强噪声

摘要： 针对光照不均匀、突发噪声背景下,采用单一图像阈值分割方法兼顾所有像素,会造成图像分割效果较差、噪声平滑程度较低,导致降噪处理图像所丢失的细节较多的问题。提出低光照强噪声背景下图像多阈值分割方法。优化自适应灰度直方图多阈值,采用相应矩阵滤波处理低光照强噪声图像,根据直方图上点的界定,获取图中的背景与目标区域,根据区域对应的频率密度函数分布,得到相关概率公式与方差向量公式,依据不同灰度值的初始图像定义,构建直方图阈值等价判定准则函数,实现最优分割阈值的选取。实验结果表明,在对低光照强噪声的图像处理时,所提方法的图像分割效果较好,噪声平滑程度较高,降噪处理图像所丢失的细节较少。

摘要： 为提升在强噪声背景下对二进制相移键控(binary phase shift keying,BPSK)信号的检测性能,针对主流方法在抑制噪声过程中信号受到一定程度的削弱、信号处理系统引入新噪声导致检测性能下降的问题,提出了基于自适应尺度变换双稳态随机共振模型的BPSK信号检测算法。对于经典的双稳态随机共振系统只能处理小幅度、低频段的周期信号的情况,首先将双稳态随机共振系统进行尺度变换,证明在高采样率条件下,双稳态随机共振系统可应用于高频的BPSK信号,并基于Neyman-Pearson准则设计了非线性阈值检测系统,推导且定量表示出检测器的误码率,以此作为反馈量,自适应地调节系统参数,构建了信号检测的完备流程。通过仿真实验验证了尺度变换的可行性以及所提算法的适用性,为低信噪比条件下的弱BPSK信号检测提供了理论依据。

摘要： 在持续强噪声环境下,为了解决以往使用的傅里叶、自适应随机共振弱信号检测方法存在检测精度低的问题,提出了基于非线性误差校正的强噪声环境下管道泄漏弱信号检测系统设计。使用LC0151T加速度传感器,将电荷集中在一起。使用单运放OP27加法器,将混合信号经过电阻网络进行100倍衰减,应用滤波器得到频域响应输入/输出值。采用PCB布局方式,屏蔽由信号交叉引起的干扰,达到系统抗干扰目的。软件部分设置放大器增益控制功能,依据弱信号检测流程,获取检测后信号,通过非线性误差校正,实现弱信号精准检测。由试验结果可知,在理想输出信号范围内,具有精准检测结果。

摘要： 目的解决在较强的噪声环境下最大二阶循环平稳盲解卷积(MaximumSecond OrderCyclostationary Blind Deconvolution,CYCBD)算法在滚动轴承故障特征提取时效果欠佳的问题,为滚转尾翼导弹的尾翼滚动轴承故障诊断提供方法参考。方法提出一种利用麻雀搜索算法(SparrowSearchAlgorithm,SSA)优化CYCBD算法的方法,将CYCBD算法解卷积的包络谱熵作为SSA寻优的适应度函数,利用SSA高效地寻找出合适的循环频率以及滤波器长度,选择自适应参数后,再使用CYCBD算法有效解卷得到周期脉冲特征。结果同时对比SSA优化CYCBD前后进行故障特征提取的包络谱图,CYCBD的噪声幅值不超过0.13 m/s^(2),峰值不超过0.29 m/s^(2),用SSA优化CYCBD的噪声幅值不超过0.08 m/s^(2),峰值不超过0.32 m/s^(2),故障频率成分更加突显,无论是噪声幅度,还是峰值幅度特性,均较CYCBD有了较大改善。结论仿真实验验证了SSA优化CYCBD方法能够更加清晰地辨识到故障特征频率及其倍频成分,其具有良好的工程应用前景。

摘要： 基于主动Lamb波的结构健康监测方法在实际应用中受结构振动、服役环境强噪声等干扰,使得损伤定位不准确。针对上述问题,提出了一种在强噪声背景下基于改进损伤因子的碳纤维复合材料疲劳损伤概率成像方法。本文方法利用局部加权散点平滑(Locally weighted scatterplot smoothing,LOWESS)算法对经希尔伯特变换(Hilbert transform,HT)后的含噪信号包络进行平滑处理,获得每条传感通道的飞行时间(Time of flight,ToF);然后根据有无损伤情况下的ToF获得改进的损伤因子,并结合损伤概率成像方法实现碳纤维复合材料板内部疲劳损伤定位成像。实验结果表明,在强噪声环境下本文方法能够有效定位结构内部疲劳损伤,提高损伤定位准确性,且本文方法的损伤定位误差较现有损伤概率成像方法误差至少降低了63.7%。

