水下蛙人被动探测测向实验研究

为了对携带开式呼吸器的水下蛙人进行被动探测,本文采用四个水听器组成的十字阵在浅海水域对水下开式蛙人进行了被动探测、测向实验。结果表明:蛙人辐射噪声具有周期性特征,其周期与蛙人的呼吸频率有关;另外,蛙人呼吸辐射噪声具有显著频带,并且其频带与蛙人携带的呼吸器有关。根据蛙人辐射噪声的显著频带和周期性特征,设计信号处理算法实现了对蛙人的被动声学探测识别。使用互相关方法处理一对水听器的接收信号,可以确定蛙人的方位,但是根据理论分析会出现一个假方位。对比十字阵中两对水听器的测向结果可确定蛙人的准确方位。     

噪声模态单元预判的经验模态分解脉冲星信号消噪

为了改善脉冲星辐射脉冲信号的消噪效果, 提出了一种基于噪声模态单元预判的经验模态分解(EMD) 消噪声方法. 该方法首先利用EMD将含噪辐射脉冲信号分解为一组内蕴模态函数(IMF), 根据IMF系数的统计特性采用局部均方误差准则进行噪声模态单元预判, 并将噪声模态单元置零; 然后对噪声模态单元预判处理后的IMF以模态单元为基本单位进行最优比例萎缩消噪, 从而达到抑制噪声、保留信号的目的. 实验结果表明: 与Sure Shrink小波阈值法、Bayes Shrink小波阈值法和EMD模态单元比例萎缩法相比, 基于噪声模态单元预判的EMD消噪方法可以更有效地去除脉冲辐射信号中的噪声, 同时更好地保留信号突变处的细节信息特征, 在信噪比、 均方误差、峰值相对误差、峰位误差和相位误差等方面都有一定程度的改善. 关键词： 脉冲星信号消噪 经验模态分解 噪声模态单元预判 局部均方误差     

遗传算法优化变分模态分解提取舰船辐射噪声特征线谱方法

特征线谱提取是舰船目标识别的一个重要研究环节,常采用传统的DEMON谱分析方法,处理过程中,一般对舰船噪声时域信号未予抑噪,低信噪比情况下,传统DEMON谱分析性能差。对此,提出一种采用遗传算法优化变分模态分解方法,用于分解舰船噪声原时域信号,获得抑制噪声后的舰船噪声重构信号,进而有效提取了舰船目标噪声幅度调制特征线谱。该方法首先采用遗传算法优化变分模态分解的两个关键输入参数(分解所取模态个数和惩罚因子),对变分模态分解得到的各阶固有模态分量加以判别,去除噪声主导分量,保留信号主导分量,使重构舰船噪声信号显著抑制了干扰噪声,然后对降噪后的重构信号进行频谱分析,获得目标噪声调制特征线谱。理论分析、仿真和实验数据处理结果表明,相比传统DEMON谱分析法,基于遗传算法优化变分模态分解的舰船噪声特征线谱提取方法具有更好的噪声抑制能力,所获取的舰船噪声幅度调制特征线谱信噪比明显高于传统DEMON方法,具有一定优势,前景良好。     

EEMD-ICA在功能性近红外光谱特征信号提取中的应用

近年来,功能性近红外光谱技术(fNIRS)广泛应用于神经影像学领域。为解决fNIRS特征信号提取中的信噪频谱混叠问题,依据近红外光谱脑功能成像信号非线性与非平稳特点,提出一种结合集合经验模态分解法和独立成分分析的多分辨率联合信号提取方法EEMD-ICA。在脑功能成像仪器平台上采集多通道多波长脑功能成像近红外光密度信号,先对该信号进行集合经验模态分解将其按频率成分分解为多层本征模态函数,之后将独立成分分析应用于目标频率分量函数进行自适应去噪,最后将处理后的分量累加、重构获得近红外光谱脑功能成像的特征信号。将Valsalva氏实验测试数据作为研究对象进行滤噪处理,与经验模态分解法和集合经验模态分解法对fNIRS特征信号的提取效果对比。对实测数据的处理结果进行信噪比和误差参数分析,结果表明,该方法能够有效解决去噪过程中丢失原始信号有用信息及由于信噪频谱混叠不能完整去除噪声的问题,信号处理效果理想,对比另外两种信号提取方法更为优化。     

