导读:本文包含了非平稳色噪声论文开题报告文献综述及选题提纲参考文献，主要关键词:非平稳时变信号,阶次,基小波函数,窗函数
非平稳色噪声论文文献综述
刘海涛[1]（2019）在《基于小波变换的非平稳排气噪声信号阶次分析方法》一文中研究指出汽车排气阶次噪声提取对于汽车声品质以及汽车分类识别具有重要的意义。为准确提取阶次噪声的时域信号,提出一种基于小波变换的非线性多分辨率的细化分析计算方法。通过理想带通传递函数构建基小波函数,基小波函数通过平移和伸缩实现信号的局部细化分析。探索小波函数的截取方式对频谱泄漏的影响,选取合适的窗函数截取小波函数,并通过与时域噪声信号的相关变换准确提取各阶次成分的时域波动信号。通过实车测试获取加速工况下的转速脉冲信号和排气辐射噪声信号,对以上方法进行验证。结果表明,提出的分析方法可准确提取出非平稳排气噪声中的阶次成分,为排气噪声阶次分析提供标准可靠的信号处理手段。(本文来源于《振动与冲击》期刊2019年22期）
席浩然[2]（2019）在《基于加权高斯混合模型的EPLL算法在非平稳地震勘探随机噪声压制中的应用》一文中研究指出地震勘探是石油、天然气勘探重要手段,地震勘探随机噪声压制是地震勘探信号处理不可或缺的组成部分。如何从强噪声、低信噪比背景下提取微弱的有效信号一直以来都是噪声压制的核心问题。传统的噪声压制方法绝大部分都是从待处理信号自身出发,没有借助有效信号的真实统计信息即统计学习理论中的先验知识,这一缺陷某种程度上限制了噪声压制方法在该领域实际场景下的应用及其现。近年来,机器学习的兴起为提高地震勘探资料的信噪比和更高的分辨率提供了新思路。与传统的噪声压制方法相比,利用机器学习方法建立统计先验模型可以更为精准的从目标信号抽取统计特征,更贴近目标信号的本质,以此来代替传统方法中关于信号先验的某些假设,且建模效率更高。高斯混合模型(Gaussian Mixture Model,GMM)是一种典型的先验统计模型,利用高斯混合模型进行噪声压制的块期望对数似然去噪算法(Expected Patch Log Likelihood,EPLL)具有良好的图像去噪效果。基于EPLL算法在噪声压制方面的优势,本文引入EPLL算法压制地震勘探随机噪声。考虑地震信号处理的特点,采用EPLL算法压制地震勘探随机噪声时需要考虑地震数据的特点。地震勘探数据中的噪声是非平稳的,产生块期望对数似然算法参数不适配的问题,导致信号畸变。此外,直接采用自然图像块样本中学习高斯混合模型作为先验模型(简称为通用高斯混合模型),虽然能够有效地压制噪声,但对信号的恢复能力不足。另一方面,由于地震勘探信号样本的缺失,在某种程度上还未能达到最佳的噪声压制处理效果。因此,本文从地震勘探信号的统计模型、适应地震勘探噪声非平稳的属性,GMM模型优化入手,提出基于加权混合模型的EPLL地震勘探随机噪声压制算法。针对非平稳噪声下的参数不适配问题,我们首先设计一个基于块噪声水平的分类模型,该分类模型的基本思想是基于最小化类内小块噪声方差,设定初始阈值,对所有小块分为两个类别,如果当前同一类别中的小块类内方差满足条件,则停止分类,否则继续对当前类别小块分类。在完成分类之后,不同类别中的小块具有相同的噪声水平,然后将块分类模型与EPLL算法框架相结合,提出基于块分类的EPLL算法。对不同噪声水平的块分组适配以不同的参数,进而增强EPLL算法在非平稳噪声压制方面的适应性。单一的目标高斯混合模型对背景区域的噪声压制效果不足,容易产生脉冲状的干扰。