基于SSA的弹头激波信号处理方法研究

针对弹头激波信号混杂其他噪声干扰无法分离时延特征参数问题,利用奇异谱分析(SSA)的自适应滤波特性进行处理,并对嵌入维数和重构主分量数目对分离效果的影响进行了讨论,建立性能评价函数和选择准则来进行优化。仿真结果表明,采用最优参数时SSA能有效提取出噪声条件下激波信号特征。     

基于奇异谱分析(SSA)的弹头激波信号处理方法研究

针对弹头激波信号混杂其他噪声干扰无法分离时延特征参数问题,利用奇异谱分析(SSA)的自适应滤波特性进行处理,并对嵌入维数和重构主分量数目对分离效果的影响进行了讨论,建立性能评价函数和选择准则来进行优化。仿真结果表明,采用最优参数时SSA能有效提取出噪声条件下激波信号特征。     

基于小波变换自适应滤波方法的ECG信号消噪

为了减少在用小波变换方法进行心电信号消噪时所产生的心电信息损失,本文在对心电信号进行离散正交小波变换的基础上,进行自适应滤波处理,即以具有最大QRS波能量的尺度上的高频细节信号作为自适应滤波器的参考输入,以噪声干扰对应的分解尺度上的“细节”分量及最大分解尺度上的近似分量所重构的信号作为原始输入.实验证明这种改进的滤波方法可以在有效抑制心电信号中噪声干扰的同时,较好保持心电信号的波形特征及有用的心电信息,达到较好的滤波效果.     

基于S变换的自适应降噪方法

简要介绍S变换后的时频特征,提出一种新的基于S变换的自适应信号降噪方法.利用于S变换高质量的时频分布,在时频平面中设计自适应时频滤波器,用于非平稳信号中信号分量的提取,展示该方法在信号噪声抑噪和提高信噪比方面取得了满意的效果.在信号模型的仿真试验与齿轮箱的齿轮故障诊断中,显示该方法在信号提取和压制噪声的效果,且滤波后信噪比有较大提高.结果表明,该方法可以有效提取故障齿轮的故障特征,消除虚假成分的影响,从而提高齿轮故障诊断的准确性.     

核磁共振信号工频谐波的自适应滤除方法

针对核磁共振测量信号中的噪声,尤其是拉摩尔频率附近的工频谐波噪声干扰问题,
采用自适应滤波的方法进行噪声滤除,在自适应滤波去噪基本原理的基础上,对自
适应陷波滤波器的性能进行了仿真研究,并将该方法应用到实际采集到的核磁共振信号工频
谐波干扰的滤除中。研究结果表明,相对于传统的设计陷波滤波器去噪的方法,自适应陷波
器可自动跟踪干扰频率和相角,滤波后信号的失真小,通过包络拟合后,信号振幅和弛
豫时间的误差精度较高,可控制在5%以内,从而实现了工频谐波干扰的有效滤除。     

典型瞬态声信号倒谱域时延估计方法

提出一种两通道典型瞬态信号时延估计方法.在低信噪比条件下,分别对每个通道的接收信号进行倒谱计算,然后对倒谱序列进行经验模态分解(EMD),第一阶分量中幅值最大的脉冲尖峰即对应瞬态信号到达时刻.在高信噪比条件下,先提取瞬态信号并补偿至时间原点,再进行倒谱计算和峰值搜索.利用美国海军水下战中心给出的典型瞬态信号模型进行理论分析、数值仿真以及水下系泊试验,结果表明:与传统时延估计方法相比,提出的倒谱域时延估计方法适用于各种信噪比环境,能有效提高两通道瞬态信号间时延估计精度.     

