应用于超声测距的小波变换滤波算法

有效的滤波算法是提高超声测距精度的关键之一。小波变换具有时频联合分析的能力,采样点处的各级小波系数反映了其频率成分的分布情况。该文提出了一种基于小波变换的超声回波滤波算法。对原始数据进行离散二进小波变换,然后将各点的小波系数同理想回波信号的小波系数进行相关运算,利用得到的相关系数区分噪声和回波所在区段,然后对噪声的小波系数进行收缩处理,从而实现滤波。利用该算法对自制的超声测距装置采集到的回波数据进行了滤波处理。结果表明:其滤波效果要优于经典的小波阈值法,信号信噪比提高了6～9dB,数据中混有的大幅值噪声得到了有效抑制。     

EM-ACO算法及其在多重超声回波参数估计中的应用

针对EM算法在估计多重超声回波参数时存在收敛速度慢和迭代结果强烈依赖于初始值的缺点,将蚁群算法应用到多重超声回波参数估计的EM算法中,提出一种新的多重超声回波参数估计算法——EM-ACO算法.该算法结合EM算法和蚁群算法的优点,不仅可以改善EM算法估计多重超声回波参数时估计结果强烈依赖于初始值的缺点,有效提高EM算法的收敛速度,而且可以获得更高的参数估计精度.根据超声回波的高斯回波模型,应用EM-ACO算法,在不同的信噪比条件下,对多重超声回波的参数向量组进行估计.仿真结果表明:EM-ACO算法能在各种不同的初始值条件下,以较少的迭代次数估计出多重超声回波的参数向量组,并且具有较高的估计精度.     

基于改进Hilbert-Huang变换的超声回波信号去噪研究

超声回波信号中包含大量有关缺陷性质的信息,由于信号在检测和传输过程中不可避免地受到随机噪声干扰,给后续信号处理带来误差。针对该问题,提出改进的希尔伯特-黄变换(Hilbert-Huang Transform,HHT)应用于超声回波信号去噪,提取回波信号中反映缺陷本质特征的信号。改进算法引入小波包变换对超声回波信号作预处理,对处理后的信号进行经验模态分解,提出对数似然检验法,识别并去除噪声引起的虚假分量,重构出有用回波信号。通过对添加高斯白噪声的超声回波信号去噪,验证改进算法应用于超声回波信号去噪的可行性和有效性。     

润滑油磨粒超声回波信号的双树复小波自适应降噪

针对润滑油磨粒含有强噪声的回波信号的问题,采用基于双树复小波变换(DT-CWT)的自适应降噪方法,从而提取清晰的磨粒回波信号. 该方法结合奇异谱分析(SSA)和小波熵理论,分别对双树复小波变换后的近似部分和细节部分进行分析. 奇异谱分析去除了近似部分包含的噪声,同时,小波熵理论能够自适应选取不同分解层上的阈值,实现了细节部分系数的自适应选择. 仿真表明,对于润滑油磨粒超声回波信号的双树复小波自适应降噪,输出信号信噪比(SNR)高、均方根误差(RMSE)小、相似系数(NCC)大,算法运算时间能够满足在线检测要求. 实验分析表明,该方法降低了信号中的噪声,还原了准确的波形特征.      

小波变换在回波信号检测中的应用

基于小波变换品质因数不变性的特点,结合适当的小波基,探讨小波变换在回波信号检测中的算法。在算法分析基础上,从检测原理、检测步骤、计算机仿真方面阐述如何利用小波变换检测回波信号时差,以确定回波信号的奇异点(回波信号到达时间点),进而确定被探测目标的位置。小波变换具有表征信号局部特征的能力,适于分析信号中的瞬态和奇异现象,并可展示其成份。所述的算法分析、小波基的选择及小波变换阶的选择等,为地下目标探测中的信号处理,提供了算法依据和应用方法参考。     

基于小波变换的多普勒胎儿心率检测研究

为了解决从超声多普勒胎儿心脏回波信号中提取胎音信号时,去除各种干扰和噪声的问题,分析了超声多普勒回波信号的特点,应用了基于小波变换的阈值去噪方法,并对该方法的去噪阈值和原始噪声方差的估计进行了研究.在实际应用中对该阈值算子的系数作了改进,使得该算法能根据实际信号的强度、噪声的方差以及分解的层数,自适应地得到不同尺度的去噪阈值.通过对实际超声多普勒回波信号的处理,信噪比比传统滤波法提高至少5倍以上,能有效地提取出胎儿心音信号,较准确地计算出胎儿心率值.     

小波变换域多路回波消除自适应滤波算法

提出了一种小波变换域Newton／LMS多路回波消除自适应算法．新算法使用输入信号经离散小波变换后的细节分量调节自适应滤波器系数．当新算法应用于多路回波消除时具有很高的收敛速度和收敛精度,取得了较好的回波消除效果．仿真表明了新算法的有效性。     

超声回波参数的高斯与牛顿迭代法计算

应用超声回波模型,对检测目标的超声回波进行模拟,在模拟过程中应用高斯与牛顿法迭代出估计参数.结果表明,该算法能以较少的迭代次数计算出向量参数,但对模型中到达时间初值设定较为敏感,这可用常规方法(互相关或小波变换、遗传算法等)解决.     

