基于Neyman-Pearson准则的自适应门限干扰抑制算法

针对制约变换域通信系统抗干扰性能的门限抑制问题,提出了基于Neyman-Pearson准则的自适应门限干扰抑制算法。从硬件实现角度,通过干扰提取模块和自适应门限比较器,建立干扰抑制系统;根据环境频谱,基于高斯分布和N-sigma原理,确定初始门限和虚警概率;提出了基于Neyman-Pearson准则的自适应门限算法,在约束条件下保证检测概率最大化。仿真结果表明,该自适应门限算法能够有效抑制多音干扰和线性调频干扰,干扰的剔除效果较好;同时具有良好的检测性能,较传统的双门限检测概率提高约3.14%的性能增益。     

基于AFSA-WNN的Sallen-Key滤波器电路软故障诊断

为提高对Sallen-Key滤波器的软故障诊断能力,提出一种基于多分辨率变换与小波神经网络(WNN)的软故障诊断方法。该方法先引入多分辨率变换提取Sallen-Key滤波器电路的软故障特征,在此基础上,采用人工鱼群算法优化的WNN构建电路软故障诊断模型。仿真结果表明,与单纯的WNN相比,所提出方法对电路软故障的诊断性能更好,总正确率达到94.1%。从而证明该方法用于Sallen-Key滤波器软故障诊断是可行的,也是有效的。     

火炮射击冲击加速度信号提取方法研究

火炮结构在受到射击产生的冲击时易发生故障,最终影响火炮的寿命和性能。故障信号通常淹没在冲击加速度信号中,不易被识别。针对上述问题提出一种基于经验小波变换(EWT)和能量算子的信号提取方法,通过能量算子增强冲击响应特征,改进传统EWT的频谱分割方法,将火炮加速度信号分解为多个模态,有效地提取火炮的冲击特征。实验表明,改进后的EWT方法相对传统EWT对故障信号提取效果更好,时频图表现更清晰。     

希尔伯特-黄变换在脉冲涡流信号消噪与识别中的应用

针对传统方法无法有效识别不同尺寸细小裂纹所产生的脉冲涡流信号,提出一种基于希尔伯特-黄变换的脉冲涡流信号消噪与识别算法。对脉冲涡流信号进行集成经验模态分解并通过归一化自相关函数及其方差特性分选出含有噪声的本征模态函数;对含噪声的本征模态函数进行阈值消噪并与未做处理的本征模态函数重构成无噪声信号;对无噪声信号进行希尔伯特-黄变换并计算出希尔伯特边际谱;根据希尔伯特边际谱的差异识别出不同细小尺寸的表面与下表面裂纹。实验结果表明了所提方法的有效性,经过集成经验模态分解消噪,消除了噪声对脉冲涡流信号的干扰;而基于希尔伯特-黄变换的方法则能够有效识别出不同尺寸的裂纹。     

小波变换在零件边缘检测中的应用

目前对机械零件的尺寸、口径等参数的测量大多采用接触测量,而利用零件图像的边缘信息进行非接触测量,则是一种新的更好的检测方式。用此方法可以对机械零件图像的边缘进行精确的检测,再根据相应的数学关系得到相关参数的值,不但可以提高零件检测的精度,还可以大大节省人力和物力。模拟边缘检测技术的具体过程,依次采用最佳阈值迭代算法、小波变换模极大值法、边缘连接局部处理法对零件图像边缘信息进行边缘检测和提取,并对检测过程进行了重点分述。最后,通过一个具体实验,验证了小波技术与其他技术结合使用所获得的良好效果,从而进一步显示了小波变换在边缘检测技术中应用的巨大潜力。     

基于二代小波的三维虚拟人脸的LOD简化模型研究

针对三维虚拟人脸数据量大的问题,结合曲面多分辨率细分模型,首次提出了具有C2连续光滑的对称性双正交三次B样条小波的快速提升构造方案。算法通过引入 s-lift和w-lift算子,根据B样条的两尺度及小波二阶消失矩关系构造了l和h滤波器。定义了一个与顶点角标无关的提升运算以得到一个平面张量积形式的B样条小波函数,从而将提升构造算法推广到二维,研究了三维人脸网格曲面的张量积小波变换LOD控制算法。对误差计算进行了定义和分析,并对三维人脸的LOD小波控制算法进行了优化。结果表明:二代小波LOD模型压缩率高,人脸曲面失真度小。     

一种基于Hough变换的线型群体队型识别方法

作战群体的队型是作战群体的重要属性之一,它往往反映了群体中各成员之间的协作关系,直接体现着该群体近期的作战意图、身份及威胁等态势信息。为了给指挥人员的态势评估及军事指挥提供更多深层次的战场信息,从而为其决策提供更好的支持,重点研究了作战群体线型队型的识别问题。利用Hough变换的点线对偶特性,给出了线型队型的模板建模方法,提出了基于参数点聚类的线型队型特征提取方法,进而给出了基于模板匹配的线型队型识别方法。仿真实验表明,该方法是行之有效的。     

基于二维小波变换的空间目标识别算法

对于空间目标识别这个具有挑战性的研究课题,提出了基于二维小波变换的空间目标识别算法。该算法首先对空间目标的ISAR像进行二维小波变换,然后从近似分量和细节分量中提取奇异值特征,最后应用径向基函数(RBF)神经网络进行分类识别。计算机仿真实验表明,该算法取得了比较好的识别效果。