导读:本文包含了混沌信号去噪论文开题报告文献综述及选题提纲参考文献，主要关键词:混沌信号,去噪,协同滤波,经验模态分解
混沌信号去噪论文文献综述
周泽权[1]（2019）在《混沌信号的自适应去噪方法研究》一文中研究指出混沌理论已在保密通信、生物医疗、化工生产等领域得到广泛应用。然而在实际应用中,受各种主观及客观因素的影响,实测混沌信号通常都受到噪声污染。噪声的存在令混沌信号的特征被掩盖,这使得混沌理论的研究和混沌理论在各个领域中的应用都受到不同程度的限制,因此开展混沌信号噪声抑制研究具有重要的实际应用价值和理论意义。本文对混沌信号去噪问题进行了深入研究,对现有方法中存在的问题提出了解决方案,具体内容概括为如下两个部分:(1)针对混沌信号协同滤波去噪方法中存在的参数优化问题,考虑到最优滤波参数的选取受到信号特征、采用频率和噪声水平的影响,基于排列熵提出了一种混沌信号自适应协同滤波噪声抑制方法。该方法首先选取不同参数对含噪混沌信号进行降噪,然后采用排列熵算法对降噪后的信号进行复杂度刻画,选取最小排列熵所对应的滤波参数为最优滤波参数,从而实现滤波参数的优化。仿真实验表明,所提出的方法在不同信号特征、采样频率和噪声水平下能对各滤波参数自动最优化,提高了混沌信号协同滤波去噪方法的自适应性。(2)针对基于经验模态分解的区间阈值降噪方法中存在模态混迭、阈值选取困难、信噪比提升有限等问题,提出了一种基于改进型经验模态分解的过零尺度阈值降噪方法,该方法采用过零尺度阈值,利用杜宾-瓦特森(Durbin–Watson,DW)统计量对不同阈值去噪后信号残差的相关性进行分析求出最佳阈值,提高了降噪方法的自适应性。该方法首先采用改进型经验模态分解对含噪混沌信号进行分解,然后选取不同阈值对分解得到的固有模态函数进行过零尺度阈值降噪处理,并求解各阈值去噪后对应信号残差的DW值,选取与高斯白噪声DW值最接近的信号残差DW值所对应的阈值为最优阈值,使用最优阈值对含噪混沌信号降噪获得最终的降噪信号。将混沌信号、心电信号以及太阳黑子信号作为测试信号对所提方法的降噪性能进行了验证,仿真实验表明所提方法有效解决了基于经验模态分解的区间阈值降噪方法中存在模态混迭、阈值选取困难的问题,获得了良好的自适应性和更高的信噪比。(本文来源于《湘潭大学》期刊2019-06-03）
王梦蛟,周泽权,李志军,曾以成[2]（2018）在《混沌信号自适应协同滤波去噪》一文中研究指出混沌信号协同滤波去噪算法充分利用了混沌信号的自相似结构特征,具有良好的信噪比提升性能.针对该算法的滤波参数优化问题,考虑到最优滤波参数的选取受到信号特征、采样频率和噪声水平的影响,为提高该算法的自适应性使其更符合实际应用需求,基于排列熵提出一种滤波参数自动优化准则.依据不同噪声水平的混沌信号排列熵的不同,首先选取不同滤波参数对含噪混沌信号进行去噪,然后计算各滤波参数对应重构信号的排列熵,最后通过比较各重构信号的排列熵,选取排列熵最小的重构信号对应的滤波参数为最优滤波参数,实现滤波参数的优化.分析了不同信号特征、采样频率和噪声水平情况下滤波参数的选取规律.仿真结果表明,该参数优化准则能在不同条件下对滤波参数进行有效的自动最优化,提高了混沌信号协同滤波去噪算法的自适应性.(本文来源于《物理学报》期刊2018年06期）
