基于 FPGA 的微弱信号检测与实现技术

研究了杜芬混沌振子(Duffing chaos oscillator)微弱信号检测算法及其现场可编程门阵列(field programmable gate arrays,FPGA)实现技术.根据杜芬系统在混沌和大周期2种状态下相图的明显区别,运用基于相图分割的信号检测方法,在FPGA上实现了杜芬混沌算法与系统状态判别方法的结合.根据并行运算与流水线原理,对杜芬方程的结构进行调整.采用递推数列的方法计算正弦值,以便节约存储空间.使用VHDL硬件语言设计了杜芬阵子系统中核心的四阶龙格库塔(fourth order Runge Kutta algorithm,RK4)模块和状态检测模块,在vivado集成开发环境下仿真验证了设计的正确性.通过改变策动力的频率,系统可以检测各种频率的微弱正弦信号.经判断,该系统可实现对与系统信号同频率信号的检测.     

采用时延估计的外辐射源雷达杂波抑制算法

针对外辐射源雷达目标探测中监测通道存在分数倍时延杂波而造成杂波抑制性能下降的问题,提出了采用加权子空间拟合时延估计的外辐射源雷达杂波抑制算法(WSF-TDE-CM)。在假设接收数据中的目标信号远远弱于杂波信号的前提下,该算法首先利用接收数据的自相关矩阵通过加权子空间拟合的方法建立杂波时延估计模型,将分数时延估计问题转化为复正弦频率估计的优化问题,然后利用量子粒子群算法求解杂波时延,最后通过估计的杂波时延构造杂波矩阵,将接收信号投影到杂波空间的正交补子空间中,从而实现杂波的抑制。WSF-TDE-CM算法不需要设置滤波器阶数,在杂波时延为分数时延的情况下仍能保持良好的杂波抑制性能。仿真实验表明,当监测通道存在分数倍时延杂波时,WSF-TDE-CM算法与扩展相消算法相比,其杂波抑制比提高了约20dB;同时,在目标回波信噪比为-30dB时也能很好地检测到弱目标回波。     

混沌噪声背景下弱谐波信号的GRNN检测

针对BP(Back Propagation)神经网络方法存在训练时间长,收敛性能不理想;RBF(Radial BasisFunction)神经网络的隐层结构对鲁棒性影响大的问题,将广义回归神经网络GRNN(GeneralizationRegression Neural Network)引入混沌背景下的弱谐波信号检测中,提出了一种提取混沌噪声背景下微弱谐波信号的GRNN检测方法.该方法利用GRNN建立噪声混沌背景的最优一步预测模型,再结合频域处理预测误差提取微弱信号,以Duffing系统产生混沌时序作为混沌背景,使用该方法用MATLAB6.1验证在没有噪声、存在高斯白噪声和存在色噪声情况下的混沌背景下的弱谐波信号检测.实验结果表明,谐波对混沌的信噪比达到-36dB时仍然可以检测出谐波.     

基于变尺度杜芬阵列的超声非线性输出信号检测

针对超声非线性输出信号中二次谐波信号比较弱、且是经过复杂传播的非线性时间序列,利用变尺度杜芬阵列对超声非线性输出信号进行检测评估材料的疲劳损伤。首先对杜芬振子进行频率变换、分析初始相位对检测结果的影响,构建检测实际工程信号的杜芬阵列模型,并对超声非线性输出信号进行变尺度变换,使杜芬阵列与超声非线性输出信号相匹配。当处理信号输入杜芬阵列模型时,第二个杜芬振子相轨迹由混沌状态过渡至大尺度周期状态,微弱二次谐波信号可以被有效的检测出来。根据杜芬振子总驱动力幅值和响应信号幅值之间的对应关系对二次谐波信号幅值进行有效估算。最后,探究随机噪声对检测模型的影响,当待测信号含有噪声时,杜芬振子相图仍变为大尺度周期状态,随着信噪比降低,相轨迹越来越粗糙,且稳定性变差。以上分析表明,利用构建的杜芬阵列模型能够有效检测超声非线性输出信号的二次谐波,对材料的疲劳损伤状态进行有效评估。     

利用混沌吸引子阶跃变化现象检测滚动轴承微弱故障

针对现有的基于混沌振子的微弱信号检测方法存在混沌状态判据计算复杂、混沌状态临界点难以精确确定的问题,提出一种基于混沌吸引子形状阶跃变化的微弱信号检测方法。通过分析典型的混沌系统的动力学特性,将吸引子出现阶跃变化作为存在待测频率信号的判断依据,提出自适应选取阈值和自动判断混沌吸引子变化的方法,在此基础上,设计基于混沌吸引子形状阶跃变化的微弱信号检测系统。最终将该系统应用于滚动轴承的早期微弱故障诊断中。研究结果表明:该方法为基于混沌振子的微弱信号检测提供了一种具有新定量判断准则的方法,不仅能够实现自动检测微弱信号频率,提高基于混沌振子的微弱信号检测方法的检测性能,而且在滚动轴承的微弱故障信号检测中易于实现,具有实际应用价值。     

基于局域波和混沌的转子系统早期碰摩故障诊断

为实现低信噪比下的微弱信号检测,提出一种基于局域波和混沌的微弱信号检测方法.将微弱的故障信号分解为有限的并且具有不同基本模式的分量,每个分量为单一成分信号,实现了信噪分离.将局域波分量输入所设计的混沌振子,混沌振子系统行为由混沌状态变为大周期运动状态,表明检测信号中含有特征成分,实现了利用混沌振子对低信噪比微弱信号的检测识别.对转子系统早期碰摩故障信号检测结果说明了该方法的有效性.     

