利用小波变换与SVD识别振动系统模态频率

针对从受噪声污染的脉冲响应信号和快速正弦扫频响应信号中识别振动系统的单模态和多模态的频率问题,将小波变换与奇异值分解(SVD)相结合,利用基于小波变换的能量分布函数,进行奇异值分解后,根据最大奇异值,求出主分量,然后通过主分量对应的尺度图或频率计算公式,识别出模态的频率。仿真结果证明了该方法的有效性和可行性。     

磁记忆梯度张量测量信号预处理方法

为降低磁记忆测量信号中各种噪声干扰,提高磁记忆信号梯度张量解算精度,提出形态滤波和经验模态分解组合的方法消除噪声。首先,根据矢量合成原理将磁分量信号转换成总场幅值和方向信号,保证降噪处理过程中不改变各磁分量之间的内在关系;然后,利用形态滤波器对幅值和方向信号进行处理,消除信号中的瞬时强脉冲噪声;最后,将信号进行经验模态分解降噪,消除低频和局部干扰噪声。将上述方法用于磁记忆实测信号处理,结果表明,提出的方法能有效消除磁分量信号不同类型干扰噪声,解算得到高精度的磁记忆梯度张量数据。     

基于MEEMD-PE与CS-WNN模型的网络时延预测

针对网络控制系统诱导时延具有的随机性、非平稳性、非线性等特点，提出了一种基于改进的集总平均经验模态分解（modified ensemble empirical mode decomposition，MEEMD）-排列熵和布谷鸟搜索（cuckoo search，CS）优化的小波神经网络（wavelet neural network，WNN）时延预测算法。首先通过MEEMD对网络诱导时延序列进行处理，分别计算各模态的排列熵值，对复杂度相近的模态进行重组后得到新的子序列，从而达到降低建模复杂度和减少计算量的目的；然后利用CS算法优化的WNN预测新的子序列；最后叠加各子序列预测结果以获得时延序列的最终预测值。仿真表明，该算法具有较好的预测精度，能反映时延序列的总体趋势，可有效地降低异常值影响等优点。     

基于线性最小均方误差估计的SAR图像降噪

针对合成孔径雷达(synthetic aperture radar, SAR)图像降噪过程中容易引起细节纹理信息损失的问题,该文结合SAR图像相干斑噪声的统计特性,提出了一种基于变换域系数线性最小均方误差(linear minimum mean-square error, LMMSE)估计的SAR图像降噪方法。首先通过SAR场景下的Kmeans聚类算法将相似图像块聚类;然后针对每一类相似图像块集合进行奇异值分解(singular value decomposition, SVD),得到同时包含图像块集合行列相关信息的含噪奇异值系数;为从含噪奇异值系数中更准确地估计出真实图像奇异值的系数,先通过加性独立信号噪声(additive signal-dependent noise, ASDN)模型将乘性噪声转化为加性噪声,再利用LMMSE准则对奇异值系数进行估计,最后将估计结果重构得到降噪后的图像块集合。实验结果表明,该方法充分利用相似图像块集合奇异值系数稀疏的特性,采用LMMSE准则估计奇异值系数,既保证了系数中噪声分量的去除又避免了图像纹理细节对应小系数的丢失,不仅去噪效果明显,同时能有效地保持图像纹理细节,具有良好的图像视觉效果。     

CEEMD结合改进小波阈值的激光雷达信号去噪算法

激光雷达远距离回波信号受噪声影响, 严重失真。为了有效去除信号的噪声, 提高回波信号信噪比, 提出一种互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)结合改进小波阈值的去噪算法。CEEMD可以自适应地分解非线性和非平稳信号, 改进小波阈值函数具有高阶可导特性, 能够克服硬阈值、软阈值函数各自存在的问题。两种方法结合, 可以更有效地去除噪声。首先, 对回波信号进行CEEMD分解, 得到若干固有模态函数(intrinsic mode function, IMF)。其次, 通过相关系数法计算IMF分量与信号的相关系数, 确定相关分量和不相关分量。最后, 对不相关分量使用小波改进阈值法进行去噪, 对相关分量使用粗糙惩罚法进行平滑, 再重构信号。基于实测数据的实验结果表明, 所提算法比CEEMD去噪法和CEEMD结合原改进阈值去噪法, 信噪比分别提升了2.65 dB和0.58 dB。     

多聚焦图像融合中最佳小波分解层数的选取

小波变换作为一种十分有效的信号处理方法已被应用于多聚焦图像融合系统中。但其中需要解决的一个问题是最佳小波分解层数的选取。通过大量的实验 ,总结出基于小波分解子图像面积比和低频带均方根误差两个标准来确定最佳小波分解层数的方法。实验结果表明 ,无论是依据均方根误差、灰度平均误差、熵、空间频率等客观评价标准 ,还是视觉的主观评价 ,所提出的选取方法都是有效可行的     