基于EEMD与形态滤波的滚动轴承故障诊断方法研究

为从滚动轴承故障信号中提取出包含故障信息的特征频率,提出集合经验模式分解法(EEMD)与形态滤波相结合的解调方法。该方法首先利用EEMD自适应地将信号分解成多个IMF分量,然后计算各IMF分量与原信号的相关系数,选择合适的IMFs进行信号重构,再对重构后的信号进行形态滤波,滤除脉冲干扰,提取出故障特征信息。将该方法应用于滚动轴承故障诊断实例中,并将分析结果与直接对原信号进行包络谱分析解调的结果进行对比。结果表明,该方法提取故障信息的效果较包络谱分析解调的效果要好。     

工频通信信号联合检测方法

配电网信道环境极为恶劣,工频信号在信道内传输受诸多干扰因素的影响,导致信号失真程度较大。采用单级自适应陷波器检测工频通信信号,效果不佳。针对此问题,采用一种数学形态学与双级自适应陷波器联合算法检测工频信号。仿真结果表明:相比于用单级自适应陷波器检测工频信号,本文的算法在输出电压误差平均值降低了1.57V,输出信噪比提高了10.5dB。     

基于经验模态分解的水下目标回波提取

为在噪声中有效提取水下目标回波,提出一种基于经验模态分解的目标回波提取方法,分别对目标回波与噪声进行经验模态分解,得到二者各阶的固有模态信号分量;计算二者各阶的固有模态分量的能量,求取对应各阶的能量差,并与门限相比较,选取大于门限的固有模态分量重构目标回波信号.分析了经验模态分解阶数和选择门限等因素对重构信号精度的影响.仿真结果表明,该方法可精确提取目标回波.采用该方法提取信号的均方误差均低于自适应滤波方法,尤其在低信噪比时.     

自适应广义形态滤波和GG聚类在轴承故障识别中的应用研究

针对复杂工况下滚动轴承受机械噪声等因素影响轴承故障类型区分难的问题,提出了一种基于自适应广义形态滤波和GG聚类的轴承故障诊断方法。采用自适应广义形态滤波对轴承振动信号进行降噪处理,对降噪后的信号进行变模式分解,去除虚假分量和噪声分量,最后对去噪后故障特征较多的信号分量求解近似熵,作为特征向量输入GG聚类分类器中,达到故障分类。仿真实验结果证明该方法能有效提取信号特征信息,准确识别故障类型。     

采用随机共振增强的混合扩频信号跳频参数估计

为解决强背景噪声下直扩/跳频(DS/FH)混合扩频信号的跳频参数估计精度低的问题,提出了一种基于随机共振的参数估计(SRPE)方法。首先对非线性预处理后的DS/FH信号进行信道化调制,将其转化为多个低频单分量信号,以满足随机共振的绝热近似条件;然后根据噪声强度自适应调整系统的参数,对每个单分量信号进行随机共振处理,使目标信号得到增强;最后采用Wigner-Villa变换来估计信号的跳频频率和跳速。仿真结果表明:SRPE方法能够提高目标信号的信噪比,实现强背景噪声下对DS/FH跳频参数的精确估计;在-10dB的低输入信噪比下,SRPE方法的频率估计误差低于10-3,与信道化谱增强方法相比,估计精度提高了70%以上。     

云相似度测量的变分模态分解去噪方法

为区分VMD( Variational Mode Decomposition) 分解后高低频段模态分量,提高VMD 算法的去噪效果, 提出一种基于云相似度测量的VMD 去噪方法。首先,对信号进行VMD 分解,通过计算各个模态分量与信号之 间的云相似度值,区分有效分量与噪声分量,然后对噪声分量进行小波滤波,最后将滤波后的分量与有效分量 进行重构。通过仿真和实际实验,将提出的去噪法与基于相关系数的VMD 去噪法和基于互信息的VMD 去噪 法对噪声信号进行处理,该方法去噪后所得信号信噪比相对较高,为28． 214 1 dB,均方误差相对较低,为 6． 12 × 104 ,验证了该方法去噪效果的优越性和对油气管道泄漏信号去噪的可行性。     

基于神经网络的多传感器自适应滤波及其应用

讨论了同一噪声源多传感信号神经网络自适应噪声抵消器的设计方法·利用神经网络自适应获取信息融合器LC的权系数,克服了采用基于平均法时可能失去部分信息造成信号估计误差太大的缺陷,较好地解决了多传感器信息融合的问题·该方法不仅能获得信号的最优估计而且能克服信号处理中存在模型扰动和噪声的不确定性等问题·为了检验该滤波方法的有效性,在输油管道的泄漏定位检测与诊断中,利用该滤波方法提高压力信号、流量信号等信噪比·结果表明,神经网络自适应噪声抵消器不仅实现简单,而且能快速、有效地消除流量、压力信号中的各种噪声·     

