A novel noise reduction technique for underwater acoustic signals based on complete ensemble empirical mode decomposition with adaptive noise,minimum mean square variance criterion and least mean square adaptive filter

Underwater acoustic signal processing is one of the research hotspots in underwater acoustics. Noise reduction of underwater acoustic signals is the key to underwater acoustic signal processing. Owing to the complexity of marine environment and the particularity of underwater acoustic channel, noise reduction of underwater acoustic signals has always been a difficult challenge in the field of underwater acoustic signal processing. In order to solve the dilemma, we proposed a novel noise reduction technique for underwater acoustic signals based on complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN), minimum mean square variance criterion (MMSVC) and least mean square adaptive filter (LMSAF). This noise reduction technique, named CEEMDAN-MMSVC-LMSAF, has three main advantages: (i) as an improved algorithm of empirical mode decomposition (EMD) and ensemble EMD (EEMD), CEEMDAN can better suppress mode mixing, and can avoid selecting the number of decomposition in variational mode decomposition (VMD); (ii) MMSVC can identify noisy intrinsic mode function (IMF), and can avoid selecting thresholds of different permutation entropies; (iii) for noise reduction of noisy IMFs, LMSAF overcomes the selection of decomposition number and basis function for wavelet noise reduction. Firstly, CEEMDAN decomposes the original signal into IMFs, which can be divided into noisy IMFs and real IMFs. Then, MMSVC and LMSAF are used to detect identify noisy IMFs and remove noise components from noisy IMFs. Finally, both denoised noisy IMFs and real IMFs are reconstructed and the final denoised signal is obtained. Compared with other noise reduction techniques, the validity of CEEMDAN-MMSVC-LMSAF can be proved by the analysis of simulation signals and real underwater acoustic signals, which has the better noise reduction effect and has practical application value. CEEMDAN-MMSVC-LMSAF also provides a reliable basis for the detection, feature extraction, classification and recognition of underwater acoustic signals.     

基于小波包分解和样本熵的电磁干扰分析方法

为了定量分析不同状态下电磁环境的变化,并有效提取电磁环境变化的干扰特征,提出了基于小波包分解和样本熵的电磁干扰分析方法.首先,时电磁环境的样本信号进行小波包分解,然后分别计算分解后备频带信号的能量谱系数和样本熵,通过能量谱系数和样本熵这两个指标的对比,综合判断电磁环境是否发生变化.仿真分析表明:样本熵可以弥补能量谱系数...     

小波相关特征尺度熵在滚动轴承故障诊断中的应用

将小波相关滤波方法与Shannon信息熵相结合,提出了一种故障检测与诊断的方法——小波相关特征尺度熵故障法。首先利用小波相关滤波方法提取滚动轴承故障振动信号的微弱故障信息特征,以求得信噪比较高的尺度域小波系数;然后结合Shannon信息熵理论给出了沿尺度分布的小波相关特征尺度熵定义及其计算方法。小波相关特征尺度熵能够定量表征不同尺度的能量分布,各尺度能量分布的均匀性可以反映滚动轴承的运行状态的差别,选取最能反映故障特征的小波相关特征尺度熵作为特征参数,通过所选取的小波相关特征尺度熵大小判断滚动轴承的工作状态和故障类型。实验证明该方法能有效地判断滚动轴承故障特征,为滚动轴承故障诊断提供了新的思路。     

基于不同能量值特征优选的水声目标识别

采用Bartlet平均周期图、小波变换和经验模态分解方法分别提取信号的频段能量值特征、IMF能量值特征，重点对IMF能量值特征进行特征优选。通过设计BP神经网络分类器，对实测的四类舰船目标的辐射噪声信号进行测试，取得了较好的识别效果。     

基于最优Morlet小波的全信息能量熵提取及其在滚动轴承状态监测中的应用

为利用振动信号中隐含的冲击特征成分来反映轴承性能退化趋势,综合利用小波变换技术和全信息技术,提出一种基于最优Morlet小波变换的全信息能量熵提取方法．以最小Shannon熵优化Morlet小波形状参数,通过多源振动数据的小波变换系数,利用信息熵综合反映冲击特征能量在不同频带分布差异．滚动轴承全寿命数据的应用结果表明,全信息能量熵的变化趋势能够监测轴承状态的劣化过程,而伴随的早期故障检测可以提高轴承使用的安全性．     