而原有的通用高斯混合模型对地震勘探信号还原能力尚可,但对背景区域噪声压制效果较好。考虑到两个模型各自的优缺点,我们将两个模型相结合作为先验模型,在已有的块分类基础之上,进一步提出基于加权高斯混合模型的EPLL算法。在对背景区域的小块进行处理时,通用高斯混合模型占有相对较大的权重,而处理同相轴区域的信号块时,目标高斯混合模型的权重较大。这样,我们通过将两个模型相结合的模型,提高了EPLL算法噪声压制以及信号恢复能力,同时又避免了单一模型的缺陷。最后,我们通过实验验证基于加权高斯混合模型的EPLL算法能有效的压制非平稳随机噪声,并且对目标信号及其细节有着良好的还原效果。相对于传统的噪声压制方法,本文提出方法有着更高的信噪比和分辨率,为进一步探明地下地质结构以及油气资源分布提供了稳定的随机噪声压制方案。(本文来源于《吉林大学》期刊2019-04-01）
陈明建,黄中瑞,龙国庆,韩旭[3]（2018）在《非平稳色噪声背景下非相关与相干信源数估计算法》一文中研究指出在空间色噪声背景下传统基于信息论准则的信源数估计算法性能将下降,且无法实现非相关信源与相干信源并存时信源数估计。针对该问题,提出了非平稳色噪声背景下非相关与相干信源数估计算法。该算法利用特征值总体最小二乘线性拟合,估计得到非相关信源和相干信源组数的联合估计,然后通过空间差分平滑剔除非相关信源,最后利用线性拟合技术实现相干信源数估计。仿真结果表明,与基于信息论准则的信源数估计算法相比,所提算法能实现非相关与相干信源数的联合估计,检测信源数可以超过阵元数,尤其对于角度相近的信源,信源数估计性能更优。(本文来源于《探测与控制学报》期刊2018年04期）
宫健,楼顺天,郭艺夺,张伟涛[4]（2018）在《非平稳噪声下相干信源MIMO雷达角度估计》一文中研究指出为解决非平稳噪声、多径效应和相干电子干扰下多输入多输出雷达角度估计问题,提出了一种基于斜投影算子和Teoplitz矩阵重构的角度估计方法.通过Toeplitz重构把非平稳噪声转化为高斯白噪声,再用斜投影算子排除非相干信源,实现对相干信源的角度估计.该方法没有阵列孔径损失,可适用于任意阵列结构,且信源过载能力和阵元节省能力较强.最后通过仿真验证了该算法比多级维纳滤波器算法更适合于低信噪比的情况.(本文来源于《西安电子科技大学学报》期刊2018年04期）
方晓莉[5]（2018）在《非平稳噪声环境下声音信号增强技术的研究》一文中研究指出随着城市建设的快速发展,高空电缆逐步被地埋电缆所取代。地埋电缆虽然具有美化城市环境、提高土地利用价值与增强城市电网可靠性等优点,但其随着社会经济的增长,电缆负荷增加,工作周期增长,容易发生故障,且加之地埋电缆跨越空间大,当其出现故障时,故障点的寻找变得非常困难。假如电缆故障点不能被快速准确地修复,将会给人们的生活带来极大不便与社会经济的巨大损失,因此快速、准确的定位电缆故障点具有迫切的社会意义。本文针对电缆故障检测国内外发展现状与难点,旨在研究电缆故障精确定位中对所采集到的信号进行滤波与增强,以提取出有用的电缆故障点冲击放电声音信号,从而进行故障点的精确定位,主要工作包括:首先,本文研究了电缆故障检测与声音信号增强技术的国内外发展现状,阐明电缆故障检测中难度较大的为故障点的精确定位,而精确定位的难点为混合信号中故障点冲击放电声音信号的提取。