基于随机共振理论的双基ISAR弱信号提取及成像分析

在双基地逆合成孔径雷达成像系统中,针对强背景噪声中的目标弱散射点探测和识别问题,基于能捕获目标强散射点的假设前提,提出了应用随机共振理论的弱散射点检测方法.首先对作解线调后的回波信号进行快时间轴变换处理,并对处理后的信号进行二次采样使其满足绝热近似条件;然后应用随机共振技术检测出代表瞬时距离差的弱周期信号频率,并通过循环检测和正负频率判断等后续处理提高系统的检测信噪比以及确定弱散射点的正确位置.最后对随机共振性能和双基ISAR成像进行了仿真.结果表明:随机共振能大幅提高弱周期信号的输出信噪比,应用在双基ISAR系统中能有效提高系统的信噪比增益和扩大雷达接收机的动态范围.

级联双稳随机共振降噪下的经验模式分解

针对强噪声背景下混合信号的经验模式分解(EMD)问题,提出了一种基于级联双稳随机共振系统(CBSRS)降噪的EMD方法.该方法利用CBSRS对时域波形降噪的优良特性,首先对有噪信号进行随机共振输出,信号得到降噪后,再进行EMD.在仿真实验中,分别对原始信号以及各级级联随机共振输出后的信号进行EMD,对比结果表明,级联双稳系统能有效去除高频噪声,减少EMD的层数,使EMD具有更明确的物理意义.最后通过一个轴承外圈故障的诊断实例表明,该方法在逐步滤除高频干扰的同时,不断加强低频特征能量,可以有效检测出故障的特征频率.

基于随机共振的航空发动机转子多域融合神经网络故障诊断

航空发动机转子早期故障征兆具有强噪声、时变、非线性、多混叠的特点,传统的特征提取方法只针对时域、频域或时频域等单一域的特征,难以全面、准确的代表故障特征;为了提高故障诊断效果,提出基于随机共振的航空发动机转子多域融合神经网络故障诊断方法;采用随机共振(SR)理论,提高原始振动信号的信噪比,应用主成分分析法(PCA)构造多征兆域融合特征,并与神经网络相结合,诊断结果与单纯EMD、不加随机共振的融合方法相比,训练时间明显缩短,诊断精确度显著提高,表明该方法能提高故障诊断的准确性、有效性和可靠性。

分段非对称随机共振系统微弱信号检测

作为一种重要的信号处理方法,随机共振(SR)能够利用噪声能量增强微弱信号,有效降低噪声信号对特征提取的影响。针对分段对称系统模型随机共振幅值增益不够明显及噪声利用率较低等不足,提出一种分段非线性系统模型。该系统参数独立,易于调节,可通过调节参数诱导最佳随机共振。在双稳态模型下,推导了克莱默斯(Kramers)逃逸率和输出信噪比,同时在模型公式仿真和数值仿真两方面与分段对称系统进行对比分析,用于说明该方法的有效性。结果表明该方法能够有效地提取特征频率,具有良好的放大性能和抗噪声能力。最后将系统应用于不同型号的轴承故障检测,并用自适应智能算法最优化系统参数。结果显示,非对称系统的输出幅值分别为对称系统的8倍,3倍和6倍。数据表明,非对称系统能更有效地实现微弱特征检测与早期故障诊断。该研究进一步对系统在实际工程应用提供了理论指导与依据。

基于Duffing振子的随机共振研究

随机共振是非线性系统中的一种动力学现象.本文对基于Duffing振子的随机共振现象进行研究,研究了Duffing系统噪声强度与信噪比的关系,不同频率正弦信号与信噪比的关系,以及阻尼比参数对随机共振的影响.研究结果表明,Duffing系统的阻尼比参数对随机共振的影响非常重要,阻尼比参数与输出信号信噪比之间存在着一种复杂的非线性关系,并且会随着Duffing系统参数的改变而变化.

具有随机特征频率和延迟核函数的分数阶线性振荡器中的随机共振

研究了具有延迟核函数和随机特征频率的分数阶线性振荡器中的随机共振(stochastic resonance,SR)现象。基于线性系统理论,利用拉普拉斯变换,推导出了分数维振荡器系统输出幅度(system output amplitude,SOA)的解析表达式。分析表明,SOA是核函数延迟时间的周期函数。在SOA与噪声相关率、噪声幅值、分数维数的关系曲线上都发现了随机共振现象。分析了SOA与系统参数及噪声稳态概率间的非单调依赖行为。