PSO算法下GP-周期随机共振的微弱OFDM信号检测

为了解决传统随机共振系统在微弱正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)信号解调应用中存在的人工选择参数困难、解调效果差的问题,提出一种基于粒子群优化(Particle Swarm Optimization,PWO)算法的GP(Gaussian Potential)-周期随机共振系统的微弱OFDM信号检测方法。该方法利用GP-周期随机系统对OFDM信号经正交变换后的两路高频信号分别进行随机共振,同时运用阻尼参数与信号频率之间的关系对两路信号进行降频处理,使得上下两路信号都能够发生随机共振;然后使用PWO算法对随机共振的系统参数进行优化处理,以使得上下两路信号达到最优的共振效果;最后,将上下两路共振之后的信号合成完成OFDM信号解调,得到最终的数字序列。本文探讨了优化前后GP-周期随机共振系统的共振效果,研究了优化前后GP-周期随机共振诱导下的OFDM系统星座图的聚集程度以及误码率情况,对比分析了经典双稳随机共振、经典三稳随机共振和所提模型对OFDM信号检测的影响。仿真结果表明:相比常用的传统随机共振模型,该方法用于OFDM信号检测的星座图中信号点的聚集程度更高,同时OFDM系统误码率在同样的信噪比下降低50%左右。

基于GA-SVM算法的无线局域网络入侵信号检测方法

常规的无线局域网络入侵信号检测节点多为独立式设定,检测效率较低,导致入侵信号检测误检率较高,为此提出对基于GA-SVM算法的无线局域网络入侵信号检测方法。该方法首先采用关联的方式进行入侵信号特征提取,提升检测效率,设置关联性检测节点,构建GA-SVM测算入侵信号检测模型,采用定位分离方法来实现信号检测处理。测试结果表明:针对选定的300个采样点进行信号入侵检测,对比于传统分布式光纤网络入侵信号检测组、传统FastICA测算网络入侵信号检测组,此次所设计的GA-SVM测算网络入侵信号检测组最终得出的入侵信号检测误检率被较好地控制在20%以下,说明基于GA-SVM算法的检测效果更佳,针对性更强,具有实际的应用价值。

5G系统中一种大规模MIMO信号检测加速算法

在多输入多输出(Multiple Input Multiple Output,MIMO)系统中,由于MIMO系统配置的大量天线,传统检测算法难以平衡由于算法复杂度高造成的系统性能损失。在保证达到较好性能的前提下,尽可能降低复杂度,提出一种基于分块矩阵和修正因子的MBSOR(Block-Modification Successive Over-Relaxation)检测算法,该算法对滤波矩阵进行分块使对角矩阵获得更多的信道信息,并针对迭代矩阵引入修正因子,以进一步加快收敛速度。通过该算法与传统逐次超松弛(Successive Over-Relaxation,SOR)算法模拟仿真,表明MBSOR算法在减少重复次数的同时,比SOR算法的误码率更逼近最优解。

基于声信号的轴承故障检测算法研究与实现

滚动轴承是机械设备中重要的零部件,与其他机械零部件相比,滚动轴承的一大特点是其寿命离散性很大。通过研究轴承的故障检测和诊断方法,设计了基于声信号的轴承故障检测算法。首先提出了故障检测系统的流程,包括特征提取、特征处理与选择、模型训练算法和优化方法。之后使用处理后的特征,采用神经网络训练出一个可以区分内圈轴承故障和正常轴承且兼容附带油脂声音的二分类模型。该模型测试集准确率达到了97.8%。使用模型对剩余数据进行测试,内圈故障轴承的准确率为97.5%,正常轴承的准确率为97.3%,附带油脂的正常轴承准确率为98%。表明该算法在对轴承故障的检测上有着优良的性能。

