非高斯噪声背景下的自适应信号提取方法研究

为实现对非高斯背景噪声干扰条件下用信号的提取,将BP神经网络作为自适应噪声对消滤波器,以与干扰噪声强相关的噪声源作为参考噪声,实现对背景噪声的抑制,达到了有用信号提取的目的。BP神经网络自适应噪声对消技术不仅适用于线性相关参考噪声,同时也适用于非线性相关参考噪声,可以有效提高信号传递和接收的信噪比。     

基于小波包分析和BP网络识别的齿轮故障诊断

针对齿轮故障信号的能量所引起的变化会淹没在常规振动与噪声之中，用传统的信号处理方法不易提取故障特征，给齿轮的故障诊断带来很大困难这一事实，本文描述了用于从振动信号中提取故障信息的小波包和用于识别故障类型的BP网络，研究了BP网络故障模式识别与小波包故障特征提取结合在一起对齿轮故障进行诊断的方法，研究结果表明该方法可以成功地用于轮常规故障的识别和诊断。     

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.     

磨煤机振声信号分析及基于BP网的料位识别

对磨煤机振声信号进行了频谱和功率谱分析,分析表明:低频分量携带磨煤机的料位信息,而高频分量则是由高速电机旋转噪声、排风机噪声以及磨煤机筒体混响噪声引起的;低频料位信号与高频噪声信号是调制关系.利用希尔伯特变换对振声信号进行了解析化处理,分解出低频料位信息,并以振声解析信号的包络为对象,进行料位特征的提取.利用BP神经元网络,建立了磨煤机料位与振声信号的关系模型,从而实现磨煤机料位的自动识别.将模型的计算结果与实测值进行比较,结果表明,料位识别精度在±1.5%之内.     

误差反向传播算法与信噪分离

研究了误差反向传播算法的基本原理及其在信号识别与噪声消除中的应用。通过与经典谱估计的信号处理效果进行比较 ,阐明了BP网络具有良好的信噪分离特性。     

基于时域累积平均和双谱估计的弱信号去噪

传统的弱信号处理方法不适于处理分布式光纤温度传感器输出的宽频带微弱信号.在对时域累积平均和双谱估计两种算法分别进行仿真分析的基础上,提出了将时域累积平均和双谱估计相结合的弱信号去噪方法,结果表明该方法可以有效地提取出有用信号,抑制噪声.     

自适应SAR图像噪声识别和去噪算法研究

对噪声SAR图像进行噪声类型识别,是对图像进行有针对性去噪的第一步。针对7种典型噪声的干扰图像,提取包括Zernike矩、小波高频不显著系数子带能量比、噪声能量特征值等在内的8类特征值。设计了反向传播(BP)神经网络分类器,可以实现对不同噪声类型干扰的SAR图像的有效识别。采用了包括Probabilistic Patch-Based filter、2DDFT-DWT等7种最新有效过滤SAR噪声图像的算法进行综合去噪。实验结果表明,系统能够在一定程度上自适应过滤受到不同噪声干扰的SAR图像信号。     

基于BP神经网络的海洋声学仪器信号识别方法

分析了几种常用海洋声学仪器信号的基本特征,提出一种基于误差反向传播(back propagation,BP)神经网络,以实现对信号特征参数进行分类、识别的方法.该方法采用短时傅里叶变换提取信号特征参数,运用Levenberg-Marquardt算法训练BP神经网络.以实测海洋声学仪器信号的特征参数进行训练后,采用实测和仿真样本对BP神经网络的识别能力进行测试.实验结果表明,BP神经网络能够有效地区分不同海洋声学仪器的信号,识别准确率达到95%以上,且虚警率低于5%.该研究成果可用于识别海域中不同海洋声学仪器,检测海洋中声学仪器的工作状态.该识别方法对于其他海洋声信号的识别研究也有一定的参考价值.     

结合数字滤波技术的随机共振弱信号检测

应用数值计算研究强噪声背景下弱信号的随机共振检测. 探讨了大频率条件下非线性双稳态系统随机共振的输出信号幅值、 信噪比与随机噪声的关系, 数值计算结果表明, 非线性双稳态系统对大频率噪声具有较大的压制特性, 通过随机共振系统可以检测强噪声背景下的大频率弱信号. 结合数字滤波技术提取了大频率弱信号, 并获得被检测大频率弱信号的特征频率谱线及时域图像.      

