非高斯噪声背景下小波阈值算法分析

针对小波阈值算法以高斯噪声为研究背景的局限性,为解决硬阈值函数不连续和软阈值函数估计小波系数和分解小波系数存在恒定偏差的问题,在非高斯噪声背景下提出一种新的小波阈值算法。新阈值函数从Garrote阈值改进而来,引入了高阶幂函数。该算法首先对加入一类非高斯噪声的信号进行小波分解,然后根据新的阈值函数对每层高频小波系数进行量化,最后用小波分解的低频系数和处理过的高频系数重构信号。在非高斯噪声背景下进行的仿真结果表明,新阈值函数去噪相对于软阈值、硬阈值、两类改进阈值以及Garrote阈值在信噪比和最小均方误差上都得到了改善。

多模噪声环境下的自适应滤波算法

在分析现有基于不同误差准则的最小四次均方算法和最小平均绝对偏差算法的基础上,提出一种可抑制多模噪声的归一化混合范数滤波算法。采用引入混合参数的代价函数调节混合参数得到最佳的滤波算法。建立步长参数随输入信噪比变化的非线性函数关系。仿真结果表明,相对于高斯环境下的滤波,该算法在多模噪声环境下的鲁棒性得到显著提高,能有效地提取信号。

基于自适应小波阈值的心电信号去噪算法

在心电信号准确测量问题的研究中,噪声影响着测量的准确性。针对传统小波阈值去噪存在伪吉布斯现象或是过度平滑的缺点,而难以将心电信号PR间期的特征保留下来的不足。并且为了更好的识别心电信号,采用改进的小波阈值函数结合Brige-Massart策略的自适应阈值对心电信号进行处理。它能够克服传统阈值去噪的不足,避免出现振荡现象,同时自适应阈值灵活地将噪声分量和信号分量分离。最后对MIT-BIH中的心电信号进行仿真,结果表明,改进的自适应阈值算法能够抑制心电信号特别是PR间期的振荡现象,相对传统阈值去噪有更高的信噪比。

一种双模噪声模型的统计特性及其去噪研究

利用多尺度小波包变换良好的时频局部分析能力,对一类非高斯噪声——双模噪声的统计特性进行研究.理论分析和仿真表明,小波包检测具有计算量小、算法比较简单和实时性较强的特点,不仅实现了将非高斯噪声——双模噪声转化为简单的高斯噪声来处理,而且比传统的高阶统计量和经典检测的检测性能都优越.

利用欠阻尼二阶线性随机共振抑噪的模型设计及实现

以经典力学模型——质量-阻尼-弹簧欠阻尼二阶线性系统为研究对象,当系统的阻尼系数和固有频率同时受乘性高斯噪声干扰时,利用此系统产生的随机共振来消除此类噪声.理论分析表明,欠阻尼二阶线性系统中存在随机共振现象,系统的平均输出幅度增益呈现非单调变化,不仅在一定条件下大于无噪声时的增益,而且调节适当的系统参数和噪声强度能够提高幅度增益.因此,采用可视化仿真软件SIMULINK建立仿真模型,并进行实例模拟.仿真进一步表明,通过调节适当的系统参数或噪声强度,使系统处于共振区域,就会把夹杂在噪声中的被测信号突现出来,从而实现了弱信号的检测,证实该方法消除乘性噪声的可行性和有效性.

几类非高斯噪声模型的转换研究

分析了几类非高斯噪声模型的统计特性 ;在此基础上采用矩估计法给出了它们的模型转换算法 .采用无惯性非线性变换器研究了双模噪声环境下确定信号的最大似然检测方法 ;采用迭代法给出了双模噪声环境下余弦信号参量的最大似然估计方法 ;在此基础上从信号检测和参量估计性能两个方面验证了模型转换算法的有效性 .仿真结果表明 ,把双峰噪声当作双模噪声是准确的 .

多模噪声理论及其在通信保密中的应用

给出了一种比较通用的非高斯噪声模型——多模噪声,采用无惯性非线性变换器给出了多模噪声中信号的检测与估计方法,该方法对概率密度函数形状对称的噪声是普遍适用的。在此基础上设计了可用于通信保密的多模噪声,说明了本加密方法适用于无线通信信道加密,并从统计分析的角度研究了可能的密码分析方法。

双模噪声中信号的检测

信号检测是双模噪声中的主要问题之一,本文对此进行了较完整的研究。混合噪声中信号的检测比高斯噪声中信号的检测复杂,可能为多门限判决。本文对不同情况给出了不同的最佳检测方法,并分析了它们的性能;通过对窄带双模过程的研究,给出了混合噪声中信号检测的一般方法,有一定的普遍意义。

多模噪声及其消噪研究

基于多尺度小波包变换良好的时频局部分析能力,对一类非高斯噪声—多模噪声的统计特性进行研究.仿真表明,对多模噪声做小波包变换,实现了将多模噪声转化为简单的高斯噪声来处理,小波包变换的检测性能比传统的高阶统计量的检测性能优越.

