一种奇异值分解与子空间加权联合的改进MUSIC算法

在低信噪比、小快拍数等非理想条件下,经典DOA估计算法对邻近目标的分辨率严重下降,甚至失去分辨能力。针对这一问题,提出了一种将重构的接收信号协方差矩阵进行奇异值分解并与改进的加权子空间方法相结合的改进算法。该算法充分利用互相关信息构建新的接收信号协方差矩阵,并对噪声子空间信息采用新的校正方法,对噪声特征值进行改造,之后对噪声子空间进行加权,最后与信号子空间加权技术相联合。仿真实验证明,改进算法在低信噪比和小快拍数条件下可以分辨间隔4°的相邻目标,统计分析表明该算法的分辨率明显优于经典MUSIC算法。

基于滑动窗奇异值分解的局部放电信号检测方法

在局部放电信号检测过程中,局部放电信号幅值小,易受到噪声干扰,导致低信噪比下局部放电信号检测与波形恢复难度大。本文提出了基于滑动窗奇异值分解的局部放电信号检测方法。该方法利用噪声干扰信号与局部放电信号奇异值的差异性,通过滑动窗分段处理,建立奇异值差值序列,达到降噪与还原局部放电信号的目的。仿真与实测结果表明,本文方法在抑制噪声干扰和还原局部放电信号方面相比传统方法更具优势,且稳定性更好,适合在混合噪声干扰下实现对实测局部放电信号的检测和波形恢复。

基于奇异值分解消噪原理的多通道卷积神经网络算法在石油勘探数据质量控制上的研究与实践检验

在石油勘探中,数据常常受噪声干扰影响,精度和准确性变差,数据的可信度降低,进而影响油气勘探的成效,因此数据处理是油气勘探中的重要环节。奇异值分解(SVD)是一种常用的信号处理方法,能有效降低数据噪声。本文提出的基于SVD的多通道卷积神经网络算法,有针对性地解决石油勘探数据中的噪声问题,为石油勘探数据的消噪和质量的提升提供了新的思路和方法,具有良好的推广应用前景。

基于奇异值分解及波数滤波的三维地质雷达噪声抑制技术研究

针对城市地下管线探测中三维地质雷达数据出现强噪声干扰问题,提出基于奇异值分解(SVD)和波数滤波(Wavenumber filtering)相结合的处理方法,并给出了选取奇异值数目阈值的定量判据。研究表明:通过选择合适的奇异值,SVD方法能准确划分地质雷达数据中的目标信号和噪声信号;基于高斯低通的波数域滤波可有效压制杂波及噪声;将上述SVD方法与波数滤波方法结合应用,发现可有效提高三维雷达深度切片信号的信噪比,使有效反射信号更加清晰并保证地下目标信息完整性。该方法可提升三维地质雷达对目标反射信号识别的效率与精度,使其更适用于城市地下管线探测。

噪声背景下检测突变信息的奇异值分解技术

研究了利用信号时间序列重构的吸引子轨迹矩阵奇异值分布特征与信号自身特征的关系,提出了基于选择轨迹矩阵中主要反映突变信息明显的奇异值进行信号重构的方法来检测信号中的突变信息,并对重构奇异值的选择进行了研究,给出了简便的方法。该方法旨在同时降低光滑信号和噪声的影响,从而更加清晰地表征突变信息。利用该方法对仿真信号的处理结果,并将检测结果与未改进之前的检测结果进行了比较,结果表明,改进后的奇异值分解技术比改进前有更大的信噪比,能够更有效地应用于信号的奇异性检测。并成功地将该方法用于旋转机械静动件较轻碰摩和较重碰摩故障实验信号的检测,获得了满意的结果。

一种基于短时奇异值分解的局部放电白噪声抑制方法

白噪声是电缆局部放电(partial discharge,PD)检测时最为常见的噪声之一。针对局部放电白噪声的抑制问题,提出一种基于短时奇异值分解的局部放电去噪方法。该方法通过短时数据窗截取含噪局放信号片段,利用奇异值分解实现局放信号白噪声抑制。通过典型局放脉冲模型模拟实际局放信号,考虑不同信噪比、窗口长度对去噪结果的影响,验证了该方法的可行性。在振荡电压和工频电压下对实验室模拟的两种不同典型电缆缺陷进行了局部放电测试试验,并利用不同去噪方法对测试得到的局放信号进行去噪,验证了该方法的有效性和准确性。结果表明,该方法相比于传统小波去噪识别灵敏度更高,且去噪后波形相比于传统小波和奇异值分解去噪后波形相似度更高、误差更小。

