孤子分子/类噪声脉冲可切换的混合锁模光纤激光器

不同类型脉冲之间的演化是被动锁模光纤激光器丰富动力学的体现。报道了一种可实现多种脉冲切换的混合锁模光纤激光器,当泵浦功率为400 mW时实现了孤子分子、谐波锁模、孤子簇之间的相互切换。增加泵浦功率至600 mW时获得了类噪声脉冲输出,对应的输出功率和单脉冲能量分别为15.2 mW和0.86 nJ。通过调节偏振控制器实现了类噪声脉冲中心波长从1 895 nm到1 930 nm可调谐。所搭建的激光器具有锁模脉冲可切换,波长可调谐,能自启动等优点。

用于激光电离质谱的低噪声脉冲放大器

本文简要介绍了用于激光共振电离质谱实验的低噪声脉冲放大器的设计思路、实现的要点及其测试结果。

OFDM与SC-FDE抗噪声脉冲干扰的性能比较

对宽带无线通信的两种解决方案:多载波正交频分复用(OFDM)和单载波频域均衡(SC-FDE)的抗噪声脉冲干扰性能进行理论分析,给出了理想情况下的误码率公式,仿真证实了推导的正确性。并得出以下结论:人为噪声脉冲干扰可使SC-FDE系统的误码率与信干比的指数关系恶化到反线性关系,OFDM系统因为在频域判决,反而具有一定的内在抗噪声脉冲干扰能力;人为噪声脉冲干扰对OFDM系统的影响却比SC-FDE系统大;纠错编码对两类系统的性能都有显著的改善。

多孤子和类噪声脉冲共存的锁模光纤激光器

研究了非线性放大环形镜锁模掺铒光纤激光器中多孤子和类噪声脉冲同时产生的演化特性.当激光器运行在类噪声脉冲状态时,单个孤子簇里包含着多个不同间距的脉冲,同时相邻脉冲之间的脉冲间距均保持在数百皮秒的范围内,说明多孤子脉冲之间存在较弱的相互作用力.并且,单个孤子簇中的总脉冲数随着抽运功率的增大而增加.在最大的抽运功率时,单个孤子簇包络内部有8个脉冲.此外,利用时间拉伸色散傅里叶变换技术研究了这种类噪声多孤子脉冲的实时动力学演化特性,研究表明类噪声脉冲状态下的多孤子脉冲中每个脉冲实际上都是由随机强度的噪声混沌波组成的.这些研究结果将有助于深入理解类噪声脉冲的物理机制,也将为探索其他复杂孤子动力学过程奠定基础.

超宽光谱类噪声脉冲光纤激光器

报道了一种全光纤超宽带光谱的类噪声脉冲锁模光纤激光器。为了加宽锁模光谱,利用腔内色散管理和非线性技术使光脉冲在58 m腔内具有小的反常色散,平均色散系数为0.12 ps/nm/km。实验获得了1300~1750 nm超宽带光谱锁模类噪声脉冲,光谱20 dB带宽达到362 nm,3 dB带宽达到102 nm,类噪声脉冲光谱宽度远超过掺铒光纤的增益带宽。

基于类噪声脉冲抽运的平坦超连续谱光源

设计了一种由类噪声脉冲抽运的全光纤结构平坦超连续谱光源。在色散管理掺铒光纤激光器中通过调节腔内偏振态,在泵浦功率为450 mW时,实现了稳定的类噪声脉冲锁模,锁模脉冲的中心波长为1600 nm,脉冲宽度为303 fs。在最大泵浦功率为1 W时,谐振腔直接输出功率为8.6 mW。较低的功率无法有效拓展超连续谱宽度,为此设计一种掺铒光纤放大器进行功率放大,放大器最大输出功率为338 mW,将功率放大后的类噪声脉冲耦合进高非线性光纤以产生超连续谱,超连续谱的20 dB光谱范围为1530 nm~2300 nm,在1736 nm~2134 nm范围内,光谱的平坦度优于0.5 dB。

基于近似消息传递的NOMA系统信道和脉冲噪声联合估计方法

针对非高斯脉冲噪声背景下的非正交多址接入(non-orthogonal multiple access,NOMA)系统的信道估计问题,利用信道和脉冲噪声的稀疏特性,提出一种基于近似消息传递的信道和脉冲噪声联合估计方法。首先构建全子载波的压缩感知方程,然后基于稀疏贝叶斯学习理论提出一种信道、脉冲噪声和数据符号的联合估计优化问题。为解决这一超参量非线性非凸问题,设计了一种基于高斯广义近似消息传递和稀疏贝叶斯学习理论的期望最大化实现算法。仿真结果表明,与基于期望最大化的稀疏贝叶斯学习方法相比,所提算法在信道和脉冲噪声估计的均方误差、误码率等方面性能虽略有下降,但算法复杂度降低了1个数量级。

