受隧道爆破复杂环境和仪器电磁干扰等因素的影响, 实测爆破振动信号多含有高频噪声, 通过直接分析原始信号不能有效分析爆破振动规律。为获得真实的爆破振动特征, 采用基于最优变分模态分解(OVMD)和多尺度排列熵(MPE)相结合的信号光滑降噪模型, 通过仿真叠加信号和工程实测信号进行检验。首先将信号进行OVMD分解得到带限固有模态函数(BIMF), 然后将大于MPE设定阈值的高频BIMF作为噪声剔除, 最后重构剩余BIMF分量, 得到降噪信号。结果表明: OVMD-MPE模型能精确识别信号的频率信息, 前两阶分量能有效反映叠加信号的有效成分, 适用高精度数据序列分析, 提取数据序列特征; 相较EEMD-MPE和CEEMDAN-MPE模型, OVMD-MPE模型具备更优降噪性能, 降噪误差比、均根方误差和光滑度分别提升22.05%、48%和33.34%, 去噪后曲线更贴近原始信号, 更适用不同震源距离的爆破信号分析; 双子山隧道右线施工时产生的爆破扰动集中于200 Hz以下的中低频段, 双子山隧道衬砌结构的固有频率与爆破信号频率相仿, 需采取减震措施确保隧道工程的施工安全。

为了实现无束缚式的居家健康生理信息检测，提出了一种基于光纤布拉格光栅传感器的呼吸与心跳信号采集方法。针对信号在测量过程中存在的噪声干扰问题，提出了一种变分模态分解联合改进小波阈值函数的降噪算法，首先利用变分模态分解去除信号中的大部分高频噪声，其次利用改进的小波阈值函数去除信号中的残余噪声。利用带通滤波器将降噪后信号中的呼吸与心跳信号分离并计算其频率。实验结果表明，该方法获得的心率的最大误差率为8.75%，呼吸的最大偏差为1 beat/min。

脑机接口(BCI)技术通过解码分析大脑的神经活动来实现人脑与计算机等外部设备的直接交互,可作为信息交流和恢复运动功能的手段,已被应用于通信、智能机器人控制、生物医学和神经康复等诸多领域。功能性近红外光谱(fNIRS)是一种可用于探测大脑皮层血红蛋白浓度变化的光学成像技术,近些年被用于无创BCI的发展。本文系统、详细地综述了fNIRS-BCI的发展历程、组成原理、涉及的关键技术、未来的发展趋势以及局限性和待解决的问题,重点对特征分类算法进行了全面统计,并将结果与前人的部分统计数据进行对比分析,归纳出一些有价值的结论与观点。本文旨在让有兴趣探索fNIRS-BCI的研究人员对其有一个全面而具体的了解,甚至为他们提供一定的参考和指导。

浅水激光雷达回波信号中混有高斯白噪声及系统自由振动时产生的固有频率成分,因此较难从较低信噪比的回波信号中获取目标的距离与特征,需要进行降噪处理。根据全波形回波及固有频率的频域特点,提出了一种改进的经验小波变换方法,并将其用于浅水激光雷达信号的降噪。首先对实验室自制的测深激光雷达系统测到的回波信号进行分解,得到降噪后的回波、噪声及固有频率成分,然后针对降噪后的回波信号,进行非线性阻尼最小二乘算法拟合优化,最终得到全波形回波的分解信号并测得水深。利用MATLAB建立信号模型,对比常用降噪算法处理的降噪效果,结果显示,改进的算法在计算时间、信噪比和均方误差等方面有明显优势;对比0.5~3.0 m水深范围内不同降噪算法的实测回波处理效果,经所提方法降噪后,回波信号的测深误差小于0.1 m。

基于太赫兹波的非电离、非侵入性、高穿透性、高分辨率和光谱指纹特征,太赫兹光谱技术在生物医学领域具有巨大潜力。基于太赫兹光谱技术和不同的分析算法,不同研究小组实现了对混合物样品的定性、定量识别。然而,实际的生物混合物样品中通常包含水在内的不同成分,进而导致光谱的信噪比较差,导致最终的光谱分析结果误差较大。对于此类问题,降噪算法和重构算法是比较有效的解决办法。这些算法通过去除光谱数据中的无效信息或提取其中的有效信息来达到提高光谱信噪比的目的,最终结合分析算法实现对生物样本的高精度定性和定量识别。本文对近五年来应用于太赫兹光谱技术中的主要算法进行了归纳介绍,并总结了它们的优势和缺点。

对某些探测信号，如激光测距回波、雷达回波等，在传输过程中会耦合进大量的噪声，导致信噪比下降，通常采用小波变换、导数法、插值、多项式拟合等算法进行降噪处理，以便获取真正需要的有用信号。针对基于劈尖干涉测量激光波长的实验系统中，CCD输出信号因含有噪声而影响FFT变换精度的问题，建立了一种基于归一化指标寻优的自适应EEMD（ensemble empirical mode decomposition，总体经验模态分解）降噪模型，并将其应用到基于劈尖干涉的波长测量实验系统中CCD输出信号的降噪中。实验结果表明，该方法能有效提高CCD信号的降噪精度，简化降噪过程及操作难度。

二代小波是公认较好的降噪手段, 但是降噪效果依赖于基函数、 分解层数和阈值等参数设置。 经验模态分解(empirical mode decomposition, EMD)无需参数设定, 按照频率特性将信号分解成本征模函数(intrinsic mode function, IMF), 对IMF滤波, 实现了信号自适应去噪。 拉曼光谱中信号和噪声交叠集中在极高频段, EMD产生模态混叠问题, 影响去噪效果。 应用总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)拉曼光谱克服了模态混叠, 有效区分出高频信号和噪声, 获得了与小波函数相似去噪效果。 文中首先对一段非线性非平稳豆油脂拉曼光谱EMD分解, 可见模态混叠, EEMD分解出清晰模态的特征分量。 然后分别用快速傅里叶变换(fast Fourier transform, FFT)、 小波变换(Wavelet)、 EMD和EEMD处理含噪光谱, 信噪比、 均方根误差、 相关系数三个方面指标表明FFT高频去噪效果最差, 其次是EMD, 恰当的Wavelet同EEMD效果相当, EEMD的优势是降噪过程的自适应。 最后提出光谱时频分析方法和IMF噪声属性判别准则研究趋势。