基于高阶统计量的心音信号分析

对高阶统计量方法应用于心音信号分析进行了研究。建立了心音信号的AR双谱模型,获得了心音的双谱幅度图,并采用模型参数作为特征参量对心音信号进行了二类模式识别。实验结果表明,高阶统计量在心音信号分析和处理中具有较大的应用潜力。     

驾驶疲劳脑电信号的双谱特性分析

基于脑电信号的非高斯、非线性特性,采用非常有效的双谱分析方法来分析驾驶过程中的脑电信号。首先将驾驶2小时的脑电数据按一定的时间间隔分为6段,然后利用自回归（AR）模型双谱分析方法分析这些信号,研究不同时刻这些信号双谱结构的变化。分析结果显示,驾驶不同时刻的脑电双谱结构有很大差异,表明双谱分析方法有望成为驾驶疲劳检测的一个指标。     

基于AR模型的特殊路面的路面谱测量及分析

提出了一种特殊路面的路面谱的测量方法,在运输车辆车桥上安装加速度传感器,通过测量该处的时域加速度信号来间接计算路面功率谱;运用DASP和MATLAB等软件对测试数据进行处理,并对特殊路面不平度建立AR模型和进行谱估计,得到了多种特殊路面的位移功率谱密度曲线图;结果表明,该实验方法是可行的,同时提出了一种基于AR模型的特殊路面的路面谱测量手段,并验证了用AR模型法对特殊路面进行功率谱分析的可靠性和可行性。     

往复式压缩机曲轴箱在线监测与故障诊断系统设计

采用图形化编程工具LabVIEW和CompactRIQ嵌入式平台,设计了往复式压缩机曲轴箱在线监测与故障诊断系统。实现了四通道振动信号的同步采集;通过在线监测以及运用小波变换结合AR谱对振动信号进行分析,判断故障原因,有效避免恶性事故的发生。     

基于AR模型的多普勒散射计回波功率谱估计

当采样点数少或流速较小时,采用周期图法估计的多普勒散射计(Doppler scatterometer, DopSCAT)回波功率谱分辨率低,多普勒频移提取精度低。对此,提出了一种基于自回归(autoregressive, AR)模型的DopSCAT回波功率谱估计方法。该方法为DopSCAT回波信号建立含有未知参数的AR模型,采用赤池信息量准则自适应确定模型的最优阶数;对定阶后的AR模型采用Burg算法计算模型参数,利用得到的AR模型估计回波功率谱;对功率谱进行峰值检测提取多普勒频移计算径向流,采用两个观测方位向的径向流合成得到海面流场。利用OSCAR海流数据进行了回波功率谱估计与海流反演实验。分析结果表明,与周期图法相比,该方法能够显著提高回波功率谱分辨率和多普勒频移的提取精度,进而提高了海流的反演精度。     

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。     

光电编码器在齿轮传动误差中的应用

提出了降低传动系统转速,用光电编码器代替圆光栅测量齿轮传动误差信号的思想,对于采集的行星轮系传动误差实验数据进行了有效性的判定,用Burg算法对传动误差信号进行了功率谱密度的AR模型的参数估计,绘制出实验测得的传动误差功率谱密度曲线,对光电编码器测量传动误差结果进行了分析,证明了在低转速情况下,用光电编码器代替圆光栅测量传动误差是行之有效的。     

基于能量特征的脑电信号特征提取与分类

为了快速、有效地提取脑电特征,提高分类正确率,采用带通滤波和小波包分析的方法提取Mu、Beta节律对应的脑电信号,在时域范围内,将信号幅度的平方作为能量特征值;在频域范围内,采用AR模型功率谱估计法所得的功率谱密度作为能量特征值.根据运动想象脑电信号特点,构造左右通道信号能量差值的符号特性作为分类判别依据,进行分类测试,方法简单.初步实验结果表明,所利用的两种方法的分类正确率达87.857%.     

基于DSP的炭阳极气泡振动信号采集与处理系统的设计

针对新的阳极效应预报方法和工业现场实时监测的要求,设计了以DSP芯片为核心的炭阳极气泡振动采集与处理系统.振动传感器检测铝电解槽阳极导杆上的阳极振动信号后,由DSP芯片实现自适应AR谱估计算法,对振动信号进行时频分析,并且通过USB接口芯片与主机进行通信,组成高速、实时的采集与处理系统,根据分析结果可预报阳极效应.     

