基于改进希尔伯特-黄变换的进动目标周期估计

针对进动目标的微多普勒周期估计问题,提出了一种基于改进希尔伯特-黄变换的提取算法。该算法通过将希尔伯特-黄变换中的经验模态分解（EMD）替换为完备总体经验模态分解（CEEMDAN）,对目标回波信号进行分解得到各本征模态函数（IMF）后,再对IMF进行希尔伯特谱分析,从该希尔伯特谱中提取出目标信号中的微多普勒周期。仿真表明,所采用的方法能有效地克服EMD算法噪声环境中性能较差的缺陷,在低信噪比条件下具备较好的性能。     

基于EEMD方法的混合信号分离识别

针对宽开通信侦察系统中的多信号分离问题,提出了一种总体平均经验模式分解(EEMD)方法。首先对混合信号进行去噪,进行功率谱估计,然后利用EEMD方法对混合信号进行分解得到一簇本征模态函数IMF(Intrinsic Mode Function),对代表单个信号的IMF进行Hlibert变换,得到与各阶IMF相对应的瞬时频率,确定信号的个数,估计出其载波频率,设计出相应的带通滤波器,分离出单个信号。最后设计决策树对分离出的单个信号进行调制识别,确定信号的种类。文中以三个信号组合ASK、BPSK、2FSK为例,通过仿真验证了方法的有效性。     

基于希尔伯特-黄变换的海杂波特性分析

在雷达探测区域内,海杂波是影响雷达探测性能的主要因素.对于高分辨雷达而言,海杂波具有明显的非线性、非平稳性,针对这一特性,小波变换被广泛应用,但不可避免地具有窗函数的局限性.希尔伯特-黄变换作为一种新兴的自适应信号处理方法,应用简便,妥善避免了W.Heisenberg不确定性原理的限制,对于处理非线性,非平稳信号有着清晰的物理意义与应用前景.把上述两种方法应用于海杂波特性分析,比较两者的优缺点.结果表明,希尔伯特-黄变换具有更好的时频聚集性.     

EMD降噪与小波变换在轴承故障诊断中的应用

在轴承故障诊断中,为降低噪声对小波变换的干扰,提出了先用经验模态分解、再用小波变换对信号进行分析的综合处理法.在用经验模态分解方法的自适应性对信号进行分解的基础上,选用峭度值优选贡献率高的固有模态函数重构信号,计算其自相关函数,然后进行小波变换,得到分解后细节信号的级联谱,对效果最好的分量进行Hilbert解调.该方法解决了噪声对弱故障信号干扰导致诊断效果不明显的问题,提高了小波变换的故障识别率和效率.轴承滚动体点蚀故障试验结果表明:该方法能有效提取轴承滚动体故障特征,与传统包络解调相比具有更好的效果.     

小波变换在漏磁检测信号处理中的应用

在对军用装备进行漏磁无损检测时,漏磁信号中含有大量噪声,针对这种情况,介绍了小波变换消噪理论.在数字化实现中,离散小波变换是利用Mallat分解与重构算法来完成.仿真试验中,选取二阶样条小波为小波函数,对从漏磁检测装置中采集到的漏磁信号进行消噪.结果表明将小波变换应用于炮管漏磁检测中,能提高检测信号的信噪比和抗干扰能力.为漏磁信号分析、特征提取和缺陷漏磁反演打下了基础.     

一种新的时频分析方法

首先分析了传统时频分析方法的特点及其局限性,而后评述了一种最新的适用于非平稳、非线性信号的通用的时频分析方法--基于经验的模式分解及希尔伯特变换谱,指出了该方法需进一步研究的有关问题     

基于小波变换速变非平稳信号的消噪

本文针对遥测速变数据中噪声干扰有用信号分析的处理问题,提出了基于小波分析理论, 利用二进制小波变换对含噪信号进行小波分解,然后选取适当的阈值,对小波分解系数进行阈值量化,最后再对高低频系数重构,实现信噪分离.并在导弹试验数据中得到了验证.分析结果表明小波变换是非平稳信号消噪一种有效方法.     