脉冲噪声下AUV水声通信盲均衡算法模拟仿真

针对存在琢稳定分布噪声的水声信道中传统常数模盲均衡算法(constant modulus algorithm,CMA)无法稳定收敛的问题,提出一种基于模拟退火粒子群算法优化的变步长分数低阶盲均衡算法(SAPSO-VSS-FLOSCMA),该算法将FLOSCMA的代价函数作为SAPSO算法的适应度函数,利用SAPSO算法搜索全局最优解代替盲均衡器的初始权向量,降低了FLOSCMA算法的稳态误差,并采用双曲正切函数调节FLOSCMA算法的步长因子加快算法的收敛速度。水声信道仿真结果表明,与CMA和FLOSCMA算法相比,SAPSO-VSS-FLOSCMA算法在收敛速度和稳态误差方面均得到提高,且误码率更低。

基于双向循环插补的大地电磁脉冲类噪声处理

【目的】大地电磁测深是一种通过观测天然电磁场获取地下电性结构的勘探方法,较易受到噪声干扰。脉冲类噪声是大地电磁工作中的常见噪声,其幅值高、频带宽,会对数据质量产生较大影响。【方法】为了压制脉冲类噪声,以插补思想为基础,提出了基于时间序列双向循环插补模型(Bidirectional recurrent imputation for time series,BRITS)的大地电磁脉冲类噪声处理方法。首先,将噪声干扰段删除,此时大地电磁时间序列可视为待插补的缺失序列,而后利用该缺失序列构建训练集,对BRITS模型进行插补训练,训练完成后对缺失序列进行插补,即可得到去噪结果。通过仿真及实测含噪声数据处理,并与经验模态分解(Empirical mode decomposition,EMD)阈值方法进行了对比。【结果和结论】结果表明:BRITS方法对仿真噪声数据处理后与原始数据的归一化互相关系数可达0.999以上,信噪比可达29 dB以上,EMD阈值方法处理前后相关系数为0.778,信噪比为3.09 dB;在实测数据处理中,BRITS方法有效恢复了噪声干扰数据,相比EMD阈值方法,其阻抗奈奎斯特图更接近天然大地电磁信号特征。通过不同训练样本试验得出:对4分量大地电磁数据而言,数据中至少需包含两道正常分量,单个含噪分量中噪声占比不大于20%,且噪声连续干扰长度不超过10个采样点,此时,BRITS方法去噪后数据的相关系数在0.96以上,可以保证一定的去噪精度。

针对电力线通信信道下脉冲噪声的鲁棒混沌传输系统优化设计综述

随着用户的剧增,现有的无线资源已经难以为继。因此,电力线通信(PLC)的重新启用引起了各大研究单位及工业界的关注。PLC由于信道环境复杂,现有处理方案复杂度及成本较高,因而导致其发展缓慢。其中针对脉冲噪声的研究工作最为广泛,如何在低成本情况下针对脉冲噪声实现数据传输的鲁棒性尤为重要。该文首先介绍PLC环境中几种主流噪声以及分类,而后描述具有低成本低复杂度的差分混沌键控(DCSK)及多元DCSK(MDCSK)调制技术。分别介绍与分析该系统在PLC中的特性,以及针对各种脉冲噪声种类存在的优势以及改进方式。其次该文将介绍一些相关编码调制新方案以便于提高带限环境下的传输质量。结果表明这些优化工作显著地改善了系统性能,针对PLC整体信道特性系统参数的调制及编码调制传输优化方案将成为未来工作的研究热点。

基于广义幂变换的脉冲噪声抑制方法

为有效抑制电力线通信(power line communication,PLC)系统中的脉冲噪声,从信号被脉冲噪声影响后正态性被破坏的角度出发,文章提出一种基于广义幂变换的脉冲噪声抑制方法。该方法首先引入Box-Cox变换,通过对接收信号进行幂变换处理,使其分布更接近正态分布,又通过推导引入新的零记忆非线性(zero memory non-linearity,ZMNL)函数,以便进一步优化处理效果。此种结合ZMNL函数的Box-Cox变换可改善接收信号的正态性,实现对脉冲噪声的抑制。仿真结果验证所提广义幂变换方法对接收信号的正态性改善效果明显,对脉冲噪声有良好的抑制效果,并且与传统消隐法相比效果更好。

