基于分数阶傅里叶变换的直扩通信快速线性调频干扰抑制

针对直接序列扩频系统中的线性调频干扰,将短时傅里叶变换和分数阶傅里叶变换相结合,提出了在短时傅里叶域进行线性调频干扰参数粗估计而在分数阶傅里叶域进行精确估计,并根据线性调频干扰在分数阶傅里叶域形成的脉冲位置和强度自适应选择消波区间达到抑制线性调频干扰的目的。仿真实验表明,所提出的干扰抑制方法在干信比JSR40情况下,对线性调频干扰有很好的抑制作用,位错误率BER性能可改善103倍。     

基于FPGA远程遥控系统信号转换设计

远程遥控系统是工业控制常用的自动化平台,采用先进科学技术成果作为主控指导理论,实现了远程控制技术的最优化发展。现场可编程门阵列(FPGA)技术是远程控制系统比较常用的技术之一,利用可编程控制器对原始控制模式升级改造,扩大远程遥感信号调控速率以保证系统运行的实效性。本文分析了可编程门阵列技术应用状况,总结可编程门阵列技术用于遥控系统的功能特点,提出FPGA远程遥控系统信号转换设计的有效方法。     

一种特殊要求的数字滤波器的设计与实现

数字滤波器是现代数字信号处理的重要基础。针对一种数字接收机对数字滤波器的特殊要求,提出了设计的基本原理,利用MATLAB软件进行了设计和仿真,结果表明达到了系统要求。最后给出了在DSP中实现的程序片段。     

采用以太通信的数字信号处理系统

介绍Analog Device公司的数字信号处理器（DSP）通过网络接口设备——串行网络接口控制器（SNIC）与PC进行通信的硬件和软件设计,并给出了以太通信用于实时数据传输的实例．     

基于改进循环谱的直扩信号检测方法研究

基于循环谱理论,根据直扩信号与平稳噪声具有不同的谱相关特性,可对直扩信号进行检测,分析循环谱包络在循环频域——谱频域上的分布,能实现载频及伪码速率的参数估计。在有限时间条件下,为实现更低信噪比情况下的信号检测,提出了集平均的频域平滑循环周期图的改进算法,避免了多维搜索,并对算法进行抗噪声性能及统计特性分析,理论表明具有进一步的抑制噪声水平。通过计算机仿真,说明了此法能在低信噪比情况下实现参数估计,并分别证明了数据长度及平滑点数对实验数据的影响,验证了理论分析的正确性。     

改进信号子空间结合维纳滤波的语音增强算法

针对现有语音增强算法噪声残留和语音失真,不能同时达到最小这一问题,提出了一种改进的信号子空间结合维纳滤波法,进行两级语音增强。第一级利用听觉掩蔽参数改进信号子空间的增益矩阵,经处理后,可以有效降低语音失真度,并初步提高信噪比。然后利用维纳滤波算法对增强后的语音信号进行加强。实验结果表明,相比传统的信号子空间算法、维纳滤波算法,可以有效地减少语音信号中的残留噪声、降低语音信号的失真度、提升语音信号的整体质量。     

基于肘关节表面肌电信号的负载识别

针对大多数肌电信号只进行特定肢体动作识别而没有对肢体进行外加负载识别的问题,提出一种基于表面肌电信号(surface electromyography, s EMG)的负载识别方法。首先,采用4通道表面电极采集肘关节在不同负载下的s EMG信号;然后,利用时域、频域特征提取方法对s EMG信号进行特征提取构成特征向量;最后,利用支持向量机(support vector maching, SVM)、BP神经网络和RBF神经网络对特征向量进行分类识别。结果表明以时域特征值识别,SVM的识别效果最佳,准确率为96.2%;以频域特征值识别,BP神经网络的识别效果最佳,准确率为87.5%;以时、频域组合特征值识别,RBF神经网络的识别效果最佳,准确率为90.4%。可见通过s EMG信号进行负载识别具有一定的可行性,为s EMG信号的广泛应用奠定基础。     

一种分数域二分法 LFM 信号参数估计方法

针对传统基于分数阶傅里叶变换（fractional Fourier transform,FRFT）的线性调频（linear frequency modulated, LFM）信号参数估计方法中估计精度和计算量难以同时满足实际要求的问题,提出一种分数域二分法的 LFM信号参数估计方法。该方法分析量化了变换阶次误差对参数估计误差的影响,利用单分量 LFM信号变换阶次和分数域展宽的关系,通过迭代不断缩小变换阶次的取值范围,获得满足初设阈值的最优阶次,并利用最优阶次和峰值位置对 LFM信号进行参数估计。采用逐次重构消除的方法,可以对强弱混合的多分量 LFM信号进行参数估计。仿真结果表明,在满足信噪比要求的条件下,该方法能够有效地对 LFM信号进行参数估计,可以通过参数估计精度的要求选择不同阈值,与传统方法相比,在参数估计精度相当的情况下大大地减小了计算量。     

基于遗传算法和高斯牛顿法的超声回波信号参数估计

在超声回波信号参数估计中,如果高斯牛顿法选取的迭代初值接近参数向量的真实解,则容易找到最优解;如果初始值远离最优解,则高斯牛顿法不收敛或者只收敛到局部最优解。针对高斯牛顿法对迭代初值敏感的问题,提出了遗传算法和高斯牛顿法结合的参数估计方法。该方法充分利用遗传算法善于进行全局搜索和高斯牛顿法善于进行局部快速搜索的优点,首先使用遗传算法求出超声回波信号的参数初值,然后利用这组初值进行高斯牛顿法迭代搜索。仿真结果表明,基于遗传算法和高斯牛顿法相结合的方法,具有收敛速度快、精确度高的特点。     

基于CEEMDAN能量熵的故障特征提取方法

作为武器装备的重要组成部分,复杂机械设备发生故障会严重影响其性能,如何将故障特征有效提取出来尤为重要。针对复杂机械设备振动信号非平稳非线性的特点,本文提出利用自适应噪声集合经验模态分解（CEEMDAN）结合能量熵的方法提取信号故障特征,并以某型装备柴油机为例进行验证。通过构建多分量调制信号,分析比较了EMD、EEMD、CEEMD以及CEEMDAN四种算法的分解效果。利用CEEMDAN对振动信号进行分解,提取相关性较大的IMF分量的能量熵作为特征向量,输入到支持向量机中进行模式分类。研究表明,CEEMDAN能够一定程度上抑制了模态混叠问题,对于不同类型的故障能够有效的识别。