人工神经网络在中医脉象信号检测中的应用

人工神经网络是在结构上模仿生物神经连接的连接型网络,经训练的网络可用来进行模式分类,信号处理与检测等.针对海洛因吸食者的脉象信号与正常人脉象信号的特征差异,成功地应用BP网络对15例海洛因吸食者和15例正常人的脉象信号进行了识别.为此,建立了一个40～20～1的二层BP网络模型,选取每一例脉象信号的一段特征信号作为网络的输入信号,采用了训练样本和加噪声的训练样本分别训练网络的方法.论文还比较了共轭梯度法与基本BP算法训练网络的快慢问题.实验结果除1例正常人被误判外,吸毒病人全被检测出来,网络达到了96.7%的识别率,其结果说明训练的网络对检测脉象信号是十分有效的.     

随机共振技术检测弱信号的两种方法的比较研究

详细介绍利用随机共振技术检测微弱周期信号的原理,采用增加噪声强度及调节系统参数2种方法提取周期弱信号,相应的给出了数值模拟仿真实验,由此得出2种方法具有协调统一性．     

基于时频消噪TFPF和时频分布MBD的轴承早期故障诊断

噪声是影响轴承、齿轮等机械设备早期微弱故障特征正确提取的主要因素,利用新颖的时频峰值滤波技术TFPT有力的噪声消减特性,将PTFT与改进的时频分布MBD相结合,提出了时频峰值滤波TFPT-时频分布MBD的故障识别新方法,即应用TFPF消减振动信号的随机噪声作为时频分析的前置处理,对消噪的故障信号作MBD时频分析来识别故障特征,给出了时频峰值滤波时频分布的故障诊断模型。诊断实例的分析结果表明了与传统的MBD的故障特征提取相比,提出的改进方法更易提取出强噪声背景下的轴承早期的微弱故障,具有明显的可诊断性和实用性。     

基于非线性系统随机共振的多频弱信号检测

针对实际探测的弱信号常常是多个频率弱信号共存的的情形,进行了利用随机共振检测多频周期性弱信号的研究,以便把利用随机共振的弱信号检测应用于信息处理中微弱信息识别与提取。数值计算结果表明,在适当调节系统参数的情况下,强同频噪声下的多频周期性弱信号经过非线性双稳态系统后,相差不超过一个数量级的几个低于0.5Hz的不同频率的弱信号都可以同时发生随机共振而被检测出来,其信噪比改善十分明显,可以提高30dB以上。该方法在信息识别与信息处理方面具有潜在的应用价值。     

基于小波变换的图像增强算法

结合小波变换中相关系数理论,提出了一种基于小波变换的图像增强算法,该算法先区分小波域中由细节及噪声产生的高频系数,对由细节产生的信息进行增强,对噪声进行抑制·解决了通常算法中增强细节信号的同时也放大了噪声这个问题·实验表明,该算法在得到很好的图像增强的同时,能很好地抑制噪声,对于多噪声环境下的弱细节信号能达到很好的增强效果·     

基于小波变换和K-L展开的单通道表面肌电信号识别

利用单通道表面肌电信号对肘收缩、肘伸直、前臂外旋和前臂内旋四个上肢动作进行了识别.用肌电信号最高频率20倍的过采样率对表面肌电信号进行采样,利用抽取滤波技术将过采样带来的冗余数据去除并保留了过采样带来的低噪声的优点.通过小波变换提取出5个子频带的相对能量与表面肌电信号的总能量一起作为原始的特征向量,然后通过K-L展开将6维的原始特征向量降为2维.通过建立BP网络分别用6维特征向量和2维特征向量对上述的四个动作进行识别.结果显示该方法在减少肌电电极的同时保持了较高的识别率,有很好的识别效果.     

基于混沌振子探测微弱动态周期测量信号

介绍了Duffing振子检测微弱信号的原理和过程以及利用混沌振子来检测淹没在强噪声背景中的微弱动态周期测量信号的方法．理论分析和仿真实验均表明混沌振子能有效地检测微弱动态周期信号．该检测方法既能形成一种独立的检测理论,也可以作为现行微弱信号检测理论的有效补充．     

基于混沌理论和小波变换的微弱周期信号检测方法

根据小波变换具有多分辨率,混沌系统对噪声的强免疫力和对周期微弱信号的敏感性等特性,通过对小波阈值去噪方法和混沌Duffing振子方程的改进,提出小波阈值去噪和混沌系统相结合的微弱周期信号检测新方法.该方法利用小波变换的平滑作用对包含噪声的信号进行有限离散处理,并根据小波分解尺度确定阈值去噪深度,然后把重构的信号作为周期策动力的摄动并入混沌系统,采用混沌振子阵列实现在噪声背景下微弱信号的检测,并采用梅尔尼科夫方法作为混沌判据.该检测方法克服了以往小波分解对尺度确定的盲目性和阈值选择的不合理性以及对混沌临界状态与周期态区别的模糊性:同时能检测多种频率的信号.仿真测试表明:该方法直观、高效,检测精度高,检测的最低信噪比达到-100dB,频率误差为0.04％左右,改善了湮没在强噪声下的微弱信号检测技术.