采用遗传算法的自适应随机共振系统弱信号检测方法研究

针对传统自适应随机共振系统只能实现单参数优化的缺点,提出了一种基于遗传算法的多参数同步优化自适应随机共振算法.该算法选用由双稳系统输出的信噪比作为遗传算法的适应度函数,能够实现随机共振系统中多个参数的自适应选取,从而最优地检测出原始信号中的微弱周期成分.同时,将该优化算法和移频变尺度随机共振相结合,可以实现大参数条件下的随机共振.仿真数据和滚动轴承外环故障数据的分析表明,该算法收敛速度快,简单易行,在采样点数较少的条件下能从强噪声背景中检测出微弱的高频周期成分,因此具有良好的工程应用前景.     

强噪声下小波包自适应算法的研究

低信噪比下信号检测一直备受关注.已有的方法多集中于FFT变换和自适应滤波算法的结合,尤其是变步长因子的改进上.随着小波、小波包的时频分析能力和变分辨特性日趋完善,小波逐渐成为信号处理的首选.本文算法先把信号小波包分解,然后自适应滤波运用于分解后的每个子波,最后小波包信号重构,并以罗兰-C信号为例验证其有效性.     

自适应移频变尺度随机共振在故障诊断中的应用

针对移频变尺度随机共振系统参数选择困难的问题,提出了一种基于时频指标的自适应移频变尺度随机共振算法.该算法选用了最高谱峰位置(频域)及过零间距方差(时域)作为优化目标函数,避开了以信噪比等为目标函数时需要预先知道目标信号确切频率的不足,能够自适应地获取最优系统参数,以最大信噪比检测出微弱周期信号.同时,由于移频变尺度随机共振的选用,该自适应算法突破了传统随机共振系统的限制,因此可以检测实际工程中的高频信号.仿真和故障诊断的工程应用结果表明,该自适应算法简单、易于理解,能有效地从强背景噪声中检测出高频微弱周期信号,具有较强的工程实用价值.     

基于非线性系统随机共振的多频弱信号检测

针对实际探测的弱信号常常是多个频率弱信号共存的的情形,进行了利用随机共振检测多频周期性弱信号的研究,以便把利用随机共振的弱信号检测应用于信息处理中微弱信息识别与提取。数值计算结果表明,在适当调节系统参数的情况下,强同频噪声下的多频周期性弱信号经过非线性双稳态系统后,相差不超过一个数量级的几个低于0.5Hz的不同频率的弱信号都可以同时发生随机共振而被检测出来,其信噪比改善十分明显,可以提高30dB以上。该方法在信息识别与信息处理方面具有潜在的应用价值。     

频移变尺度自适应随机共振在大信号检测中的应用

针对随机共振检测大信号的局限性和判断随机共振发生时刻的盲目性,提出了将基于频域信噪比的自适应算法引入频移变尺度随机共振中,自动调节双稳态系统结构参数和采样频率,自动获取随机共振状态,实现大参数信号检测.数值仿真实验结果表明,频移变尺度自适应随机共振可以从强噪声背景中提取较高频率的周期信号;能自适应地寻找到随机共振发生时刻,获得了较高的输出信噪比,在信号检测领域具有更好的应用前景.     

随机共振技术的水声微弱信号提取算法

随机共振技术作为一种新兴的弱信号检测算法,与传统线性滤波的方法相比,它可以检测到更低信噪比的信号.为此尝试将其应用到高频水声通信系统中,结合尺度变换和参数调节两种方法,在低信噪比下取得了一定的性能增益,并讨论了系统与信号达到最佳匹配时共振参数的变化情况.     

一种改进的变步长LMS自适应滤波算法

在分析传统LMS(Least Mean Square)算法及其改进算法的基础上,提出了一种新的改进的变步长LMS算法。新算法利用误差信号以及误差信号相关值共同调整步长,克服了一般变步长LMS算法低信噪比环境下抗噪较差以及高信噪比环境下收敛较慢的缺点。计算机仿真结果表明,与传统LMS算法和VSSLMS算法相比,该算法收敛速度更快,均方误差更小,同时也具有良好的抗噪性能。     

基于随机共振和维纳滤波的图像复原技术研究

随机共振不同于维纳滤波等传统信号处理方法,在非线性系统作用下,能利用噪声实现对强噪声背景下弱信号的处理。考虑到随机共振与维纳滤波算法的优势和不足,提出和实现了基于双稳态随机共振与维纳滤波的图像自适应复原增强算法;该算法在利用行列扫描对图像进行降维的基础上,引入拉伸变换提升图像质量;并经维纳滤波进行优化处理。仿真结果和实际应用表明:所提算法具有很好的鲁棒性,无论是复原低信噪比信号还是高信噪比信号,复原效果都优于维纳滤波和小波变换等传统复原算法和基于双稳态系统复原算法。在噪声滤除及提升图像对比度和清晰度上具有更好效果,特别是在复原被强噪声污染的信号,即信噪比很低的信号时,所提算法抑制噪声能力更强,复原效果更好。该算法克服了随机共振处理高信噪比信号效果不佳和鲁棒性差等问题,在弱信号提取,特别是强噪声和暗环境下的图像处理方面具有一定的应用前景。     

α稳定噪声下基于随机共振的微弱诱发电位潜伏期延长检测

提出了一种基于分数低阶统计量及随机共振技术的鲁棒性时问延迟估计新方法--随机共振共变时间延迟估计(SRCTDE)算法,用于在低混合信噪比条件下及a稳定噪声下微弱诱发电位信号潜伏期延长的检测.SRCTDE算法首先利用带嗓诱发电位信号与双稳态非线性动力系统之间的随机共振效应提高参考及待测诱发电位信号的混合信噪比,在最大对称...     