张迅,李决龙,邢建春,王平,杨启亮[3]（2016）在《基于混沌蜂群算法的高耸结构振动信号小波阈值去噪方法研究》一文中研究指出为了有效去除实测振动信号中的噪声,改进了一种基于Kent混沌人工蜂群(KCABC)算法的振动信号小波阈值去噪方法。该算法采用Kent混沌映射初始化蜂群,引入锦标赛选择机制选择食物源,并结合混沌策略搜索最优解。基于广义交叉验证(GCV)阈值构造了目标函数,采用改进的KCABC算法搜索最优阈值,实现了不基于噪声先验知识的振动信号阈值去噪。通过对广州新电视塔4组实测振动信号的处理,比较了改进的KCABC算法与粒子群优化(PSO)算法、标准蜂群(SABC)算法以及Logistic混沌蜂群(LCABC)算法的去噪性能。结果表明:提出的KCABC算法具有较快的收敛速度和较高的搜索精度,能够有效去除高耸结构振动信号中的噪声部分。(本文来源于《建筑结构学报》期刊2016年S1期）
李广明,吕善翔[4]（2015）在《混沌信号的压缩感知去噪》一文中研究指出对非线性时间序列进行噪声抑制是从中提取有效信息的前提.混沌信号的去噪算法不仅要使滤波后的信号具有较高的信噪比,也要具有较好的不确定性.从压缩感知的角度出发,提出了一种新的噪声抑制方法.该方法包括估计噪声方差,以及依据动态的稀疏度将观测值往确定的过完备字典上投影.仿真实验表明,该方法比常用的小波阈值法和局部曲线拟合法具有更高的输出信噪比,而原始信号的混沌特性也能得到较大程度的恢复.(本文来源于《物理学报》期刊2015年16期）
张强,行鸿彦[5]（2015）在《基于EMD方差特性的混沌信号自适应去噪算法》一文中研究指出本文利用经验模态分解算法(EMD),研究了不同状态下混沌信号的方差特性,提出了一种EMD分解层数自适应的去噪算法.该算法根据固有模态函数(IMF)方差最大值对应层数与总分解层数的关系,能够自适应选择需处理的IMF层数,并结合提升小波在更新和预测方面的优势综合去噪,分别以Lorenz、Chen系统(加入10%-100%的高斯白噪声)和实测的IPIX雷达数据作为混沌背景噪声进行了实验研究.结果表明:在不同程度的低噪声(≤30%)环境下,与传统小波阈值去噪等方法相比,其均方误差降低了30%以上,信噪比提高了1.5db-3.5db,并能有效地去除海杂波噪声,提高混沌背景下的微弱信号检测效果.(本文来源于《电子学报》期刊2015年05期）
王梦蛟,吴中堂,冯久超[6]（2015）在《一种参数优化的混沌信号自适应去噪算法》一文中研究指出针对非线性自适应混沌信号去噪算法的参数优化问题,考虑到最优滤波窗长受到不同因素的影响,为提高该算法的自适应性,提出一种滤波窗长自动最优化的判决准则.依据混沌信号和噪声自相关函数的不同,首先采用不同窗长对含噪混沌信号进行去噪,然后计算每个窗长对应的残差自相关度(RAD),最后通过对最小RAD所对应的窗长进行一定比例收缩实现窗长的最优化.仿真结果表明,该判决准则能够在不同条件下对滤波窗长进行有效的自动最优化,提高了混沌信号去噪算法的自适应性.(本文来源于《物理学报》期刊2015年04期）
位秀雷,林瑞霖,刘树勇,杨爱波[7]（2013）在《基于改进小波变换方法的混沌信号去噪研究》一文中研究指出针对混沌信号和噪声频谱互相重迭,传统方法难以实现有效滤波这一问题,提出一种改进的小波去噪方法.该方法采用参数加权法构造信号,将小波分解系数进行阈值处理,通过循环迭代,利用序列中包含的有效信息,将有用信号提取出来.仿真结果表明,利用改进小波变换去噪方法改善了混沌时间序列的预测结果,证明了该方法的有效性.(本文来源于《武汉理工大学学报(交通科学与工程版)》期刊2013年05期）
