非平稳信号的一种ARMA模型参数估计法

本文采用一种经过特殊处理的时变自回归滑动平均（ARMA）模型对非平稳随机信号进行分析．将这种模型左边的时变参数假设为一组基时间函数的线性组合，右边时变参数简化为常数，并用反馈线性估计法进行参数估计。该方法的主要特点是简单，计算量小，占用存储空间少．并用仿真的方法对算法予以验证，可用于一些常用的非平稳随机信号的分析．     

随机信号离散模型与连续模型等效转换的研究

本文提出一种应用E变换法对平稳随机信号的ARMA离散模型与AM连续模型等效转换的新方法；给出它与已有基于格林函数等效转换法的关系；对此种新方法应用于非平衡随机信号的ARMA时变参数离散模型与AM时变参数连续模型的等效转换做了初步探讨。     

非平稳信号的一种ARMA模型分析方法

该文提出了一种新的非平稳信号的时变参数ARMA模型分析方法,用它分析数据需两个基本步骤:首先,用一种信号分解方法把信号分解成一些基本模式分量。接着,对分解得到的基本模式分量建立时变参数ARMA模型,从而得出时颇平面上的时变参数ARMA模型谱。该方法可用于复杂的非线性、非平稳信号的处理。     

基于蒙特卡洛滤波平滑的语音增强算法

本文在分析统计信号贝叶斯模型和语音信号的时变自回归(TVAR)模型的基础上,利用蒙特卡洛滤波及平滑方法,对语音信号的TVAR模型参数进行了估计,提出了一种有效的针对非平稳加性噪声影响下的语音增强算法.该算法可以很好的跟踪非平稳信号,同时引入对反射系数的判断,保证了跟踪的稳定性.实验表明,本文方法能很好的抑制背景噪声,提高信噪比,改善语音信号的听觉质量.     

LMD结合时变AR模型在瞬时频率测量中的应用

时变AR模型是一种新的时频分析方法,对简单的非平稳信号瞬时频率的测量具有很高的精度,但却不适用于复杂信号。为使时变AR模型同样适合于测量复杂信号的瞬时频率,提出LMD和时变AR模型相结合的方法,该方法使时变AR模型极大地扩展了适用对象。分别采用最小二乘和卡尔曼平滑算法求解信号参数模型,并求得信号瞬时频率,仿真对比分析表明,与直接用时变AR模型测量瞬时频率相比,该改进方法能大大提升瞬时频率测量的准确度。     

适用于LPTV系统的周期自适应滤波器的研究

该文讨论了平稳(或周期平稳)随机信号通过线性时不变(或周期时变)系统后,输出信号的周期平稳性质,给出了两种可用于线性周期时变(LPTV)系统的周期自适应滤波器算法和一种系统周期的自适应估计算法;仿真结果表明了上述算法的有效性。     

基于变参数随机共振和归一化变换的时变信号检测与恢复

非线性随机共振系统具有利用噪声增强微弱信号的能力,为强噪声背景下的信号检测开辟了新的途径。该文提出一种变参数随机共振(VPSR)模型,实现对非周期信号的有效检测、噪声去除和信号恢复。通过以恢复信号的拟合决定系数和互相关系数作为评判标准,研究分析了不同参数变化对系统输出的影响,分析结果表明该模型能有效地从噪声背景中恢复时变信号。该方法拓展了随机共振用于时变信号检测技术的领域,在时变信号检测和处理以及雷达通讯等方向有着一定的潜在应用价值。     

一种新的含噪混沌信号降噪算法

该文针对低信噪比、非高斯加性噪声和混沌动力学系统参数未知的含噪混沌信号降噪问题,提出了一种基于粒子滤波(Particle Filtering, PF)的降噪新算法。该算法将混沌信号和动力学系统中的未知参数作为一个多维状态矢量,利用PF方法递推计算多维状态矢量的联合后验概率分布,进而实现了对混沌信号的最优估计。对于混沌信号轨道分离过快所导致的退化问题,提出了有效的解决方法,并利用核平滑和自回归(Auto-Regression, AR)模型建模的方法分别实现了非时变以及时变参数的递推估计。仿真实验的结果表明,与现有的降噪方法相比,该文提出的新算法能够更加有效地抑制含噪混沌信号中的加性噪声。     