快速加权核范数最小化的SAR图像去噪算法

提出快速加权核范数最小化(fast weighted nuclear norm minimization,FWNNM)的合成孔径雷达(synthetic aperture radar,SAR)图像去噪算法。首先采用对数变换将SAR图像的乘性噪声变换为加性噪声,然后利用非局部相似性对变换后的图像进行块匹配,随后根据低秩模型框架,用随机奇异值分解替换加权核范数最小化(weighted nuclear norm minimization,WNNM)算法中的奇异值分解进行低秩矩阵逼近,再采用梯度直方图保存的方法对图像进行纹理增强,最终实现了对SAR图像快速去噪。在MSTAR数据库上的实验结果表明,与已有方法相比,所提方法在SAR图像去噪和边缘保持方面是有效的,并且比WNNM去噪速度快3倍。     

基于切割聚类的快速多分量LFM信号分离

针对多分量线性调频(linear frequency modulation, LFM)雷达信号检测和参数估计精度低、计算速度慢等问题,提出了一种基于小波变换的切割聚类拟合参数估计的算法。该方法首先通过小波变换得到信号的三维时频分布图,其次采用等高线截取提取出小波脊线,再找出脊线的交点,以交点为界对小波脊线图进行切割,利用模糊C均值聚类完成各LFM分量脊线的聚类,最后分别对每段脊线进行拟合加权,从而估计出多分量LFM信号参数。仿真结果表明,与基于Hough变换检测直线方法相比,不仅在计算复杂度以及参数估计的准确度上都有较大的提升,而且当LFM信号分量达到4个以上亦有较准确的检测精度。     

基于小波变换奇异信号检测的研究

奇异信号中的奇异点及不规则的突变部分经常携带有比较重要的信息 ,它是信号重要的特征之一。用李氏指数 (Lipschitz)来描述信号的局部奇异性。证明了小波变换确实能用来检测信号的局部奇异性。而利用小波变换模的局部极大值和信号奇异点之间的关系 ,同样可以对信号的局部奇异性进行分析 ,而且运算量较小。证明了小波变换模极大值能够检测信号奇异性 ;分析了奇异信号检测时小波基的选择的条件。最后给出实例分析的结论 :为了有效地检测奇异信号的各种奇异性特征 ,小波基消失矩必须具有足够的阶数     

基于小波和变分泛函的图像分解

提出了一种小波域图像分解算法,该算法通过在小波域中最小化一个变分泛函把图像分解成u和v两部分,其中u在Besov空间B11(L1)表示图像的几何特征,v在对偶空间B∞-1(L∞)刻画了零均值振荡信号,如纹理和噪声。在求解泛函最小值时,采用一种新的迭代的子空间投影方法,利用该投影方法得到图像在小波域中的分解部分序列,重构该序列的极限即可得到图像的分解部分,同时给出了该迭代方法的收敛性证明。实验结果表明新模型比Daubechies-Teschke模型能更好地分解图像,尤其是低噪声图像。     

基于稀疏表示分类的雷达欺骗干扰识别方法

为了应对基于数字射频存储的各种欺骗干扰信号, 提出了一种基于稀疏表示分类的欺骗干扰识别算法。通过小波包分解重构把信号划分为不同频段, 然后对信号提取三阶累积量切片特征构造特征矩阵, 并利用奇异值分解对特征进行降维, 提取主要分量。最后利用稀疏表示分类在不同频段上对信号进行分类识别, 利用决策融合的方法对分类结果进行整合。经验证, 该方法具有很好的抗噪性能, 能够有效识别几种常见的欺骗干扰信号, 在信噪比为0 dB时, 欺骗干扰平均识别率达到90%以上, 并与其他欺骗干扰识别方法进行了对比, 显示了所提方法的优越性。     

基于SVD和MPSO-SVM的光纤周界

针对光纤振动信号有噪声干扰、识别信号类型准确率不高且识别时间长的问题,提出了基于奇异值分解(singular value decomposition, SVD)和改进粒子群优化支持向量机(modified particle swarm optimization support vector machine, MPSO-SVM)的识别方法。首先,采用SVD对信号去噪,根据奇异值序列二阶差分谱单边极小值原则确定信号重构秩阶次。其次,提取振动信号特征,利用串行特征融合(serial feature fusion, SFF)方法组建特征向量组。最后,利用MPSO-SVM进行分类识别,提高识别精度和算法效率。采用实测信号进行验证,结果表明,信噪比有明显提升,信号平均识别率较粒子群优化支持向量机(particle swarm optimization support vector machine, PSO-SVM)提升5%。该方法较传统神经网络识别方法有较好的效果,具有实际应用价值。     