水下蛙人被动探测技术实验研究

为了探测携带呼吸器的水下蛙人目标,实验研究了蛙人呼吸辐射声信号的基本原理,提出了基于蛙人呼吸周期性特征的水下蛙人被动检测方法。水池实验获得了蛙人呼吸的周期性声信号,论证了被动探测的可行性。由于蛙人呼吸声信号所具有的显著频带,所以分别利用了带通滤波法和匹配滤波法获取周期信号的包络,并提取包络信号频谱的四类特征用于判决。三亚湖试结果表明:四类特征对蛙人的探测距离存在差异,最远能在40 m附近检测到蛙人,并且匹配滤波法的检测性能明显优于带通滤波法。结论:受限于辐射源的能量级,被动方法对蛙人的探测距离有限。      

基于变分模态分解与多尺度排列熵的生物组织变性识别

根据高强度聚焦超声(HIFU)治疗中超声散射回波信号的特点,本文利用变分模态分解(VMD)与多尺度排列熵(MPE)对生物组织变性识别进行了研究.首先对生物组织中的超声散射回波信号进行变分模态分解,根据各阶模态的功率谱信息熵值分离出噪声分量和有用分量;对分离出的有用信号进行重构并提取其多尺度排列熵;然后通过Gustafson-Kessel (GK)模糊聚类确定聚类中心,采用欧氏贴近度与择近原则对生物组织进行变性识别.将所提方法应用于HIFU治疗中超声散射回波信号实验数据,用遗传算法对多尺度排列熵的参数优化后,对293例未变性组织和变性组织的超声散射回波信号数据进行了多尺度排列熵分析,发现变性组织的超声散射回波信号的多尺度排列熵值要高于未变性组织;多尺度排列熵可以较好地识别生物组织是否变性.相对于EMD-MPE-GK模糊聚类以及VMD-小波熵(WE)-GK模糊聚类变性识别方法,本文所提方法中变性与未变性组织特征交叠区域数据点更少,聚类效果和分类性能更好;本实验环境下生物组织变性识别结果表明,该方法的识别率更高,高达93.81%.     

混沌信号自适应协同滤波去噪

混沌信号协同滤波去噪算法充分利用了混沌信号的自相似结构特征,具有良好的信噪比提升性能.针对该算法的滤波参数优化问题,考虑到最优滤波参数的选取受到信号特征、采样频率和噪声水平的影响,为提高该算法的自适应性使其更符合实际应用需求,基于排列熵提出一种滤波参数自动优化准则.依据不同噪声水平的混沌信号排列熵的不同,首先选取不同滤波参数对含噪混沌信号进行去噪,然后计算各滤波参数对应重构信号的排列熵,最后通过比较各重构信号的排列熵,选取排列熵最小的重构信号对应的滤波参数为最优滤波参数,实现滤波参数的优化.分析了不同信号特征、采样频率和噪声水平情况下滤波参数的选取规律.仿真结果表明,该参数优化准则能在不同条件下对滤波参数进行有效的自动最优化,提高了混沌信号协同滤波去噪算法的自适应性.     

乙醇含量拉曼光谱检测中噪声与背景同时消除方法研究

乙醇含量拉曼光谱检测中,拉曼光谱信号中的各种噪声及光谱荧光造成的基线漂移和样品池背景等,影响了校正模型的预测精度。利用总体平均经验模态分解,将光谱信号分解成若干无模态混叠的内在模式分量,根据排列熵的信号随机性检测判据判断出代表背景信息和噪声信息的内在模式分量,将其置零即可同时消除拉曼光谱中的噪声与背景。将总体平均经验模态分解与排列熵相结合的预处理方法应用于乙醇含量的拉曼光谱检测中,并与小波变换和平均平滑滤波做了对比。实验结果表明：应用总体平均经验模态分解与排列熵相结合的方法能够有效的同时消除乙醇含量拉曼光谱检测中的噪声和背景信息,提高校正模型的预测精度,且使用简便,无需参数设置,对乙醇含量拉曼光谱检测具有实用价值。     

二次谐波的变分模态分解和小波阈值函数降噪

针对利用可调谐半导体激光器吸收光谱学(TDLAS)技术测量气体浓度过程中二次谐波谱线存在的外界噪声干扰问题,提出一种基于变分模态分解和小波阈值函数复合算法的二次谐波降噪方法。首先对二次谐波含噪信号进行分解,得到有用固有模态函数(IMF)并进行重构,再对重构信号进行小波阈值函数降噪处理。讨论了变分模态分解中最佳平衡参数的选取,得出最佳平衡参数与含噪信号中噪声成正比的结论。通过改变小波变换的阈值函数改变高频小波系数,以更好地抑制噪声。对实际测量曲线的降噪结果表明,所提出的降噪方法可以在信噪比较低的情况下有效抑制噪声,提取有用的二次谐波信号。     

