有色噪声的谱估计及其在雷达中的应用

由于有色噪声在雷达、GPS等系统中的处理已经成为一个急需解决的问题,所以本文对有色噪声的谱估计及在雷达系统中的设计应用进行了探讨,系统以有色噪声的谱估计数据为数学模型,通过算法把采集的输入样本的信号的有用信号和噪声信号的区间加以分离,并且提出了测试的硬件平台的方案和软件设计的流程图框图.     

基于FPGA的可“调色”有色噪声发生器设计

有色噪声是一种分布广泛、频谱多样、频率能量分布不均匀的随机信号;有色噪声根据功率谱密度不同可划分成不同“颜色”的噪声,不同“颜色”的噪声在不同领域发挥着各自重要的作用;为获得不同“颜色”的有色噪声,文章提出一种噪声颜色可变的有色噪声产生方法,该方法根据有色噪声的自回归-滑动平均模型,利用m序列、映射法和ARMA模型滤波法,产生功率谱可调的各种(高斯)有色噪声,并在FPGA上了实现该方法;测试表明:这种信号发生器不仅可以连续产生颜色差异细微的各种有色噪声(包括白噪声),且噪声性能好。     

有色噪声干扰下Hammerstein非线性系统两阶段辨识

针对实际工业过程中普遍存在有色噪声,提出了有色噪声干扰下Hammerstein非线性系统两阶段辨识方法。采用设计的组合式信号实现Hammerstein系统各模块参数辨识分离,简化了辨识过程。在第一阶段,基于可分离信号的输入输出数据,利用相关分析算法估计线性模块参数,减少了有色噪声对辨识的干扰。在第二阶段,基于随机信号的输入输出数据,在最小二乘算法中引入滤波技术,推导了滤波递推增广最小二乘算法,提高了非线性模块参数和噪声模型参数的辨识精度。仿真结果表明：提出的两阶段辨识方法提高了辨识精度,有效地抑制了有色噪声的干扰。     

MCF51QE128的微弱信号检测技术研究

微弱信号检测就是利用近代电子学和信号处理方法从噪声中提取有用信号,其关键在于抑制噪声,恢复、增加和提取有用信号。本设计基于单片机MCF51QE128,通过处理高速模/数转换芯片AD7760采集的信号,利用硬件过滤电路以及软件的处理,完成微弱信号的检测及提取方面的研究。     

基于EEMD和自相关函数特性的自适应降噪方法

在机械设备早期故障中,反映故障特征的冲击信号非常微弱,容易被噪声淹没,使得故障诊断有一定难度。集合经验模式分解方法将含噪信号分解为多个固有模式分量,其中包括噪声分量和有用信号分量。根据两者自相关函数特性的不同,提出了利用能量集中比找到噪声分量分界点的自适应降噪方法,并利用改进的软阈值方法拾取噪声分量中的高频有用信号。对不同频率的含噪信号进行降噪处理,结果表明,该方法对中低频信号的降噪具有很好的效果。故障轴承振动信号的降噪效果表明该方法的实用性。     

ANFIS在非线性系统建模与消噪中的应用

给出了自适应神经模糊推理系统(ANFIS)的一般描述，并应用ANFIS进行非线性系统建模和消除信号中的噪声，以此改进工业控制系统中非线性系统的控制性能。仿真表明ANFIS具有较高的收敛速度和建模精度，是非线性系统建模的有力工具。     

基于组合式信号源的Hammerstein-Wiener模型辨识方法

针对含有有色噪声的非线性Hammerstein-Wiener模型,提出一种基于组合式信号源的辨识方法.通过利用可分离信号和随机信号组成的组合信号源实现有色噪声干扰下Hammerstein-Wiener模型各串联模块参数辨识的分离,简化辨识过程.首先,基于可分离信号的输入和输出,采用相关分析方法抑制过程噪声的干扰,辨识输出静态非线性模块和动态线性模块的参数;然后,基于辅助模型技术,利用辅助模型的输出和残差的估计值分别取代辨识模型中的不可测中间变量和噪声变量,推导辅助模型递推增广最小二乘方法,根据随机信号的输入输出数据辨识输入静态非线性模块和噪声模型的参数;最后,通过理论分析和仿真结果表明,所提出方法能够有效辨识有色噪声干扰下的非线性Hammerstein-Wiener模型,具有较好的鲁棒性.     