空中目标辐射源的个体识别方法

针对传统的辐射源个体识别方法在低信噪比环境下识别性能不佳的问题,提出了一种空中目标辐射源的个体识别方法,该方法利用经验模态分解和变分模态分解得到信号不同频率的模态分量,将各模态分量的多尺度排列熵作为特征,利用主成分分析对数据进行降维,并采用支持向量机分类器进行辐射源个体识别。仿真结果表明,该方法对相位噪声、频率漂移以及谐波失真等细微特征的识别性能明显优于传统方法,并具有良好的抗噪性。     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。     

基于极值域均值模式分解的语音增强方法

增强低信噪比(signal to noise ratio, SNR)下的语音质量是语音识别需要解决的问题。在众多增强方法中,经验模态分解(empirical mode decomposition, EMD)是目前应用最为广泛的一种方法。针对EMD在对语音进行增强时存在端点效应的问题,研究了极值域均值模式分解(extremum field mean mode decomposition, EMMD)方法。该方法改变了EMD只利用信号的极值点信息的单一做法,充分考虑输入信号所有信息,计算信号极值点间所有数据的均值,可以有效解决EMD中的端点效应问题。因此,提出了基于EMMD的语音增强方法,实验结果表明EMMD方法的引入,消除局部数据中隐含的支流分量,避免了EMD方法的端点效应问题,明显提高了带噪语音的SNR,改善了语音的质量。     

一种基于EMD和ANC技术的自适应降噪方法

为了提高分析信号的信噪比,基于经验模态分解和自适应噪声抵消技术,提出了一种新的信号去噪方法。该方法首先对信号进行自适应噪声抵消,然后进行经验模态分解,得到不同尺度上的固有模态函数,再对不同尺度上的固有模态函数进行噪声属性判定,如果不是噪声则选用不同的滤波参数,进行自适应噪声抵消,最后对各尺度上噪声抵消后的信号进行重构,得到去噪后的信号。结果表明,该方法比基于最小均方误差准则的自适应噪声抵消方法更能有效地消除信号中的噪声。     

基于稀疏分解的雷达信号抗噪声干扰方法研究

针对雷达在强噪声干扰下难以提取回波信号特征的问题,提出利用稀疏分解方法和基追踪去噪(basis pursuit denoising, BPDN）算法实现抗噪声干扰。该方法构造一组线性调频时移信号作为过完备库,对线性调频雷达回波信号进行稀疏分解,滤除噪声干扰;根据稀疏系数与雷达目标距离之间的关系,提取目标的距离信息。实验结果表明了该方法在雷达信号抗干扰和目标距离信息提取方面的有效性。     

Polarimetric whitening filter for POLSAR image based on subspace decomposition

Speckle filtering is an indispensable pre-processing step for applications of polarimetric synthetic aperture radar （POLSAR）, such as terrain classification, target detection, etc. As one of the most typical methods, the polarimetric whitening filter （PWF） can be used to produce a minimum-speckle image by combining the complex elements of the scattering matrix, but polarimetric information is lost after the filtering process. A polarimetric filter based on subspaze decomposition which was proposed by Cu et al specializes in retrieving principle scattering characteristics, but the corresponding mean value of an image after filtering is not kept well. A new filter is proposed for improving the disadvantage based on subspace decomposition. Under the constraint that a weighted combination of the polarimetric SAR images equals to the output of the PWF, the Euclidean distance between an unfiltered parameter vector and a signal space vector is minimized so that noises can be reduced. It is also shown that the proposed method is equivalent to the subspace filter in the case of no constraint. Experimental results with the NASA/JPL airborne polarimetric SAR data demonstrate the effectiveness of the proposed method.     

色噪声下双基地MIMO雷达DOD和DOA联合估计

针对双基地多输入多输出(multiple input multiple output,MIMO)雷达在色噪声环境中的收发角度估计问题,提出了一种基于改进四阶累积量的角度估计算法。该算法首先构造回波信号的四阶累积量矩阵,然后根据四阶累积量矩阵的形成规律,在保证虚拟阵列孔径有效扩展的前提下去除其中的冗余项,达到矩阵降维的目的。最后将降维后的矩阵特征分解得到噪声子空间,再利用四阶累积量的多重信号分类(multiple signal classification,MUSIC)算法实现最终的收发角度估计。所提算法不仅可以有效抑制高斯色噪声,并且能够减小四阶累积量矩阵的维数,降低计算的复杂度,仿真结果验证了该算法的有效性。