OFDM系统迭代脉冲噪声抑制与信道估计方法

针对脉冲噪声导致正交频分复用(orthogonal frequency division multiplexing,OFDM)水声通信系统误码率性能降低的问题,提出一种迭代脉冲噪声抑制与信道估计方法。首先,利用对称α稳定(symmetricαstable,SαS)分布对水下噪声进行建模,并通过实测噪声数据进行拟合验证。其次,基于脉冲噪声幅值较大的特性,利用切比雪夫不等式对基带接收信号实部和虚部分别进行脉冲噪声检测和抑制。同时,通过分析最小二乘(least squares,LS)信道估计算法估计误差的统计特性,提出自适应门限LS信道估计算法,减轻残余噪声对信道估计的影响。最后,结合估计的信道和译码结果重构噪声并进行脉冲噪声估计,实现迭代脉冲噪声抑制与信道估计。仿真结果表明,在不同程度脉冲噪声和实测噪声场景下,所提方法能够有效抑制脉冲噪声,显著降低OFDM系统误码率。

基于L1-TV模型参数自适应的脉冲噪声去除

在医学影像、军事目标识别、网络安全、图像处理等多个领域,由于其严重的噪声干扰和大幅度信号突变,脉冲噪声问题广泛存在。针对受脉冲噪声影响的图像去噪问题,研究基于L1-TV模型去除脉冲噪声方法中的自动选取正则化参数问题。对于约束模型的求解问题,采用原对偶方法进行求解。鉴于模型中正则化参数难确定的问题,提出了一种自动求解正则化参数项的方法,减少了反复实验的次数。实验结果表明,提出的自适应选取模型中正则化参数方法具有鲁棒性,不仅能够去除图像中的脉冲噪声,而且较好地保留图像的边缘及细节信息。

脉冲噪声下基于域自适应的调制识别

针对基于深度神经网络进行调制识别会存在模型失配导致识别率显著下降的问题,本文提出了一种基于域自适应的调制识别算法,在测试样本与训练样本存在较大分布差异时,仍具有很高的识别率。该算法对脉冲噪声下的调制信号的星座图进行处理,恢复出几何特征,强化特征并生成图片,将生成的图片输入到深度域自适应网络中完成调制识别。该算法实现了兼具大动态范围的广义信噪比和大动态范围的脉冲强度条件下的调制识别。仿真实验表明:该算法可以有效解决模型失配问题,具有良好的识别性能。

基于像素梯度自适应迭代中值滤波器的图像脉冲噪声抑制算法

图像脉冲噪声移除是获得高质量图像的关键。本文通过热红外相机成像原理研究,提出了一种基于像素梯度自适应迭代中值滤波器的图像脉冲噪声抑制算法。首先,根据相机的调制传递函数计算获取原始图像的最大像素梯度,继而建立相应的像素梯度集合。然后,计算原始图像与对应像素梯度滤波图像的梯度权重均方根误差集合,并将该集合高斯分布的最大值对应的像素梯度确定为最佳像素梯度。最后,根据图像中脉冲噪声的密度和复杂度,确定所提滤波器的自适应窗口大小和迭代次数。大量实验结果表明,所提滤波器对移除8位、16位的单通道脉冲噪声图像展现出良好的鲁棒性。与其他先进方法相比,该方法可以实时移除真实热红外相机采集图像中低密度的随机值脉冲噪声和SAPN,并实现噪声抑制过程中99.5%以上的原始像素不会遭受破坏。除此之外,针对高密度SAPN抑制,该方法获得了具有竞争力的结果,与运行时间较快的滤 波方法相比表现出较好的 PSNR和 SSIM,与 PSNR和 SSIM较优秀的去噪方法相比表现出较快的运行时间。对于极限 SAPN(99%)破坏的图像,也能够恢复有意义的图像细节。

脉冲噪声环境下的调制识别算法

自适应调制可以根据信道的变化动态地调整调制方式,从而最大化利用信道传输能力。调制识别是在自适应调制后在接收端判别出调制方式,并且为解调器正确选择解调算法的关键步骤。传统调制识别算法大多适用于加性高斯白噪声信道场景,然而在很多通信场景中除了高斯噪声外,还存在具备脉冲特性的非高斯噪声,目前最常用的噪声模型包括米德尔顿A类(Middleton Class A)噪声模型,对称α稳定分布(symmetricαstable,SαS)噪声模型,高斯混合模型,其中最典型的米德尔顿A类噪声模型。过往研究成果在遇到脉冲噪声条件下,通常较难实现有效调制识别,因此本文将米德尔顿A类噪声系统中的调制识别方案作为主要研究方向。考虑到这些脉冲噪声的概率密度函数较为复杂,本文提出了一种依靠卷积神经网络实现调制识别的算法。为了充分提取信号的调制特征,本文采用双层卷积块结构,每个卷积块内部包含卷积层、归一化层、激励层和池化层四部分,经过两次卷积的结果送入全连接层和Softmax层,最终得到调制模式的概率值,进而有效地识别出发送端的调制方式。在实际仿真过程中,随着训练的进行,接收端准确率逐步提升。通过观察BPSK、QPSK、8PSK、16QAM这四种调制方案在不同信噪比下的识别准确率,发现所提出的方案的调制识别准确性始终优于单个卷积块网络,在1 dB左右的SNR的条件下便可以达到接近100%的训练准确率。实验结果表明,此方案的识别准确率优于其他识别方案,且在另外两种典型噪声模型条件下仍具有较高识别准确,充分验证了算法的有效性和实用价值。