针对传统基于统计理论的滤波方法难以去除声音信号中非平稳的、频谱分布位于整个频率轴且与有效冲击放电声音信号频谱分布部分重迭的随机噪声的问题,本文提出一种基于主分量分析(Principal Component Analysis,PCA)降维的独立分量分析(Independent Component Analysis,ICA)冲击放电增强算法来有效检测声音信号,在MATLAB中对该算法进行了仿真,证明了其能够较好地抑制噪声,在低信噪比环境下能够有效分离混合信号中的冲击放电声音信号。接着,针对在背景噪声复杂的检测环境下,电缆故障点放电声不明显,电缆故障检测定点仪检测到的冲击放电声音信号完全被噪声所淹没的问题,本文提出一种基于小波包分析及遗传优化的冲击放电增强算法,其利用了小波包变换能够检测出正常信号中是否含有瞬态异常现象,自适应滤波器对信号处理时所需的先验知识少,以及遗传算法具有不依赖于具体问题的特性将淹没在背景噪声中的声音信号提取出来。在MATLAB中进行的仿真证明了该算法的有效性,其能够准确地提取出冲击放电声音信号。最后,基于ADSP-BF525处理器,本文搭建了电缆故障点精确定位的冲击放电声音信号检测系统,其由磁场与音频信号采集模块、放大滤波模块、LCD模块、数据处理模块、数据通讯与输出模块等组成,并通过实际工程中对故障点冲击放电声音信号的增强实验,验证了该系统能够在低信噪比环境下有效地提取出冲击放电声音信号,从而快速、精确地定位故障点位置。(本文来源于《西安电子科技大学》期刊2018-06-01）
陈明建,胡振彪,黄中瑞[6]（2018）在《空间非平稳噪声下的宽带DOA估计算法》一文中研究指出投影子空间正交性测试(TOPS)法是利用子空间的正交性实现宽带信号DOA估计,而在空间非平稳噪声环境下子空间的正交性条件不再满足,尤其是在低信噪比或低快拍条件下子空间估计将出现较大误差,TOPS算法性能将急剧下降。针对该问题,提出了一种空间非平稳噪声下宽带DOA估计算法。该算法首先通过构造特殊对角矩阵将噪声从数据协方差矩阵中剔除,从而克服非平稳噪声对DOA估计的影响;然后利用平方TOPS法实现宽带信号DOA估计,消除了传统TOPS算法中的伪峰。该算法适用于空间非平稳噪声背景及低信噪比环境,提高了对角度相近目标的分辨性能;仿真实验表明了该算法的有效性。(本文来源于《现代雷达》期刊2018年01期）
冯天培,孙跃东,王岩松,周萍,郭辉[7]（2017）在《基于掩蔽效应的汽车非平稳车内噪声烦恼度评价方法》一文中研究指出基于采集的汽车加速与匀速运动时车内的噪声,利用参考语义细分法进行噪声烦恼度主观评价试验。考虑掩蔽效应,依据听音评价问卷调查结果,计算加速噪声后半时段和匀速噪声的时变心理声学参量平均值,利用支持向量机创建参量平均值与烦恼度主观评价值间的回归数学模型,建立基于掩蔽效应的非平稳车内噪声烦恼度评价方法。同时计算全部噪声样本的时变心理声学参量平均值并建立基于心理声学参量的烦恼度评价方法。留一法与十折交叉法检验结果表明,两种评价方法对非平稳车内噪声烦恼度的预测精确有效,而基于掩蔽效应的烦恼度评价方法预测结果更加精确、稳定性更高;在加速噪声烦恼度的预测方面,基于掩蔽效应的烦恼度评价方法具有更好的预测性能。(本文来源于《中国机械工程》期刊2017年24期）