小波域上分形噪声的一种自适应Wiener滤波方法

针对淹没在1/f分形噪声中的有用信号恢复问题,提出了一种基于小波变换与Wiener滤波的多尺度自适应滤波算法。首先将带有1/f分形噪声的信号分解成多尺度的子带信号,通过小波变换对1/f分形噪声的白化作用,消除了1/f分形噪声的自相似性和长程相关性。然后在小波域内,利用自适应Wiener滤波实现了噪声和有用信号的分离,估计出了各子带中的有用信号。最后进行小波重构,较好地恢复出淹没在1/f分形噪声中的有用信号。仿真实验表明,使用多尺度自适应Wiener滤波器能有效地抑制分形噪声,显著地提高信噪比。     

自适应噪声抵消技术的应用研究与仿真

从噪声中分离有用信号是信号处理领域一个非常重要的课题.传统的滤波方法对于淹没于强干扰噪声背景下的有用信号提取已经不适用,而自适应滤波技术以其原理清楚,可实现性强而具有很强的应用价值.随着自适应技术的发展,自适应本舰噪声抵消技术已成为舰载声纳的信号处理技术中重要的研究课题之一.通过对自适应噪声抵消器原理的研究,结合舰载声纳信噪模型分析,重点研究利用自适应噪声抵消技术从舰载声呐在本舰强噪声干扰背景下提取有用信号的技术,并运用MATLAB进行了仿真试验.仿真结果表明自适应噪声抵消技术可以有效抵消本舰发出的强噪声,从而抑制本舰噪声对舰载声呐的干扰.     

有色噪声背景下陆基导航接收机对信号的检测

针对我国典型海域干扰噪声的特点,提出了在有色噪声背景下直接序列扩频体制的无线电导航接收机对接收信号检测方法,即利用卡尔曼滤波技术对接收的信号进行建模从而得出自相关函数,根据单层神经网络对相关函数中的有色噪声协方差参数进行预测.同时,给出了系统的递推公式、预测自相关函数表达式、程序流程图和计算机仿真.计算机仿真结果表明,该方法不仅能够有效的逼近有色噪声,而且程序计算复杂度较低,从而提高了系统的稳定性.     

自适应模糊神经网络在噪声消除中的应用

本文提出了一种基于模糊神经网络的噪声自适应消除方法,介绍了该方法的原理及实现算法,并利用特殊函数和一定的噪声作为样本信号,建立了基于模糊神经网络的自适应噪声消除模型。通过该模型对有用信号的参数进行了辨识,仿真结果表明该方法具有学习速度快、诊断精度高等优点,可用于通信线路及其他电子设备的噪声消除。     

频谱可设的色噪声生成算法设计与实现

色噪声模拟实际环境背景对实验室半实物仿真实验具有重要的应用价值。基于Wiener最佳滤波器理论,提出了一种色噪声生成算法,并实现了基于Matlab GUI和TMS320F2812数字信号处理器芯片的嵌入式软硬件平台。验证实验表明:系统可实时输出10 kHz带宽的设定频谱结构的色噪声信号,输出信号的统计频谱特征与设定频谱特征误差不超过3 dB,满足实际应用色噪声的特殊要求,具有广阔的应用前景。     

短波信号检测中的形态学预处理算法

针对信号检测中色噪声干扰和多谱峰信号的判断问题,通过研究实际短波信道特性和信号频谱特征,提出一种将频谱作为一维灰度图像进行形态学滤波的预处理算法,应用顶帽变换进行白化滤波,通过闭运算进行信号增强。仿真实验结果表明,该算法能在复杂的短波信道环境下较好地抑制色噪声干扰,实现对弱信号和多谱峰信号的有效检测。     

基于自适应神经模糊推理系统的噪声消除方法

针对信号处理领域噪声消除的实际问题,提出了一种基于模糊推理的自适应神经网络控制方法.通过自适应神经模糊推理系统(ANFIS)对非线性系统的结构和参数进行辨识与自学习,采用混合学习算法,对前向参数和结论参数分别辨识,在提高精度的同时可加快训练收敛的速度,使控制系统具有良好动静态性和鲁棒性,实现了消除通信系统中噪声的目标,最后对基于ANFIS的噪声消除系统进行了建模和仿真,并与自适应神经网络滤波方法的结果对比,其结果证明了该方法的有效性.     

