基于有限元法的超声相控全矩阵检测与成像仿真

全矩阵超声相控阵成像技术具有信噪比好、缺陷分辨率高等优点,近年来在无损检测领域获得广泛研究.基于全矩阵数据采集理论和全聚焦成像算法原理,采用有限元法建立超声相控全矩阵检测模型,该模型以钢板中的圆孔缺陷检测为研究对象,提取检测模型中超声纵波幅值信号进行分析.仿真结果显示,采集到的全矩阵A扫描数据具有对称性,且全聚焦算法能有效地实现缺陷的反演成像.成像结果进一步表明,与常规B扫描检测模型相比,该全矩阵模型能准确定位缺陷位置且成像效果较好.而对于某一特定检测介质的全聚焦成像,不同的阵元数成像效果也不同,可以通过数值模拟确定最优的阵元数.     

基于蚁群算法的径向基网络漏磁信号二维反演

利用蚁群算法的并行寻优特征和一种自适应调整挥发系数的方法,寻找径向基函数(RBF)网络基函数的中心点,能够大大提升网络的鲁棒性及训练速度.将优化算法下的RBF神经网络应用于漏磁信号的二维反演中,能够在训练样本较少的情况下快速地得到更为准确的缺陷模型,更好地满足了漏磁检测的实时性和在线性.实验结果表明,该方法能够达到预期...     

改进的变步长LMS自适应滤波算法分析

通过建立步长因子μ与误差信号e(n)之间的非线性函数关系,提出了一种改进的自适应变步长最小均方(LM S)算法。该算法克服了LM S算法在自适应稳态阶段μ取值偏大的缺陷,具有在误差e(n)接近零处缓慢变化的特点。该算法还具有初始阶段和未知系统时变阶段步长自动增大而稳态时步长很小的特点,解决了收敛时间和稳态误差的矛盾。将该算法对比一般的变步长算法,该改进算法在平稳过程中具有更小的稳态误差,同时还具有更好的跟踪时变系统的能力。     

基于改进人工蜂群算法的漏磁缺陷轮廓重构

漏磁缺陷重构是指由检测到的漏磁信号重构缺陷轮廓及参数,是实现漏磁反演的关键。将局部最优解和全局最优解引入到人工蜂群算法(Artificial Bee Colony Algorithm,ABC)中,提出了一种基于改进人工蜂群算法的缺陷重构模型。在该模型中,径向基函数神经网络作为前向模型求解漏磁信号,改进人工蜂群算法用于求解反演问题中的优化问题。将改进人工蜂群算法和基本人工蜂群算法作为反演算法进行了比较,实验结果表明,改进人工蜂群反演算法精度较高,速度较快,同时对实测信号具有鲁棒性,是一种有效可行的漏磁反演新方法。     

基于对数函数的归一化变步长LMS算法

归一化LMS算法是用步长与输入信号功率的比值,对步长的归一化,但其使用的全局步长因子是固定的,会出现不能同时兼顾收敛速度和稳态误差的问题。为了解决这一问题,将该算法与基于对数函数的变步长LMS算法相结合,提出了一种基于对数函数的归一化变步长LMS算法。基于对数函数的归一化变步长LMS算法是利用步长μ和误差e满足的一种归一化的对数关系,通过误差e来调整步长μ,使得步长μ始终在一个合适的范围内。仿真结果表明,新算法在收敛速度和稳态误差方面都优于归一化LMS算法和基于对数函数的变步长LMS算法。     

基于正态分布曲线的分段式变步长LMS算法

针对传统最小均方误差(Least Mean Square, LMS)自适应滤波算法由于步长固定,在解决稳态误差与收敛性之间的关系时,始终处于矛盾状态的问题,在对传统的固定步长LMS自适应滤波算法分析的基础上,根据变步长LMS自适应滤波算法的步长调整原则,通过构造步长因子与误差信号的非线性函数,提出了一种基于正态分布曲线的分段式变步长LMS自适应滤波算法,并分析了参数取值对算法性能的影响。针对实际信号处理过程中参考信号难以选取的问题,提出了一种基于分裂阵的参考信号选取方法。理论和海试数据分析结果表明:该算法的收敛速度和稳态误差明显优于固定步长的LMS自适应滤波算法和基于Sigmoid函数的变步长LMS自适应滤波算法。     