仿生鳍条姿态测量及其误差分析

在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取。为了有效的进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法。首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别。仿真实验表明,采用MCKD-EEMD方法能够有效的提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。     

基于MCKD-EEMD近似熵和TWSVM的齿轮箱故障诊断

在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取;为了有效地进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法;首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别;仿真实验表明,采用MCKD-EEMD方法能够有效地提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。     

基于弹性变分模态提取的时间相关单光子计数信号去噪

单光子激光雷达的回波信号具有极低的信噪比,有效地消除噪声和提取出回波信号特征是提升单光子激光雷达测距精度的关键,变分模态分解算法需要使用者依据经验确定分解本征模态函数数量,不具有适用性和通用性.为此,本文基于时间相关单光子计数信号特点,提出了在变分模态分解中让信号按照指定频率进行聚类分解的变分约束条件,并采用弹性网回归重构不适定问题的求解模型,提出了弹性变分模态提取算法.实验结果表明,在波段850 nm、平均发射功率为25 nW、背景噪声平均功率为19.51μW的条件下,利用该方法,得到了时间相关单光子计数信号重建精度的均方根误差为1.414 ns.同时在不同的累积时间下,能够稳定且快速地提取出回波信号特征,有效地提高了算法的去噪能力和特征提取的性能.     

基于复数据经验模态分解的噪声辅助信号分解方法

集成经验模态分解(EEMD)在一定程度上减轻了经验模态分解(EMD)中的模态混叠,但集成平均会带来新的模态混叠、频谱丢失和运算量增大等问题,影响到对信号物理特征的分析与提取.因此,本文提出一种基于复数据经验模态分解(CEMD)的噪声辅助信号分解方法,在CEMD中以白噪声分解的内禀模态函数(IMF)在指定方向上的投影为基函数来辅助观测信号分解过程中的极值选取,从而减小模态混叠,同时利用噪声投影的影响在求包络质心时被消除的特性,减小EEMD因集成平均带来的相关问题.仿真结果表明,本文方法在进一步降低模态混叠效应的同时,明显提高了运算速度,并且在一定程度上减轻了频谱丢失问题.     

OVMD-ICA算法用于光纤电流传感器降噪

提升数据处理能力是实现光纤电流传感器（FOCS）在微弱电流检测领域中应用的重要支撑。针对独立成分分析（ICA）算法对信源数量的要求和变分模态分解（VMD）对冲击噪声处理能力不足的问题，采用优化参数的变分模态分解与独立成分分析联合算法（OVMD-ICA算法），提升微弱电流检测能力。首先，在分析全光纤电流传感器输出信号的特征和噪声特性的基础上，以能量谱熵为目标函数，采用捕食者算法（HPO算法）获取模态参数K和二次惩罚因子α，完成变分模态分解。然后，通过设置相关系数阈值，对各模态函数分类并构建虚拟通道，以满足ICA对信源数量的要求，并采用FastICA算法实现盲源分离。最后，通过对比实验确定了该方法的有效性，发现采用所提方法能够实现3 mA微弱电流的识别检测。     

基于DE-LSSVM的滚动轴承故障诊断

针对滚动轴承故障诊断难以获得大量样本的问题以及LS-SVM 模型参数选择方法易陷入局部最优的缺点,提出了一种集合经验模态分解能量熵和差分进化算法（DE）优化最小二乘支持向量机相结合的轴承故障诊断方法。首先原始振动信号采用EEMD分解得到一组固有模态函数（IMF）,从有效本征模态函数IMF分量中提取的能量特征作为输入建立支持向量机,通过计算不同振动信号的能量熵值大小来判断轴承的故障损伤程度。为了提高模型的诊断精度,采用差分进化算法对LS-SVM的结构参数进行优化,并与LS-SVM和PSO-LSSVM模型相比较。结果表明,DE-LSSVM 模型的故障分类准确性得到了提高,可以有效应用于滚动轴承故障诊断中。     

基于变分模态分解和对称相关的目标舰船线谱检测

线谱检测是水下目标识别中的一个重要研究方向。针对舰船辐射噪声线谱信号检测与提取的需求,该文改进提出了一种基于变分模态分解和对称相关的降噪处理方法,研究了与目标线谱信号不相关的加性高斯噪声消除办法。假设舰船辐射噪声除线谱成分外均为高斯噪声,对舰船辐射噪声中线谱成分进行检测。理论推导、仿真计算与实验数据处理结果均表明,该文提出的方法能较好地检测加性高斯噪声背景下的线谱成分,较传统的相关方法更为有效。     