短时奇异值分解用于局放信号混合噪声抑制

电缆终端局部放电检测是诊断电缆终端绝缘状态的有效手段。为了有效抑制局放信号中的多种噪声源并保留局放信号的细节,提出了一种基于短时奇异值分解的局放信号混合噪声抑制方法。该方法首先利用短时滑动数据窗截取含噪局放信号片段进行奇异值分解,然后利用最优奇异值阈值对周期性窄带干扰进行甄别重构,并进行混合噪声的抑制。对含有混合噪声的局放仿真信号和实验室及现场实测局放信号进行去噪,并将去噪结果与自适应奇异值分解、形态学小波综合滤波器去噪结果进行对比。结果表明:所提去噪方法相比于自适应奇异值分解、形态学小波综合滤波器去噪能取得更好的去噪效果,去噪后波形相似度更高,误差更小,且当数据量较大时,该方法相比于自适应奇异值去噪能显著提高执行效率,具有较好的应用价值。

混合色噪声下:可消除谱估计伪峰的多正弦信号频率估计互谱奇异值分解方法

本文依据对正弦谐波信号的扩阶互相关函数矩阵的特征分析 ,提出消除扩阶方程产生的谱估计伪峰的理论及方法。仿真结果表明本文所提出的互谱奇异值 -整体最小二乘法 (SVD LS)可完全消除谱估计伪峰 。

一种基于奇异值分解的舰船辐射噪声目标识别算法

本文针对舰船辐射噪声目标识别问题,提出了一种基于奇异值分解(SVD)的辐射噪声爿标识 别算法。该算法充分利用了不等权值SVD的空间滤波作用,来消除辐射噪声中复杂的干扰成分;结 合二阶累积量谱进行特征分析及提取;然后根据所要解决的实际问题,设计了合适的概率密度函数, 并对其进行训练,作为识别模板;进而根据距离分类准则设计了分类函数,以完成识别分类。运用实 际的舰船辐射噪声数据,进行了仿真实验,结果表明了本文算法的可行性和有效性。

基于奇异值分解的带乘性噪声广义系统最优滤波算法

针对带乘性噪声广义系统,基于已有最优滤波理论,利用矩阵的奇异值分解,在线性最小方差准则下,给出了一种具有数值稳定性的状态最优滤波算法。该算法在计算过程中可以始终保持误差协方差阵的对称性,在一定程度上解决了由于计算机舍入误差导致滤波算法失效的问题,具有较好的稳定性和鲁棒性。最后仿真例子表明了该算法的有效性。

基于奇异值分解的多通道带乘性噪声系统的最优滤波算法

提出 1种基于奇异值分解 (SVD)的多通道带乘性噪声系统的最优滤波方法。该方法基于多通道带乘性噪声系统的最优滤波理论[1] ,利用奇异值分解作为工具 ,将原算法中的协方差矩阵P进行奇异值分解 ,可以在一定程度上避免在递推过程中 ,由于计算误差和舍入误差的积累而引起的协方差矩阵P失去对称性 ,因而导致算法失效的问题。在保证算法在线性最小方差意义下为最优的同时 ,具有很好的数值稳定性和鲁棒性。仿真中对改进后算法和原算法估计效果做了对比 ,仿真结果证明了本文方法的有效性。

基于奇异值分解的Speckle噪声滤波算法研究

Speckle噪声的复杂性和真值图像的不可知性增加了消噪算法设计的难度,传统算法在设计时借助污染像素估计灰度真值,同时忽略了位置信息对灰度估计的影响。借助奇异值分解和曲面拟合进行了消噪算法的研究与设计,首先在局部窗口进行奇异值分解,并对酉矩阵采用中值滤波进行消噪,其次引入参数修正奇异值以替代传统的阈值处理方法,最后在局部区域利用灰度曲面拟合技术重构消噪图像。实验表明,与传统的均值滤波、中值滤波相比,该算法能获得较为满意的消噪结果,具有较高的峰值信噪比和边缘保留指数。