基于BLPN算法的AR SαS过程共变谱估计方法

研究了一种新的AR SaS过程的谱估计算法.该算法将整个数据作为一个整体,利用分数低阶P阶矩从前向、后向两个方向对数据进行处理,获得了一种高分辨率的参数估计算法--双向最小P范数法(Bidirectional Least p Norm,BLPN).利用得到的参数,结合共变谱的定义,构建了AR SaS过程下的共变谱估计表达式,并分别对AR SaS过程参数估计,α稳定分布噪声中的正弦信号的谱估计进行仿真.仿真结果表明,基BLPN的ARSαS模型的共变谱估计方法对于不同的口值均具有良好的韧性,特别是在α值较小或者短时数据时,本文方法的性能明显优于基于FLOM的AR SαS模型共变谱估计方法.     

直接序列扩频信号(DS-SS)的检测与参数估计

为了解决在低信噪比的情况下,直接序列扩频信号（DS-SS）的检测与参数估计问题,本文讨论了基于高阶统计理论的DS-SS的检测方法以及对DS-SS扩频码码型的估计.在仿真实验中,提出了一种将接收信号分段,利用数据累积窗技术来提高接收信号信噪比的方法.理论分析和计算机仿真结果表明本文的方法鲁棒性强,即使在信噪比很低的情况下,仍然能够检测出DS-SS,并能够对其参数进行准确有效地估计.     

语音清浊音分类及浊音谐波提取算法——三阶累积量基于正弦语音模型的应用

在低信噪比和非平稳噪声干扰下,语音信号的清浊音检测是语音信号处理中的一个重要研究问题。论文基于语音正弦模型,提出了一种清浊音分类和浊音谐波提取算法。该方法在分析了语音的三阶累积量谱后,用子谐波-谐波方法取得基音,并计算出谐波参数和高低频能量比值。它利用谱包络估计器得到谱包络及尖峰信号,结合最小均方估计准则下的迭代算法计算语音谐波的信噪比;通过对上面各计算结果的综合评价得出语音帧的浊音度,从而得到语音清浊音的分类和浊音谐波数。仿真结果表明,该算法在复杂噪声背景下,能有效进行语音分类,准确得到浊音度。同时该算法还具有实时性好、语音参数分析精度高的特点。     

基于信号子空间和信息复杂度的语音端点检测

针对染有加性噪声的语音信号,提出了一种基于信号子空间和信息复杂度相结合的语音端点检测方法。该方法先利用信号子空间法去除加性噪声,再对增强后的语音利用信息复杂度进行端点检测。实验仿真表明,该方法相对传统的语音端点检测方法,能提高语音端点检测准确率,特别在低信噪比条件下具有较高的端点检测准确率。     

Mean frequency derived via Hilbert-Huang transform with application to fatigue EMG signal analysis

The mean frequency (MNF) of surface electromyography (EMG) signal is an important index of local muscle fatigue. The purpose of this study is to improve the mean frequency (MNF) estimation. Three methods to estimate the MNF of non-stationary EMG are compared. A novel approach based on Hilbert-Huang transform (HHT), which comprises the empirical mode decomposition (EMD) and Hilbert transform, is proposed to estimate the mean frequency of non-stationary signal. The performance of this method is compared with the two existing methods, i.e. autoregressive (AR) spectrum estimation and wavelet transform method. It is observed that our method shows low variability in terms of robustness to the length of the analysis window. The time-varying characteristic of the proposed approach also enables us to accommodate other non-stationary biomedical data analysis.     

Improved Signal-to-Noise Ratio Estimation for Speech Enhancement

This paper addresses the problem of single-microphone speech enhancement in noisy environments. State-of-the-art short-time noise reduction techniques are most often expressed as a spectral gain depending on the signal-to-noise ratio (SNR). The well-known decision-directed (DD) approach drastically limits the level of musical noise, but the estimated a priori SNR is biased since it depends on the speech spectrum estimation in the previous frame. Therefore, the gain function matches the previous frame rather than the current one which degrades the noise reduction performance. The consequence of this bias is an annoying reverberation effect. We propose a method called two-step noise reduction (TSNR) technique which solves this problem while maintaining the benefits of the decision-directed approach. The estimation of the a priori SNR is refined by a second step to remove the bias of the DD approach, thus removing the reverberation effect. However, classic short-time noise reduction techniques, including TSNR, introduce harmonic distortion in enhanced speech because of the unreliability of estimators for small signal-to-noise ratios. This is mainly due to the difficult task of noise power spectrum density (PSD) estimation in single-microphone schemes. To overcome this problem, we propose a method called harmonic regeneration noise reduction (HRNR). A nonlinearity is used to regenerate the degraded harmonics of the distorted signal in an efficient way. The resulting artificial signal is produced in order to refine the a priori SNR used to compute a spectral gain able to preserve the speech harmonics. These methods are analyzed and objective and formal subjective test results between HRNR and TSNR techniques are provided. A significant improvement is brought by HRNR compared to TSNR thanks to the preservation of harmonics.     