基于信号检测论的认知诊断评估:构建与应用

作答选择题可被看作从噪音中提取信号的过程,研究提出了一种基于信号检测论的认知诊断模型(SDT-CDM)。新模型的优势在于:(1)无需对选项进行属性层面的编码。(2)能获得传统诊断模型无法提供的题目区分度和难度参数。(3)可以直接表达每个选项之间的合理性差异,对题目性能刻画更加细微全面。两个模拟研究结果表明:(1)EM算法可以实现对新模型的参数估计过程,便捷有效。(2)SDT-CDM具备良好性能,分类准确性和参数估计精度较高以外,还能提供选项层面的估计信息,用于题目质量诊断与修订。(3)属性数量、题目质量与样本量等因素会影响SDT-CDM的表现。(4)与称名诊断模型NRDM相比,SDT-CDM在所有实验条件下对被试的分类准确性更高。实证研究表明:SDT-CDM比NRDM具有更好的模型数据拟合结果,其分类准确性和一致性更高,尤其当属性考察次数较少时具有很强的稳定性,难度和区分度参数与IRT模型估计结果的相关性也更高,值得推广。

用于大规模MIMO系统的改进自适应SOR检测算法

大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统由于具备较多的天线数,会导致传统线性信号检测算法如最小均方误差(Minimum Mean Square Error,MMSE)的复杂度过高。针对以上问题,提出了F修正的自适应超松弛迭代(F-corrected Adaptive Successive over Relaxation,FA-SOR)检测算法。该算法首先利用超松弛迭代(Successive over Relaxation,SOR)算法避免高阶矩阵求逆运算,降低复杂度;其次使用F修正的公式自动更新SOR算法迭代使用的松弛参数,同时优化迭代的公式与初始解来加快收敛速度。仿真结果表明,不论在理想独立信道还是相关信道下,相比于现有的自适应SOR算法,FA-SOR都能以更低的复杂度达到更低的误码率,同时逼近MMSE算法的性能。

多参数水质检测智能传感器信号处理及建模

针对多参数水质检测中智能传感器易受到环境、噪声、光源等干扰因素的影响,提出一种结合递推平均滤波算法和小波变换算法的传感器信号处理方法.该方法利用递推平均滤波算法对传感器输入信号的周期性干扰因素进行预处理,并利用小波变换算法进一步减少传感器信号的噪声.小波变换算法能够通过伸缩和平移来细化采集信号,以此实现对时频的局部化处理,最终达到对高频部分进行时间细化、对低频部分进行频率细化的目的.实验结果显示,在同样的阈值条件下,降低噪声的数量越多,对噪声的抑制作用越显著.由此验证了所提方法的有效性.

基于DBSCAN聚类算法的心电图R峰检测研究

本研究致力于提高包含运动噪声、肌电噪声和基线漂移等干扰的心电信号中R峰的检测准确性,为准确估计心率和心率变异性等重要生理参数提供依据。研究通过整合4种不同的R峰检测算法Pan_Tompkins、Hamilton、Engzee和GQRS的结果,并应用DBSCAN聚类算法,用于提升R峰的检测性能。实验选用布尔诺理工大学心电图质量数据库作为数据源,从中提取了1000 s的第二类信号质量样本,这些样本含有运动伪迹和噪音干扰,但R峰依旧可识别,R峰定位的误差容忍度设为100 ms以内。实验结果表明,DBSCAN算法显著提高了R峰检测的准确率至87.6%,灵敏度至93.1%,阳性预测值至93.8%,以及F分数至0.934,说明DBSCAN算法能有效提升在复杂噪音环境下的R峰检测性能,满足临床及研究需求。

基于归一化模板匹配算法的动作电位检测IC

针对多通道神经元动作电位(AP)信号采集硬件系统中,前端采集IC因电极阻抗、应用环境、系统功耗以及系统面积等因素而导致原始信号信噪比较低的问题,设计一种基于归一化模板匹配算法的AP信号检测IC。该检测IC基于模板匹配算法,并引入信号归一化以去除冗余信息。为确保芯片的实时性并降低功耗,芯片整体采用三级流水线结构,各个模块间插入门控时钟,同时可通过SPI总线配置更新其工作状态。在SMIC 180 nm数字工艺下,裸片面积为0.98 mm^(2),配置模板信息时功耗为701μW,完全工作时功耗为8.07 mW,且采用QFN48封装形式。测试结果表明,所设计的AP信号检测IC具有较好的抗噪性能,可用于信噪比较低的环境来降低信号传输带宽,即使在-10 dB信噪比环境下,评价模型综合性能的F1-Score仍可达到94.65%。