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.     

子带分解在ESPRIT算法中的应用

ESPRIT算法是一种用于信号到来角(DOA)估计的直接求解方法,其性能在低信噪比(SNR)和信号相关时会严重削弱.基于此提出了一种多分辨率DOA估计算法基于子带分解的ESPRIT算法(SB-ESPRIT),通过对全带信号进行子带分解,并对每个叶节点分别应用ESPRIT算法,最后通过映射算法将估计所得的DOA映射到全带信号.对于子带分解后旋转不变性的证明为其应用提供了理论依据.仿真结果证明,SB-ESPRIT不仅提高了特征子空间方法的分辨率,而且在子带划分适当的情况下,具有一定的信号去相关能力,并且其均方误差(RMSE)小于ESPRIT算法.     

一种多分辨率DOA估计的小波包算法

根据MUSIC算法在信号波达方向(DOA)较近或相干时性能迅速下降的情况,提出了一种多分辨率信号波达方向估计的小波包算法基于子带分解的MUSIC算法(SB MUSIC)·算法对全带信号进行子带分解,并根据最优基选取准则选择最优叶节点,然后对每个叶节点应用MUSIC算法进行谱估计·研究表明子带分解具有提高信噪比(SNR)和放大频率间隔等优点·考虑到算法应用时只有全带频率才有意义,提出了子带频率向全带频率映射的方法·仿真证明,SB MUSIC不仅提高了特征子空间方法的分辨率,而且在子带划分适当时,具有一定的信号去相关能力,并且子带谱的估计成功率和谱平度都高于全带谱·     

基于老化算法的分布式文件缓存算法

为提升数据检索读的性能, 基于老化算法采取Cache方法, 通过设计合理的缓存结构, 给出一种新的分布式文件缓存算法. 该算法在缓存实现部分, 使用了LRU算法中常用的老化算法, 并将其由一个页面置换算法改进为一个文件缓存替换算法, 且在该过程中完好地继承了老化算法的优点. 评测结果显示了改进方法的有效性.     

基于遗传算法和BP算法的混合算法

本文就函数优化问题,结合遗传算法和 BP 算法的优点,提出一种新的混合算法。该算法既有较快的收敛速度又能以较大概率收敛到全局最优解,数值实验结果表明该算法显著优于遗传算法和 BP 算法。     

基于遗传算法和BP算法的混合算法

结合神经网络的优化问题,提出一种新的混合算法.该算法是在遗传操作中嵌入BP算子,有效地结合了遗传算法全局寻优与BP算法快速收敛的特点,同时采用二进制编码和实数编码将神经网络的结构与权值混合编码到串中,实现了结构与权值的同步优化.仿真结果表明,新算法既能够快速地收敛到全局最优解,又能够在简化网络结构复杂度的同时得到网络权值的最佳逼近.     

基于遗传和蚁群算法融合的聚类新方法

遗传算法具有快速良好的全局搜索能力,而蚁群聚类算法具有良好的分布式并行性和正反馈能力。将两种算法进行融合,充分利用算法各自的优势和特点,能更有效地进行聚类分析。实验证明这种新组合算法在优化能力和时间性能上比常用的聚类算法有比较明显的优势。     

一种基于遗传算法和LM算法的混合学习算法

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg Marquardt算法优化神经网络的混合学习算法（GALM算法）. 该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.     

融合粒子群优化算法与蚁群算法的随机搜索算法

针对PSO算法与蚁群算法的优缺点,提出一种融合PSO算法与蚁群算法的混合随机搜索算法.该算法充分利用PSO算法的快速、全局收敛性和蚁群算法的信息素正反馈机制,达到优势互补,将这种优化方法拓展到求解连续空间问题,并通过实例来验证该算法对于单峰、多峰函数都能取得较好的优化效果.     

基于遗传算法和蚂蚁算法的图象分割

遗传算法对系统中的反馈信息利用不够,当求解到一定范围时往往做大量无谓的冗余迭代,求精确解的效率低下;蚂蚁算法初期信息素匮乏,求解速度慢．作者取长补短综合采用这两种方法来分割图象．首先采用遗传算法搜索隶属度曲面及其对应的欧氏距离,接着采用蚂蚁算法分割图象,取得了较好的分割效果．     

递归算法非递归化的一般规律

尽管递归算法具有结构简练、清晰、可读性强、正确性容易得到证明等优点，但递归算法在执行过程中会耗费太多时间和空间。为了追求算法的时空效率，特别是使用不支持递归的程序语言的情况下，必须将递归算法转化为非递归算法，问题才能得到有效解决。为此，给出了递归算法转化为非递归算法的一般方法，并以Hanoi塔问题、二叉树的中序遍历问题为例进行了详细地分析。     

聚类算法综述

聚类分析是一种基本的数据分析方法,它在数据挖掘,统计学,空间数据库技术,人工智能,生物学研究,机器学习,模式识别等领域都得到了广泛的应用.论文介绍了各类主要的聚类算法,并概述了其主要应用领域.     

EM算法理论及其应用

EM算法是一种迭代算法,主要用来计算后验分布的众数或极大似然估计,广泛地应用于缺损数据、截尾数据、成群数据、带有讨厌参数的数据等所谓的不完全数据的统计推断问题。在介绍EM算法的基础上,针对EM算法收敛速度慢的缺陷,具体讨论了加速EM算法：EMB算法和MEMB算法;针对EM算法计算的局限性,给出了EM算法的推广：GEM和MCEM算法。最后给出了EM的实值实例,结果精确。