飞机救生爆炸切割脉冲噪声检测实验仿真设计

目的为科学精准防护飞机救生爆炸切割脉冲噪声造成的听觉损伤,进行飞机救生爆炸切割脉冲噪声检测实验仿真设计。方法按照脉冲噪声听觉损伤安全限值规定的超压评价标准,根据爆炸冲击波超压计算经验公式,分析飞机救生爆炸切割脉冲噪声超压估算的比例距离与飞机座舱内炸测点的关系。其次根据飞行员弹射操作瞬间时空特征,以及飞机座舱和座椅弹射设计,分析并仿真飞机救生爆炸切割瞬间场景,搭建炸测点位置可调整的实验平台,精准仿真座椅各位置姿态的炸点、测点位置。最后进行地面爆炸切割检测实验,收集分析实验数据。结果基于飞机救生爆炸切割的座舱场景完成仿真设计。2次实验计算得到脉冲噪声超压值分别为165.9、165.2 dB,与实验测量曲线的脉冲噪声峰值接近;实验测得头盔隔声值为21.8 dB,与头盔实际隔声值(22 dB)接近,表明仿真实验检测数据与理论计算数据具有较好的一致性。结论飞机救生爆炸切割脉冲噪声检测实验仿真设计可为飞行员听觉损伤防护等研究提供数据支撑。

脉冲噪声下基于CNN-FRFT的线性调频信号参数估计方法

由于脉冲噪声破坏了线性调频(LFM)信号的分数谱特征,使得基于分数谱特征的参数估计方法无法有效估计参数。针对这个问题,提出一种脉冲噪声环境下基于CNN-FRFT的LFM信号参数估计方法。首先,利用α稳定分布拟合随机脉冲噪声,构建加性含噪信号,输入卷积神经网络(CNN)进行训练和测试;其次,利用训练好的CNN模型对信号进行去噪,并验证模型的去噪能力和泛化能力;最后,利用分数阶傅里叶变换(FRFT)建立去噪信号的分数谱,通过峰值点位置来估计LFM信号的参数。实验结果表明,相比于传统的基于非线性函数的方法,该方法在强脉冲噪声环境下具有更好的精度和噪声鲁棒性,CNN的应用使其具有更强的泛化能力,在实测脉冲噪声下仍可以准确估计参数。

脉冲噪声下基于Sigmoid的LFM信号参数估计

由于脉冲噪声具有的短时大幅值特性,使得基于高斯假设的信号参数估计方法无法在脉冲噪声环境下有效估计参数。针对此问题,利用α稳定分布模拟随机脉冲噪声,提出了一种基于Sigmoid-CFRFT的LFM信号参数估计方法。首先,建立了一种自适应Sigmoid函数,证明了信号经过此非线性变换后,信号的2阶矩由无界变为有界,且信号的相位信息保持不变。其次,将变换后的信号进行离散时间CFRFT,建立了数学优化模型,并使用水循环算法搜索最优值点。最后,利用了非标准SαS分布噪声的修正方法,分析了标准和非标准分布下参数估计的性能。仿真结果说明,所提方法不仅可以有效抑制脉冲噪声对LFM信号分数谱特征的影响,而且能够实现低信噪比信号参数的高精度估计。相比于现有的基于非线性变换的参数估计方法,本文方法具有更好的精度,稳定性和噪声鲁棒性。

脉冲噪声下基于DCNN的LFM信号去噪方法

由于脉冲噪声具有明显的尖峰脉冲特性,使得基于高斯假设的传统去噪方法无法有效滤除脉冲噪声。针对这个问题,文中提出了一种脉冲噪声下基于深度卷积神经网络(DCNN)的线性调频(LFM)信号去噪方法。首先,生成LFM信号和随机脉冲噪声,构建不同广义信噪比下的数据集,输入DCNN进行训练和测试。进而,从时域波形图、分数谱、时频分布三个方面验证模型的去噪能力。最后,对去噪LFM信号进行分数阶傅里叶变换,通过搜寻分数谱中的峰值点来估计LFM信号的参数。仿真实验结果表明,文中方法不仅能够有效去除含噪信号中的随机脉冲噪声,而且还可以保持LFM信号的时域特征、分数谱特征和时频特征基本不变,进而提高了参数估计的噪声鲁棒性。与传统的基于非线性变换的方法相比,本文方法在低信噪比下仍能有效保持信号的分数谱特征和时频特征,具有更好的去噪性能和泛化能力。