基于VMD和SVM的舰船辐射噪声特征提取及分类识别

针对复杂海洋背景下舰船声频辐射噪声特征提取困难的问题，提出一种基于变分模态分解、中心频率、复杂度特征和支持向量机的舰船辐射噪声特征提取及分类识别方法。对四类舰船辐射噪声信号使用变分模态方法分解，得到一定数量的固有模态函数。通过比较提取能量最大的固有模态函数中心频率和排列熵作为特征参数，并利用支持向量机方法对四类舰船信号样本进行分类识别。实验结果表明，该方法可以实现对舰船辐射噪声的特征提取，与已有方法对比，该方法具有较高的识别率。     

分形信号的滤波算法

提出了分形信号的小波分解与重构的一种快速算法。针对分形信号的自相似和长时相关的特点，采用离散小波变换（DWT）对分形信号进行多尺度分解，使其成为各尺度上的近似平稳信号，从而可利用通常的Wiener滤波或Kalman滤波方法进行估计，然后再由DWT进行多尺度重构，估计出被噪声污染了的原始信号。重点对DWT的滤波过程进行算法设计，并估计了计算复杂度。     

结合振动特征优选和GWOA-XGBoost的电机轴承故障诊断

为解决电机轴承故障状态难以识别,从而造成诊断精度不高的情况,提出了一种基于信号特征提取与极限梯度提升算法(extreme gradient boosting, XGBoost)结合的电机轴承故障诊断模型。使用优化的变分模态分解获得振动信号的固有模态函数(intrinsic mode function, IMF)分量,再基于多尺度熵理论计算各IMF分量的多尺度熵值进行特征重构。在鲸鱼优化算法(whale optimization algorithm, WOA)中引入遗传算法的选择、交叉、变异操作对WOA进行改进。用改进的WOA算法对XGBoost的超参数进行寻优,获得了帮助XGBoost取得最优分类效果的超参数组合,将7种不同故障类型的振动信号进行重构后输入优化的XGBoost模型进行故障诊断。实验结果表明,所提GWOA-XGBoost模型的电机轴承故障诊断精度能够达到97.14%,相较于传统诊断方法,性能提升效果显著。     

面向人机交互的运动想象脑电信号感知算法研究

脑电信号的特征提取与分类识别是脑机交互领域的核心问题。针对运动想象脑电信号的多分类问题,以更好利用包含有用信息的脑电信号频带为目的,提出了基于小波包变换(WPD)和一对多共空间模式(CSP)的特征提取算法。首先使用WPD算法将原始脑电信号分解成一系列子频带,筛选与运动想象活动相关的子频带。然后使用一对多CSP算法进行特征提取。最后对各子频带的特征进行组合并使用BP神经网络进行分类。算法的有效性通过BCI竞赛的基准数据集进行了测试,相交于竞赛结果有了明显提升。     

基于EMD的改进小波阈值降噪法在超声信号处理中的应用

针对超声检测回波信号中的大量噪声,分析了超声检测回波信号的特性,考虑经验模式分解（EMD）和小波哗噪的优点,在改进阈值函数基础上提出一种基于EMD的小波阈值降噪方法．该方法利用EMD对超声信号进行分解,对高频分量用改进小波阈值函数方法进行处理,再结合低频分量重构得到降噪信号．仿真实验结果表明,该方法降噪效果优于小波软、硬阂值降噪,进一步提高了重建信号的信噪比,降低了其均方根误差,是一种可行的超声信号降噪方法．     

基于时频图像三维熵特征的雷达信号识别

针对雷达信号识别算法存在着准确率低以及抗噪性差的问题,提出基于时频图像三维熵特征的雷达信号识别算法。该方法对雷达信号时频变换后得到的时频灰度图提取其香农熵(Sh En)、奇异谱熵(Ss En)和范数熵(No En),并将三维熵值作为信号识别的特征向量,采用支持向量机实现信号的分类识别。仿真实验表明,提出的算法能够在低信噪比下得到较高的正确识别率。     

基于KPCA的作战仿真实验数据特征提取方法

针对作战仿真分析过程中各作战要素的复杂性与非线性,研究了一种基于KPCA的作战仿真实验数据特征提取方法。描述了KPCA特征提取的原理和算法,并将其应用于作战仿真实验数据的空间降维,根据累积贡献率确定新特征的数量。仿真结果表明,该方法与PCA相比具有主成份特征明显、贡献率集中等优点,能够有效综合原始数据的非线性特征,降低原始数据的维数。     