混沌干扰中基于同步挤压小波变换的谐波信号提取方法

针对混沌干扰背景下多个谐波信号的提取问题, 提出了一种基于同步挤压小波变换(SST)的谐波信号抽取方法. 首先利用SST将混沌信号和谐波信号组成的混合信号分解为不同的内蕴模态类函数, 然后利用Hilbert变换对分离出的内蕴模态类函数进行频率识别, 从中分离出各谐波信号. 以Duffing混沌背景为例, 对混沌干扰下多谐波信号的提取进行了实验分析. 实验结果表明: 对于不同频率间隔的多个谐波分量, 本文方法的提取结果都具有较高的精度, 而且所提方法对高斯白噪声的干扰具有较好的鲁棒性, 综合提取效果优于经典的经验模态分解方法.     

船舶辐射噪声信号仿真及评价

船舶辐射噪声信号仿真应尽可能多地仿真特定船舶辐射噪声的信号特征,达到具体应用对信号仿真度的要求。对船舶辐射噪声仿真信号进行评价,是调整仿真参数和判定仿真信号是否达到要求的必要步骤。该文给出了一套对实测船舶辐射噪声信号进行重构仿真及评价的方法,仿真过程考虑了信号的听觉、连续谱、调制谱和线谱特征,评价方法对各特征进行指标提取和量化,并通过实测与仿真信号之间的相似度计算评价仿真信号的仿真度。对实测船舶辐射噪声信号进行重构仿真的试验结果显示,仿真信号具有较高的特征仿真度,与计算的仿真度评价数值一致。     

水中目标窄带噪声识别的听觉外周模型

为解决听觉外周模型特征在具有工程背景的水中目标声信号分类研究中识别率下降问题,提出了一种外周模型Gammatone滤波器组修正方法,获得的窄带噪声特征可明显提高水中目标识别性能。首先,分析了识别率下降原因,发现声学工程应用中多通道数据采集,导致信号频率范围变窄,而引起声信号的时频特征发生变化。其次,根据听觉模型用Gammatone滤波器组模拟人耳基底膜频率分解特性、低频信息包含水中目标噪声信号的重要类别特征,对原有的听觉模型特征进行插值,对滤波器组的通道数与中心频率进行适应性修正,得到目标噪声在较窄频带的27维特征,修正后的模型能够更精细地反映出目标时频特性。最后,采用神经网络分类器进行实验。结果表明,修正后的听觉模型保留了原较宽频带特征的主要信息,而且进一步提高了对实际目标的分类能力,识别率由原来的82.59%提高到88.80%。本文提出根据工程应用平台的有效接收频带优化听觉外周模型Gammatone滤波器组的设计,采用阵元级的多通道数据进行分析,侧重于工程应用,解决了多通道数据采集中,由于频带变窄,导致信号的特征信息量下降,进而引起声特征识别性能下降的问题,修正后的听觉模型特征,有效地提高水中目标辐射噪声的识别效果。本文对从事无源声呐目标识别、有源声呐目标识别、带宽受限的多通道声数据采集的时频特性分析研究人员具有一定的参考价值。      

相位加权的矢量全聚焦超声阵列成像方法研究

常规矢量全聚焦成像仅利用检测信号的幅值信息,其成像质量受噪声、栅瓣和旁瓣等的影响大。综合利用检测信号的幅值和相位信息,本文提出两种相位加权的矢量全聚焦成像方法。首先,对全矩阵数据的相位信息进行分析,提取出两种相位特征参数:相位一致因子(Phase Coherence Factor:PCF)和极性一致因子(Sign Coherence Factor:SCF);然后,将全阵列划分为若干子阵列,分别利用两种相位特征参数对各个子阵列的成像幅值进行加权,求取加权幅值特征向量;最后,对所有子阵列的加权特征向量进行合成,得到两种加权的矢量全聚焦成像,并从中提取出裂纹方向及尺寸等特征信息。将三种矢量全聚焦成像方法应用于不同缺陷检测仿真及实验验证,结果表明,3种方法均可以实现缺陷方向识别与长度定量测量;但相位加权矢量全聚焦成像效果明显优于常规矢量全聚焦成像结果,其成像信噪比及分辨率更高,缺陷角度及长度测量结果更准确。本文研究工作为缺陷无损评价提供了可行的技术手段。