水声通信深度学习增强最小二乘信道估计算法

针对传统水声通信单载波频域均衡(single-carrier frequency domain equalization,SC-FDE)最小二乘(least squares,LS)信道估计算法受信道噪声影响大、估计性能差的问题,提出一种基于深度学习的增强LS信道估计算法,利用深度学习模型提取数据特征的能力,弥补LS算法受信道噪声影响的缺点。首先介绍水声通信中传统LS和最小均方误差(minimum mean square error,MMSE)信道估计算法的原理和优缺点,然后针对LS算法估计性能差的缺陷,利用深度学习模型学习LS信道估计的误差以此来纠正信道的频率响应。本文研究了深度神经网络(deep neural network,DNN)和卷积神经网络(convolutional neural network,CNN)2种不同网络结构的Enhanced-LSNet性能。仿真结果表明,本文提出的信道估计算法在低信噪比(signal to noise ratio,SNR)下较MMSE算法提升约4.1 dB,在高SNR下提升约为7 dB。

基于数据融合的三段式心音身份识别技术

提出了一种新的基于多特征提取的心音身份识别技术。在分析心音信号特性的基础上,采用独立子波函数表征个体心音特征信息,通过建立"第一心音s1、第二心音s2和周期-功率-频率(T-P-F)图"的三段式识别模型和应用相似距离的模式匹配方法,以及采用单路心音信号多周期段的数据层融合和改进的D-S数据决策层融合算法,有效地实现了单路心音信号多特征提取的身份识别。另外还介绍了一种双听诊头的心声检测装置。实际实验结果表明,该方法具有很好的识别率和可行性。

角跟踪接收机中的自动校相技术

首先介绍了采用TM01模为和模、TE21模为差模的单通道单脉冲跟踪体制的工作原理,其次给出了一种数字化跟踪接收机的设计方案。通过分析和通道与差通道相位差对跟踪性能的影响,提出了可应用于跟踪接收机设计的一种采用过零点检测加数字移相补偿的方案,并对该方法的性能进行分析,最终在试验样机中相位补偿的前后交叉耦合的比对。该方法与跟踪系统的频率无关,且具有很好的稳定性。通过在试验系统中应用,结果表明该方法可以快速校准相位误差,系统交叉耦合性能满足设计要求,跟踪过程工作稳定、可靠。

基于虚拟通道ICA方法的诱发电位单导少次提取

脑电诱发电位的单导少次提取一直是生物医学信号处理领域倍受关注的问题。独立分量分析作为解决盲源分离问题的一种有效算法已被广泛应用于诱发电位提取之中。独立分量分析处理的是多路观测信号,且要求观测信号路数大于或等于独立信号源的个数。为了能够应用独立分量分析算法实现诱发电位的单导少次提取,引入虚拟通道构建观测信号矩阵,从而得到符合实际应用条件的算法模型。4路信号仿真实验表明了虚拟通道模型可以有效提取诱发电位。对12位受试者进行模式翻转视觉诱发电位测试,仅用单导连续4次记录即可实现诱发电位的初步提取,信噪比增加约为12 dB,当采用10路虚拟通道,信噪比提高约20 dB。4路和10路虚拟通道ICA方法下得到的多导联VEP相关系数的统计结果进一步证实增加虚拟通道的数量,EP信号提取效果也会更好。

基于时间自相关函数的诱发电位单通道单次提取方法

单通道信号分离一直是信号处理领域中的重要问题,是被许多学者广泛研究的热点与难点问题之一。本文提出一种以时间自相关函数作为目标函数的最优化分离方法。先使用小波模极大值法来估计出迭代初始值与源信号的时间自相关函数,然后得到的最优解就是对待分离信号的估计。实验结果表明,该方法能够较好地应用于诱发电位信号的单通道单次提取。

基于单通道盲源分离的结构模态参数识别

针对基于传统盲源分离算法的结构模态参数识别需要满足传感器数目不少于源信号数目的问题,提出一种基于单通道盲源分离的结构模态参数识别方法,该方法利用单个通道信号即可完成结构模态参数识别。利用同步提取变换(synchro extracting transform,SET)对单通道观测信号进行时频分析以确定变分模态分解(variational mode decomposition,VMD)参数K的取值;将观测信号利用VMD分解形成K个本征模态函数(intrinsic mode function,IMF);将K个IMF进行线性混合形成2维观测信号并与原单通道观测信号重构形成3维观测信号,利用基于信号稀疏性的源信号分离算法分离得到各单模态信号;利用单模态识别技术识别结构模态参数。仿真和实测信号数据表明所提方法的有效性。

基于机载单通道SAR数据的地面运动目标检测算法

对于单通道SAR系统数据,已有成熟的检测快速运动目标的方法,但对于淹没在强主瓣杂波中的慢速运动目标检测尚待研究。针对这个问题,提出了一种有效的方法,来实现单通道SAR-GMTI对地面低速运动目标的检测。该方法通过对单通道SAR数据合理抽取和补偿,获得近似满足DPCA条件的两幅SAR复图像,然后进行复图像域DPCA处理。仿真和实测数据结果表明,该方法对强主瓣杂波中的地面慢速运动目标检测的有效性。并且在没有双通道SAR数据的情况下,采用本算法减少了系统成本和时间。

