利用信号非线性变换进行抗干扰的原理分析与电路设计

介绍了对信号与强噪声干扰所进行的非线性变换，以实现对噪声干扰的抑制，可获得高质量的有用信号     

基于维纳方程相关函数迭加法的地面微地震信号检测

针对油气井射孔作业引发的微地震事件频率高、持续时间短、能量小,地面采集的微地震信号易被地面环境中随机干扰噪声掩盖,分析微地震相特征时需对微地震信号进行滤波处理,使用常规频率滤波法难以获得准确结果.采用维纳方程相关函数迭加滤波方法,压制随机干扰噪声,获取清晰微地震信号.仿真结果表明,该方法可衰减随机干扰噪声、突出微地震信号同相轴,提高对微地震信号的识别能力.     

基于广义高斯模型的机载测深LiDAR波形拟合算法

针对传统LiDAR测深波形拟合算法受噪声干扰严重、对微弱回波信号及复杂波形拟合不准确的问题，提出一种基于广义高斯模型的波形拟合算法。首先通过计算滤波前后尾段波形的差异估计波形的噪声；然后利用广义高斯模型提取海面与海底反射信号分量，并对剩余信号进行迭代拟合；最后利用LM算法对参数进行优化，并对优化后的参数进行约束，避免冗余分量。采用南海实测数据进行验证，该算法拟合微弱回波及复杂波形能力强，不论在浅水(回波发生叠加)还是深水，其拟合精度均优于传统算法，具有良好的鲁棒性。     

利用改进模拟退火算法反演甘肃兰州地区地幔转换带导电模型

地磁测深一维反演可以获得地磁台站下方地球深部电导率结构。将改进模拟退火算法应用于地磁测深数据的反演,并将基于反演过程中的所有优质解进行统计分析得到的期望值作为模型最优解。地磁测深合成数据的一维反演测试结果表明:对于无噪声的理论数据,传统模拟退火算法可以恢复出真实的电导率剖面;存在噪声时,相较传统模拟退火算法,改进模拟退火算法可以有效克服噪声影响,并在噪声低于可接受的水平时,得到非惟一模型参数的可靠估计结果。对兰州台站的实际数据反演结果表明:在地磁测深敏感的深度范围内获得了与前人一致的电导率剖面;但是在地幔转换带下层,反演得到的电导率偏低。结合岩石物理实验结果,推测兰州地区地幔转换带下层可能是干冷的,周围地区深部地幔柱可能影响不到兰州地区深部热状态。     

美国纽约州立大学吴大铭教授访问国家地震局地震研究所

美国纽约州立大学吴大铭教授于1981年4月22日至25日访问了国家地震局地震研究所。 吴大铭教授在汉期间,作了关于维那滤波法分析形变前兆资料的学术报告。报告介绍了利用我国大灰厂、牛口峪、香河等台站所取得的形变资料,对降雨、温度干扰因素进行滤波排除。报告指出,通过滤波法,排除了噪声之后,结果发现均有前兆异常现象,     

基于K中心点聚类分析的大地电磁阻抗识别

在大地电磁场复杂的观测环境中,信号会受到不同类型或程度的噪声干扰。传统阻抗估计或提取方法(如功率谱法、Robust法等)难以获得稳定的阻抗值。利用大地电磁阻抗的实虚分量特性,受噪声干扰小的信号阻抗分布集中,受噪声干扰严重的信号阻抗分布散乱。引入K中心点聚类分析对阻抗进行提取与识别,并利用阻抗欧氏距离来描述阻抗间的相似性,依据相似性把受干扰小的信号阻抗划分到一类,受干扰大的信号阻抗划分到不同的类。依据相干度准则和紧凑性准则等类的选取准则,甄别出干扰环境中阻抗所在的最佳类。通过仿真实验和实例分析,验证了K中心点聚类分析能在噪声环境中识别出高质量的信号,恢复出真实阻抗值。     