卢德林[8]（2013）在《基于奇异谱去噪的心音信号混沌动力学分析》一文中研究指出心音是人体重要的生理信号之一，它包含了心脏大量的生理和病理信息。而心脏是一个复杂的非线性动力系统，决定了由其产生的心音信号也具有一定的非线性特性和复杂性。常规的心音信号处理方法，如时频分析、功率谱分析等都是建立在线性模型基础之上的分析方法，只能反映信号的时域信息或频域特性，却并不能全面反映本质为非线性的生理系统的动力学特性。新发展起来的混沌理论以及信号处理方法为研究心音信号提供了新的途经。然而，在对心音信号进行混沌分析之前，必须对其进行去噪处理。传统心音去噪方法在对心音进行去噪时常因去噪过度或者不完全，容易造成大量非线性特征信息的丢失，从而破坏了心音本身的动力学特性，这给后续心音的混沌动力学分析带来了不利影响。针对传统心音去噪算法存在的不足，本文提出采用一种基于奇异谱分析的小波去噪方法来对心音信号进行去噪处理。首先，针对实际心音信号的噪声特点，根据奇异谱的主成分分析特性，提出了一种多级奇异值分解算法（MS-SVD）来提取强噪声条件下的心音信号，通过对信号进行奇异值分解和重构，能够有效的从强噪声中分离出心音信号。其次，由于分离出的心音信号在各个频段仍含有部分噪声，所以利用小波的多分辨率分析特性来对心音信号作进一步的去噪处理。而传统小波阈值去噪方法在估计噪声阈值时容易将部分高频心音当成噪声，导致估计的阈值过大而造成心音能量损失。因此，本文采用心音基线来对信号中的噪声阈值进行估计，并提出相应的基线自动提取算法。最后，结合MS-SVD算法和改进的小波阈值去噪算法，提出了一种基于奇异谱分析的心音信号小波去噪算法，并通过提出的改进算法对含噪心音信号进行仿真实验。结果表明，不管是针对正常心音还是异常心音，改进的算法在对其进行去噪时均能达到满意的去噪效果，且性能优于传统的心音去噪方法。同时，去噪后心音本身的动力学特性和非线性特征信息也得到了很好的保留。另外，在深入分析心音信号去噪算法的基础上，将混沌理论应用到心音信号的分析中，开展对不同心脏疾病状态下心音信号的混沌动力学研究。本文从混沌动力学系统所具有复杂性、确定性以及自相似性等基本特征出发，采用基于熵的复杂性、基于定量递归的确定性以及基于分形几何结构的自相似性分析方法来研究心音，并从中选取了近似熵、递归值（递归率、确定率）和关联维等4个关键混沌特征指标对心音进行分析。文中主要选取正常心音和5种不同类型的心脏瓣膜疾病心音作为研究的对象，首先通过相空间图和递归图分别对这几类心音进行定性的分析；然后利用所选特征参数对心音进行定量的分析，并计算其混沌特征值。结果表明，近似熵和关联维能够定量的反映心音信号的复杂程度；而递归图能够定性的描述心音的周期性和确定性，且定量递归分析更能进一步的对其规律性程度进行定量的衡量。因此，探索多种非线性特征分析方法来研究心音信号，可以从不同的角度揭示心音的非线性特征规律，这为后期更深入的研究心音以及实现心脏疾病的诊断奠定了基础。(本文来源于《重庆大学》期刊2013-04-01）
韩晓红,常晓明[9]（2011）在《基于相空间重构的匹配追踪混沌信号去噪》一文中研究指出基于混沌信号和噪声在相空间轨道的动力和几何特性,提出一种相空间重构的匹配追踪混沌去噪方法。该方法利用相空间重构产生与混沌信号微分同胚的相空间集,采用匹配追踪方法将信号分解为匹配信号结构的时频原子的线性和,达到无损去噪的目的。对Lorenz混沌系统模拟试验表明,该方法具有良好的去噪效果和计算收敛性。应用该方法于混沌相关光时域定位仪实际探测信号的测试,降低互相关旁瓣平均水平9.539 4。(本文来源于《太原理工大学学报》期刊2011年02期）
