局部投影去噪的一种改进的邻域选取方法

针对局部投影去噪方法的邻域选取问题,分析了选取邻域点的准确率对去噪结果的影响.结合奇异谱分析技术,提出了一种改进的邻域选取方法.该方法对含噪声的相空间进行奇异值分解,利用较大奇异值对应的主分量重构相空间,在重构后的空间中寻找邻域点,以提高选取的邻域点准确率.用改进后的方法对含噪声的Lorenz序列及太阳黑子月观测值序列进行仿真,仿真结果表明该方法能够有效地提高选取的邻域点的准确率,进而改善局部投影方法的去噪效果.     

改进非线性局部平均算法的混沌去噪研究

基于混沌序列重构相空间理论,提出一种改进的局部平均非线性去噪方法。该方法在邻域选择、数据更新等方面进行了改进,更好地校正相空间中点的位置,使其逼近真实的混沌吸引子轨迹,重构吸引子结构,而且计算更为简单可靠。分别对Henon映射产生的混沌序列和实际观测的月太阳黑子混沌序列进行仿真研究。结果证明此方法能够高效地去除噪声,同时保留原非线性系统的混沌特性,并且很好地区分相空间中的邻近轨迹。     

自适应阈值多小波故障暂态信号去噪方法

在介绍多小波基本理论的基础上 ,探讨了基于多小波的信号去噪方法。针对目前多小波去噪方法的不足 ,提出一种基于自适应阈值的多小波去噪方法 ,应用于电力系统输电线故障暂态信号的去噪 ,并与基于传统阈值多小波和小波的去噪效果进行了比较。仿真结果表明 ,该方法可以根据实际信号自适应改变阈值大小 ,在去噪效果上优于传统多小波去噪方法。     

基于子波变换的水声信号去噪方法研究

针对水声信号的低信噪比、非平稳性等特点，在对采集到的水声信号进行分析处理的基础上，提出了一种水声信号去噪的方法。该方法首先对采集到的低信噪比水声信号进行滑动取值，分别利用子波变换求功率谱，并进行统计平均，确定代表水声信号特征的频谱分量，去除不稳定的随机频谱分量；然后利用子波反变换将处理后的功率谱变换为时域信号；再利用子波软门限去噪方法去噪。通过仿真验证，获得了较好的效果。     

基于子波奇异性检测的水声信号去噪方法研究

基于低信噪比、非平稳水声信号中，信号的有效频谱是固定的、噪声的频谱是随机的、信号频谱由代表水声信号特征的各基波和其对应的各次谐波构成的特点，提出了利用子波奇异性检测特性实现水声信号去噪的方法。该方法首先对水声信号进行多分辨分解，求取各尺度上信号的频谱成分；然后，根据最大尺度上最高的频谱幅度，确定该尺度上信号的有效频谱成分，再按照基波与谐波的关系，确定其它各级尺度上的有效频谱成分，去除奇异频谱；最后对去除奇异频谱后的信号进行频域．时域变换及子波重构。经对实测水声信号进行仿真，获得了较好的去噪效果。     

基于迭代方法的软阈值估计小波去噪

基于小波变换的阈值去噪方法依赖于信号的长度和噪声的方差。在大多数情况下,噪声的方差是未知的,需要对其进行估计。提出一种基于软阈值函数估计阈值大小的算法。该算法是一种迭代算法,证明了该算法的收敛性,并分析了该算法运算量。数值实验表明该算法估计阈值的准确性和MAD方法相当,同时计算量远远小于MAD方法。     

信号去噪的一种优化算法

信号去噪通常是通过低通滤波器来实现的 ,但线性滤波在高精度场合并不能满足要求。为此提出了一种可给出信号高精度估计的非线性方法 ,分析了信号k阶导数的特点和噪声特性 ,在平稳时间序列的高阶差分对方差不变性的基础上 ,将信噪分离的参数估计问题转化为一类极值问题。利用矩阵理论分析了此类极值问题 ,给出了优化问题的解析解 ,并设计了相应算法。通过理论分析和实例验证了其有效性 ,并与最小二乘法作了比较     