邹月娴,刘诗涵,王迪松[8]（2017）在《多重约束非负矩阵分解的非平稳噪声语音增强（英文）》一文中研究指出低信噪比非稳态噪声环境中的语音增强仍是一个开放且具有挑战性的任务.为了提高传统的基于非负矩阵分解(nonnegative matrix factorization,NMF)的语音增强算法性能,同时考虑到语音信号的时频稀疏特性和非稳态噪声信号的低秩特性,本文提出了一种基于多重约束的非负矩阵分解语音增强算法(multi-constraint nonnegative matrix factorization speech enhancement,MC–NMFSE).在训练阶段,采用干净语音训练数据集和噪声训练数据集分别构建语音字典和噪声字典.在语音增强阶段,在非负矩阵分解目标函数中增加语音分量的稀疏性约束和噪声信号的低秩性约束条件,MC–NMFSE能够更好地从带噪语音中获得语音分量的表示,从而提高语音增强效果.通过实验表明,在大量不同非平稳噪声条件和不同信噪比条件下,与传统的基于NMF的语音增强方法相比,MC–NMFSE能获得较低的语音失真和更好的非稳态噪声抑制能力.(本文来源于《控制理论与应用》期刊2017年06期）
冯宝,张绍荣[9]（2017）在《非平稳噪声下基于凸优化的自适应焊缝跟踪算法》一文中研究指出针对非平稳性噪声下焊缝跟踪精度低的问题,提出了一种基于凸优化技术的自适应焊缝跟踪方法。通过熔池质心来描述焊缝位置特征,建立焊缝跟踪的状态方程和量测方程;运用凸优化理论,将量测过程中非平稳噪声的稀疏性特征以先验约束的形式引入优化过程中,通过最小化非平稳噪声的范数实现对非平稳噪声的实时估计。试验结果表明,基于凸优化的自适应焊缝跟踪方法能够减小因非平稳噪声引起的焊缝位置测量偏差,有效提高了焊缝跟踪精度。(本文来源于《热加工工艺》期刊2017年17期）
米建伟,方晓莉,仇原鹰[10]（2017）在《非平稳背景噪声下声音信号增强技术》一文中研究指出在电力电缆故障精确定位中声磁同步法由于具有精度高与抗干扰能力强的优点而得到广泛的应用,但放电声音信号的有效检测是其难点。由于小波包变换在检测正常信号中是否含有瞬态异常现象方面具有独特的优势,自适应滤波器具有对信号和噪声的先验知识需求少的特性以及遗传算法具有不依赖于具体问题的优点,提出了一种基于小波包变换分解信号、自适应滤波估计噪声与遗传算法寻优重构相结合的声音信号增强算法。实验研究表明,该算法精确性高、鲁棒性强,尤其适用于电缆故障点放电声不明显时声音信号提取的情况,从而解决了电缆故障精确定位中对背景噪声要求高、识别范围小的问题。(本文来源于《仪器仪表学报》期刊2017年01期）
非平稳色噪声论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
地震勘探是石油、天然气勘探重要手段,地震勘探随机噪声压制是地震勘探信号处理不可或缺的组成部分。如何从强噪声、低信噪比背景下提取微弱的有效信号一直以来都是噪声压制的核心问题。传统的噪声压制方法绝大部分都是从待处理信号自身出发,没有借助有效信号的真实统计信息即统计学习理论中的先验知识,这一缺陷某种程度上限制了噪声压制方法在该领域实际场景下的应用及其现。近年来,机器学习的兴起为提高地震勘探资料的信噪比和更高的分辨率提供了新思路。与传统的噪声压制方法相比,利用机器学习方法建立统计先验模型可以更为精准的从目标信号抽取统计特征,更贴近目标信号的本质,以此来代替传统方法中关于信号先验的某些假设,且建模效率更高。高斯混合模型(Gaussian Mixture Model,GMM)是一种典型的先验统计模型,利用高斯混合模型进行噪声压制的块期望对数似然去噪算法(Expected Patch Log Likelihood,EPLL)具有良好的图像去噪效果。基于EPLL算法在噪声压制方面的优势,本文引入EPLL算法压制地震勘探随机噪声。