摘要： 提出了一种基于自适应移位平均降噪与BP神经网络的钢丝绳损伤识别方法,解决了强噪声背景下的钢丝绳损伤识别问题。以矿井钢丝绳为检测对象,采用自适应移位平均法对含噪的断丝信号与磨损信号进行降噪处理,通过自适应粒子群优化(APSO)算法找到移位平均算法的最优窗宽;然后,以断丝损伤为例,对输出的最优降噪信号提取峰峰值、波宽、波形下面积三种特征值作为特征值样本,将样本归一化后输入BP神经网络进行损伤识别;最后,通过试验验证了所提方法的有效性。试验结果表明,该方法能定性识别钢丝绳损伤并且识别准确率高。

摘要： 基于变分非线性调频模态分解,提出一种滚动轴承多故障诊断方法。对滚动轴承多故障振动信号分量的瞬时频率和瞬时幅值进行估计;在此基础上,通过最小化信号的带宽实现滚动轴承故障信号的重构。对比所提方法与变分模态分解法,通过实验案例对所提方法进行验证。结果表明:所提方法明显优于变分模态分解方法,即使在强噪声背景下,仍能有效地实现滚动轴承多故障信号的分解与重构,可以有效地诊断滚动轴承多故障。

摘要： 在滚动轴承早期故障阶段,代表轴承故障特征的冲击成分容易被较强的背景噪声淹没,针对这一问题提出相关峭度(Correlated Kurtosis,CK)优化变分模态分解(Variational Mode Decomposition,VMD)的滚动轴承故障特征提取方法.针对变分模态分解方法参数不确定问题,提出利用以相关峭度为适应度函数的蝗虫优化算法(Grasshopper Optimization Algorithm,GOA)对变分模态分解参数进行自适应选定.针对故障信号经优化变分模态分解处理后模态分量的筛选问题,以相关峭度为指标,挑选具有最大相关峭度指标的模态分量进行包络解调分析,提取轴承信号中的故障特征信息.仿真及实测信号处理结果证明,该方法能在强噪声背景下准确提取滚动轴承故障信号的微弱特征.

摘要： 煤矿机械设备工作环境恶劣,背景噪声强,轴承早期的故障特征信号微弱,从传感器所测得的振动信号中提取反映故障状态的信息比较困难;同时,煤矿机械设备工作在高速、冲击等工况下,是典型的非平稳工况,不稳定的激励及复杂工况直接导致提取轴承故障特征信号困难.针对以上问题,以矿井提升设备的运行工况为背景,提出了一种基于计算阶次分析与自适应随机共振的滚动轴承故障诊断方法.首先,模拟了矿井提升机运行过程中典型的变转速工况,分别构造故障仿真信号,并采集了轴承振动实验信号;其次,通过等角度采集同步时域鉴相序列,利用计算阶次分析将轴承非平稳的振动信号重采样为平稳信号;然后,利用变分模态分解(VMD)方法将平稳信号分解为若干本征模态函数(IMF)分量,通过轴承故障阶次实现对轴承故障类型的判断;最后,利用自适应随机共振方法来增强轴承故障特征阶次,从而实现故障特征的提取与增强,达到故障诊断的 目的.仿真和实验结果证明了该方法的有效性.将该方法与最大相关峭度反褶积(MCKD)方法进行了对比,结果表明,MCKD方法虽然也可以观察到故障特征阶次,但是特征阶次比周围干扰阶次幅值仅高0.001 96,低于本文所提方法的结果,说明了本文所提方法具有一定的优越性.

摘要： "微弱信号"主要指那些被噪声淹没的信号,"弱"是相对于噪声而言的。弱信号在强噪声背景下的检测一直是工程应用中的一个难题。在强噪声背景下,提高信噪比,检测有用的微弱信号是微弱信号检测的首要任务,满足了现代科学研究技术的需要,因此研究微弱信号的检测技术具有重要意义。本文对强噪声下的微弱信号检测技术进行分析,以期为相关研究人员提供参考意见。

摘要： 本文观察强噪声暴露后,小型猪听阈的变化情况,以及耳蜗毛细胞的纤毛、胞体、及胞核的损伤情况,进一步明确小型猪对强噪声的敏感性,为建立耳聋的新模型及进一步的研究奠定基础。