基于高阶奇异值分解和Rician噪声校正模型的扩散加权图像去噪算法

目的研究一种新颖的基于高阶奇异值分解(HOSVD)的扩散加权图像去噪算法,用以提高扩散加权(DW)图像的信噪比以及后续量化参数的准确性。方法我们提出一种基于HOSVD稀疏约束和Rician噪声校正模型的去噪方法,将Rician噪声信号期望融合到传统的HOSVD去噪框架中,从而能够直接对带有Rician噪声的DW图像进行去噪。此外,考虑到对相似块组成的高维数组进行HOSVD去噪处理,容易引入条形伪影,因此本文直接对每个局部DW图像块进行HOSVD去噪,从而解决了条形伪影问题。为了验证所提方法的有效性,我们将本方法与低秩+边缘约束(LR+Edge)、基于全局指导下的局部高阶奇异值分解(GL-HOSVD)、基于块匹配的三维滤波(BM3D)和非局部均值(NLM)4种去噪算法进行了实验对比。结果实验结果表明,所提方法能够有效降低DW图像噪声,同时较好的保留图像细节以及边缘结构信息。无论是从DW图像的峰值信噪比(PSNR)和结构相似性(SSIM)以及各向异性分数均方根误差定量指标,还是从去噪图像和各向异性分数图的视觉效果来看,本算法都要明显优于LR+Edge,BM3D和NLM。此外,GL-HOSVD虽然可以得到较好的去噪结果,但是在高噪声水平下,会引入条形伪影,而本文方法不但可以得到较好的去噪结果,并且不存在伪影问题。结论本文提出了一种新颖的HOSVD去噪方法,可以直接处理带有Rician噪声的DW图像,并且解决了同类算法中伪影问题,去噪效果明显,能够为临床提供更准确的量化参数结果,更好服务于临床影像诊断。

确定盲分离中未知信号源个数的奇异值分解法

在信号源少于传感器观测到的混合信号时 ,未知信号源数目的估计一直是已有盲分离算法中一个未解决的问题 .通过理论分析 ,提出并证明了在信号源盲分离问题中 ,可以通过计算混合信号数据矩阵的秩数来确定信号源的个数 .存在观测噪声时 ,可以通过计算混合信号数据矩阵的奇异值分解进行估计未知信号源数目 .给出了实际的计算方法 ,并通过计算实例证明了该方法的正确性和有效性 .从而解决了盲分离中信号源个数的估计问题 。

基于奇异值分解的时移地震互均衡方法

针对时移地震互均衡处理中的传统匹配滤波算法抗噪能力弱的特点,重新推导匹配滤波方程,引入奇异值分解方法求解,克服系数矩阵的奇异性,同时减少噪声的影响.模拟数据和实际数据都验证了基于奇异值分解匹配滤波较传统匹配滤波算法有更好的抗噪能力.

非均匀噪声分布心电信号的奇异值小波消噪法

针对一般消噪法对噪声非均匀分布心电信号消噪存在的不足,提出基于奇异值分解和小波阈值消噪相结合的消噪方法。该方法利用矩阵的奇异值分解将噪声非均匀分布的心电信号正交分解为噪声分布相对均匀的分量,在正交子空间中对每个分量进行小波阈值消噪,重构消噪后分量,得到消噪后的心电信号。研究结果表明:本方法有效地克服了因噪声分布不均匀而造成的小波阈值选择矛盾的缺点,有效地消除了大噪声区域的噪声,又完好保存小噪声区域的心电特征信息,且消噪后的信号与无噪信号之间的欧氏距离最小。

一种基于奇异值分解的带噪语音识别方法

提出了一种抗噪声的语音识别方法 .用于训练和用于测试的语音信号在提取特征之前 ,均需经过相同的奇异值分解滤波 .本文还提出了一种滤波参数的选取方法 .实验证明 ,采用这种方法可以大幅度提高传统隐马尔可夫模型语音识别系统的抗噪声性能 .

基于信噪比经验值的奇异值分解滤波门限确定

针对奇异值分解滤波器(SVDF)现有的奇异值截断准则之不足,提出了一种基于信噪比经验值的SVDF滤波门限确定新方法。推导了门限值与信噪比之间的数学关系。实验结果证实了该滤波消噪算法的有效性和合理性。与现有方法相比,消噪效果得以明显改进;而且原理清晰,实现简单。

基于小波和奇异值分解的图像边缘检测

针对传统图像边缘检测抑制噪声能力弱的问题,给出了一种小波变换和局部梯度场内奇异值分解相结合的边缘检测方法。首先在图像预处理阶段,为了提取准确的边缘特征,文中利用小波变换的时频局部化特性,对图像进行小波变换。该文对用小波求取的梯度场使用局部梯度奇异值分解的方法;利用奇异值的特性和良好的稳定性,使提取的边缘特征更加突出并且能够达到抑制噪声的目的。实验证明该文方法既能在无噪声影响的图像中提取出清晰完整的单边缘,又能在有噪声干扰的情况下提取出理想的边缘。

基于广义奇异值分解的通用旁瓣消除算法

提出一种新的通用旁瓣消除器结构,它利用广义奇异值分解(Generalized singular value decomposition,GSVD)技术,通过广义奇异向量的变换间接估计声源到麦克风之间的传递函数。不同噪声环境下的实验结果表明,与现有的各种GSC算法相比,该算法能够更有效地抑制混响和噪声,并且增强后的语音失真最小。