非高斯噪声中的粒子滤波算法研究

在非线性非高斯动态系统中,粒子滤波已成为解决系统参数估计和状态滤波的主流方法。然而,粒子退化是粒子滤波中不可避免的现象,粒子重采样是解决方法之一。本文针对粒子退化现象,在扩展卡尔曼滤波器的基础上研究了一种基于支持向量机粒子滤波算法,算法实现中扩展卡尔曼粒子滤波器结合支持向量机对当前时刻的重要性采样,再对粒子样本进行重采样。该算法能有效地利用量测值的最新信息,状态估计误差较小,同时避免了粒子匮乏。理论分析和仿真结果表明,新算法在双模噪声非线性系统估计的精度优于标准粒子滤波算法与扩展卡尔曼粒子滤波算法。

一种基于矩阵三对角化分解的DOA估计算法

针对DOA(Direction of Arrival)估计在低信噪比的情况下估计性能下降的问题,根据阵列协方差矩阵共轭对称的特点,采用基于Givens变换的三对角化分解方法对协方差矩阵进行三对角化,同时利用盖氏(Gerschgorin)圆递推方法准确估计信号子空间的秩,然后再对三对角矩阵进行对角化,估计出噪声子空间,利用噪声子空间与导向矢量正交实现波达方向估计,改善了低信噪比背景下估计的误差性能和稳健性。计算机仿真证明了算法的有效性。

电磁波全反射现象的教学探讨

本文就"电磁场理论"课程中电磁波全反射现象的教学进行了深入分析,从电磁波在介质分界面上的反射和折射入手,导出全反射条件,分析全反射时透射波的波场和能流特点,以及给出全反射现象在实际中的应用实例。我们通过这种教学过程使学生深刻掌握了全反射这一重要知识点,在实践中取得了良好的教学效果。

探索解决电磁场理论难教难学的方法

分析了当前电磁场理论教学面临的问题,通过对多年来电磁场理论教学经验的总结,探索了解决电磁场理论难教难学的方法。

基于斜度-小波包网络的多模噪声中弱信号的检测

为了从一类非高斯噪声——多模噪声背景中有效提取目标信号,把高阶谱理论与小波包网络相融合,根据高斯分布的斜度为零,以及结合小波包网络具有改善信号检测性能和提高检测手段自适应性的特性,采用频带分割检测技术,提出一种基于斜度-小波包网络的弱信号检测方法.大量计算和MATLAB仿真表明,该方法在多模噪声且信噪比较低的情况下具有良好的消噪能力,并比小波包变换的检测性能优越.

多模噪声背景下基于遗传小波网络的滤噪研究

为了改善小波神经网络(WNN)存在收敛速度慢、易陷入局部极小值的缺陷,将WNN和遗传算法(GA)相结合,提出一种基于遗传小波网络(GA—WNN)的多模噪声中确定信号的滤噪方法。由于该方法融合了WNN良好的时频局部分析能力和GA自适应全局快速寻优的特点,因此,GA—WNN不仅克服了WNN存在的不足,而且可以使WNN参数最优化,从而进一步提高WNN的滤噪性能。仿真表明,在多模噪声背景下,GA—WNN能有效地从含噪信号中提取确定信号,并比传统的WNN滤噪效果好。

基于自适应滤波的多模噪声抑制研究

多数研究都是将噪声当作高斯噪声处理,但实际上在多模噪声(整体上属于非高斯噪声)背景下,信号受损严重。用传统的LMS自适应算法不能很好的抑制噪声,格里菲斯LMS算法收敛速度较慢。提出一种将格里菲斯LMS算法(GLMS)与LMS-Newton算法相结合的GLMS-Newton算法,并给予了改进。在改进中,不仅采用了基于互相关变步长因子,而且引入了基于输入信号与期望信号的互相关的梯度算子。仿真表明,在收敛速度、稳态误差等方面都有了较大改善,能够很好的抑制多模噪声,提取出有用信号。

欠阻尼二阶线性系统中的随机共振及其抑噪应用

在乘性噪声背景下,研究欠阻尼二阶线性系统中的随机共振及其抑噪应用.当二阶线性系统的阻尼系数和固有频率均受高斯白噪声干扰下,欠阻尼二阶线性系统中存在随机共振现象.研究表明,该系统的平均输出幅度增益呈现非单调变化,不仅在一定条件下大于无噪声时的增益,而且调节适当的系统参数和噪声强度能够提高幅度增益.因而只要使系统处于共振区域,就会使夹杂在噪声中的被测信号突现出来,从而实现弱信号的检测.因而,采用可视化仿真软件SIMULINK对此进行了实例模拟.仿真证实该方法检测弱信号的可行性和有效性.

一种基于小波包和双谱的信号分析方法

在高斯噪声背景下,为了尽可能地消除噪声的干扰来提取有用信息,提出了一种基于小波包和双谱对加性高斯噪声信号进行处理的方法。主要利用小波包变换良好的时频分析能力和双谱对高斯噪声不敏感,不但能够抑制噪声、提高信噪比,而且可以得到信号幅度、相位、能量、非线性等丰富的特征信息。最后仿真表明了此方法分析信号的可行性和优越性。

欠阻尼二阶线性系统中的随机共振

在单自由度粘滞阻尼二阶线性系统的阻尼系数、固有频率和激励信号三者均受高斯白噪声干扰的背景下,利用线性系统相关理论和数学方法,推导得到了系统平均输出幅度增益的表达式。同时,利用MATLAB软件对此二阶欠阻尼线性系统做了仿真研究。仿真结果表明:只要将系统参数调节至适当范围,平均输出幅度增益会在某个位置达到最大值,即存在随机共振现象,因而只要使系统处于随机共振的共振区域,就能实现噪声背景下欠阻尼二阶线性系统的微弱信号检测。

多模噪声背景下基于小波包神经网络的信号消噪研究

把小波包变换和神经网络相结合,对含多模噪声信号进行消噪研究.首先对含噪信号序列进行小波包分解,得到不同尺度下的小波包分解系数,接着以这些不同频带的分解系数作为三层前向BP神经网络的输入特征向量,通过神经网络不断的修正和优化处理,最后以处理后的分解系数进行小波包重构,从而达到消噪的目的.实际计算及仿真表明,小波包神经网络消除多模噪声是一种非常有效的方法.