融合动量项的步长自适应盲源分离算法

为进一步缓解盲源分离算法收敛速度与稳态误差之间的矛盾,首先在自然梯度算法的基础上,通过融合动量项改善算法的收敛速度,基于分离性能指标的步长自适应减小稳态误差;然后,给出了所提算法的模型图,同时考虑分离性能和计算复杂度,选择合适的融合动量项算法,并设计了算法的近似最优参数,有效避免了算法的分段收敛;最后,合理选择步长与动量项的权重系数,有效改善了分离性能与收敛速度。仿真结果表明:该算法在一定程度上缓解了上述矛盾,并具有较低的计算复杂度。     

基于小字典训练的语音增强算法

文章提出一种基于小字典训练和过完备稀疏表示的语音增强算法。该算法通过构造过完备的小字典并使用带噪语音的幅度谱对其进行训练来实现。训练过程中通过不断地使用K-SVD算法更新字典矩阵和相应的稀疏系数矩阵来实现对纯净语音的提取,达到语音增强的效果。该方法不同于传统增强算法需要对噪声进行估计与抑制,而是通过稀疏表示将纯净语音从带噪语音中分离出来。主客观测试结果表明,本文方法较好地消除了随机噪声,低信噪比情况下增强效果明显优于传统算法,且能够避免产生音乐噪声。     

基于AM-LFM与BOMP的ISAR成像算法

对含微动运动的目标进行稀疏孔径逆合成孔径(ISAR)成像时,基于Chirplet分解和压缩感知(CS)的成像算法存在运算效率低、重构精度与鲁棒性差等问题。针对上述算法中存在的不足,提出了基于调幅-线性调频(AM-LFM)分解和贝叶斯正交匹配追踪(BOMP)的改进微动目标成像算法。应用该改进压缩感知(CS)算法进行微动目标成像,实验结果表明:由于改进算法采用AM-LFM分解和BOMP重构,提高了重构精度、鲁棒性与运算效率,成像效果比原算法更好。     

基于轮廓波变换的图像压缩感知处理

由于轮廓波变换(contourlet transform)能够更好地对图像进行稀疏表示。文章提出了基于轮廓波变换的图像压缩感知算法。将图像进行轮廓波变换后得到图像的稀疏表示,采用随机高斯矩阵对高频系数进行测量,实现数据压缩,然后采用正交匹配追踪算法恢复系数,再进行轮廓波反变换重构图像。实验结果表明,与原压缩感知算法相比,该算法有效地提高了重构图像质量的主观视觉效果和峰值信噪比。     

等步长目标搜索方法中步长对搜索结果的影响

研究了距离选通水下成像系统中基于等步长的目标搜索方法,给出了基于等步长目标搜索方法的搜索策略和目标存在的判别准则,对等步长目标搜索方法中不同步长对目标搜索结果的影响进行了仿真分析和实验,结果表明了所提出的判别函数和判别准则的正确性和步长对目标搜索结果的影响分析的正确性。     

基于面积比矩阵的加权特征向量点匹配算法

提出一种在仿射变换下点集关系描述算子--面积比矩阵,证明了其在仿射变换群下的不变性质;并由该性质推导得出特征向量(EA)匹配算法抗噪性能差的原因,在此基础上给出了基于面积比矩阵的加权特征向量算法.算法构造不同图像的面积比矩阵,对矩阵进行分解得到其特征值和特征向量,通过特征值进行加权获得图像中点的特征向量,比较图像点的特征向量获取匹配关系.因面积比矩阵的仿射不变性质,算法能实现仿射变换下点集精确匹配;采用的加权特征向量法改进了EA匹配法,具有更好的抗噪性能.实验表明算法切实可行.     

冲击噪声环境中波束域DOA估计方法研究

研究了冲击噪声环境中波束域波达方向(direction of arrival,DOA)估计问题。在冲击噪声环境下,基于共变和分数低阶矩的ROC-MUSIC和FLOM-MUSIC方法稳健性较差。为了改进空间谱估计性能,首次将波束空间处理应用于共变系数矩阵和分数低阶矩矩阵中,定义了新的波束域共变系数矩阵和波束域分数低阶矩矩阵,提出了新的波束域ROC-MUSIC(BROC-MUSIC)算法和波束域FLOM-MUSIC(BFLOM-MUSIC)算法。理论分析表明,可以通过波束域共变系数矩阵和波束域分数低阶矩矩阵的特征分解来估计噪声子空间,从而实现对信源的DOA估计。计算机仿真结果证明了算法的有效性和正确性。     

