低差错平底特性的非规则LDPC码的设计

介绍了非规则LDPC码的发展并给出了其优势及缺点，重点论述用ACE算法来构造非规则LDPC码从而降低其差错平底特性。对降低非规则LDPC码的差错平底特性的其它方法提出了展望。     

EMD与KOH溶液的相互影响

利用滴定分析、热失重分析以及XRD方法研究了EMD和KOH溶液混合后的变化。结果表明:碱与MnO2可以相互作用并导致体系温度的升高,碱浓度的下降,EMD中形成Mn3O4以及MnO2中结合水的损失。相互作用的结果与所加KOH溶液的浓度、EMD中的水含量、二者用量的比例关系以及体系的温度有关。     

基于ＥＥＭＤ域统计模型的话音激活检测算法

提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsicmode function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的VAD算法,特别在噪声强度大时体现出明显的优势。     

EMD消噪在取样光栅滤波器设计中的应用

通过改变取样光栅的各参数来仿真其反射谱,调试出四种基于取样光纤光栅的光学梳状滤波器。为了优化取样光栅梳状滤波器功能,提出了利用经验模态分解对信号进行滤波分析和降噪处理的方法。该方法是将经验模态分解得到的固有模态函数,分为信号分量起主导作用模态与噪音分量起主导作用模态,去除噪音分量起主导作用模态,并利用反映信号主要结构的模态对信号进行重构实现去噪。文中最后以一种含噪声的反射谱为例,进行降噪后得到平滑的反射谱。     

Tb0.3Dy0.7(Fe1-xAlx)1.95合金的结构、磁致伸缩性能和自旋重取向研究

本文系统研究了室温下Tb0.3Dy0.7(Fe1-xAlx)1.95(x=0,0.05,0.1,0.15,0.2,0.25,0.3,0.35)合金中金属Al替代Fe对晶体结构、磁致伸缩、内禀磁致伸缩、各向异性和自旋重取向的影响.结果发现,x＜0.4时,Tb0.3Dy0.7(Fe1-xAlx)1.95完全保持MgCl2立方Laves相结构,晶格常数a随Al含量x的增加而增大.磁致伸缩测量发现,随着替代量x的增多磁致伸缩减小,x＞0.15时超磁致伸缩效应消失;x＜0.15时磁致伸缩在低场下(H≤40kA/m)有小幅增加,高场下迅速减小,而且易趋于饱和,说明添加少量Al有助于减小磁晶各向异性.内禀磁致伸缩λ111随[111]替代量x的增加大幅度降低.穆斯堡尔效应表明,Tb0.3Dy0.7(Fe1-xAlx)1.95合金的易磁化方向随成份和温度在{110}面逐渐偏离了立方晶体的主对称轴,即自旋重取向.室温下,当x=0.15时,Tb0.3Dy0.7(Fe1-xAlx)1.95合金中出现了少量非磁性相;x＞0.15时,合金完全呈顺磁性.     

基于混沌特征的运动模式分割和动态纹理分类

采用混沌理论对动态纹理中的像素值序列建模,提取动态纹理中的像素值序列的相关特征量,将视频用特征向量矩阵表示. 通过均值漂移（Mean shift）算法对矩阵中的特征向量聚类,实现对视频中的运动模式分割. 然后,采用地球移动距离（Earth mover’s distance,EMD）度量不同视频的差异,对动态纹理视频分类. 本文对多个数据库测试表明:1）分割算法可以分割出视频中不同的运动模式;2）提出的特征向量可以很好地描述动态纹理系统;3）分类算法可以对动态纹理视频分类,且对视频中噪声干扰具有一定的鲁棒性.     

基于改进小波去噪和EMD方法的轴承故障诊断

将改进的小波阈值去噪与EMD分解相结合应用于轴承故障诊断中。该方法首先利用改进的小波阈值去噪法对原始信号进行去噪,然后采用EMD方法将去噪后的信号自适应地分解成一系列IMF分量之和,通过能量-相关系数法选取能够反映故障特征的IMF分量进行包络谱分析提取故障频率。实验结果表明该方法能够有效识别故障特征频率。     

EMD-IT去噪算法的阈值估计方法

为解决EMD-IT去噪算法中阈值难以确定的问题,提出一种基于高斯白噪声能量分布的阈值估计方法。将含噪信号进行经验模态分解并估计各固有模态函数(IMF)中噪声的能量;根据模态单元阈值的含义,在各IMF中利用去除掉的模态单元包含的总能量等于噪声能量这一准则估计阈值。合成数据和实际心电信号的去噪仿真实验验证了该方法的有效性,其是自适应的且避免了阈值选择的主观性。     

HHT算法在压电陶瓷驱动器的微纳米位移传感器中的应用

针对信号虽然经过了模拟滤波,采集到的信号经过数据采集系统后不可避免的含有随机噪声,噪声限制了传感器的分辨率和系统的动态范围。提出利用HHT算法的经验模态分解对用于压电陶瓷的微纳米传感器采集到的数字信号进行数字滤波,将采集到的微弱信号进行进一步处理,以提高微纳米传感器在稳态输出时信号的信噪比从而提高传感器的性能。采用两种方法进行处理。其中一种方法是滤掉经过模态分解后信号中的最高频噪声,另一种方法是滤掉经过模态分解后信号中的前两阶噪声。最后对比实验结果证实了此算法的有效性,它能够改善传感器的线性度。     

采用支持向量回归抑制噪声的经验模态分解方法

在实际信号分解中,经验模态分解（ EMD）是对噪声敏感的,往往会分离出一些虚假的本征模函数,对信号的分析产生一定影响。为了提高EMD分解的正确率,减少其出现虚假本征模函数的情况,文中提出了一种基于支持向量回归（ SVR）的去噪方法。先对一次EMD分解结果进行SVR逐层滤波并且对信号进行重组,然后利用EMD方法对重组信号进行二次分解。实验表明,二次分解结果已经非常接近于理想的分解结果,不会出现虚假IMF。这种分解方法对噪声不敏感,能有效提高EMD方法对噪声的容忍度。