摘要： 本文提出了一种针对风洞气流引起的宽带强噪声背景下的语音增强方法,介绍了该方法的原理和实现流程;给出了抗强白噪声干扰"宽限窄"电路的使用条件、参数选择、电路结构和应用实例;分析了自相关和谱减法存在的不足,提出了优化的改进算法.本文提出的宽带强噪声背景下的语音增强方法,是将模拟信号预处理与数字信号去噪相结合的语音增强方法.模拟信号预处理由"宽限窄"电路实现,其使强噪声背景下语音信号的信噪比提高到接近0dB,为数字信号去噪处理奠定了良好的基础.数字信号去噪处理采用自相关与改进的谱减法相结合的语音增强算法,其既能滤除宽带噪声,又能掩蔽附加的音乐噪声,因此,称之为优化的语音增强算法.实验结果表明,运用本文提出的方法,在信噪比SNR=-26dB强噪声背景下进行语音增强,处理效果与传统的处理加性噪声的增强方法相比,无论是客观评价指标(信噪比),还是主观评价指标(可懂度、舒适度)均有明显改善.

摘要： 在强噪声的情况下,语音信号的端点检测是一个难题.以前用过的传统算法在这时都失去作用,因此需要寻找端点检测的新方法.本文提出了一种基于LPC距离的端点检测算法,根据含噪语音每帧确定的模型和给定模型的距离来进行端点检测,可以解决强噪声情况下的端点检测问题.

摘要： 端点检测是语音通信、语音识别、语音编码技术中前端处理的必要环节，端点检测的优劣对后续的语音处理性能表现起着至关重要的作用。提出了一种基于加权功率谱熵的语音端点检测新算法，通过分析语音信号的短时功率谱，构造加权谱熵函数作为端点检测的特征参数。实验结果表明，该方法在噪声环境下性能优于传统的基于能量谱谱熵的端点检测方法，具有更好的稳健性。同时该算法计算代价小，适于在PDA及各种嵌入式设备中实现。

摘要： 近年来，对于长期接触强噪声的女工会引起听力下降的报道较多，对于噪声可影响女工月经功能状态的报道较少，为了解这一情况，为女工保健提供科学依据，笔者对857名纺织女档车工的月经功能状态进行了调查。

摘要： 线性理论的研究表明，在有流动的管道上附加旁通管的反声降噪方法对管道噪声有很好的降噪效果，但当声源很强时就成为非线性问题。

摘要： 本发明公开了一种基于3D‑SNACNN网络的叠前地震资料中强散射噪声压制方法及系统，构造3D‑SNACNN网络，选择三维地震数据并重排为OVT域数据作为网络训练的数据集；利用三维连续小波快速算法对选定的OVT域地震数据去噪，得到对应的干净数据，将干净数据和网络训练数据集以相同的方式划分为若干满足3D‑SNACNN网络输入要求的三维数据，然后从中筛选出部分数据构成训练样本对，将训练样本对送入3D‑SNACNN网络进行训练，待训练完成之后，利用3D‑SNACNN网络对测试集中的地震数据进行处理，完成三维地震资料中各种随机噪声的压制。本发明解决了叠后三维地震资料中随机噪声的干扰问题，有效压制叠前地震资料中的强散射噪声，本发明支持并行处理，并具有良好的自适应性，满足工业上大规模计算需求。

摘要： 本发明公开了一种未知噪声下的变分贝叶斯强跟踪PHD多目标跟踪方法，引入强跟踪原理，通过衰减因子来进一步修正状态估计协方差矩阵来增强卡尔曼滤波中新息或者说观测的作用，修正过程噪声的不精确对状态协方差的影响；利用逆威沙尔特分布和高斯乘积联合分布近似联合后验分布，采用VB近似技术推导鲁棒PHD滤波迭代，通过最小化KL散度来逼近后验概率密度；进而可有效地提高跟踪精度和计算时间效率。

摘要： 本发明公开了傅里叶域光学相干层析成像的强反射条纹噪声去除方法。该方法首先采集粗糙物体的FD‑OCT作为标签数据，再加上随机噪声得到了对应的样本数据，形成训练数据集。通过小波变换进行预处理后，输入预测模型中进行模型训练。预测模型由10层卷积神经网络和concat操作组成。通过损失函数对预测模型进行迭代优化，得到最优网络参数。将包含条纹噪声的样本数据输入到优化好的预测模型中，将输出数据通过逆小波变换，即可得到去除条纹噪声后的图形。本方法解决了实际测量中无法获取样本数据对应高质量标签，以及传统方法在去噪过程中降低图片质量或损失图片细节的问题。

