共查询到20条相似文献,搜索用时 62 毫秒
1.
2.
基于多重耦合降噪的混沌测量研究 总被引:1,自引:0,他引:1
混沌测量系统对噪声的敏感性很高,为了增强其抗噪声干扰的能力,提高系统的测量精度,该文提出对混沌测量电路进行多重耦合.从理论上推导了该方法的可行性,并且通过实验进一步从序列符号距离和线性度两方面进行比较,结果表明经过多重耦合的混沌测量电路,与未耦合以及相邻耦合的测量系统相比,具有更强的噪声抑制能力.因此在耦合测量系统中,系统耦合强度与其噪声抑制能力成正比,在相同个数测量电路参与耦合的情况下,本文所提出的多重耦合方式可以使测量系统得到较优的测量精度及稳定性. 相似文献
3.
针对混沌信号小波降噪法中,高频段频率分辨率较差,且对小波分解系数所广泛采用的硬、软阈值量化方法存在着局限等问题,给出一种基于新型高阶阈值函数的混沌信号小波包降噪法。该方法采用小波包方法能够对小波分析中没有细分的高频部分进一步分解,保留了有用的高频信息,从而具有更加精确的局部分析能力;且所采用的阈值函数连续光滑,在噪声小波系数和混沌信号小波系数之间存在一个平滑过渡区,更符合信号的连续特性。仿真对比实验表明:与软阈值降噪法以及半软阈值与小波包降噪法相比,该方法对混沌信号的降噪效果明显,信噪比(SNR)有3.7~7dB的显著提高。 相似文献
4.
根据信号和噪声的不同特性,提出了一种基于局部投影和提升小波的混沌信号降噪方法。该方法利用提升小波变换得到实际混沌信号的近似系数,对其进行相空间重构,与实际混沌信号的重构相空间进行比较,来选取局部投影的邻域,在局部邻域内进行奇异谱分析,利用代表吸引子的主分量来重构混沌信号。通过对Lorenz模型和月太阳黑子进行仿真分析,证实了提出方法对混沌信号降噪的有效性。 相似文献
5.
6.
分析了During方程的基本形式以及During振子的混沌运动,阐述了基于相平面变化进行微弱信号检测的工作原理,并推导出系统发生间歇混沌现象的频差条件和相位差对于系统特性的影响。试验证明:该振子对与参考信号频差较小的周期小信号具有敏感性,对白噪声和与参考信号频差较大的干扰信号具有免疫力。 相似文献
7.
混沌系统在弱信号检测中的应用 总被引:12,自引:2,他引:10
首先提出了利用混沌系统检测弱信号方法,实验结果证明了此方法的可行性。在此基础上,又提出将自相关方法和互相关方法分别与混沌系统相结合形成混合测量系统。经大量仿真实验证明此系统比前一种方法信噪比门限更低。可见混沌系统在弱信号检测方面的应用有望成为降低信噪比门限的有效方法之一。 相似文献
8.
9.
10.
针对QAR数据包含离群值、噪声值等异常数据严重影响数据分析的问题,提出了一种自适应无迹卡尔曼滤波的数据降噪方法.利用改进拉依达准则剔除粗大误差数据,以无迹卡尔曼滤波为基础,结合Sage-Husa噪声估计器对系统噪声进行实时预测和修正,有效地解决了系统噪声时变的问题.利用空客A330飞机的数据样本对算法有效性进行了数值验... 相似文献
11.
12.
13.
14.
15.
针对微机电系统(MEMS)加速度计的随机噪声对输出信号干扰的情况,提出了对加速度计噪声源及噪声类型进行辨识、估计与建模,并确定误差补偿的降噪方法,以提高加速度计精度.采用Allan方差分析法对MEMS加速度计的随机噪声进行分析,得到了影响MEMS加速度计性能的几种主要随机噪声,使用自回归滑动平均模型(ARMA)对加速度计输出数据进行数学建模,以最终预测误差(FPE)准则确定使用的模型与阶次.设计了Kalman滤波算法,对加速度计进行降噪,通过Allan方差方法对Kalman算法滤波效果进行分析.实验结果表明:Kalman滤波能有效降低加速度计的随机噪声. 相似文献
16.
早期诊断轻度认知障碍是干预阿尔茨海默症的有效途径.目前常使用静息态功能磁共振成像和机器学习方法进行轻度认知障碍的辅助诊断,其关键是使用血氧水平依赖(blood oxygenation level dependent, BOLD)信号构建大脑的功能性连接.针对大脑静息态BOLD信号中存在各种外界噪音干扰的问题,提出结合多元经验模态分解与皮尔逊相关的重构方法与极正极负重构准则,将大脑默认模式网络的中心节点后扣带回皮层作为模板,重构BOLD信号以降低外界噪音干扰.实验结果表明,基于极正极负重构准则降噪后的BOLD信号构建功能性连接,相较降噪前的数据,在分类性能方面可以提高数据的差异性,在特征选择性能方面可以对数据集降维的同时进一步提升分类性能.此外,以上性能均优于传统重构准则.最后,对降噪后的最优特征子集进行统计性分析,发现脑岛可能是默认模式网络的相关脑区,小脑蚓体与后扣带回皮层可能构成一种认知功能补偿网络,这是以往研究中少有提出的结论. 相似文献
17.
18.
19.
在水声信号分类应用中,由于保密或采集条件限制等原因,样本通常会不足,导致深度学习框架的分类精度不高.为解决小样本水声信号分类精度不高的问题,提出一种结合频谱变换和深度学习框架的方法.通过对各类频谱变换测试,发现LOFAR频谱变换能显著提高声音信号中的特征表现.使用GAN网络对频谱变换后的样本扩充,使用改进的CNN网络对频谱图进行分类.实验结果表明了上述框架可以生成高质量的样本,显著提高水声信号的分类精度. 相似文献