鲁棒的高速物理随机数发生器

基于宽带混沌激光作为物理熵源, 提出一个性能稳定的高速物理随机数发生器实现方案. 利用差分比较器对宽带混沌信号延迟作差, 再经由时钟控制的触发器进行采样保持以及后续异或处理, 实验获得了速率为1.44 Gbit/s 的随机数. 该方案免去了精确的阈值电压调节过程, 利用差分比较纠正了混沌幅值概率密度分布的偏差, 使混沌幅值分布的中值偏斜度系数为γ= 1.5×10^-6. 此实验系统可抗外界波动信号的干扰, 能够连续稳定工作至少12 h.     

包络分析在超宽带信号采集中的应用

室内环境下超宽带信号具有丰富的多径分量,在时域中这些分量表现出簇（cluster）的形式,簇在时域上类似于幅度调制,可采用包络分析法对其进行分析。介绍了利用小波变换进行超宽带信号包络分析的方法,给出了接收信号包络的时域表达式,并对低信噪比下超宽带信号进行了包络提取,结果显示该方法实现了簇内多径分量的合并,并具有很强的去噪作用。包络分析方法对于那些难以建立模型的传输环境以及能够建立模型但难以提取参数的场合下超宽带信号的采集具有重要的意义,它指出了传统的包络分析技术可用于超宽带信号的采集。     

基于优化肌电特征的无声语音信号识别

提出了一种基于遗传算法(GA)和fisher投影的最佳可鉴别基的求解方法.将原始特征向量向着最佳可鉴别基投影可得到具有最佳可分性的新的特征向量.从颧肌和二腹肌前腹的皮肤表面检测无声发出6个汉语元音的表面肌电信号(SEMG),以该肌电信号的AR模型系数、倒谱系数和美尔倒谱系数作为原始特征向量.使用遗传算法找出了原始特征的次优组合,并组成新的特征向量.将GA找出的次优特征向量向着fisher最佳可鉴别基投影可得到最佳鉴别特征向量.最后用改进的BP神经网络作为分类器得到了较好的识别效果.     

基于参考独立分量分析的语音增强方法

参考独立分量分析（independent component analysis with reference,ICA—R）将源信号的先验知识以参考信号的形式引入学习算法中,可以从混合信号中仅抽取期望的源信号．基于ICA—R提出了一种语音增强新方法．通过比较语音信号和多种噪声信号的特点,合理地构造了具有语音信号重要特性的参考信号,进而应用ICA—R从多种加性噪声中抽取了期望增强的语音信号．计算机仿真和性能分析结果均表明了该方法的有效性．     

基于自适应形态学的跳频信号参数联合盲估计

跳频通信的应用大大提高了军事装备的抗干扰和抗截获能力,使得跳频对抗技术面临严峻的挑战。为解决传统形态学跳频信号参数估计方法中结构元素选择困难问题并提高估计精度,提出了一种基于自适应形态学的跳频信号参数联合盲估计方法。首先,对跳频信号进行短时傅里叶变换获取谱图。然后,从其时间轴投影中获取结构元素尺寸的知识, 设计自适应形态学滤波器抑制谱图噪声, 提取跳频图案初步估计跳频参数。最后, 引入最小二乘估计方法, 对跳频周期和跳变时刻进行精估计。仿真结果表明,此方法能够同时估计出跳频频率、跳频周期和跳变时刻, 不需要其中某一种参数作为先验条件, 在复杂的通信环境也能够保持良好的估计性能。     

基于支持向量机的典型宽带电磁干扰源识别

由于民航周围电磁环境复杂, 一旦产生电磁干扰(electromagnetic interference,EMI), 就不易被排查, 特别是随机性较强的宽带干扰。对此, 提出一种基于支持向量机(support vector machine, SVM)的干扰源识别方法。通过实时测量干扰信号的频谱数据, 并分析其特点, 选择包络因子、频谱能量、频谱峰值、均值和方差5个特征向量, 用主成分分析法降低数据冗余程度, 最后采用SVM来判断干扰源类型。仿真结果证明, 所提算法能有效识别6类典型机场宽带干扰源, 识别精度可达98.33%。     

心电信号小波分析

心电信号是一种非平稳并具有很多奇异点的微弱信号。小波变换中的模极大值消噪法具有非线性及自适应性,小波的这种特性对于类似于心电信号这种非平稳微弱信号是十分适用的。针对传统的消噪方法在处理心电信号时的局限性,研究了小波变换的时-频局部化特性及基于多分辨率分析的信号小波分解和重构算法———Mallat算法。采用小波分析的模极大值法实现对QRS波R峰值点的检测,以及对心电信号的消噪处理。通过试验研究可知,运用小波进行QRS波检测,QRS波的识别率高达99.9%,经过消噪重构后的心电信号信噪比较原始信号有较大提高。     

小波变换及其在语音信号处理中的应用

人们为了了解自然界的规律,或是为了解决工程中的一些问题,需要对各种各样的信号进行分析,在小波变换出现以前,应用最广泛的是傅立叶变换.但是在利用傅立叶变换分析信号时,存在着某些缺陷.小波变换基于海森堡测不准原理解决了局部时间信号分析的难题,发展了信号分析的方法,成为了当代信号分析的主要工具之一.由于语音信号的复杂性,以及在某些方面与小波变换的相似性,使小波变换在语音信号处理有着很广泛的应用.本文对小波变换及其在语音信号处理中的应用进行了简要的综述.     

基于改进MUSIC算法的散射中心参数提取及RCS重构

随着隐身技术的发展,雷达目标的边缘绕射等逐渐取代镜面散射成为主要的散射源,因此基于几何绕射理论（geometric theory of diffraction,GTD）的散射中心模型对隐身目标电磁散射特性的描述要比衰减指数和模型更为精确。显然,准确估计出GTD散射中心参数对刻画目标散射特性犹为重要。针对经典多重信号分类（multiple signal classification,MUSIC）法仅利用目标原始回波数据、参数估计精度不高这一问题,提出一种改进的MUSIC算法对散射参数估计提取。改进的MUSIC算法通过对原始回波数据取共轭,构建新的总协方差矩阵,有效利用了目标原始回波数据的共轭信息。仿真结果表明,与经典MUSIC算法相比,改进的MUSIC算法参数估计精度更高,雷达散射截面重构拟合程度更好,且运算量增加不大,可有效提取出隐身目标的散射中心。     

基于协方差矩阵重构的单基地MIMO阵列无网格DOA估计方法

提出了一种单基地多输入多输出(multiple-input multiple-output, MIMO)阵列中的协方差矩阵重构的无网格波达方向(direction-of-arrival, DOA)估计方法。该方法通过降维处理将MIMO阵列等效为信噪比(signal-to-noise ratio, SNR)提升的均匀线列阵,将目标方位估计问题转化为混合范数最小化(mixed norm minimization, MixNM)稀疏信号重构问题。进一步给出了与该稀疏重构问题等价的基于网格的凸优化问题,并模型化为半定规划来求解。为了解决网格大小影响估计性能的问题,利用了等价均匀线列阵的托普利兹结构,模型化为半定规划问题来重构无噪声协方差矩阵,最后通过范德蒙分解来估计目标方位。与传统的基于MixNM方位估计方法相比,该方法减少了优化变量个数。与其他离网格方法相比,该方法估计精度不受网格大小的影响,且能够估计相干源目标。实验仿真验证了该方法的有效性。