韩贵丞[10]（2011）在《股票指数信号的似混沌特性及去噪研究》一文中研究指出混沌是在确定性非线性动力学系统中呈现的不确定的伪随机现象,它揭示了非线性学科的共同特点：确定性和随机性的统一,有序和无序的统一,量变和质变的统一。王青、陈婷、李锋曾在《无理数序列的似混沌特性及其在图像加密中的应用》中提出过似混沌特性的概念,并采用时间序列分析法进行讨论,证明了无理数的似混沌特性。在本文的前一部分中,利用相关的时间序列分析法对百年的美国道琼斯股票指数序列和二十年的上海证券综合指数序列进行仿真,分析股票时间序列。具体方法包括功率谱分析、主分量分析,重构相空间,计算最大李雅普诺夫指数以及关联维数方法。通过数值分析,证明了股票指数信号具有似混沌特性。随后,本文对混沌信号去噪方法进行讨论。局部投影法作为其中比较有效的方法,主要研究焦点在于对邻域的选取。本文揭示了关联维数与含噪混沌信号信噪比之间的关系。将关联维数作为局部投影法中邻域半径选取的标准进行噪声平滑。对一定时间范围的股票时间序列进行去噪分析,检验其去噪效果。对股票指数混沌序列进行预测,比较去噪前的预测效果和去噪后的预测效果,证明混沌信号去噪的可行性和必要性。(本文来源于《复旦大学》期刊2011-03-12）
混沌信号去噪论文开题报告
（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：
混沌信号协同滤波去噪算法充分利用了混沌信号的自相似结构特征,具有良好的信噪比提升性能.针对该算法的滤波参数优化问题,考虑到最优滤波参数的选取受到信号特征、采样频率和噪声水平的影响,为提高该算法的自适应性使其更符合实际应用需求,基于排列熵提出一种滤波参数自动优化准则.依据不同噪声水平的混沌信号排列熵的不同,首先选取不同滤波参数对含噪混沌信号进行去噪,然后计算各滤波参数对应重构信号的排列熵,最后通过比较各重构信号的排列熵,选取排列熵最小的重构信号对应的滤波参数为最优滤波参数,实现滤波参数的优化.分析了不同信号特征、采样频率和噪声水平情况下滤波参数的选取规律.仿真结果表明,该参数优化准则能在不同条件下对滤波参数进行有效的自动最优化,提高了混沌信号协同滤波去噪算法的自适应性.
（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。
混沌信号去噪论文参考文献
[1].周泽权.混沌信号的自适应去噪方法研究[D].湘潭大学.2019
[2].王梦蛟,周泽权,李志军,曾以成.混沌信号自适应协同滤波去噪[J].物理学报.2018
[3].张迅,李决龙,邢建春,王平,杨启亮.基于混沌蜂群算法的高耸结构振动信号小波阈值去噪方法研究[J].建筑结构学报.2016
[4].李广明,吕善翔.混沌信号的压缩感知去噪[J].物理学报.2015
[5].张强,行鸿彦.基于EMD方差特性的混沌信号自适应去噪算法[J].电子学报.2015
[6].王梦蛟,吴中堂,冯久超.一种参数优化的混沌信号自适应去噪算法[J].物理学报.2015
[7].位秀雷,林瑞霖,刘树勇,杨爱波.基于改进小波变换方法的混沌信号去噪研究[J].武汉理工大学学报(交通科学与工程版).2013
[8].卢德林.基于奇异谱去噪的心音信号混沌动力学分析[D].重庆大学.2013
[9].韩晓红,常晓明.基于相空间重构的匹配追踪混沌信号去噪[J].太原理工大学学报.2011
[10].韩贵丞.股票指数信号的似混沌特性及去噪研究[D].复旦大学.2011