基于小波变换的 ICA盲源分离算法

针对ICA算法不能直接应用于单通道盲分离的问题,提出了基于小波变换的ICA盲源分离算法。该算法结合小波变换对基于信息论的ICA算法进行了改进并应用在单通道盲分离中。仿真结果给出了分离后信号的波形,经检验其相似程度,分离后信号的波形与源信号的波形较为接近。     

基于SUWPT的正弦信号滤波算法

针对航天测控DOR(差分单向测距)信标信号等侧音信号的滤波问题,借鉴扩频系统窄带干扰抑制领域中的SUWPT(频移非抽取小波包变换),提出了一种逆向算法。该算法通过最佳频移将信号移至各子带中间,然后选择能量较大的子带进行分解,通过记录的位置信息选择不同的重构滤波器,从而达到最佳滤波效果;最后将该滤波算法应用于航天测控侧音信号的差分相位提取过程。仿真结果表明,该算法比小波变换滤波、小波包滤波具有更好的滤波性能;滤波后差分相位提取精度相对滤波前提高3~4倍,有利于提高系统的测量精度。     

事故车辆油漆物证分析-比对系统的建立

在已建立的事故车辆物理信息和光谱信息的油漆样本数据库的基础上,建立油漆物证比对系统。根据相关系数所表现的特征,实现对未知样本属性范围的确定,找出数据库中与其相关度较高的部分油漆样本,再根据数据库中同一车辆信息具有同一序号的特点,找出与油漆对应的车辆,即与案件现场最接近的嫌疑车辆,为肇事逃逸案件的破获提供数据依据。     

基于希尔伯特-黄变换的雷达数据误差修正处理技术

由于雷达跟踪测量数据总存在误差,而目前采用的误差处理算法修正效果并不理想,为了有效估计数据中的未知误差,提高数据处理的精度,提出了一种基于希尔伯特-黄算法的雷达误差残差诊断方法,利用得到的内蕴模态函数拟合出误差残差的特征,准确分离出设备的误差信息。通过对某雷达的实测数据分析证明该方法较其他方法对解决该类问题更为有效,且在事后高精度数据处理中具有较好的实用性。     

基于支持向量机的滚动轴承状态寿命评估

应用状态寿命描述滚动轴承的使用寿命,并建立了滚动轴承的状态寿命评估模型.状态寿命评估模型建模的关键是振动信号的特征提取和状态的识别算法.针对滚动轴承振动的特点,提取小波包重构信号的频带能量构造特征向量,利用支持向量机作为辨识算法建立滚动轴承状态寿命评估模型.滚动轴承全寿命试验验证了模型的有效性和可信性.     

基于CUDA的GPS信号快速捕获

为实现基于PC平台的GPS软件接收机C/A码信号快速搜索,提出了一种由GPU完成信号搜索计算的快速实现方法。该方法以基于FFT的码相位并行搜索算法为基础,通过CUDA编程,由GPU完成主要的计算任务,实现了信号搜索在GPU上的并行计算。最后,将该方法与在CPU上实现的捕获方法进行了比较测试,结果表明：新方法的捕获速度显著提高,冷启动条件下,搜索全部32颗卫星只需1.653秒,为GPS软件接收机的实时化提供了重要保证。
     

基于相位重构的相位编码信号脉内特征分析

基于希尔伯特变换,提出了一种相位编码信号相位无模糊重构的脉内特征分析方法。该方法一方面利用魏格纳-威利变换对信号进行降噪处理,改善了在低信噪比下相位编码信号脉内特征识别和提取能力;另一方面对重构相位进行多阶差分处理来提高识别精度。仿真结果验证了该方法的正确性和有效性。     

3GPP中TFCI编译码研究

在3GPP（第三代合作项目）协议中,为了提高传输格式组合指示（TFCI）的可靠性,对其采取了基于Reed-Muller码的超码编码。与经典RM编码相比,不但增加了码距,提高了纠错能力,而且可以利用快速哈达玛变换（FHT）提高译码速度。文章对协议中的编译码算法进行了研究,并对其纠错能力进行了仿真。     

基于小波变换的脉冲耦合神经网络预测模型及其应用

被称为第三代人工神经网络的脉冲耦合神经网络(PCNN)模型,以其耦合机制、脉冲输出两大基本特性广泛应用于图像处理等领域。文章在两大基本特性的基础上对PCNN进行了改进:增加了绝对误差控制公式;连接强度以相关系数来控制,调整阈值设置为最小误差;网络的运行机制与以往的PCNN原理有所不同;将ATrous小波变换与PCNN模型相结合,形成了组合预测模型。将改进后的组合模型用于年降雨量的预测中,以求检验模型的可行性。预测结果表明,基于小波变换的PCNN组合模型用在年降雨量预测中是可行的,并取得良好效果。为进一步深化PCNN的理论、拓宽PCNN的应用领域、解决水文水资源中的预测问题提供了新的思路和方法。     

双能透照模式下涡轮叶片DR图像融合方法

为了提高单帧涡轮叶片DR(Digital Radiography)图像的信息量,首先在2个不同射线能量下对涡轮叶片进行DR成像,以获取不同厚度区域的质量信息;然后将2幅DR图像进行多分辨率小波分解,以最大局部方差为准则对二者的低频子带图像进行融合,以局部梯度的活性因子为尺度对二者的高频子带图像进行融合;最后基于小波融合系数的逆变换获得最终的融合结果.实验结果表明:基于此方法的涡轮叶片融合DR图像携带了更为丰富的细节信息,从而有利于叶片质量信息的快速、准确判读.