人体肺胸系统声传递函数研究

本文应用同态信号处理，从肺音信号中分离出肺音音源与肺胸系统的声传播效应，获得了肺胸系统的声传递函数．实验结果表明：肺胸系统相当于声低通滤波器，胸廓系统具有声低通滤波特性，异常状态下，系统的声传递函数与正常肺胸系统的声传递函数有明显差异．     

水声信号稀疏重构的高阶累积量波达方向估计

高阶累积量具有高斯噪声抑制和阵元扩展特性,将高阶累积量引入水声信号的方位估计中,提出了离格稀疏贝叶斯学习重构的高阶累积量测向算法。该方法利用高阶累积量对高斯噪声的自然盲性,计算阵列信号四阶累积量来滤除高斯噪声,使阵元在原来的结构上扩展了一倍;并构造出选择矩阵剔除了四阶累积量中的冗余项,能再一次的扩展阵元,得到的新观测模型具有更好的统计性能;最后利用空域稀疏性,推导出四阶累积量下的离格稀疏表示模型,采用贝叶斯学习解算出源信号的最大后验概率,实现了目标方位估计。数值仿真和海试实验数据表明,该方法在相邻声源方位间隔为4°的情况下分辨概率可达到95%以上,在信噪比大于-5 dB时目标方位估计的均方根误差在1°以内,可显著抑制背景噪声干扰,在多声源密集分布条件下也能准确、稳健的对水声目标方位进行估计。      

水中运动目标动态线谱增强算法研究

通常的基于短时自相关的自适应线谱增强器(SABALSE)主要缺点是:输入信噪比低时,抑制高斯噪声性能差。为了最大限度地克服SABALSE的缺点,我们充分利用高阶累积量抑制高斯噪声的性能和高阶累积量的不同更新算法,提出了基于四阶累积量不同切片的自适应动态线谱增强新算法,并对其原理、结构进行了剖析。用实测鱼雷线谱数据,对鱼雷与水听器处于不同方位时,水听器接收的线谱进行了动态仿真。结果表明:基于四阶累积量非对角切片的自适应动态线谱增强(NDSCBADLSE)算法抑制高斯噪声、增强动态线谱的能力强于基于对角切片的自适应动态线谱增强(DSCBADLSE)算法,且均强于SABALSE算法。因此,本文的算法可用于提高水下探测系统和水下武器系统对微弱信号的检测能力。     

一种水声环境下易于硬件实现的盲波束形成方法研究

针对水声环境和水声信号的特点,提出了一种基于高阶累积量的神经网络盲波束形成算法。该方法把高阶累积量可消除高斯噪声干扰这一特性和神经网络可并行计算的结构优势有机地结合起来,不但有效地避免了矩阵求逆运算,而且易于用硬件实时实现盲最优波束形成。仿真实验验证了该算法的有效性和正确性。     

基于二级自适应滤波的水下目标动态谱线增强算法研究

为了从非高斯噪声环境中有效提取水下目标辐射的线谱信号,以提高水下探测系统检测水下目标的能力,提出了基于二级自适应滤波的水下目标动态谱线增强算法,该算法用基于高阶累积量能量幂函数变步长极性迭代的自适应谱线增强器作为第一级,用传统的自适应谱线增强器(ALE)作为第二级,实行串级联接。用输入信号的峭度定义了峭度信噪比,并用此分析了该算法的性能。用水下某目标辐射线谱的实测数据,对该算法的性能进行了仿真研究。结果表明:当环境噪声为瑞利噪声或混合噪声(包含均匀分布、瑞利分布和拉普拉斯分布的噪声成分)时,该算法与ALE算法相比,有良好的抑制抑高斯噪声或非高斯噪声、提高信噪比和跟踪时变信号的性能。     