摘要： 本发明涉及一种噪声自适应强跟踪扩展卡尔曼滤波器四旋翼姿态解算方法，属于无人机技术领域，包括构建状态方程和观测方程，初始化系统噪声和量测噪声初值；计算下一时刻的一次预测状态；计算新息，更新强跟踪滤波器，将次优渐消因子拆分；计算得到改进的一步预测误差协方差矩阵对下一时刻的噪声方差及噪声均值重新估计，将估计值引入EKF公式；计算卡尔曼增益矩阵、状态的二次估计和误差协方差的二次估计，判断是否循环结束；输出结果。本发明引入强跟踪滤波器，解决了传统扩展卡尔曼滤波器因泰勒展开近似线性化等问题导致的跟踪能力弱的问题，通过改进次优渐消因子引入形式，保证了协方差矩阵计算结果的对称性，提高了系统跟踪速度。

摘要： 本发明公开一种在强噪声环境工作的光子计数激光雷达，包括窄线宽脉宽激光器(1)、光束发射系统(2)、光束接收系统(3)、体光栅(4)和单光子探测器(5)。窄线宽脉宽激光器(1)输出光束经由所述的光束发射系统(2)发射。由目标反射的回波信号光子经由接收系统(3)接收、体光栅(4)选择后最终由单光子探测器(5)探测。本发明可以有效地提高光子计数激光雷达在强噪声环境的工作性能，降低激光雷达的探测时间，极大的提升回波信号的信噪比，提高光子计数激光雷达在强噪声环境下的探测距离。

摘要： 本发明涉及一种强噪声光谱信号的智能去噪方法，主要步骤为：对含有强噪声的光谱信号x进行变分模态分解，得到一系列的uk分量；经过计算每个分量的能量熵找到第一个能量熵取得局部最大值时对应的模态分量ui，保留u1‑ui‑1分量；对保留下的u1‑ui‑1分量进行小波软阈值分别降噪处理后重构为去噪后的光谱信号。本发明通过变分模态分解和小波软阈值双重去噪能有效的去除光谱中的噪声，计算能量熵能有效的找到噪声分量和非噪声分量的分界点。本发明适用于含有强噪声的紫外‑可见光谱、荧光光谱、红外光谱、近红外光谱和拉曼光谱信号的去噪。

摘要： 本发明属于故障诊断与信号处理分析技术领域，特别涉及一种强噪声干扰下的滚动轴承复合故障特征分离方法。包括以下步骤：S1、采集滚动轴承的振动信号；S2、对振动信号进行自适应变分模态分解，得到多个模态分量；分解时将最小平均加权功率谱峭度作为目标函数，采用黏菌算法对VMD参数进行全局搜索；S3、对分解后的模态分量进行包络解调分析；S4、去掉非关键的模态分量，从剩余的模态分量中分析得到滚动轴承的故障特征。本发明实现了强噪声干扰下的滚动轴承复合故障精确诊断。

摘要： 一种适用于复杂强噪声环境下短波莫尔斯信号的语音增强方法，包括语音预处理阶段、语音增强阶段和语音质量评估阶段，具体包括以下步骤：A、语音预处理阶段；B、语音增强阶段；C、语音质量评估阶段；本发明能够在强噪声背景下尽可能的提取纯净的语音信号，从而减少噪声的干扰，减少收听人的听觉疲劳，改善语音质量，提高语音可懂度，尽可能地恢复短波莫尔斯信号所传递的信息，达到提高短波莫尔斯信号的识别率和抗干扰能力的目的，有显著的社会和经济效益。

摘要： 本发明公开了一种强噪声环境下的滚动轴承故障诊断方法及系统，采用深度学习进行轴承故障诊断，神经网络模型由随机采样层、结合SENet的CNN全局型特征提取器、基于CNN的高维特征提取器、基于GRU的特征分类器、全连接层和softmax层构成。将归一化后的训练数据输入到神经网络模型中，由随机采样层对其随机采样以增加模型的抗干扰性，采用结合SENet的CNN全局型特征提取器来提取全局型的故障特征，由基于CNN的高维特征提取器将其抽象成更高维的特征，采用基于GRU的特征分类器来加强特征表现能力，由全连接层以及Softmax层得到故障类别诊断结果。能够克服噪声干扰，对多种载荷下的滚动轴承信号进行诊断。

摘要： 本发明属于激光雷达技术领域，具体涉及基于多阶段退化神经网络的强噪声单光子三维重建方法。克服了经典的单光子成像方法在低信号光子与背景噪声比下成像效果不佳，需调整一些超参数以保持精度和计算效率导致实用性受限制的问题，主要包括以下步骤：步骤1、获取数据集；步骤2、构建用于单光子重建的多阶段退化神经网络；步骤3、使用训练集训练网络，并验证网络，观察所训练的网络是否达到预期的效果；步骤4、将测试集数据输入网络实现强噪声单光子三维重建，恢复出深度图。