低信噪比下采用广义随机共振的能量检测算法

针对低信噪比下认知无线电中采用能量检测(ED)的频谱感知方法错误概率较大的问题,提出了一种采用广义随机共振的改进的能量检测(IED)算法。该算法首先对接收信号添加一个直流分量,并借助偏移系数确定直流分量的最优幅值,使其与信号中的直流产生广义随机共振;其次,对共振后的信号进行采样和能量累加得到检测统计量,然后根据最小平均错误概率准则确定最佳检测门限并与检测统计量进行比较从而做出判决;最后,从错误概率、样本检测点数和算法复杂度等几个方面给出算法的性能分析。理论推导和仿真结果表明:在信噪比为-15dB的低信噪比条件下,IED算法的错误概率性能比传统的ED算法提升了约3dB;在相同的错误概率条件下,IED算法所需的检测样本点数比ED算法显著减少。     

基于随机共振大参数微弱周期信号检测

研究了非线性双稳系统的动力学机理,根据非线性系统产生随机共振的同步条件,提出了不满足绝热近似理论的大参数微弱信号实现随机共振的方法。通过对系统参数的适当调整,实现了大频率信号和大强度噪声淹没的微弱周期信号的检测。理论分析和仿真实验表明,该方法有效地实现了大参数微弱信号随机共振,使得利用随机共振法检测大参数微弱周期信号不再局限于尺度变换法。     

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。     

基于小波分析的低速重载轴承故障诊断

从工程应用的角度研究了小波分析的信噪分离技术在低速重载轴承故障诊断中的应用·利用小波分解的多层次多频带特性和小波重构技术,建立了一种简单、精确和实用的低速重载轴承故障小波分析诊断方法·利用这一技术,诊断出其他方法无法诊断的低速重载轴承滚动体和内、外圈发生碰磨故障,检修拆卸时发现,上排滚动体有三个损坏,滚道出现磨损,验证了上述分析的正确性,成功地诊断出了具有低频特征的钢包回转台重载轴承碰磨故障·说明了小波分析用于提取弱信号,即信噪分离的有效性,这种方法可以弥补频谱分析法的不足·     

基于混沌理论和小波变换的微弱周期信号检测方法

根据小波变换具有多分辨率,混沌系统对噪声的强免疫力和对周期微弱信号的敏感性等特性,通过对小波阈值去噪方法和混沌Duffing振子方程的改进,提出小波阈值去噪和混沌系统相结合的微弱周期信号检测新方法.该方法利用小波变换的平滑作用对包含噪声的信号进行有限离散处理,并根据小波分解尺度确定阈值去噪深度,然后把重构的信号作为周期策动力的摄动并入混沌系统,采用混沌振子阵列实现在噪声背景下微弱信号的检测,并采用梅尔尼科夫方法作为混沌判据.该检测方法克服了以往小波分解对尺度确定的盲目性和阈值选择的不合理性以及对混沌临界状态与周期态区别的模糊性:同时能检测多种频率的信号.仿真测试表明:该方法直观、高效,检测精度高,检测的最低信噪比达到-100dB,频率误差为0.04％左右,改善了湮没在强噪声下的微弱信号检测技术.     

双稳态系统中结构参数对系统性能的影响

针对微弱信号检测问题,介绍了随机共振的原理并系统地分析了双稳系统阈值与系统结构参数的关系。得出系统中结构参数对随机共振现象发生起决定性作用的结论。同时深入阐述非线性系统势垒对随机共振效应的影响,即势垒越高,产生协同效应要求信号和噪声的能量越大。反之,则越小。基于以上结论,通过自适应地调节结构参数使系统达到随机共振,将能够适应更大的频率范围变化,提高随机共振方法检测效果。     

结合数字滤波技术的随机共振弱信号检测

应用数值计算研究强噪声背景下弱信号的随机共振检测. 探讨了大频率条件下非线性双稳态系统随机共振的输出信号幅值、 信噪比与随机噪声的关系, 数值计算结果表明, 非线性双稳态系统对大频率噪声具有较大的压制特性, 通过随机共振系统可以检测强噪声背景下的大频率弱信号. 结合数字滤波技术提取了大频率弱信号, 并获得被检测大频率弱信号的特征频率谱线及时域图像.      

微弱振动信号的谐波小波频域提取

为解决设备故障检测和故障预报中某些微弱振动信号难以提取出来的问题,在介绍谐波小波变换的优良特性及其基本原理的基础上,给出了谐波小波变换的实现技术.在不减少信息点数的情况下,用谐波小波变换成功地对微弱振动信号实现了频域提取与时域重构,并且实现了强噪声下微弱周期振动信号的频域提取.通过算例和工程实例,说明谐波小波方法在微弱信号的频域提取能力和精度上明显优于基于二进分解的小波方法和傅里叶分析方法,且在混有强噪声的信号提取中消除了二进小波包仍然存在的噪声泄漏,同时也显示了谐波小波变换的频域保相特性.     

小波分析技术在数据预处理中的应用

在工程实际中,从被测对象上检测到的信号,往往混有不同程度的噪声。利用小波分析可以过滤掉弱信号或无用信号,得到用户真正需要的信息。介绍了小波变换、小波包分解,以及运用小波包分解进行数据预处理的方法,并最终选择应用小波包分解进行消噪和小波多尺度分解,完成数据预处理,提取了故障特征。     

基于信号局部特征的自适应小波分析方法研究

提出了基于信号局部特征的自适应小波分析以及分段阚值自适应选择方法．针时旋转机械检测信号首先在时域中分析信号的局部特征，根据其局部特征分段自适应地选择小波函数进行信号处理，并分段计算其相应的阚值，进行小波信号处理，从而最大限度地保留信号特征，提高信号处理的性噪比．图2，参7．