非线性时间序列的高阶奇异谱分析

基于反映线性相关结构的协方差矩阵的奇异谱分析，本质上是一种线性的方法.奇异谱分析用于吸引子重构的可靠性问题引发了一些争议.本文基于具有盲高斯噪声及体现非线性相关等性质的高阶累积量，提出了一种高阶的奇异谱分析方法.通过对Hénon映射、Logistic映射和Lorenz模型的分析说明了该方法的有效性，并在不同的延时、嵌入维数、抽样时间及有噪声的情况下表现出较好的鲁棒性. 关键词：     

基于高阶累积量的单帧复杂云背景下红外小目标检测

高阶累积量由于可以抵抗高斯噪声的影响而被广泛地应用于信号处理的各个领域。针对复杂云背景下单帧红外图像弱小目标检测的问题,与传统的时空管道滤波方法不同,通过建立合理的数据模型,在抑制缓变背景和噪声的同时,结合小目标局部范围内突变的特点,三阶累积量的计算使得目标在单帧全局检测可检的信噪比达到了1.66。     

采用四阶累积量多重矩阵重构的低信噪比相干声源波达方向估计

针对相干声源子空间能量扩散且协方差矩阵欠秩难以有效估计波达方向(DOA)的问题,提出了一种采用高阶矩阵变换的估计方法-四阶累积量多重矩阵重构(FOC-MMR)。该方法首先对阵列声压数据分帧进行短时傅里叶变换,然后对四阶累积量扩展的高阶协方差矩阵进行奇异值分解(SVD)得到高阶噪声特征向量,保证该噪声特征向量与扩展后的高阶阵列流形矢量正交匹配,最终实现相干信号的DOA估计。相干单频矩形脉冲信号仿真结果表明,将FOC-MMR方法应用于均匀线阵(ULA, M=4),在信噪比SNR≥-15 dB时,相干信号(θ₁=-20°和θ₂=20°)的均方根误差保持在1.5°以内;在SNR=10 dB时,可正确分辨的两相干信号方位间隔Δθ可以低至5°。在相干脉冲声源实验中,通过混入SNR=5 dB高斯白噪声,验证了FOC-MMR算法在应用于由多个ULA组成的矩形面阵时,其分辨邻近声源和抑制高斯噪声的能力较高。FOC-MMR算法通过对声压阵列数据扩展得到满秩的高阶协方差矩阵,不仅解决了由信号相干造成的噪声和信号特征向量之间能量扩散的问题,还实现了以较高的测向精度和...     

滑动窗累积量的递推估计算法及其在语音端点检测中的应用

提出了一种滑动窗累积量的递推估计算法并应用于语音端点检测中,用以解决传统端点检测方法在噪声环境下检测性能变差的问题。在对含噪语音信号进行加窗之后,利用滑动窗累积量的递推估计算法估计含噪语音信号的高阶累积量值,并在此基础上结合能量特征进行语音端点检测。实验结果表明,所提滑动窗累积量递推估计算法相比较传统高阶累积量计算方法运算效率明显提高;所提端点检测算法在不同噪声和信噪比环境下相比较G.729b算法点正确率Pc-point值平均提升了6.07%。基于滑动窗高阶累积量的语音端点检测算法具有较高的运算效率及良好的鲁棒性。     

滑动窗累积量的递推估计算法及其在语音端点检测中的应用

提出了一种滑动窗累积量的递推估计算法并应用于语音端点检测中,用以解决传统端点检测方法在噪声环境下检测性能变差的问题。在对含噪语音信号进行加窗之后,利用滑动窗累积量的递推估计算法估计含噪语音信号的高阶累积量值,并在此基础上结合能量特征进行语音端点检测。实验结果表明,所提滑动窗累积量递推估计算法相比较传统高阶累积量计算方法运算效率明显提高;所提端点检测算法在不同噪声和信噪比环境下相比较G.729b算法点正确率Pc-point值平均提升了6.07%。基于滑动窗高阶累积量的语音端点检测算法具有较高的运算效率及良好的鲁棒性。