基于ICEEMDAN和小波阈值的Φ-OTDR信号去噪算法

针对分布式光纤声波传感系统信号信噪比较低的问题,提出了一种改进的自适应噪声完全集成经验模态分解方法。改进方法利用样本熵和小波阈值去噪算法,从高噪声分量中提取有效成分。通过改进的自适应噪声完全集成经验模态分解(ICEEMDAN,Intrinsic Computing Expressive Empirical Mode Decomposition With Adaptive Noise)对实际采集的信号进行分解,计算样本熵,将其中的含噪分量进行小波阈值去噪,最后与未处理的信号分量进行重构。实验结果表明,对实采的信号进行降噪处理后,信噪比提高了5.34 dB,均方误差降低了0.014 8,波形互相关系数提高了5.7%。与其他常用的去噪方法相比,该方法不仅在信噪比方面表现更优秀,而且在均方误差和波形互相关系数方面也具有更好的性能,能够更好地保留有用信号。     

基于EMD和四阶混合累积量的船舶轴频电场检测

为实现低信噪比情况下微弱的船舶轴频电场信号的有效检测,提出了一种结合经验模态分解(empirical mode decomposition,EMD)和四阶混合累积量对角切片滑动功率谱的方法。首先,利用EMD将信号自适应地进行子带分解,对得到的本征模态函数(intrinsic mode functions,IMF)采用相关系数准则进行筛选;然后,利用高阶累积量可抑制高斯色噪声的特性,计算各有效IMF分量的四阶混合累积量对角切片的功率谱,并进行了多子带中的滑动检测。实测数据处理结果表明:该方法具有较好的应用价值。     

基于VMD多尺度熵和ABC-SVM的装甲车辆识别

针对新型作战体系下以装甲车辆为主的地面目标的被动声识别问题,为实现不同车型在不同工况下的声识别,以常见的3种坦克和4种履带式装甲车为识别对象,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和人工蜂群(Artificial Bee Colony,ABC)算法优化的支持向量机(Support Vector Machine,SVM)相结合的装甲车辆声识别模型。首先,采集不同工况下的车辆噪声信号并进行频谱分析,证明了VMD分解的可行性;其次,对样本信号进行VMD分解,得到不同尺度的本征模态函数(Intrinsic Mode Function,IMF)并进行多尺度模糊熵(Multi-scale Fuzzy Entropy,MFE)的计算,得到多尺度模糊熵特征(VMD-MFE);然后,利用优化算法对SVM进行优化,得到最优参数优化的分类器模型;最后,对噪声信号进行特征提取和分类实验。结果表明:VMD的分解效果优于经验模态分解(Empirical Made Decomposition,EMD)和集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD);与引力搜索算法(Gravitational Search Algorithm,GSA)和布谷鸟搜索(Cuckoo Search,CS)算法相比,ABC算法得到的优化模型ABC-SVM具有更高的识别率,可达94. 14%以上。     

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。     

面向癫痫脑电的简化深度学习模型

针对脑电信号随机性强、动态变化迅速等特点,提出了一种简化深度学习模型研究癫痫脑电识别问题。提出的模型以一维卷积神经网络为基础,在结构方面简化了卷积层、池化层等以提高模型效率,在整体框架方面应用了Keras框架,在训练优化算法方面采用RMSProp算法作为模型优化算法,通过预定义的目标函数来进行损失估计,模型设计上加入了批标准化层和全局均值池化层。基于所提模型,从三个方面研究了癫痫脑电识别问题,即:利用经验模态分解,分别选取前三阶、前五阶、前七阶、前八阶的本征模态函数分量,在简化模型上进行对比分析;利用提出模型所具备的深度学习特点,直接识别原始脑电信号而无须特征提取环节;增加了三种不同方法分别提取7类特征,对相同的脑电数据进行对比分析。性能分析结果表明:对于五类不同的脑电信号,前三阶的本征模态函数分量的识别率达到92.1%,比其他几种处理方式识别率高;前八阶的本征模态分量识别率不及原始信号,表明人工数据处理时会给数据带来噪声; 所提出的简化深度学习模型能高效处理癫痫脑电识别问题,具备较高效率和较好性能。     

Hilbert-Huang变换能量谱在轴承故障诊断中的应用

H ilbert-Huang变换是先把时间序列信号用经验模态分解方法分解成不同特征时间尺度的固有模态函数,然后经过H ilbert变换获得频谱的信号处理新方法。介绍了该方法的基本原理,并将H ilbert-Huang变换的能量谱应用于轴承故障诊断,轴承故障实验信号的研究结果表明:H ilbert-Huang变换的能量谱分析方法,能有效地诊断轴承的故障。     