基于粒子滤波和交互多模型的移动定位方法

为提高非视距情况下移动辐射源的定位精度,提出一种改进的交互粒子滤波算法.该算法对目标运动多模型和信号到达时间差测量噪声分布多模型联合建模.在交互多模型状态更新中利用粒子滤波对目标时变状态以及视距/非视距混合信道参数进行估计,抑制了非视距测量误差对移动定位的影响.仿真结果表明,改进算法的性能要优于现有的视距条件运动多模型和视距/非视距条件单一运动模型的定位算法,并且定位误差接近于推导的后验克拉美劳下界.     

分布式多天线信道时变特征参数的联合估计

针对分布式多天线信道随机时变特征参数的获取问题,通过参数化建模方法建立信道时变参数的自回归模型,将由频率偏置和复信道衰落构成的强非线性观测方程在估计值处展开成泰勒级数进而线性化观测方程后,运用扩展卡尔曼滤波算法联合估计未知参数。仿真结果表明,该方法可在序贯的观测值下对信道时变参数进行联合估计和跟踪,能获得逼近克拉默—拉奥下界的估计精度。     

一种新的基于小波变换的白噪声消除方法

本文研究了空间分布不均匀信号和白噪声在小波变换下的不同特性,提出了一种新的基于小波变换的白噪声消除方法。这种方法可以对非平稳信号进行消噪处理,解决了传统信号处理方法对非平稳信号的局限性,并且有快速算法能够加以实现。仿真结果证明这种方法具有很好的去噪效果。     

基于关联维数的高压电机定子绕组局部放电信号模式识别

提出了利用分形理论对高压电机定子绕组局部放电信号进行处理的方法,得到局部放电信号的关联维数,并将其作为特征参量对几种典型的局部放电信号进行模式识别。局部放电信号是非线性、非平稳随机信号。因此采用非线性理论中的分形理论对其进行分析,即计算关联维数。考虑到相空间重构中嵌入维数和时间延迟对关联维数精度的影响,采用联合算法确定2个参数。仿真结果表明,关联维数用于局部放电信号模式识别是行之有效的。     

改进的自然梯度盲源分离算法在非平稳环境中的应用

对于传统的自然梯度算法,在处理非平稳信号时,在步长更新迭代过程中,非平稳信号变化幅度过快而导致分离矩阵幅度变化的不稳定,从而影响分离效果。针对此问题,结合变步长的思想,本文提出了基于正交约束的自然梯度盲分离算法,该算法主要对恢复信号进行约束,通过使用瞬时误差有目的地控制变步长,从而加快算法收敛速度且提高了分离精度,同时保证了非平稳环境下分离过程的稳定性。结果表明,正交约束下的盲源分离算法可以高效地分离出非平稳环境下的源信号。     

光纤陀螺随机误差的DDS建模方法研究

光纤陀螺漂移具有弱非线性和弱时变的特点。为了更准确的描述这种特性,介绍了非平稳时间序列的DDS建模方法,并对光纤陀螺随机误差进行建模。通过对建模结果的脉冲响应分析,表明DDS建模法可以准确对光纤陀螺随机误差进行建模,并分离出随机误差中的随机斜坡项,可以实现对光纤陀螺随机误差更精确的补偿。     

基于隐马尔科夫模型的RCS识别方法研究

雷达散射截面(RCS)时间序列由目标电磁散射特性和姿态运动特性共同决定,包含了雷达目标的材质、尺寸和结构等信息,是实现雷达目标识别的重要测量量.隐马尔科夫模型(HMM)是一种用参数表示的用于描述随机过程统计特性的概率模型,是一个无记忆的非平稳随机过程,具有很强的表征时变信号的能力,非常适合作为动态模式分类器,对具有不同变化特性的时变信号进行分类识别.文中利用HMM表征雷达目标RCS序列变化模式(规律),根据不同类别目标RCS序列变化模式的差异对雷达目标进行分类识别.实测数据验证结果表明,该算法具有较高的识别概率.     

