强噪声背景下DS-SS信号检测技术

针对如何使直接序列扩频（Direct Sequence-Spread Spectrum，DS-SS）信号检测方法适应更低的输入信噪比，详细分析了平方法、时域相关法、周期谱法和高阶累积量法等现有DS-SS信号检测方法的原理和各自的特点，并应用神经网络、混沌理论和随机振动理论进行微弱DS-SS信号检测的探索。研究表明，上述方法可以用来检测DS-SS信号。     

多模噪声背景下信号提取算法的研究

信号检测是信号处理的一个重要的研究方向,以前的信号检测方法多数是基于在高斯噪声背景下进行讨论,对非高斯噪声研究比较少。非高斯噪声的干扰问题在通信过程中是经常出现的。背景噪声用多模（非高斯）噪声为模型,提出改进（最小均方误差牛顿）LMS Newton算法实现对多模背景噪声的抑制,并给出了多模噪声中信号的检测,达到对有用信号提取的目的。最后,进行了计算机模拟仿真,得出了结果。     

高斯约束强干扰背景下微弱语音信号的提取

语音通信是人类最常见最有效的通信方式,随着数字化信息化时代的飞速发展,已经实现了实时的、超远距离的语音通信,人们对于语音通信的音质也越来越高,然而,电磁空间各频段分布日趋密集,语音信号在传输过程中常受到各类电磁信号的干扰,加之声源处的各种噪声干扰并放大,甚至在军用领域对于非合作信号的提取,往往都是淹没在极强干扰的背景之下.尽可能地将微弱的语音信号从复杂的噪声环境中提取出来,会便于民用通信,更好地获得军事情报等.而自然界最为普遍的分布就是高斯分布,本文假设强干扰背景信号是服从高斯分布的,以尽可能多地符合真实场景,再利用同步累加的算法,使得服从高斯分布的强背景噪声在一定程度上抵消,而含有用信息的语音信号在多次叠加后相对于背景噪声更加突出,进而容易提取.     

强混沌噪声背景下弱信号检测

提出了一种强混沌噪声中检测微弱正弦信号的新方法。该方法主要利用了数据平滑处理和自适应处理,故在硬件设计上容易实现。计算机仿真实验结果表明：能够比较精确地检测到强混沌噪声中的微弱信号,检测到微弱信号的信噪比可达到-80dB。     

语音信号的混沌遮掩及其正定盲提取算法

利用小波变换提取语音信号的能量聚集带,将其隐藏在混沌载体信号中进行传输,设计一种盲提取算法实现不同混沌动力学系统下语音信号的有效提取。以3种不同维数的混沌动力学系统为背景,仿真实验定性和定量地分析了所提出算法的性能,验证了噪声环境下算法的可靠性,证明盲提取算法可作为对混沌保密通信系统保密性验证的有效方法。     

基于遗传RBF网络的混沌背景微弱信号检测方法

弱信号检测问题是目标检测中的一个重要研究内容。利用背景信号为混沌信号这一先验知识，采用径向基函数神经网络（RBFNN）建立混沌背景的一步预测模型，RBF网络利用遗传算法训练，最后，设计了门限滤波器，得到感兴趣的信号。仿真结果表明，在非线性程度很高的情况下，通过与其它几种训练RBF网络算法的比较，利用遗传算法训练的RBF网络具有最高的检测精度，并且训练得到的网络的复杂程度最低。     

基于增殖系数的混沌信号提取算法

本文提出一种基于混沌信号特性的信号盲提取算法,由于不同的混沌信号在相空间里面对应着不同的吸引子二阶增长率,利用这个特点定义了增殖系数（Proliferation Exponent,PE）并将其作为混沌信号提取的目标函数.首先分析基于增殖系数的梯度搜索方法在解决盲提取问题时存在不足,并将混沌信号的盲提取问题转化为带约束的优化问题,提出利用改进的粒子群优化算法解决信号盲提取的优化问题,通过惯性系数动态调整和最优位置的扰动,提高算法的寻优性能.实验结果表明基于增殖系数的信号提取算法能有效地提取混沌信号,提取的信号在时域和相空间与源信号接近,同时算法也表现出对噪声污染的鲁棒性.     

强噪声下的微弱信号检测技术

本文首先分线性方法和非线性方法对微弱信号检测技术进行了介绍。线性检测方法一般分为时域分析法、频域分析法和时频分析法;混沌理论法、随机共振法和差分振子法是目前主要的微弱信号非线性检测方法。然后,本文从应用范围、优势和缺点等方面对常用的微弱信号检测方法进行了对比分析和总结展望。     

双模非高斯噪声背景下级联双稳态随机共振信号检测

针对随机共振(SR)以高斯噪声为研究背景的局限性,为了分析非高斯噪声对级联随机共振的影响且验证在双模非高斯噪声中级联随机共振的降噪及波形整形特性的可靠性,提出了级联双稳随机共振系统在双模非高斯情况下的微弱信号检测方法。输入信号在进行信号检测过程中,首先把概率密度函数作为随机共振现象的衡量指标,然后当系统处于最佳随机共振状态时,分析了非高斯参数、相关时间及噪声强度之间的关系。最后通过仿真证实,与一级SR相比,二级SR的噪声强度和相关时间的可用范围随着非高斯参数的减少不仅会得到增大,而且滤波特性、信号检测效果得到明显提高。     

Logistic混沌序列叠加过程分解模型与弱信号高精度复原

本文研究对由若干个Logistic混沌或非混沌序列叠加过程形成的有成因联系的多变量时间序列的弱信号进行高精度复原的分解模型和算法,通过数字仿真分析表明该分解模型和算法对Logistic混沌或非混沌序列弱信号具有高精度地复原的性能.     