含噪混合盲扰信分离中联合降噪技术研究

针对盲扰信分离技术在含噪混合条件下分离效果差的问题,文章采用经验模态分解和小波变换联合的降噪技术进行分离前的消噪预处理,研究了联合降噪的三种模式,分别对其降噪效果进行了仿真分析,得到了一种较好的联合降噪模式。将该模式与无噪环境下的盲分离算法相结合,弥补了经典盲源分离算法处理含噪混合盲扰信分离的不足。仿真结果表明该算法在一定范围的低信噪比条件下,能够从含噪的混合信号中恢复出通信信号源。     

基于改进的软阈值小波包网络的电力信号消噪

为了克服传统软、硬阈值在信号消噪中存在的不足,首先构造了一种新的软阈值函数,并将小波包变换和神经网络相结合;然后,基于改进的软阈值小波包网络对实际采集电力信号进行消噪。MATLAB仿真结果表明:改进的软阈值小波包网络比传统硬、软阈值小波包消噪的信噪比高,且均方根误差小,是一种非常有效的电力信号消噪方法。     

小波变换在红外脉冲幅值序列算法中的应用

针对四元探测器信号处理中的脉冲幅值序列算法,提出了用小波变换进行序列数据分析和目标识别的方法。通过分析红外干扰弹的工作过程和其辐射能量变化与典型目标辐射的差异,选择db3小波函数对提取出的脉冲幅值序列进行小波分解和重构,有效地区分了目标信号和干扰弹信号,提高了四元探测器抗红外干扰和识别目标的能力。     

基于HHT军用电源逆变器电力谐波检测分析

电能逆变器是军用电源系统的核心,为提高军用电源输出电压电力谐波分析效果,提出改进型希尔伯特-黄变换(HHT)方法的检测分析方法,并设计基于LabVIEW平台的电压谐波检测和分析装置。在研究双闭环控制策略的基础上,针对模态混叠问题,先使用数字滤波器对输出电压信号进行预处理,再进行改进HHT分析,得到输出电压谐波分量的幅频分布,并利用MATLAB对军用电源逆变器模型进行仿真。结果表明该方法可以对军用电源变换器输出谐波分量实时检测和分析,计算精度高,分析效果好,为下一步的谐波抑制方法研究提供有力支持。     

基于改进型小波阈值的磁记忆信号去噪研究

磁记忆检测信号易被外界噪声污染,使缺陷信号的可检测性受到极大影响。为消除噪声信号的不利影响,通过优化传统算法进行了磁记忆信号的消噪。硬阈值去噪得到的估计小波系数值连续性差,并会引起重构信号的振荡;而软阈值去噪会与原来的小波系数存在恒定偏差。在软、硬阈值函数的基础上,提出了一种改进型阈值函数,该阈值函数在一定程度上克服了传统方法的不足之处。仿真试验结果表明了改进型阈值函数对去除磁记忆信号噪声的适用性。     

基于高阶谱净化的水声目标宽带调制信号检测

针对水声目标解调谱轴频提取中低信噪比和低频信号干扰严重的问题,给出了一种检测水声目标辐射噪声宽带调制信号的方法。首先利用希尔波特变换解调出信号包络,进而计算出解调谱;根据螺旋桨桨叶旋转产生的调制线谱存在明显的谐波关系,利用高阶累计量对角切片对解调谱进行净化;根据线谱波形特征进行线谱检测识别得到比较干净的线谱成分。通过实际舰船噪声检验分析,该调制信号检测方法能够较好的检测出水下目标辐射噪声中调制线谱的基频以及谐波成分。     

改进的最优小波基选取方法与跳频信号检测研究

跳频通信因其良好的抗干扰性和低截获性,在军事通信中备受青睐。因其在军事通信中的重要作用,研究跳频信号的检测方法显得尤为紧迫。基于小波分解与希尔伯特-黄变换的跳频信号检测方法,有效地解决了跳频信号检测过程中时间分辨率和频率分辨率不能同时兼顾的问题,提高了跳频信号检测的精度。在此基础上对最优去噪小波基的选取问题进行了深入研究。通过改进信噪比与信噪比增益这个小波去噪质量评价指标,提出了改进的最优小波基选取方法,有效地解决了非合作通信中信号真值未知情况下最优小波基的选取问题。同时利用这一方法成功实现了跳频信号的检测,为检测跳频信号提供了新思路。