基于改进的AdaBoost无线光通信信号检测算法

为了提升无线光通信系统接收灵敏度,采用一种基于改进基分类器系数的AdaBoost弱光信号检测算法,解决多像素光子计数器(MPPC)在弱光条件下的信号检测问题。该算法采用k最近邻(KNN)为基分类器组建强分类器,针对传统AdaBoost算法基分类器系数仅与错误率有关而产生冗余的基分类器消耗系统资源的问题,提出一种基于错误和正确分类样本权重的基分类器系数优化AdaBoost算法(W-AdaBoost),将信号解调问题转换为分类问题;并采用波长450 nm半导体激光器、MPPC光电转换器件搭建了无线光通信系统。结果表明,系统在通信速率为2 Mbit/s、误比特率为3.8×10-3时,改进的W-AdaBoost-KNN算法较传统AdaBoost-KNN和单一KNN算法,灵敏度分别提升了1.6 dB和4.8 dB左右。此研究结果说明W-AdaBoost-KNN算法可提高弱光条件下的信号检测效率,提升无线光通信系统接收灵敏度。

大规模MIMO信号检测IPIC算法的深度学习网络

针对在大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统中,信道硬化现象减弱时最小均方误差(Minimum Mean Square Error, MMSE)检测算法及Richardson、Jacobi等迭代检测算法检测性能退化严重的问题,提出了一种深度检测网络,称为IPICNet,将深度学习技术和迭代并行干扰消除(Iterative Parallel Interference Cancellation, IPIC)检测算法结合。在IPICNet中,将IPIC检测算法的迭代过程展开为深度网络,并在此基础修改网络架构和添加可训练参数,同时对网络中需要使用的投影函数和损失函数进行了讨论和设计。实验结果表明,训练完成的IPICNet能有效提升IPIC检测算法的检测性能并在信道硬化现象不明显的MIMO系统中稳定工作。

基于遗传算法的桥梁竖向共振信号检测仿真

仅通过光纤传感器检测桥梁共振信号时,会受到大量检测信号差异性的影响,导致无法输出最佳检测信号,因此引入遗传算法,提出一种新的桥梁竖向共振信号检测方法。构建共振信号采集系统,采用干涉型光纤传感器采集桥梁竖向共振信号,并通过合理设置光纤传感器的传感距离与空间分辨率来提高信号采集效果;以优化信噪比与误比特率作为目标函数,建立遗传算法模型,将目标函数作为遗传算法的适应度函数,经过编码、初始化处理、解码等过程获取最佳适应度值,输出最优检测信号,实现桥梁竖向共振信号检测。实验结果表明,所提方法可有效抵抗噪声干扰,降低误比特率值,提高竖向共振信号的检测精度。

基于改进遗传算法的高压电气设备故障信号低复杂度快速提取模型

提取速度过慢,提取位置不准确会直接影响电气设备的正常运行,为了解决这个问题,基于改进遗传算法提出高压电气设备故障信号低复杂度快速提取模型。建立了目标函数,构建了适用于高压电气生产设备故障信号提取的信息网络模型,对高压电气生产设备运行中的数据信息进行采集整理,根据数据类型和关键特征进行分类提取,代入运算程序进行故障检测运算模型,代入电气设备运行数据;引入改进后的遗传算法,选择适当的改进过程,实现对高压电器生产设备故障信号的低复杂度、准确、快速的提取。实验结果表明,该模型能够精准地判断故障类型,提取速度提高了20%~30%,复杂度较低,工作效果更好,应用性能更强。

心率变异性信号的检测与仿真分析

心率变异性信号易受干扰而导致严重失真,为了提升心率变异性信号检测系统的抗干扰性能和检测效率,更有效地“复原”失真的数据点,设计了基于奇异函数法和马尔可夫链预测法的心率变异性信号联合检测算法,利用样本序列进行了仿真实验,并从样本序列截取数据长度(m)和分类数目(k)两个维度进行分析,仿真结果表明m和k对算法的时间复杂度(O)以及预测准确度(q)有极为重要的影响。在实际工程应用中,可参考仿真结果对系统的参数进行设定,从而实现检测速度和准确率的兼顾与平衡。

基于小波变换的心电信号检测与算法分析

心电信号作为心脏活动的重要表征,在医疗诊断中具有关键作用。本论文旨在探讨基于小波变换的心电信号检测与分析算法,以实现对心脏异常情况的有效检测与分析。我们首先介绍了心电信号的特点和心电异常的分类,然后详细解释了小波变换的原理以及在信号处理中的应用。基于这些理论基础,我们提出了一种基于小波变换的心电信号检测与分析算法,该算法能够准确地检测和分类心脏异常,为临床诊断提供有力支持。