微带及渐变微带中瞬态信号传输特性的小波变换分析

本文利用小波变换对瞬态信号在微带及渐变微带线中的传输特性进行了分析,与传统的傅立叶变换分析相比,小波分析具有速度快、能够分析局部传输特性的优点。文中给出了高斯信号和矩形脉冲信号在微带中及矩形脉冲信号在渐变微带中的传输波形,所得结果对研究超高速与超宽带瞬态信号的传输及电路设计有一定的参考价值。     

小波包变换和支持向量机模拟电路故障诊断方法

为提高模拟电路故障诊断效率,将小波包变换和支持向量机结合起来,提出了一种完整的模拟电路故障快算检测和准确定位的方案.利用小波包变换对电路输出电压信号进行多层分解,提取各频带的能量作为故障特征,给出了具体的特征提取方法;利用支持向量机的多分类一对一方法,完成电路的故障定位,同时实现了小波函数的选择.在一模拟电路的故障仿真实验中,通过与BP,RBF和PNN等神经网络对比,结果显示该方法的诊断效率是很高的.     

邻频干扰对跳频系统通信容量的影响分析

在已知台站布置的跳频系统中,针对邻频干扰对系统通信容量的影响,从信号信息熵角度,分析了接收点干扰信号和噪声的熵功率,利用信号熵和熵功率不等式,推导得出了以信道参数、干扰台站数和可用频点数为变量的系统通信容量公式。仿真结果表明,在干扰台站数较小时,接收点干扰信号的分布取决于信道参数,而不能简单地假设为高斯分布;并验证了所提理论在nakagami信道下的正确性。     

管道导波无损检测回波信号处理方法研究

简述了导波在管道中传播的频散特性,给出了管道导波无损检测实验信号特征.对管道导波检测的回波信号首先进行Hilbert变换,然后对变换后的信号分别进行加窗函数滤波和小波变换,处理后的缺陷信号明显易于辨别.经过分析比较,结果表明了这两种组合方法用于管道导波无损检测信号处理的效果基本一样,在实际检测应用中,选取其中任一组合方法都是可行的.     

2(1/2)谱在直升机声信号特征提取中的应用

介绍了四阶累积量对角切片的一种定义,分析了其傅里叶变换(212谱)在提取三次相位耦合特征方面的良好性能及其估计方法;将其应用于具有三次相位耦合的直升机声信号特征提取。仿真结果表明,利用该方法能够分析信号的三次相位耦合信息,且具有计算方法简单、运算速度快及良好的抑制高斯噪声的优点。实际的数据处理结果验证了该方法的有效性。     

近似熵在发动机故障诊断中的应用研究

介绍了近似熵的概念、主要特点及其算法，提出了基于近似熵的特征提取方法，并且讨论了近似熵值计算中3个参数的选择原则，并对发动机声信号进行了分析处理。通过对比正常状态与故障状态的近似熵值，根据其变化有效地提取发动机故障特征，从而实现了对发动机状态的监测与诊断。实验结果表明近似熵在分析复杂信号特征方面具有很强的能力，在判别机械设备运行状况方面具有很好的效果，是一种行之有效的新方法。     

强背景噪声下电晕放电辐射信号小波阈值去噪和分析

分析电晕放电信号小波阈值去噪中小波基函数的最优选取、分解层数及阈值的确定,并对实测电晕放电信号进行小波阈值去噪。结果表明,选取db8小波作为最优小波基函数,选取双变量阈值函数作为小波阈值函数对电晕放电信号进行小波阈值去噪,放电辐射信号与背景噪声可以得到有效分离,具有很好的去噪效果。     

独立分量分析在液体火箭发动机故障检测中的应用

针对液体火箭发动机试车中,因噪声干扰、不同源信号之间的混叠而造成的信号信噪比低、信号分析和特征提取难度大的问题,提出采用独立分量分析(ICA)法对液体火箭发动机试车信号进行分离,以提高信号的信噪比,并能实时反映各子系统工作过程,为数据分析、特征提取和故障检测与诊断提供可靠的信号。通过对某型液体火箭发动机热试车压强信号进行实例分析,验证了该方法的有效性。