基于加权特征投影的信源数估计方法

考虑到色噪声或低快条件下噪声特征值发散,导致基于特征分解的信源数估计方法得到的信号判据值和噪声判据值区分不明显,提出了一种基于加权特征投影的信源数估计方法;首先,为了使该方法可适用于低信噪比条件,对阵列接收数据的协方差矩阵进行降噪处理,并利用降噪后协方差矩阵所有特征值和特征向量构造了一个用来区分信号和噪声的加权空间矩阵;然后,将降噪后的协方差矩阵在该加权空间矩阵上投影,从而增大了信号判据值与噪声判据值的差异;最后,结合幂函数的缩放性构建了判决函数,进而实现信源数估计;通过理论分析和实验验证,该方法不仅适用于白噪声和色噪声条件,而且在低快拍和低信噪比条件下优势明显,在快拍数为10,信噪比分别为0 dB的白噪声和6 dB的色噪声条件下,该方法的成功检测概率均达到90％以上,同时该算法在信源数较多时效果鲁棒.     

自回归模型谱估计在流量测量中的应用

流量是工业控制与生产中的一个重要参数.目前,涡街流量计应用相当广泛.但是,由于其工作原理的关系,它对外界的各种干扰非常敏感,使其现场测量精度大大低于实验室标定的精度.本文的主要目的是以数字信号处理的理论为基础,采用自回归模型谱估计的方法对涡街流量计的输出信号进行分析和处理,得出要测量的流量值.论文中分别采用计数的方法和自回归模型谱估计的方法进行实验.通过实验验证,自回归模型谱估计可以作为一种较好的方法,应用于处理流量计的输出信号,并且此方法得出的结果比脉冲计数方法得出的结果精度高.     

基于AR模型的直扩信号循环平稳特性的分析

在信号处理中,传统的功率谱分析方法包含的信息量少,谱相关方法较前者具有更多优点.而一般的谱相关估计方法均基于周期图方法,分辨率低,估计方差大,需要的数据样本长.提出了一种基于AR模型,结合谱相关的方法进行信号的循环谱估计,克服了周期图方法的缺点.给出了算法的大致流程和建模思想.应用此方法在低信噪比条件下,进行直扩信号的循环谱分析,载波频率估计和码片时宽的估计.计算机仿真验证了此方法的有效性.     

基于联合最大后验概率的语音增强算法

针对传统谱减法存在的算法缺陷,提出一种基于联合最大后验概率的改进谱减法.传统谱减法通过获取带噪语音与噪声的幅度差值,并提取带噪语音的相位信息进行语音信号重建.该方法因为谱相减产生“音乐噪声”,并因为相位估计不准确,导致低信噪比下信号增强效果不理想.为此,引入多频带谱减法和相位估计,通过划分频谱,分别在子频带进行谱减法,有效降低“音乐噪声”的影响;同时构建基于最大后验概率的相位估计器,联合信号幅度函数和相位函数,通过多次交替迭代得到相位估值.实验结果表明,相对于传统谱减法,在低信噪比下该算法有效提高增强语音的质量感知和可懂度.     

基于声光阵列的炸高测量技术研究

针对炸高测量系统结构复杂、布阵繁琐、低信噪比下的炸高测量精度偏低的问题,提出一种立体六元声光阵列的炸高测量方法;详细介绍了该方法的炸高测试原理及结构组成,应用Matlab建立了声光阵列结构的数学模型,深入分析了该结构的测量原理和最佳测量高度;仿真验证结果表明:该方法适用于爆炸高度为20～60 m范围内的炸高测量,测试时应保证爆炸声信号到达传感器的时延估计误差小于20μs、声光信号到达基阵时延估计误差绝对值在4 ms范围内;最终靶场实验结果表明:在低信噪比的情况下,采用立体六元声光阵列结合改进的广义二次互相关算法在最佳测量高度范围内的炸高测量精度达到5％,可以应用于靶场炸高测量.