基于周期平稳信号特性的神经网络波束形成技术

绝大多数通信信号都具有周期平稳信号特性，ＳＣＯＲＥ算法就是一种利用周期平稳信号特性的优良的波束形成算法．然而，对于矩阵运算和矩阵求逆的巨大运算量的要求限制了它的应用．文中根据神经网络理论提出了一种神经网络波束形成技术（ＮＮＢＦＴ），较好地解决了这一问题．仿真结果表明其性能优良。

齿轮磨损状态的周期平稳信号分析

对齿轮常见的失效形式——磨损进行分析,并根据实际信号,将时域分析、FFT与周期平稳信号分析相比较.仿真结果表明,周期循环平稳分析方法在提取故障特征方面具有更大的优势.

周期平稳信号特性在盲波束形成中的应用

本文综述周期平稳信号的基本理论及其在盲波束形成领域中的应用。在此基础上，并结合我们的工作，对基于信号周期平稳特性的盲波束形成的发展作一展望。

高阶周期平稳连续随机信号离散化问题的研究

本文给出了高阶周期平稳随机过程连续时间信号与离散时间信号循环统计量之间的关系，该关系式较之文献［２］中的表达式更为简单明确；在讨论了连续信号循环频率的支撑区及循环矩支撑区的基础之上，给出了连续信号在时间离散化时不发生混迭的条件；从而由离散信号的循环统计量可以得到连续信号的循环统计量。

一种稳健的周期平稳信号的盲波束形成算法

因为不需信号个数和导向向量等任何参考信息,基于周期平稳信号的盲波束形成算法在信号处理领域得到非常广泛的应用,然而这类方法是建立在循环频率准确已知基础上的,在实际应用中往往不是如此,循环频率的估计误差将导致算法性能变差,为了改进这点不足,在传统的循环自适应波束形成(CAB)算法的基础上,提出了一种改进的CAB盲波束形成算法,经理论分析和计算机仿真,证明了该算法是有效的。

周期平稳通信信号时差估计

研究了一种利用信号谱相关特性对周期平稳通信信号进行时差估计的方法。研究表明,谱相关时差估计方法较之经典的广义互相关(GCC)法具有更强的抗干扰能力,在多辐射源环境下,该方法可以无模糊地估计各个辐射源的时差。

周期谱相关在连续波信号时差提取中的应用

以周期谱相关理论为基础,分析了信号的二阶周期平稳特性及其在连续波信号时差提取中的应用,介绍了四种时差提取的算法模型,这些算法比传统的互相关方法具有更强的抑制噪声和干扰的能力,适用于低信噪比的情况。为了验证这些模型所具有的强噪声抑制能力,同时为工程实现选择最佳的算法模型,在MATLAB中对所给的几种模型进行了计算机仿真实验,并且作了定性和定量的分析比较,结果显示周期谱相关时差提取算法具有极强的抑制噪声的能力,为工程实现探索了可行的途径。

基于二阶循环统计量的MPSK信号频偏估计算法

本文利用接收信号(为二阶周期平稳信号)的二阶循环平稳特性推导了一种开环频偏估计算法,此算法的特点为:(1)接收信号为MPSK调制信号;(2)频偏估计过程不需要训练序列;(3)适用于任何分布的加性平稳噪声(白噪声及有色噪声)。文章对提出算法的性能进行了分析,并运用蒙特卡洛(MonteCarlo)方法对算法的性能进行仿真。

一种易于电路实现的鲁棒盲神经网络波束形成器

绝大多数通讯信号都具有周期平稳信号特性。利用信号的周期平稳特性可以进行真正的盲自适应波束形成，因而受到了广泛关注。鲁棒ＣＡＢ（Ｒ－ＣＡＢ）算法就是其中的一种，但其中涉及矩阵求逆，运算量很大。波束形成属于多维信号处理问题，阵列中阵元数的增加导致运算量成几何级数增加。文中提出了一种盲神经网络波束形成算法。由于神经网络具有网状计算结构的特点，故该方法不仅避免了矩阵求逆运算，同时更便于实时实现。该方法还利用对角加载技术，从而加快了收敛速度，保证了算法的鲁棒性。仿真实验表明其性能优越。

一种新的谱分析方法——转谱分析

由于转速的随机波动,旋转机械振动信号是一类非平稳的信号,所以以平稳信号为分析对象的传统的谱分析技术在此类信号面前显得无能为力.在分析国内外有关阶比分析的文献资料的基础上,简单总结了阶比分析方法的基本理论,列举了常见的阶比采样方法,并指出了阶比分析方法的不足之处,提出了一种新的针对旋转机械转速波动下的周期平稳角域信号的分析方法——转谱分析.

基于二阶循环统计量的LMS算法

证明了二阶周期平稳随机信号通过线性时不变系统后 ,仍是二阶周期平稳随机信号 ,且循环频率不变 .定义了基于二阶周期自相关函数的误差准则 ,给出了新的 LMS算法 ,并讨论了新算法的性能 .仿真结果表明 ,在收敛速度和抗噪声方面 。

柴油机故障的振动特征提取及故障识别

针对柴油机等周期性循环工作方式的机械,研究和分析了其工作过程、受力及振动的周期性循环非平稳性的特点.在分析的基础上本文给出了一种适合于周期性循环非平稳振动信号的特征提取和识别方法.实验数据分析结果表明该方法能有效地识别汽缸部分的故障.