基于信号处理技术的边缘检测算法研究

文章从优化机器人的表现、科学有效地滤除噪声、对图像信号和信息进行提取三个方面,对信号处理技术的应用领域进行了详细的介绍。通过边缘检测算法的评价指标、经典的边缘检测算法、深度学习下的边缘检测算法三个方面,对边缘检测算法进行了详细的分析。根据改善图示信息对图像数据进行处理以便于机器自动理解、数字图像处理基础知识和算法、通过滤波来提取图像特征三个方面,对边缘检测算法在信号处理技术中的应用进行了相应阐述。

采用遗传算法的自适应随机共振系统弱信号检测方法研究

针对传统自适应随机共振系统只能实现单参数优化的缺点,提出了一种基于遗传算法的多参数同步优化自适应随机共振算法.该算法选用由双稳系统输出的信噪比作为遗传算法的适应度函数,能够实现随机共振系统中多个参数的自适应选取,从而最优地检测出原始信号中的微弱周期成分.同时,将该优化算法和移频变尺度随机共振相结合,可以实现大参数条件下的随机共振.仿真数据和滚动轴承外环故障数据的分析表明,该算法收敛速度快,简单易行,在采样点数较少的条件下能从强噪声背景中检测出微弱的高频周期成分,因此具有良好的工程应用前景.

一种适合突发通信的信号检测改进算法

突发信号检测是突发通信接收时所需完成的第1个同步算法.在双滑动窗口算法实现突发通信信号检测的基础上,利用前导码的特征对该算法进行改进.并针对几种典型的无线信道条件,对改进算法进行了理论分析、计算机仿真及FPGA实现.结果表明,改进后的算法开销小,只需6个符号左右就可以检测到突发信号,明显提高了检测算法的性能.

基于声振信号融合的IRCMMDE离心泵损伤检测方法

离心泵早期的损伤特征比较微弱,难以有效提取其故障特征。针对这一问题,提出了一种基于声振信号融合的改进精细复合多元多尺度散布熵(IRCMMDE)和GWO-SVM的离心泵损伤检测方法。首先,利用多个传感器收集了离心泵在不同损伤状态下的声音和振动信号,并将声音和振动信号进行了融合,以充分利用不同类型信号中所蕴含的损伤特征信息;随后,针对多元多尺度散布熵(MMDE)不稳定的缺陷,对MMDE的粗粒化处理进行了优化,提出了改进精细复合多元多尺度散布熵(IRCMMDE)的复杂性测量指标;接着,利用IRCMMDE对声振融合信号进行了损伤特征提取,构建了各个损伤状态下的特征矩阵;最后,利用灰狼算法优化的支持向量机分类器,对各个损伤状态下的特征矩阵进行了识别,得到了最终的离心泵损伤检测结论。研究结果表明:采用基于声振信号融合的离心泵损伤检测方法,其最高可达到99.2%的故障识别准确率,相比于基于MMDE和RCMMDE的损伤检测方法,其能够更准确地识别出离心泵的损伤;该方法还能有效缓解单一信号检测时的不确定性,并且在多次实验验证下,其仍具有很高的检测精度。

基于小波迹和匹配追踪算法的超声波检测信号消噪

针对某大型国有企业的零件在线无损检测工程实际需求,为了提高超声波检测的准确度和精度,引入小波迹理论和匹配追踪算法对超声波检测信号进行消噪处理.首先,在信号的小波变换基础上构建一个小波迹字典;然后,在小波迹域内进行阈值消噪去除信号中的噪声;最后,利用匹配追踪算法通过有限步骤的迭代后,在小波迹字典上用一定数量的小波迹的组合来实现原信号的稀疏描述.小波迹字典内的小波迹具有对信号结构特征无损的描述能力,在小波迹域内消噪克服了传统小波消噪不考虑各尺度之间小波系数的相关性而只进行简单的系数收缩的缺陷.通过仿真试验将本文采用的方法与传统的小波硬阈值和软阈值消噪技术进行了对比,结果表明该方法的消噪效果要优于传统的小波消噪方法.实际超声波检测信号的处理结果也论证了本文所采用消噪技术的优越性.