考虑地震信号处理的特点,采用EPLL算法压制地震勘探随机噪声时需要考虑地震数据的特点。地震勘探数据中的噪声是非平稳的,产生块期望对数似然算法参数不适配的问题,导致信号畸变。此外,直接采用自然图像块样本中学习高斯混合模型作为先验模型(简称为通用高斯混合模型),虽然能够有效地压制噪声,但对信号的恢复能力不足。另一方面,由于地震勘探信号样本的缺失,在某种程度上还未能达到最佳的噪声压制处理效果。因此,本文从地震勘探信号的统计模型、适应地震勘探噪声非平稳的属性,GMM模型优化入手,提出基于加权混合模型的EPLL地震勘探随机噪声压制算法。针对非平稳噪声下的参数不适配问题,我们首先设计一个基于块噪声水平的分类模型,该分类模型的基本思想是基于最小化类内小块噪声方差,设定初始阈值,对所有小块分为两个类别,如果当前同一类别中的小块类内方差满足条件,则停止分类,否则继续对当前类别小块分类。在完成分类之后,不同类别中的小块具有相同的噪声水平,然后将块分类模型与EPLL算法框架相结合,提出基于块分类的EPLL算法。对不同噪声水平的块分组适配以不同的参数,进而增强EPLL算法在非平稳噪声压制方面的适应性。单一的目标高斯混合模型对背景区域的噪声压制效果不足,容易产生脉冲状的干扰。而原有的通用高斯混合模型对地震勘探信号还原能力尚可,但对背景区域噪声压制效果较好。考虑到两个模型各自的优缺点,我们将两个模型相结合作为先验模型,在已有的块分类基础之上,进一步提出基于加权高斯混合模型的EPLL算法。在对背景区域的小块进行处理时,通用高斯混合模型占有相对较大的权重,而处理同相轴区域的信号块时,目标高斯混合模型的权重较大。这样,我们通过将两个模型相结合的模型,提高了EPLL算法噪声压制以及信号恢复能力,同时又避免了单一模型的缺陷。最后,我们通过实验验证基于加权高斯混合模型的EPLL算法能有效的压制非平稳随机噪声,并且对目标信号及其细节有着良好的还原效果。相对于传统的噪声压制方法,本文提出方法有着更高的信噪比和分辨率,为进一步探明地下地质结构以及油气资源分布提供了稳定的随机噪声压制方案。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
非平稳色噪声论文参考文献
[1].刘海涛.基于小波变换的非平稳排气噪声信号阶次分析方法[J].振动与冲击.2019
[2].席浩然.基于加权高斯混合模型的EPLL算法在非平稳地震勘探随机噪声压制中的应用[D].吉林大学.2019
[3].陈明建,黄中瑞,龙国庆,韩旭.非平稳色噪声背景下非相关与相干信源数估计算法[J].探测与控制学报.2018
[4].宫健,楼顺天,郭艺夺,张伟涛.非平稳噪声下相干信源MIMO雷达角度估计[J].西安电子科技大学学报.2018
[5].方晓莉.非平稳噪声环境下声音信号增强技术的研究[D].西安电子科技大学.2018
[6].陈明建,胡振彪,黄中瑞.空间非平稳噪声下的宽带DOA估计算法[J].现代雷达.2018
[7].冯天培,孙跃东,王岩松,周萍,郭辉.基于掩蔽效应的汽车非平稳车内噪声烦恼度评价方法[J].中国机械工程.2017
[8].邹月娴,刘诗涵,王迪松.多重约束非负矩阵分解的非平稳噪声语音增强（英文）[J].控制理论与应用.2017
[9].冯宝,张绍荣.非平稳噪声下基于凸优化的自适应焊缝跟踪算法[J].热加工工艺.2017
[10].米建伟,方晓莉,仇原鹰.非平稳背景噪声下声音信号增强技术[J].仪器仪表学报.2017