性，给出差分方法可以抵消噪声信号的影响，使得解混合系统的权仍能够收敛。输入真实语音，通过计算机仿真验证了该算法的有效性。     

一种基于模糊系统的语音增强方法

语音增强是解决噪声污染的有效方法,它的首要目标是在接收端尽可能从带噪语音中恢复纯净的语音信号.讨论强背景噪声下的基于模糊系统的语音增强方法,并与减谱法语音增强算法进行比较.计算机仿真结果表明,该方法在大大消除背景噪声的同时,消除了音乐噪声,同时保持语音信号较好的可懂度.     

子波消噪技术及其应用

基于信号和噪声在小波变换下表现出的截然不同的性质,提出了一种非线性消噪方法．该方法与传统的消噪方法不同：它并非等价于信号通过一个低通或带通滤波器,而是根据信号与噪声的奇异点性质不同滤波．因而,在改善信噪比的同时,又保持相当高的时间分辨率．     

用小波剔除局放信号中白噪声的一种实用方法

局部放电信号中的白噪声给局放信号的后续处理带来了很大的困难，白噪声的剔除是局部放电信号处理中的一个不可缺少的环节。虽然有很多剔除白噪声的方法，但是大都不是很适合局放信号的处理。局部放电信号和白噪声有着不同的Lipschitz指数，经过小波变换后二者在时间--尺度平面上有不同特征。据此，文中提出了一种剔除白噪声的新方法，该方法运算简单，适合局放信号快速处理。处理后的局放信号不失真，而且剔除效果良好，能够运用于现场局部放电信号的处理。     

基于小波变换的脑电噪声消除方法

分析了基于传统陷波器的脑电消噪方法,根据脑电噪声所处频带及陷波器原理,设计了一种陷波器.并提出了基于小波变换的脑电信号分析方法并利用它来消除脑电信号中的噪声干扰.小波变换是一种多分辨率的时间-尺度分析方法,它能够将信号划分为不同频段的子带信号.根据小波变换的这一特性,对采样获得的脑电信号进行各尺度分解及消噪分析,并给出了各尺度分解结果及消噪结果.最后对这两种方法的消噪结果进行比较.分析表明:利用小波变换能更有效、灵活地检测并去除脑电信号中的噪声干扰.     

基于复合稀疏去噪的沙漠地震噪声消减

沙漠地震噪声既含有低频噪声又含有高斯白噪声,一般方法很难同时去除这两种噪声,针对此问题提出了使用复合稀疏去噪同时压制沙漠地震噪声中的低频噪声和高斯白噪声的方法。在复合稀疏去噪中将平方损失作为损失函数的保真度约束,将信号和信号一阶导数的 L1 范数作为损失函数的稀疏约束,然后通过最小化损失函数去除信号中的高斯白噪声。为同时去除低频噪声,复合稀疏去噪中联合使用了低通滤波器,即可一次性去除低频噪声和高斯白噪声。分别对模拟地震数据和实际地震数据进行仿真实验,实验表明该方法可有效地同时压制沙漠地震数据中的低频噪声和高斯白噪声,复合稀疏去噪的保幅略好于带通滤波器,去噪后带通滤波器会产生较严重失真,而复合稀疏去噪的失真较小。     

小波分层阈值风机故障信号降噪

为剔除风力发电机故障信号中的干扰噪声,提出一种小波分层阈值降噪方法.通过构建一种在阈值处连续且可导的小波分层阈值函数,在MATLAB中采用仿真信号进行验证,采用不同的降噪方法与本文所用方法进行对比分析.仿真实验结果表明,该方法的信噪比为23.6814 dB,均方根误差为0.0258,均优于其他方法,有更好的降噪效果,比较适合风力发电机故障信号的降噪处理.     

基于双谱的噪声信号检测

传统的功率谱分析方法不能提供信号的高阶统计信息,在信号检测中无法有效地抑制噪声．本文根据高阶谱对高斯噪声是零响应的这一特性,提出了一种基于双谱的信号检测方法．通过实验仿真,结果表明：无论是对混有随机噪声还是高斯噪声的信号,在低信噪比的情况下,该方法均可获得比传统FFT方法更好的检测效果．     

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。