基于两次SVD的单通道胎儿心电监护系统

在移动智能终端上实现单通道胎儿心电监护系统,利用基于两次奇异值分解(SVD)的单通道胎儿心电提取算法,解决胎心提取中的波形缺失问题,实时获取高信噪比的胎儿心电信号。利用STM32单片机控制24位采样芯片ADS1298,对单通道的孕妇腹部信号进行采集,并将采集后的数据经蓝牙传送给移动智能终端,在移动智能终端上完成对胎儿心电的实时提取、显示、存储与分析,计算出相应的心律变异率,并实现对胎儿心电监护系统的控制。测试结果表明,提取出的胎儿心电信号信噪比改善为29.43 dB,准确度为98.01%,阳性预测率为97.81%,系统具有良好的稳定性和兼容性,连续处理5个母体心动周期的数据所花的时间约为3.671 ms,远小于一个母体心动周期(约0.8 s)的时间,适用于母体或胎儿心律不齐的情况。该胎儿心电监护系统具有连线简单、便于操作、准确性高、可移植性强等特点,适合基层医院和家庭使用。

单信道电子通信信号循环频率特征自提取仿真

针对当前信号提取方法存在准确率和完整性差的问题,提出单信道电子通信信号循环频率特征自提取方法。提取单信道中重叠信号分量任意时刻瞬时频率与幅度,重构各信号分量,实现重叠信号分离。在分离得到的信号基础上,输入采样数据并开始进行循环频率检测,分别计算电子通信中的BPSK信号特征量、QPSK信号特征量、MSK信号特征量、OQPSK信号特征量,并判断计算结果是否为1,假设为1,则在循环频率集合中将已经提取过的此类信号循环频率去除,同时提取出相应数量的BPSK信号、QPSK信号、MSK信号和OQPSK信号,完成单信道电子通信信号自提取。实验结果表明,所提方法准确率和完整性较高,与当前方法相比,该方法可靠性更强。

两步单通道语音分离算法

针对单通道语音分离算法未充分利用语音的相位信息,导致分离的性能不佳,提出了两步单通道语音分离算法。利用特征提取网络作为编码器,波形重构网络作为解码器进行预训练;加入分离模块,利用该模块对提取的声学特征进行操作,估计独立语音信号的掩模。此外,基于TIMIT语音数据集进行仿真实验,与排列不变训练(Permutation invariant training,PIT)算法及其改进的算法进行对比。实验结果表明,提出的方法在信噪失真比(Signal to noise distortion ratio,SDR),信噪伪影比(Signal to noise artifact ratio,SAR),信噪干扰比(Signal to noise interference ratio,SIR)的结果更高,分离性能更优。

前额单通道脑电信号的疲劳特征提取及分类算法

针对前额单通道脑电信号特征提取能力不足,导致疲劳检测精度降低的问题,本文提出一种基于有监督对比学习的疲劳特征提取及分类算法。首先,通过经典模态分解对原始信号进行滤波,提高信噪比;其次,考虑到一维信号在信息表达上的局限性,利用有重叠采样将信号转换为二维结构,同时表达信号短期内和长期间变化;由深度可分离卷积构建特征提取网络,加速模型运算;最后,通过联合有监督对比损失与均方误差损失对模型进行全局优化。实验表明,该算法对三种疲劳状态分类的平均准确度可达75.80%,相较于其它先进算法均有较大幅度提高,显著提高了单通道脑电信号进行疲劳检测的准确性与可行性。本文研究为单通道脑电信号应用提供了有力支持,也为疲劳检测研究提供了新思路。

基于改进EMD-BSS算法的地铁齿轮箱单通道轴承微弱故障特征提取

地铁齿轮箱振动情况复杂,微弱故障特征常被噪声湮没而难以提取。本文提出一种改进的EMDBSS算法,通过计算IMF分量的相关系数矩阵,优化单通道EMD-BSS方法中的IMF信号重组过程,并对重组后的信号进行微弱故障特征提取。将该算法应用于仿真信号及实测地铁齿轮箱轴承故障振动信号中,成功提取出微弱故障特征,验证了算法的有效性。该算法的提出对于单通道微弱故障特征提取具有积极意义。

基于脑电信号的身份特征提取方法研究综述

生物识别技术在当今信息社会中发挥着重要作用。脑电信号(EEG)作为一种新型的生物特征,在通用性、持久性和安全性等方面具有独特优势,基于脑电信号个体差异性的身份识别研究目前开始受到广泛的关注。身份特征提取是实现良好识别性能的重要步骤,如何结合脑电数据的特点,更好地提取脑电信号中的差异性信息,是近年来基于脑电信号的身份识别领域的研究热点。本文综述了基于脑电信号常用的身份特征提取方法,包括单导联特征、导联间特征、深度学习方法以及基于空间滤波的特征提取方法等,并阐述各种特征提取方法的基本原理、应用方式及相关成果。最后归纳目前存在的问题并对发展趋势进行展望。