一种引入Hurst指数的MEMS陀螺仪去噪模型

针对MEMS陀螺仪随机漂移产生的误差,提出一种引入Hurst指数的自适应噪声完备集成经验模态分解(CEEMDAN)与自适应卡尔曼滤波(AKF)相结合的去噪模型。首先,通过CEEMDAN对陀螺仪原始信号进行分解,得到一系列频率由高到低的本征模态函数(IMF)和一个残差余量;然后,提出Hurst指数模态筛选机制,将IMF分量划分为噪声IMF、混合IMF和信息IMF;最后,使用自适应卡尔曼滤波器对混合模态分量进行滤波并重构信号。结果表明,CEEMDAN较EMD和EEMD具有更高的分解精度;使用AKF处理混合模态,通过Hurst指数筛选机制重构信号的信噪比相较于排列熵和相关系数法分别提升约12%、36%;使用Hurst指数筛选机制,AKF处理混合模态后重构信号的RMSE较小波阈值滤波降低约23%。     

改进的地磁低点位移法与原方法对比分析

采用数学语言及MATLAB语言,对地磁低点位移法与其搭载软件进行改进：1)利用地磁突变界线自动成图技术代替人工画线以消除随机误差,思路为通过建立突变界线与台网地磁低点时间之间的几何解析关系来实现自动成图。首先对地磁台网进行Voronoi剖分,将突变界线的走向限定在地磁台网的Dirichlet镶嵌线上;然后通过最近邻插值法来计算低点时间等值线;最后将低点时间等值线图转化为二阶等值线图,从而提取出突变界线。2)利用地磁台站当地时间代替原有的格林威治时间(Greenwich time, GMT),以消除由经度效应引起的低点时间偏差,思路为建立台站的格林威治时间、台站经度与台站当地时间的函数关系,输入台站格林威治时间、台站经度,输出台站当地时间。并以2017年九寨沟MS7.0地震前07-20地磁低点位移现象为例,对改进后的新方法进行评价。     

一种去除地震背景噪音的新方法

结合希尔伯特-黄变换方法,根据信号背景噪音时间延续性假设,提出了一种自适应地震信号去噪算法。利用该算法实现了台站地震监测信号的去噪分析。分析表明：1）该去噪算法能根据背景信号特性有效去除信号的低频干扰;2）该算法可自适应完成信号分解去噪,计算效率高,无时间分辨率和频率分辨率问题;3）该算法处理高频干扰存在缺陷,有待进一步完善。     

钟祥台FHD观测数据影响因素分析

FHD地磁仪器的观测数据质量主要取决于观测数据的精度以及连续率,数据噪声影响观测数据的精度。对钟祥台地磁观测的主要干扰因素进行分析并提出解决对策,以期为地磁观测数据质量的提高提供参考。     

城市复杂环境下GNSS/INS组合导航算法研究

针对城市环境下GNSS车辆导航存在卫星信号易受影响的问题,利用GNSS/INS组合算法提高复杂环境下城市车辆定位性能。基于城市环境下实测GNSS数据评估分析定位结果,使用GNSS/INS组合的常规卡尔曼滤波算法实现卫星失锁区域导航。同时,提出一种基于新息的自适应卡尔曼滤波算法,可有效增强卫星数较少及信号干扰严重区域的车辆导航定位能力。该方法利用量测与预测的关系构造自适应因子,改善定位精度。结果表明,常规卡尔曼滤波可在20 s卫星信号失锁情况下保证亚m级导航精度,自适应卡尔曼滤波算法在卫星信号受到严重干扰时,其定位精度相比于常规卡尔曼滤波算法提高30%,可满足在城市复杂环境下的高精度、高可靠性车辆导航定位服务需求。     

顾及时变非高斯噪声的高斯和滤波及其导航应用

高斯和滤波可利用高斯混合模型精化非高斯噪声随机模型来提高估计精度,但导航测量环境的动态性和复杂性使非高斯噪声具有时变性特征,若GMM不随之调整会导致滤波解算失真。针对该问题,本文提出一种基于位移参数自适应估计的高斯和滤波算法。首先分析GMM位移参数对非高斯噪声拟合精度的影响,然后利用位移参数自适应技术修正GMM,进而改善高斯和滤波性能。实验结果表明,当GNSS/SINS量测模型存在时变非高斯噪声时,本文算法的滤波结果较传统高斯和滤波算法的波动小,抗干扰能力强,在实际应用中可进一步改善估计精度和稳定性。     

优化EWT-NLM的自适应GNSS高程时间序列降噪方法

提出一种引入样本熵（SE）优化的经验小波变换（EWT）结合非局部均值（NLM）滤波的组合自适应降噪方法。该方法使用SE确定全部经验模态分量中低频有效信号界限,叠加其余中高频分量后进行NLM滤波处理,之后重构滤波信号与有效信号为最终降噪信号,从而达到滤除高频噪声的目的。模拟数据与实测数据的实验结果表明,优化的EWT-NLM方法整体优于EMD、EWT方法,RMSE分别降低13.41%/10.63%（实测数据/模拟数据）、7.13%/5.78%,信噪比分别提升22.03%/22.54%、9.72%/7.42%。     

