非相干Rice杂波中的恒虚警检测

 地杂波的统计特性常常可以用Rice模型来描述,其物理基础是认为地杂波由一些大的固定散射体引起的稳定分量和大量小的随机分布的运动散射体引起的瑞利起伏分量所合成。文献[2]研究了稳定分量不相干时Rice杂波中离散时间最佳检测的估值器——相关器结构,但无显式解,实现有困难。文献[3]导出了Rice杂波中SwerlingⅡ目标的离散时间检测的似然比检测器结构。在此基础上,本文给出了一种修正平方律结构的似然比检测器,并和通常的平方律检测器作了性能比较。     

非平稳信号特征提取在航空发动机故障诊断中的应用

在航空发动机早期故障诊断中,特征提取是早期诊断的重要过程之一.文中以航空发动机转子故障为研究对象,给出了基于经验模式分解、小波分析为核心的故障特征提取方法,并作了针对性的比较研究.在matlab7.0环境下开发了一个故障特征提取软件系统.研究结果表明:基于经验模式分解的时频分析方法可以很有效地提取到非平稳故障特征信号,是一种适合于非线性信号处理的方法.     

星载TDICCD随机振动与数据处理研究

对星载TDICCD进行了随机振动试验，提出了TDICCD机体在进行宽带随机振动工程试验中必定面临的几个技术问题及处理方法，分析了振动环境与结构振动特性的关系及其对TDICCD结构的影响和危害，研究了试验的实用技术和控制方式的选择要点．根据对星载TDICCD振动信号的现场采集结果，分析了振动信号的时域划分、信号采集基本参数的选择原则，并用信号分析仪进行了数据处理，获得了该机体振动的参数，这些动态特性参数为星载TDICCD的防振、隔振提供了可靠的参考，为对机体进行有限元模态计算提供了修正和科学依据．     

Walsh相关函数的研究

研究了既有波形畸变又有时间位移时的Ｗａｌｓｈ互相关函数，并在Ｈａｒｎｕｔｈ ＨＦ给出的Ｗａｌｓｈ互相关函数误差矩阵定性结果的基础上进一步给出了定量结果，依据这个结果，提出了选择Ｗａｌｓｈ副载波的原则。     

雷达信号脉内特征的小波分析

提出利用小波分析的方法分析雷达信号脉内特征，介绍了小波变换的方法并分析了利用小波变换的方法分析雷达信号脉内特征的可行性。对几种雷达信号进行了小波变换的模拟分析。结果表明，小波变换是分析雷达信号脉内特征的有力工具。     

基于稀疏空间谱估计的星载SAR DBF算法

针对星载合成孔径雷达(SAR)系统利用俯仰向数字波束形成(DBF)技术接收场景回波时受地形的影响,会出现波束指向偏差的问题,提出了基于稀疏空间谱估计的星载SAR数字波束形成方法。该方法将目标场景高程估计问题转换为波达方向估计问题,考虑到回波信号的稀疏性,进而等效为稀疏空间谱估计问题,然后利用凸优化方法求解得到目标波达方向。最后,仿真实验验证了该方法的有效性,结果表明该方法可以降低传统自适应方法受小样本和低信噪比影响的限制,实现复杂地形下的正确波束指向,保证回波信号的接收增益。     

反欺骗抗干扰方法中欺骗脉冲的选择研究

反欺骗抗干扰方法是通过在真实脉冲前加入欺骗脉冲,使敌方干扰机截获欺骗脉冲释放干扰,抑制干扰幅度,可以从源头上削弱干扰效果。欺骗脉冲的选择影响抑制干扰幅度的效果,因此通过分析单频、伪随机码调相和线性调频等不同调制方式的欺骗脉冲与真实脉冲的失配效果,给出欺骗脉冲选择策略。     

基于集合经验模态分解和小波阈值的真空泵振动信号降噪方法

真空泵的振动信号具有非平稳、非线性的特性,且夹杂着大量背景噪声,难以直接对其特征信号进行提取、分析,阻碍对真空泵的在线故障诊断。为此,文章提出基于集合经验模态分解(EEMD)的真空泵振动信号小波阈值降噪方法:首先将振动信号进行EEMD分解,得到若干个本征模态函数(IMF)与余项,然后引入归一化自相关函数对IMF分量进行筛选,再对筛选出的IMF分量进行小波阈值降噪处理,最后将降噪后的IMF分量与未处理的IMF分量和余项进行重构,得到降噪后的真空泵振动信号。对仿真与实验信号进行降噪处理的结果表明该方法优于现有的降噪方法,为真空泵振动信号的降噪提供了新的途径。     

基于MED和LMD的自动倾斜器轴承广义Shannon熵谱分析

针对轴承信号微弱故障特征易被强背景噪声淹没的问题,提出采用最小熵反褶积,通过逆滤波器最优化设计,对目标信号进行降噪处理,其峭度值提高了约3.8倍,增强了信号的微弱故障特征;针对非平稳非线性信号频率成分复杂难以解调的问题,提出采用局部均值分解(LMD)和峭度-相关系数筛选准则,其可对非平稳非线性信号进行自适应分解和最优重构,提高了信号的信噪比;针对信号耦合调制及边频突出的问题,通过引入广义Shannon熵进行包络谱带内降噪处理,信号一阶故障特征调制频率与故障特征频率的幅度比降低了24%~43%。通过实验室信号及某型直升机自动倾斜器轴承故障诊断地面试验的分析结果验证了该方法的合理性和可行性。      

基于机匣信号的滚动轴承故障卷积神经网络诊断方法

针对在滚动轴承故障激励下的机匣微弱故障特征,提出了基于卷积神经网络(CNN)的故障诊断方法。利用矩阵图法、峭度图法以及小波尺度谱法3种振动信号的预处理方法,将一维原始信号转换为图像信号;利用卷积神经网络对故障进行识别。通过比较分析发现:通过连续小波尺度谱更易提取滚动轴承的故障特征,其故障识别率达到95.82%,均高于其他几种振动信号预处理方法;由于卷积神经网络可以利用深层网络结构自适应地提取滚动轴承故障特征,比传统支持向量机(SVM)方法的故障识别率高约7%。结果证明了该方法的有效性与可行性,且具有较好的泛化能力和稳健性。