灰色关联投影法的威胁排序算法

威胁评估与排序是作战系统和C4I系统必须具备的重要功能.结合多指标决策理论和灰色系统理论,提出了基于多指标决策灰色关联投影法的威胁排序算法.首先通过建立灰色关联判断矩阵将威胁排序转化为多指标决策问题;其次为缩小极端值的影响提出了基于信息熵的威胁指标权重算法;最后从矢量投影角度应用灰色关联投影值进行威胁排序;并分别研究了分辨系数和指标权重对威胁排序的影响.通过现代防空作战实例验证了算法的有效性和工程实用性.     

一种改进的次级通道辨识算法

为提高次级通道的辨识精度、减小辨识误差对自适应控制的影响,以横向滤波器作为估计模型,分别应用带遗忘因子的最小二乘递推算法和变步长最小均方算法来对横向滤波器的权系数进行了更新,并对两种算法的辨识精度和控制效果进行了对比。结果表明:变步长最小均方算法的性能优于带遗忘因子的最小二乘递推算法,但变步长算法仍存在收敛速度过慢、辨识残差较大的问题。为此,提出一种改进的变步长最小均方算法,并对其进行了实验验证。实验结果表明:改进之后的变步长最小均方算法的辨识精度满足控制要求,收敛速度较快。     

一种基于线性预测的语音认证算法

针对传统语音认证算法不适用于资源受限的移动通信终端语音通信的实时性要求,提出了一种高效的基于线性预测分析的语音认证算法。该算法基于语音信号的线性预测分析的原理对LPC系数参数进行优化,并对构成的LPC系数矩阵进行后处理、非负矩阵分解和量化,形成感知特征序列。实验结果表明:所提算法对于内容保持操作具有良好的鲁棒性,并且运算效率没有降低,可以满足语音通信实时性的要求。     

一种新的变步长LMS自适应滤波算法

通过建立步长因子μ与误差信号e之间的非线性关系,提出一种新的基于抽样函数的变步长LMS算法,并进行了计算机仿真.结果表明,该算法除了具有传统LMS算法计算量小、稳定性较好、简单易于实时处理等优点外,其收敛速度、稳定性以及跟踪速度均优于传统固定步长LMS算法抽样函数、SVSLMS算法.     

基于阵列天线的归一化变步长抗干扰算法研究

针对阵列天线的自适应抗干扰方法,研究了线性约束最小方差(LCMV)算法,并对其收敛性进行分析,提出归一化变步长线性约束最小方差(LCMV)算法。该方法解决了定步长自适应算法收敛速度和稳态误差不能同时满足的难题,避免了协方差矩阵求逆运算,减小了运算量,便于工程实现。通过仿真和实验表明,该算法收敛速度快,能在干扰方向上形成很深零陷,干扰抑制效果好。     

改进的萤火虫算法优化BP神经网络及应用

针对传统萤火虫算法存在收敛速度慢和易陷入局部最优解的问题,将传统的固定搜索步长修改为与个体分布密度相关的自适应调整步长,提出了自适应步长萤火虫算法。将自适应步长萤火虫算法和BP神经网络结合,通过自适应步长萤火虫算法寻优,获取BP神经网络最优的权值和阈值,并将其作为BP神经网络的初始参数进行训练,以提高BP神经网络的训练精度和速度。以弹道导弹突防效能评估为例,构建突防效能评估指标体系,建立基于改进BP神经网络的弹道导弹突防效能评估模型。算例分析和仿真试验表明,采用自适应步长萤火虫算法优化的BP神经网络计算结果准确率高、收敛性强,在弹道导弹突防效能评估中具有推广应用价值。     

基于GPU的SAR成像层次化并行处理研究

针对SAR成像处理具有的内在并行性,提出了一种基于GPU的SAR成像层次化并行处理方法。首先分析了SAR成像处理过程中信号的并行性,对任务进行了层次化分解与组合,设计了层次化并行的CS成像算法;然后通过CUDA编程将并行成像算法映射到CPU+GPUs系统平台上,实现了层次化并行成像处理;为了检验并行处理效果,采用原始数据进行了SAR成像处理实验。实验结果表明,在几乎没有损失图像质量的情况下,层次化并行处理获得了较高的加速比。