空间有色噪声背景下多目标检测性能研究

重点对一些典型的多目标检测方法在空间有色噪声背景下的检测性能进行分析,并利用统一的仿真模型对它们的检测能力进行比较。每种方法都运用了两个分离的线列阵,来接收多个从不同方向入射的平面波和噪声。仿真采用ARMA模型来产生空间有色噪声,使噪声功率谱相似于实际工程应用中的噪声特性。并且分别研究了各种方法的优缺点,对比了这些方法在有色噪声背景下检测信号源数目的效果。     

基于多重自相关的微弱信号检测算法研究

利用正弦信号的特殊性质,在信号未知的情况下通过多重自相关运算可检测出埋没于噪声中的微弱正弦信号.文中推导了算法的实现过程,并讨论了多重自相关法在白噪声背景下、有色噪声背景下等情况下的检测效果,并给出仿真结果.     

An intelligent diagnosis system based on principle component analysis and ANFIS for the heart valve diseases

In this paper, an intelligent diagnosis system based on principle component analysis (PCA) and adaptive network based on fuzzy inference system (ANFIS) for the heart valve disease is introduced. This intelligent system deals with combination of the feature extraction and classification from measured Doppler signal waveforms at the heart valve using the Doppler ultrasound (DHS). Here, the wavelet entropy is used as features. This intelligent system has three phases. In pre-processing phase, the data acquisition and pre-processing for DHS signals are performed. In feature extraction phase, the feature vector is extracted by calculating the 12 wavelet entropy values for per DHS signal and dimension of Doppler signal dataset, which are 12 features, is reduced to 6 features using PCA. In classification phase, these reduced wavelet entropy features are given to inputs ANFIS classifier. The correct diagnosis performance of the PCA–ANFIS intelligent system is calculated in 215 samples. The classification accuracy of this PCA–ANFIS intelligent system was 96% for normal subjects and 93.1% for abnormal subjects.     

A Perceptually Constrained GSVD-Based Approach for Enhancing Speech Corrupted by Colored Noise

The singular value decomposition (SVD)-based method for single-channel speech enhancement has been shown to be very useful when the additive noise is white. For colored noise, with this approach, one needs to whiten the noise spectrum prior to SVD-based approach and perform the inverse whitening processing afterwards. A truncated quotient SVD (QSVD)-based approach has been proposed to handle this problem and found very useful. In this paper, a generalized SVD (GSVD)-based subspace approach for speech enhancement is first extended from the concept of the truncated QSVD-based approach, in which the dimension of the signal subspace can be precisely and automatically determined for each frame of the noisy signal. But with this new approach some residual noise is still perceivable under lower signal-to-noise ratio conditions. Therefore a perceptually constrained GSVD (PCGSVD)-based approach is further proposed to incorporate the masking properties of human auditory system to make sure the undesired residual noise to be nearly un-perceivable. Closed-form solutions are obtained for both the GSVD- and PCGSVD-based enhancement approaches. Very carefully performed objective evaluations and subjective listening tests show that the PCGSVD-based approach proposed here can offer improved speech quality, intelligibility and recognition accuracy, whether the noise is stationary or nonstationary, especially when the additive noise is nonwhite     

Finger-vein pattern identification using principal component analysis and the neural network technique

This paper presents a personal identification system using finger-vein patterns with component analysis and neural network technology. In the proposed system, the finger-vein patterns are captured by a device that can transmit near infrared through the finger and record the patterns for signal analysis. The proposed biometric system for verification consists of a combination of feature extraction using principal component analysis (PCA) and pattern classification using back-propagation (BP) network and adaptive neuro-fuzzy inference system (ANFIS). Finger-vein features are first extracted by PCA method to reduce the computational burden and removes noise residing in the discarded dimensions. The features are then used in pattern classification and identification. To verify the effect of the proposed ANFIS in the pattern classification, the BP network is compared with the proposed system. The experimental results indicated the proposed system using ANFIS has better performance than the BP network for personal identification using the finger-vein patterns.