一种基于扩频码滤波的盲波束形成算法

通过研究分析传统的应用于CDMA系统的自适应波束形成带给系统的复杂度,采用先把接收信号与本地扩频码相乘解扩后再进行基于扩频码滤波的波束形成技术,并基于最大化信干噪比准则,提出一种计算复杂度小、在不同通信环境下性能良好的综合方案.仿真结果证实了算法的有效性.     

EWT-Elman组合模型短期电离层TEC预报

针对电离层总电子含量(TEC)非线性、高噪声的特点,建立基于经验小波变换(EWT)和Elman神经网络的短期电离层组合预报模型。运用该模型对不同地磁环境的电离层TEC时间序列进行建模预报,结果表明,EWT-Elman组合模型可反映电离层TEC的变化特征,地磁平静期预测平均相对精度为93%,均方根误差为1.04 TECu;地磁扰动期预测平均相对精度为92.4%,均方根误差为2.18 TECu。单一Elman模型、EMD-Elman组合模型以及EWT-BP组合模型在地磁平静期平均相对精度最高为90.7%,均方根误差最小为1.33 TECu;地磁扰动期平均相对精度最高为90.7%,均方根误差最小为2.57 TECu。对比其他模型,本文方法预测效果最优。     

����Ӧ������չKalman�����˲���������ϵ����е�Ӧ��

???????????????????????????о????????????????????????????????????????Kalman??????????????÷??????????????????Kalman????????????????????????????????????????и????????????3???????????????顢???Kalman??????????????????????????????????????????Kalman??????????????????????????????     

一种地形自适应的机载LiDAR点云正则化TPS滤波方法

随着机载激光雷达成像技术（LiDAR）的不断发展,激光点云数据处理的相关研究也在不断深入。点云滤波是机载激光雷达点云数据处理的重要环节之一。针对多数经典滤波方法在复杂地形和地物条件下的滤波效果不够理想的现状,提出一种新的基于相对变异系数的地形自适应正则化薄板样条插值点云滤波方法。采用二维区域增长获取初始插值参考点后,基于线特征约束对参考点进行优化,去除部分低可靠性参考点以得到较准确、分布离散均匀的初始插值参考点集合,在此基础上通过正则化薄板样条插值方式来拟合地形点与地物点之间的滤波分类面,完成对机载激光点云的高精度自适应滤波。对比实验结果表明,本文的地形自适应滤波方法在2组实验数据的总体错误率分别达到4.14%和4.17%,在错误率和多地形综合表现等方面具有优势,且滤波运算效率在目前主流的滤波算法中处于较高水平。另外,实验结果验证了地形自适应滤波方法在斜坡、山脊等起伏较多的复杂地形与包含植被和建筑物的混合地形等处的点云滤波结果具有较好的准确性。     

一种复合去噪的图像处理方法

针对小波变换和多级中值滤波各自在去噪方面的优点和不足,提出了一种新的图像复合去噪算法;该方法先对图像进行中值滤波,然后再用小波变换和中值滤波相结合进行进一步的滤波处理,得到最终的滤波图像。实验表明,该种方法在有效去除噪声的同时还很好的保护了图像的边界,图像的视觉效果良好。     

基于LMS滤波的地基增强系统电离层异常检测

针对地基增强系统(GBAS)中传统电离层异常检测方法无法同时兼顾检测精度与灵敏度的问题,通过构造单通道变步长最小均方(LMS)自适应滤波器以抑制伪码-载波偏离度高频噪声。单通道LMS自适应滤波器是在标准双通道LMS自适应滤波器的基础上,利用被检测信号短时相关性及其量化噪声的非相关性,构造一个采用被检测信号延时量作为参考输入的自适应滤波器,同时对Sigmoid函数进行改进,使得自适应滤波器在前期收敛速度快,且待滤波器收敛后保持较高稳定性。实验结果表明,在相同卫星仰角与电离层时间梯度值下,采用LMS自适应滤波器后电离层异常检测时间缩短,且当电离层时间梯度较小时,该方法也能够实现异常检测,验证了其有效性。