一种语音与背景乐音信号盲分离优化算法

在盲分离算法中,许多智能优化算法被应用,以克服独立性准则函数的优化进入局部最优位置,但这些优化算法的性能依赖控制参数的选择。因此,提出利用一种单参数的纯随机搜索的单形进化优化算法(Surface-Simplex Swarm Evolution,SSSE),克服算法参数对优化算法性能的影响,提高盲分离算法的应用有效性,并将该改进盲分离算法应用于语音与背景乐音信号的盲分离。实验中,以四阶累积量作为独立分量分析(Independent Component Analysis,ICA)中的准则函数。实验结果表明,该改进算法有效分离出语音成分与背景乐音成分,而且在稳定性和分离效果方面具有较好的性能。     

一种新的含噪混沌信号降噪算法

该文针对低信噪比、非高斯加性噪声和混沌动力学系统参数未知的含噪混沌信号降噪问题,提出了一种基于粒子滤波(Particle Filtering, PF)的降噪新算法。该算法将混沌信号和动力学系统中的未知参数作为一个多维状态矢量,利用PF方法递推计算多维状态矢量的联合后验概率分布,进而实现了对混沌信号的最优估计。对于混沌信号轨道分离过快所导致的退化问题,提出了有效的解决方法,并利用核平滑和自回归(Auto-Regression, AR)模型建模的方法分别实现了非时变以及时变参数的递推估计。仿真实验的结果表明,与现有的降噪方法相比,该文提出的新算法能够更加有效地抑制含噪混沌信号中的加性噪声。     

基于神经网络预测器的混沌海杂波弱信号检测

针对海杂波中的弱信号检测问题，借鉴杂波的混沌动态建模思想，重点讨论非线性混沌序列的神经网络建模、预测及信号检测方案。基于神经网络拟合非线性函数的能力．提出神经网络预测混沌时间序列的算法和信号检测方案。介绍了所提算法的原理和步骤，针对具体应用问题，用计算机仿真和实测数据试验验证了所提算法检测混沌噪声中弱小的暂态信号的有效性。     

海杂波中弱信号的再生核模糊系统检测

针对海杂波中弱信号的检测问题,提出了一种新颖的再生核模糊系统。该系统巧妙地和再生核函数的性质结合起来,使其结构及参数辨识具有严格的数学理论基础并且变得简单。该系统隶属度函数具有语义特征,参数学习只限于前件,并且避免了非线性数值算法和陷入局部极小值,具有全局收敛性。利用该系统对Lorenz系统及真实海杂波进行仿真实验,结果表明该系统能有效检测出混沌背景下的弱信号,比传统的支持向量机及神经网络方法具有更高的精度。     

微弱光谱信号低噪声信息获取和处理技术研究

对温室气体进行全球范围的高精度监测,获取高可靠有效数据,是实现对温室气体排放进行监控的基础。为了实现温室气体的亚纳米高光谱分辨率光谱探测,需要保证高光谱温室气体监测仪探测系统具有高信噪比。围绕仪器信号链路的关键模块——InGaAs面阵探测器的信息获取与处理模块,开展了微弱光谱信号低噪声信息获取和处理技术的研究。设计了微弱光谱信号低噪声信息获取和处理系统,并深入研究了影响光谱探测系统噪声的重要因素。通过构建谱段信噪比模型,并采用小带宽运放电路和AD多次采样方法降低电路噪声,系统在1.61μm谱段0.07nm光谱分辨率下,典型能量值为1.91W/(μm·m²·sr),信噪比(SNR)达340。实验结果表明,系统噪声均方差(RMS)值为8.1LSB,优于10LSB(4.9mV噪声),实现了高光谱温室气体监测仪对亚纳米微弱光谱信号探测的高信噪比需求。该低噪声信号获取与处理技术为InGaAs面阵探测器在温室气体监测应用领域的微弱光谱信号探测打下了基础。     

基于Duffing混沌振子的微弱信号检测研究

传统的微弱信号检测方法在检测信噪比很低的信号时效果很差,而Duffing振子混沌系统由于具备对初值敏感、对噪声具有较好的抵抗力等优点,因此在检测微弱信号能够表现出良好的检测效果。分析了Duffing方程的基本形式和动力学演化过程,阐述了基于相平面变化进行微弱信号检测的工作原理。提出了一种准确确定相变阈值的方法,讨论了高斯白噪声对阈值的影响。按照提出的检测步骤,应用MATLAB软件进行仿真,仿真结果表明可以检测出的微弱信号的信噪比能达到-130 dB。     

基于数据场的未知雷达信号动态聚类算法

未知雷达信号分选一直是雷达对抗情报处理中的难题。通过引入势和场强的概念,提出了一种基于数据场的未知雷达信号聚类算法。该方法通过设置势值门限来剔除噪声,同时设置场强门限进行聚类。该方法可以达到自动确定聚类数目和聚类中心的目的。仿真试验表明,该方法能够有效适应于未知雷达信号的分选。     

一种基于自适应密度阈值的未知雷达信号分选算法

针对基于密度的聚类算法不能发现密度分布不均匀数据样本的问题,提出了一种基于自适应密度阈值的未知雷达信号分选算法。该方法利用同一部雷达数据的分布特性进行聚类,通过寻找局部密度阈值,以达到分选不同密度分布的雷达信号的目的,并且在此基础上提出一个引理,提升了算法的时间效率。算法测试表明,该方法对噪声不敏感,能够发现任意形状、大小和密度的聚类。