基于梯度的多图像小波变换运动测量

利用小波变换的特性,设计了一种基于梯度的多图像小波变换运动测量算法.该算法利用多幅图像的数据计算两幅图像的运动,精度得到了较大的提高;同时结合可靠性检验,对通过了可靠性检验的光流约束利用快速的小波变换,进行多层并行的时间微分.同传统运动估计算法相比,这种多层并行小波变换运动测量算法避免了估计中的误差传播,从而提高了测量精度.实验模拟结果表明,该算法不但实现简单,而且运动测量精度高.     

基于小波变换的智能天线波达方向估计研究

对比两种经典的智能天线波达方向(Direction of Arrival,DOA)估计算法——延迟-相加算法、多重信号分类(Multiple SignalClassification,MUSIC)算法,提出了一种基于小波变换的智能天线波达方向估计算法(Smart Antennas Direction of Arrival Eseimation Based on Wavelet Transformer,SADOAWT),该算法利用小波变换,将来波信号变换在多尺度频域,针对不同频域采用不同算法以实现分辨率、计算复杂度的高度兼顾.计算机仿真结果表明,新算法复杂度较低,克服了延迟-相加算法分辨率低、副瓣较多的缺点,避免了MUSIC算法遇到相关信号分辨率降低的问题.     

伪回声测距

针对无线传感器网络的特点,提出了基于测量经伪随机码相移键控调制的声波信号在无线传感器网络的节点之间往返传播时间的测距方法.发起测距过程的主动节点向目标节点发送调制声波信号,目标节点收到调制声波信号后,根据声波信号所携带的数字信息重建该信号,并回传给主动节点.主动节点测量发出的声波信号和从目标节点返回声波信号之间的时延,同时考虑到对调制声信号进行重建造成的信号延迟,从而估算出节点之间的距离.参与测距的节点之间不需要进行时间同步,也不需要预先知道对方使用的伪随机序列.利用声波信号携带的伪随机码序列确定声波信号时延的范围,然后再从确定的范围内求出声波信号的时延,从而极大地减小了算法的运算量.     

Review on echo state networks

回声状态网络是近年来新兴的一种递归神经网络,独特而简单的训练方式以及高精度的训练结果已使其成为当前研究的热点之一.在该网络中,引入了储备池计算模式这一新的神经网络的建设方案,克服了之前网络模型基于梯度下降的学习算法所难以避免的收敛慢和容易陷入局部极小等问题.围绕这种新型网络结构,国内外许多学者开展了多样的研究.本文全面深入介绍了回声状态网络这一新兴技术,讨论了回声状态网络的优缺点,并综合近年的研究现状,总结了回声状态网络的主要研究工作进展和未来的研究方向.     

一种改进的声回声抵消算法

NL MS(normalized least mean square)算法是是自适应信号处理中应用最广泛的算法之一 ,它的最大缺点是收敛速度慢 ,对非平稳信号自适应能力差。为提高声回声抵消算法的收敛速度 ,采取了将语音分析中常用的线性预测作为前置滤波器的方法来减少参考信号的相关性 ,采用步长控制的方法来提高收敛速度 ,同时保持了 NL MS算法稳定性好和算法简单的优点。最后在模拟环境下对算法进行了测试 ,证明了比 NL MS算法具有更高的收敛速度和回声抵消量     

回声状态网络的研究进展

回声状态网络是近年来新兴的一种递归神经网络,独特而简单的训练方式以及高精度的训练结果已使其成为当前研究的热点之一.在该网络中,引入了储备池计算模式这一新的神经网络的建设方案,克服了之前网络模型基于梯度下降的学习算法所难以避免的收敛慢和容易陷入局部极小等问题.围绕这种新型网络结构,国内外许多学者开展了多样的研究.本文全面深入介绍了回声状态网络这一新兴技术,讨论了回声状态网络的优缺点,并综合近年的研究现状,总结了回声状态网络的主要研究工作进展和未来的研究方向.     

带双端发声检测的回声消除改进算法

该文首先对传统的回声消除算法中,双端发声的检测机制进行了深入分析,指出这些检测算法都存在一定的延时,这些延时导致了在检测到双端发声之前滤波器系数已经一定程度的发散,从而影响到双端发声段中的回声消除效果.针对于此,该文提出了一种新的带有滤波器缓存的回声消除算法.该算法在自适应滤波器收敛到较好时将其系数存入到缓存,而在检测到双端发声时将缓存中的系数重新取回以重置滤波器.试验结果表明,该算法与传统算法相比,在双端发声期间效果得到了明显改善,而且运算量相当.     

对多通道声回波对消直接求解法的探索

针对多通道声回波对消中自适应算法难以找到真实解的问题,通过非线性变换预处理的方法来构造相关矩阵的满秩估计数据阵,从而对利用正则方程求解滤波器系数的直接求解（DS）法进行了深入的探索.在相同的实验条件下比较了DS法与RLS和NLMS算法的性能,实验结果表明,DS法具有更快的收敛速度,能够得到更精确的解.     

基于改进回声状态网的时间序列预测

为了提高回声状态网对时间序列的预测精度,将改进的小世界网络和泄露积分型回声状态网结合,提出了一种新型时间序列预测方法.泄露积分型回声状态网储备池神经元采用随机网络进行连接,首先利用改进的小世界网络替代随机网络,提高了储备池的适应性,从而改善回声状态网的泛化能力和稳定性.然后将利用改进的回声状态网预测典型的非线性时间序列.最后利用Matlab仿真软件进行验证,仿真结果表明,该方法较传统回声状态网预测模型具有更高的效率和预测精度.