关联噪声驱动多维系统的随机动力学

应用随机方法，将关联高斯白噪声驱动系统的随机动力学由一维随机变量的情况推广到了多维的情况，推导了该情况下的一般福克－普朗克方程．应用以上得到的一般福克－普朗克方程，推得了双模激光系统的福克－普朗克方程．发现关联噪声情况下，双模激光系统的福克－普朗克方程变得更为复杂     

密实型低噪声沥青路面振动特性试验研究

通过轮胎路面系统的振动模态实验、路面振动衰减特性试验研究，分析了密实型低噪声路面的减振降噪机理，为密实型低噪声路面的设计和实际应用、改善城市道路交通噪声环境提供了理论依据。     

点钞机机壳模态分析与降噪研究

针对点钞机振动噪声问题，采用试验模态分析技术对点钞机机壳进行模态分析，得出机壳的模态参数，进一步识别出点钞机的噪声源和振动源，并对机壳作了阻尼垫隔振处理，使标准点噪声声压级降低了1．5dB。     

振动压路机施工噪声的传播规律及控制对策

为了治理振动压路机施工时的噪声污染，对两种型号振动压路机施工时的噪声进行了现场测试，对试验数据进行了统计分析，并与采取隔声屏后的噪声数据进行了对比研究，得出振动压路机施工时噪声随距离变化的衰减规律。结果表明，利用隔声屏降低噪声效果明显，在距噪声源7．5m处就达到了国家噪声限制标准70dB。     

基于小波变换的能量和方差分析图像压缩方法

在对图像进行小波包分解的基础上实现图像压缩.根据小波系数的分布特点严格推导得出:可以用能量和方差作为衡量小波系数重要性的标准,并据此对系数矩阵块进行选择分组,自适应地进行量化,而且不同的量化方式可以共用码表;对低频部分扰动足够小的区域取均值,结合提出的存储方法,在不引入误差的情况下减少了编码负担,在保证图像质量的同时有效提高了压缩比.     

东风4型机车静液压传动系统常见异音判断及原因分析

重点阐述了东风4型机车静液压传动系统常见异音的产生原因,并说明了判断方法,为排除系统故障提供了可靠的依据。     

点钞机噪声源的识别

从点钞机的结构入手，采用分部运行、功率谱分析、相干分析和模态分析相结合的方法，分析了机器的振动和噪声信号，找出了主要噪声源和振动源及其主要频率成分。对点钞机进行了改造，使点钞机标准点噪声从63dB降到58dB。     

On the Performance of Punctured Turbo Codes

IntroductionTurbo codes, first introduced by Berrou et al.[1],have attracted the attention of many researchers for theirremarkable coding gains close to theoretical limits, yetadmitting a relatively simple iterative decodingtechnique[2]. Since then, abundant of fruitful results on theperformance of turbo codes have been published, in whicha distance spectrum interpretation was presented by [3]and a super trellis structure of turbo codes was derived by[4]. An analytical…     

小波分析中频带能量泄漏及对策

为了寻找信号特征提取优化的方法，排除误诊断，分析了Daubcchies小波系列的频带频率特性，指出了小波分析存在着频带能量泄漏的问题。频带能量泄漏不利于信号的特征提取和分析。通过仿真研究，得到了频带能量泄漏的基本规律，提出了频带能量增量比较法。该方法通过比较小波分析的相邻三个频带的能量增量，确定信号的特征频率分量所在的频带，进而以该频带的能量增量作为信号变化的特征。实验证明，运用该方法可以优化信号特征的提取。     

基于复合稀疏去噪的沙漠地震噪声消减

沙漠地震噪声既含有低频噪声又含有高斯白噪声,一般方法很难同时去除这两种噪声,针对此问题提出了使用复合稀疏去噪同时压制沙漠地震噪声中的低频噪声和高斯白噪声的方法。在复合稀疏去噪中将平方损失作为损失函数的保真度约束,将信号和信号一阶导数的 L1 范数作为损失函数的稀疏约束,然后通过最小化损失函数去除信号中的高斯白噪声。为同时去除低频噪声,复合稀疏去噪中联合使用了低通滤波器,即可一次性去除低频噪声和高斯白噪声。分别对模拟地震数据和实际地震数据进行仿真实验,实验表明该方法可有效地同时压制沙漠地震数据中的低频噪声和高斯白噪声,复合稀疏去噪的保幅略好于带通滤波器,去噪后带通滤波器会产生较严重失真,而复合稀疏去噪的失真较小。