相干测风激光雷达功率谱估计硬件系统综述

相干测风激光雷达探测回来的回波信号需要使用FFT(Fast Fourier Transform,快速傅里叶变换)进行功率谱估计,在这个过程中离不开硬件系统的参与。在介绍了FFT算法对硬件需求的基础上,对应用于FFT算法的计算机和硬件电路板的研究进展和优缺点进行了分析。结果表明,随着对数据处理的精度以及软件复杂度的提高,计算机存在着无法改变的缺点;随着芯片技术的发展,以Zynq为核心的硬件电路板是最有发展前途的。最后对相干测风激光雷达FFT功率谱估计硬件系统进行了总结与展望。

基于机器学习的随机信号缺失数据功率谱估计

为了解决随机信号在传递接收过程中可能出现的数据不规则、不完整的问题,提出了一种极值梯度提升树-支持向量回归(XGBoost-SVR)与门控循环单元神经网络结合的预测方法,用于稀疏随机信号的缺失数据填补。先使用极值梯度提升树和支持向量回归结合对原始数据集填补,再使用门控循环单元模型进行训练并预测出缺失的数据,最后通过傅里叶变换和小波变换,实现功率谱估计。数值分析结果表明:在含有噪声干扰的情况下,即使数据缺失高达70%,该预测方法仍然可以很好地还原目标功率谱。该方法处理的缺失数据可以更好地还原随机信号的特征,为信号预测和灾害预防提供有力支持。

基于FPGA的测风激光雷达功率谱估计系统设计

为了从测风激光雷达回波信号中获il取i大气径i向风速信息,本文设计了一套基于FPGA的测风激光雷达功率谱估计系统。系统采用14位250MSPS的AD芯片进行高速采样,以X部触发、数据存储、功率谱估计以及数据通信等系列功能。通过对系统进行功能仿真和实验验证,对比分析出其功率谱估计与MATLAB计算结果最大相对误差在10-4量级,验证了本系统设计的正确性和可靠性。

台基噪声功率谱估计中的Welch参数选择

Welch参数的选择对台基噪声功率谱估计结果影响较大,目前尚无统一选取标准。通过比较不同Welch参数组合下功率谱密度曲线平滑度的变化规律,研究窗口长度和重叠率对功率谱估计的影响,并提出最低重叠率和匹配重叠率的概念。研究表明,当窗口长度大于50%、重叠率取值小于最低重叠率时,功率谱估计偏差较大;特定窗口长度对应一系列匹配重叠率,在匹配重叠率下的功率谱估计更准确。

随机信号的功率谱估计及Matlab的实现

从介绍功率谱的估计原理入手 ,分析了经典谱估计和现代谱估计两类估计方法的原理、各自特点及在Matlab中的实现方法 。

现代功率谱估计在绝缘子污秽诊断中的应用

针对现有绝缘子在线监测系统基于泄漏电流时域特征分析的诊断和预警很难分析其表面的污秽放电状况的问题。提出了绝缘子泄漏电流信号的功率谱分析法。它采用现代功率谱估计中的AR参数模型在MATLAB中运用Burg算法估计不同污秽状况下的绝缘子泄漏电流数据,并结合泄漏电流时域特征进行了联合分析。结果表明,不同污秽状况下绝缘子泄漏电流的功率谱特性有显著区别,将现代功率谱估计与时域特征分析相结合综合分析可以更好地掌握绝缘子表面污秽放电状况并做出较准确的预警。

面向语音增强的约束序贯高斯混合模型噪声功率谱估计

提出了一种基于极大似然的噪声对数功率谱估计方法,采用高斯混合模型对每一个频带上的功率谱包络构建统计模型,将时序包络划分为语音和非语音类,它们分别对应于高斯混合模型的两个高斯分量,描述语音和非语音的统计分布,其中非语音高斯分量的均值即为噪声功率谱的最优估计.采用序贯学习的方法,在极大似然准则下逐帧更新模型参数,并逐帧给出噪声功率谱的最优估计值。此外,由于序贯更新过程中语音信号长时缺失,容易导致模型失稳,提出了一种在线的最小描述长度准则(MDL)来判断语音信号是否长时缺失,从而保证了模型的稳定性.实验表明,算法性能整体优于经典的MS和IMCRA算法。

一种基于功率谱估计的盲载频估计新算法

信号载波频率估计是通信、雷达、声纳以及电子对抗等领域信号处理中的一个重要问题,将经典的载频估计算法——频率居中法与Welch功率谱估计算法相结合,提出一种改进的盲载频估计新算法。该算法无须信号的调制类别和定时信息即可实现信号的盲载频估计,在短波信道的仿真环境下,其低信噪比下的估计性能要优于频率居中法。即使在恶劣的短波信道环境下,该算法仍可实现对载频较为精确的估计,在短波通信中有着良好的应用前景。

基于Welch算法的经典功率谱估计的Matlab分析

从经典功率谱估计周期图法原理入手,从理论上分析了其存在的局限性,借助Welch算法对其进行修正。依靠Matlab强大的数值分析和信号处理能力,进行实验仿真,比较不同的窗函数,不同的数据长度对Welch法谱估计质量的影响,并分析了造成这些影响的原因。