基于双边滤波与自适应灰度的钢筋图像预处理

提出双边滤波结合自适应直方图均衡化方法在钢筋检测中的工业应用。双边滤波采用传统高斯滤波方法与图像亮度信息相结合,达到平滑滤除高频噪声,并有效保持图像边缘信息;自适应直方图均衡化改进了常规均衡化方法,对图像亮度信息的缺失进行自适应补偿,有效提高图像对比度。在焊网机器人钢筋检测预处理中进行应用,结果证明有效提高钢筋检测的准确率。     

CEEMDAN自适应阈值去噪算法在地震方向的应用

提出一种基于自适应完备集合经验模态分解(CEEMDAN,complete ensemble empirical mode decomposition with adaptive noise)的自适应阈值去噪算法。含噪信号经CEEMDAN算法分解成若干个模态分量(IMF,intrinsic mode functions),根据样本熵理论,对IMF分量中高频分量自适应选取,根据噪声和有用信息与原始信号的相关性不同,对高频分量中的噪声系数定位,利用能量熵选取噪声主区间,用高频分量中噪声主区间的噪声系数方差作为阈值,对高频分量进行阈值去噪,进一步去除噪声,保留高频中的有用信息,最后将信噪分离的高频分量和低频分量重构。分别对合成和实际地震信号去噪处理,并与常规去噪算法进行对比。数据仿真和实验结果表明,在原始信号信噪比为0.5dB时,常规与改进算法去噪后信噪比分别为4.55dB和9.97dB,大幅提高信噪比,达到随机噪声压制的目的,实现了高频分量的自适应选取和高频分量中有用信息的再提取。     

基于全相位窄带滤波的超分辨率时延估计

为提高超分辨率时延估计的抗噪性能,提出了基于全相位窄带滤波的超分辨率时延估计算法.在陷波器设计方法基础上,设计出中心频点可精确控制的具有类点通传输特性的窄带滤波器,然后用该滤波器对存在时延关系的两路采样序列进行滤波处理,再依照传统相位差时延估计法,即可获得高精度时延估计.仿真实验表明:相比于基于信号重心插值的超分辨率时延估计法,该方法信噪比范围要高出10,dB,具有广阔的工程应用前景.     

基于自适应滤波长基线组合AUV定位算法

针对水下环境噪声干扰以及水下时延误差等问题,提出基于自适应滤波长基线组合AUV定位算法。该算法采用长基线组合导航定位系统,以捷联惯性导航系统为主,长基线定位系统为辅,消除时延误差实现误差补偿;再引入自适应滤波算法,使用卡尔曼滤波算法对系统进行信息融合来矫正累积误差实现自适应滤波定位。仿真实验表明,该算法能有效消除水下复杂环境中的噪声干扰对AUV定位精度的影响,提高算法对未知噪声的适应性和定位精度。     

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.      

基于变分模态分解的相关能量熵自适应阈值去噪

为有效抑制噪声对地震数据的影响,根据地震信号的时频特性,提出了基于变分模态分解的相关能量熵阈值去噪方法。采用变分模态分解算法将地震信号分解为频率由高频到低频且具有一定带宽的模态分量,计算各模态分量与地震信号的规范化相关系数,实现对各模态分量中的有效信息和噪声的定位。将去除有效信息的各模态分量分成若干子区间,分别计算各子区间的噪声能量熵,选取能量熵最大区间的模态分量系数作为该分量的噪声方差获得该分量的阈值,再将经阈值处理后的各模态分量重构得到去噪信号。通过对合成地震模型和实际地震信号进行去噪处理,并与直接去除高频分量的变分模态分解去噪方法进行了对比,结果表明,该方法能在强噪声环境下更有效地提取地震信号中的有效成分,提高信噪比。     

改进ICA去噪方法在瞬变电磁信号处理中的应用

提出一种改进ICA去噪方法,可确定去噪后的信号幅值.用于消除瞬变电磁信号中的工频干扰,并与传统陷波滤波方法进行比较.实验结果表明,采用改进ICA去噪方法,在消除工频干扰的同时,能很好地保留信号的波形和特征,去噪效果明显优于陷波滤波方法.在较低信噪比下仍可有效地提取信号,具有实用价值.