Calculation of the Second Order Settling Time in SISO Linear Systems

This paper clearly defines the second order settling time as a special and most important case of the generalized settling time. A new calculation procedure for second order settling time determination is developed, based on a decomposition of deterministic, random or mixed non-stationary signals in steady-state and transient components. A worked out example illustrates the computation procedure. The derived relations can be implemented in the form of computer programs. Although restricted to SISO linear systems, the procedure developed in this paper covers a lot of practical situations like those encountered in sensors and transducers modeling.     

A fault detection strategy using the enhancement ensemble empirical mode decomposition and random decrement technique

The vibration signals of mechanical components with faults are non-stationary and the feature frequencies of faulty bearings and gears are difficult to be extracted. This paper presents a new approach that combines the fast ensemble empirical mode decomposition (EEMD) to decompose the non-stationary signal into stationary components, the random decrement technique (RDT) to extract the impulse signals of stationary components, and Hilbert envelope spectrum to demodulate the impulse signals to detect faults in bearings and gears. The proposed approach uses the fast EEMD algorithm to extract intrinsic mode functions (IMFs) from vibration signals able to tack the feature frequency of bearings and gears. IMF1 is further extracted by the RDT, and the feature frequencies are determined by analysing the signals using Hilbert envelope spectrum. Numerical simulations and experimental data collected from faulty bearings and gears are used to validate the proposed approach. The results show that the use of the EEMD, the RDT, and the Hilbert envelope spectrum is a suitable strategy to detect faults of mechanical components.     

Evolutionary Maximum Entropy Spectral Estimation and Heart Rate Variability Analysis

Spectral analysis has been used extensively in heart rate variability (HRV) studies. The spectral content of HRV signals is useful in assessing the status of the autonomic nervous system. Although most of the HRV studies assume stationarity, the statistics of HRV signals change with time due to transients caused by physiological phenomena. Therefore, the use of time-frequency analysis to estimate the time-dependent spectrum of these non-stationary signals is of great importance. Recently, the spectrogram, the Wigner distribution, and the evolutionary periodogram have been used to analyze HRV signals. In this paper, we propose the application of the evolutionary maximum entropy (EME) spectral analysis to HRV signals. The EME spectral analysis is based on the maximum entropy method for stationary processes and the evolutionary spectral theory. It consists in finding an EME spectrum that matches the Fourier coefficients of the evolutionary spectrum. The spectral parameters are efficiently calculated by means of the Levinson algorithm. The EME spectral estimator provides very good time-frequency resolution, sidelobe reduction and parametric modeling of the evolutionary spectrum. With the help of real HRV signals we show the superior performance of the EME over the earlier methods.     

基于Zynq-7000的宽带自适应噪声抵消系统设计

由于干扰噪声常常是随机变化和非平稳的,传统的滤波方法很难消除.针对这一问题,选用自适应格型联合算法(GAL-NLMS).在Zynq-7000芯片PL部分实现了一个22阶的GAL-NLMS算法,在芯片的PS部分实现了驱动程序的设计和基于Qt的界面设计.处理速度达到175 Mbit/s,并在ZedBoard开发平台实现了宽带自适应噪声抵消系统.用被噪声干扰过的QPSK和16QAM调制信号对系统进行测试,结果表明系统有效.     

基于窗口平均频率算法的调制信号识别

给出了一种对非平稳信号的时频特性进行快速分析的算法——移动窗口平均频率算法,通过移动窗口来截取信号,并计算窗口内信号平均频率来获得信号的时频分布,具有算法简单、运算速度快的特点;通过MATLAB仿真验证了该方法的有效性和可靠性;并给出了该算法的一个应用实例——从噪声中识别数字调制信号,能够对ASK、FSK、PSK等信号的调制类型进行识别,改善了信号识别的性能。