基于隐马尔可夫模型的非监督噪声功率谱估计

噪声功率谱估计是语音增强算法的基本组成部分,传统算法大多采用启发式的估计方法,因而不能保证噪声估计值的统计最优。提出了一种基于极大似然的非监督噪声功率谱估计方法,采用隐马尔可夫模型(Hidden Markov model,HMM)在每个子带建立语音和非语音对数功率谱的统计模型,模型包含语音和非语音两个高斯分量,其中非语音高斯分量的均值表示噪声功率谱估计值,根据最大期望(Expectation maximization,EM)算法得到包括噪声均值在内的HMM参数集。针对语音信号可能出现的长时缺失,对HMM引入了一些约束条件,保证了模型的稳定性。实验表明,该方法获得的极大似然噪声估计优于基于启发式的经典方法获得的噪声估计。

基于连续小波变换的功率谱估计方法

利用连续小波变换的带通特性,参照功率谱模拟估计方法的思路,对信号进行功率谱估计。介绍了基于连续小波变换的功率谱估计的基本原理,给出程序流程和仿真结果,讨论其特点,并与基于FFT的谱估计方法进行了比较。

AR模型的功率谱估计方法及在故障检测中的应用

针对旋转机械故障特征提取的问题,以干式真空泵为研究对象,将自回归(AR)模型应用于其滚动轴承故障检测,针对其时域信号建立自回归模型,确定出模型最佳阶次,并计算出其AR功率谱,进而判断轴承的工作状态。实验结果表明:采用该方法能有效地提取轴承故障的特征频率,对于干式真空泵的故障检测是一种有效的方法。

利用Welch功率谱估计方法求埋深的参数选择

研究了采用Welch谱估计方法求异常体埋深时,窗函数类型、窗口长度、FFT点数、重叠采样点数对结果的影响;应用Matlab中的PSD函数,以无限长水平圆柱体为例作了分析。根据分析结果,提出了采用Welch谱估计方法计算异常体埋深时,关于窗函数、窗长度、FFT点数和重叠采样点数选择的建议。

功率谱估计及其MATLAB仿真

从介绍功率谱的估计原理入手分析了经典谱估计和现代谱估计两类估计方法的原理、各自特点及在Matlab中的实现方法。

AR模型功率谱估计及Matlab实现

功率谱估计是分析随机信号的一种重要方法,是信息学科的研究热点。文章介绍了现代功率谱估计中AR模型参数的几种典型求解算法,并借助MATLAB平台对各种算法的功率谱进行仿真。

基于语音存在概率的噪声功率谱估计

在幅度平方谱模型下,利用语音和噪声信号的幅度平方谱服从指数分布,结合由后验信噪比不确定性决定的后验语音存在概率来更新噪声功率谱估计,很好地抑制了噪声且避免了语音信号失真。仿真实验结果表明:本文方法能够准确跟踪噪声功率谱、快速跟踪噪声功率谱变化,可以在一定程度上提高增强后语音信号的质量。

基于希尔伯特变换和功率谱估计的薄缺陷厚度太赫兹检测

提出将希尔伯特变换和功率谱估计相结合的光谱分析算法,对太赫兹反射时域波形进行处理,并将该算法应用于太赫兹时域光谱成像,将缺陷厚度和图像灰度关联,实现同时对玻璃纤维层压板内部缺陷厚度、位置和形状的成像检测。实验结果表明:将多重信号分类谱估计、自回归谱估计和希尔伯特变换结合时,能成功区分厚度为0.08mm缺陷上下表面反射脉冲,反射脉冲的时间分辨率小于0.5 ps,缺陷厚度的检测误差不高于0.03 mm。

用于自动语音识别系统的切换语音功率谱估计算法

针对语音识别系统在噪声环境下不能保持很好鲁棒性的问题,提出了一种切换语音功率谱估计算法。该算法假设语音的幅度谱服从Chi分布,提出了一种改进的基于最小均方误差(MMSE)的语音功率谱估计算法。然后,结合语音存在的概率(SPP),推导出改进的基于语音存在概率的MMSE估计器。接下来,将改进的MSME估计器与传统的维纳滤波器结合。在噪声干扰比较大时,使用改进的MMSE估计器来估计纯净语音的功率谱,当噪声干扰较小时,改用传统的维纳滤波器以减少计算量,最终得到用于识别系统的切换语音功率谱估计算法。实验结果表明,所提算法相比传统的瑞利分布下的MMSE估计器在各种噪声的情况下识别率平均提高在8个百分点左右,在去除噪声干扰、提高识别系统鲁棒性的同时,减小了语音识别系统的功耗。

基于Welch算法的功率谱估计的实现

在经典谱估计领域,由Welch提出的修正周期图法由于其简单,易于理解,便于计算等优点,获得了有效的应用,在多数情况下,其频率分辨率、估计方差能满足实际应用.运用MATLAB软件进行Welch算法仿真,并重点分析了窗函数对谱估计的影响.

基于运动想象的脑电信号功率谱估计

介绍了运动想象下产生的脑电信号的事件相关同步与去同步,功率谱估计下经典功率谱和现代功率谱的基本方法,重点分析了周期图法、平滑平均周期图法、AR模型Yule-Walker法3种功率谱估计的原理和特点,并在MATLAB中分别对运动想象产生的脑电信号进行处理,通过比较C3、C4通道在8～13Hz处的事件相关同步/去同步现象,总结各自优缺点,为脑机接口实际应用中的合理选择提供了理论依据。