改进局部投影算法的混沌降噪研究

针对混沌信号降噪算法中邻域和局部噪声子空间的选取问题,提出了一种改进的非线性混沌降噪方法,即将小波理论和非线性混沌降噪算法结合起来,利用小波分析方法对相空间中的点进行初始邻域半径的估计,自适应地在相空间中选取合适的邻域点;并针对每一个小邻域进行不同的非正交投影,从而更新数据点。仿真中分别对Henon映射产生的混沌序列和实际观测的大连降雨量混沌序列进行了研究,结果证明了该方法简单可靠,且能够较好地校正相空间中点的位置,逼近真实的混沌吸引子轨迹。     

基于非线性多小波变换的信号去噪方法

介绍了一种基于非线性多小波变换的信号去噪方法。通常子波域去噪中使用的Donoho软阈值法是很有效的，但是，由于忽略了边缘检测，导致在重构信号时丢失了部分的边缘信息，着眼于上述不足，在非线性多小波变换的基础上，提出了一种边缘检测与软阈值去噪相结合的去噪算法，实验证明此算法对提高重构信号的信噪比是非常有效的。     

基于lk范数正则化的实信号去噪方法

针对实信号去噪问题 ,系统研究了基于lk 范数正则化的去噪方法。在研究和借鉴Tikhonov正则化参数选择方法的基础上 ,给出了基于lk 范数正则化中最优正则化参数的自动选择方法 ,同时给出了正则化方法求解的迭代算法。理论分析和仿真计算结果表明 ,该方法对于加性噪声有较好的抑制能力 ,同时能够有效地保护信号中的重要特征。     

基于改进的C-C方法的相空间重构参数选择

针对混沌时间序列相空间重构C-C方法的三点不足,提出了一种基于改进的C-C方法的确定最优时延与嵌入窗的新算法。在关联积分计算过程中引入了权衡计算精度与速度的可调参数,合理选择该参数,能在不严重损失估计精度的前提下,大大加快计算速度。在理论分析的基础上,用所提出的算法对三种混沌序列进行相空间重构,仿真结果表明该算法对最优时延的选择更准确,对最优嵌入窗的选取更可靠。     

KLT-based local linear prediction of chaotic time series

In the reconstructed phase space, based on the Karhunen-Lo`eve transformation (KLT), the new local linear prediction method is proposed to predict chaotic time series. A noise-free chaotic time series and a noise addedchaotic time series are analyzed. The simulation results show that the KLT-based local linear prediction method can effectively make one-step and multi-step prediction for chaotic time series, and the one-step and multi-step prediction accuracies of the KLT-based local linear prediction method are superior to that of the traditional local linear prediction.     

子空间投影稳健波束形成算法及其性能分析

基于投影方法的稳健波束形成算法能够用于改善一般导向矢量失配的稳健性,而且相比于其他算法实现简单。通过分析,在信号加干扰子空间准确已知的条件下,该方法与基于特征子空间的稳健算法等价。由于该方法适用于较高信噪比和较低信号加干扰子空间维数的场景,而且子空间及其维数必须是已知的,因此给出了一种用于信号加干扰子空间及其维数的稳健估计方法,使该算法的应用条件得以满足。详细分析了理想条件下子空间选取对算法性能的影响,并进行了详细的仿真分析,验证了所提出方法的正确性和有效性。     

基于EEMD和进化KPCR的复杂时间序列自适应预测建模

针对具有非线性、非平稳、多尺度特性的复杂时间序列, 提出一种基于集合经验模态分解（EEMD） 和进化核主成分回归（KPCR）的自适应预测建模方法. 首先运用能克服传统EMD算法中模态混叠现 象的EEMD算法, 按原始时间序列信号的构成特点将其分解到不同尺度, 然后对不同尺度序列采用 C-C方法重构相空间, 在相空间中运用基于混合核函数的KPCR方法构建预测函数. 同时, 针对不同 尺度序列预测模型的优选问题, 采用粒子群优化（PSO）算法在给定准则下自适应确定各项参数, 最后将不同尺度预测结果集成, 得到实际时间序列的预测值. 通过对国际原油价格的数据进行实 证预测分析, 表明了该方法能够在不同尺度对时间序列的变化趋势进行有效描述, 自适应获取优 化的预测模型. 与现有方法相比, 具有较强的自适应建模能力和较高的预测精度.