通道噪声（精选七篇）
通道噪声 篇1
TLC59282可通过对LED输出开关进行摆动处理来最大限度降低同步开关噪声, 从而进一步降低峰值开关电流瞬变, 以促进LED模块中低成本双层印刷电路板 (PCB) 的布线。如果采用传统的多通道LED驱动器, 就必须采用四层PCB布线来避免开关瞬变在输出消隐期间破坏串行数据通信路径。除了降低电磁噪声之外, TLC59282还支持极高的通道间与芯片间精确度, 能够有效确保为每个LED串提供均匀电流。
TLC59282的主要特性及优势
·输入电压范围:3.0 V~5.5 V;
·LED通道耐压高达17 V;
·四通道分组延迟可最大限度地降低同步开关噪声;
·可级联的串行通信协议使显示处理器能在同一串行总线上控制多个LED驱动器, 高精度电流匹配则有助于在多个LED串之间实现均匀的亮度;
·通道间的电流误差精度:±0.6% (典型值) ;
·芯片间的电流误差精度:±1 (典型值) ;
·30 ns BLANK脉冲可在多路复用应用中实现非常高的刷新率。
供货情况
铁路钢桥的噪声与噪声控制 篇2
20世纪50年代起, 噪声已成为一种主要的环境污染源, 它不仅影响人们正常的工作、学习和休息, 而且危害到人们的身体健康。
我国噪声控制研究始于1985年, 至今已成为环境保护产业的重要组成部分。欧洲共同体委员会于1996年1月4日发表了题为“未来噪声政策”的绿皮书, 指出未来环境噪声控制的对策是进一步开展噪声暴露评价的研究, 降低道路交通、铁路、飞机和户外机械噪声, 重视土地使用规划和噪声教育, 提高全民意识。[1]
对振动与噪声干扰的治理和防护, 一直是高速铁路工程的重要组成部分。日本、德国、法国等发达国家高速铁路工程中, 用于降噪、减震的投资在工程总投资中占有相当大的比重。列车通过桥梁时, 轮轨作用除了使车轮和轨道直接向外辐射噪声外, 还要向桥梁的各个构件传递振动能量, 激发桥梁的各个构件产生振动, 并形成噪声的二次辐射。大量实测表明, 一般情况下铁路桥梁噪声要比普通线路上增加约0~20dB (A) 。[2]
1. 铁路桥梁的噪声
高速列车在轨道上运行时发生的各种噪声主要由钢轨和车轮的转动声 (轮轨噪声) ;车体的空气阻力噪声 (空气声) ;建筑物噪声;电装置的受电系统声 (集电噪声) 组成。这些噪声产生后, 还会通过车体传到车内, 形成车室噪声。建筑物噪声主要是由于车轮与钢轨间的振动, 经由轨道向建筑物而产生的第二次振动声, 主要来自桥梁的二次振动。从振动声音的大小看, 无道砟的明桥面钢桥更突出一些。当列车通过桥梁时, 由于引起桥梁上的各种构件的振动而向外辐射噪声, 此声源称为桥梁结构噪声, 其发生机理如图1。[3]
高架轨道分为三类:第一类, 轻型高架钢结构, 钢板梁、钢轨直接固定在钢板道床上;第二类, 混凝土梁支撑的混凝土高架结构, 采用弹性扣件直接将钢轨固定在混凝土道床上;第三类, 碎石枕木道床高架结构。
由于共振作用钢结构桥对路旁的辐射噪声最大, 传播范围广, 主要成分是结构噪声。混凝土桥的桥梁构件自重大, 当列车通过时受到的振动激励响应比钢结构要小得多, 因此辐射噪声比较小。主要噪声成分是轮轨噪声。
2. 铁路桥梁的噪声控制措施
由于铁路桥梁的振动和辐射噪声声场分布复杂, 要根据桥梁结构不同采用不同的控制措施。主要从噪声源研究降低源强的方法, 使其向外辐射的振波和声波能量尽可能低。
2.1 桥上线路方面[2]
(1) 线路平顺, 钢轨接缝要小, 采用重型焊接长钢轨 (一般长度为1-2 k m) , 较普通短轨 (25m) 可降噪8-10dB (A) ; (2) 修整、研磨轨面波形磨耗, 保持钢轨表面处于良好的工作状态, 可降噪2-9 dB (A) ;经常维修轨缝, 使之符合标准, 可降噪2-5 dB (A) ; (3) 采用有碴道床, 隔振吸声性能好; (4) 钢轨与轮枕间、钢轨与钢轨间采用弹性紧固件, 可以减弱振动, 降噪3-5 dB (A) ; (5) 在钢轨和轮轨下增加弹性防振垫; (6) 国外试用防振钢轨, 在钢轨轨腰两侧用橡胶包覆, 并用螺栓、支撑件压紧。防振橡胶除阻尼振动、降噪外, 还与钢轨一起承受纵、横方向方向荷载。用在高架铁路上, 可降噪3-4 dB (A) ; (7) 在桥梁两侧建声屏障。可降噪8-10dB (A) 。
2.2 桥梁结构方面
桥梁结构要有较高的强度和较大的抗挠抗扭刚度, 一般不采用柔性结构, 梁部选用混凝土或预应力混凝土等感热迟钝的材料。因钢支座产生较大的噪声和振动, 因此桥梁宜采用橡胶支座。对于钢桁桥, 可用混凝土层 (约150mm厚) 包覆或用阻尼涂料覆盖, 或将橡胶—沥青系列材料用环氧树脂粘贴与外表面。这些措施降噪效果约在10dB (A) 以内[2]。
3. 钢桥的防噪声措施
钢桥由于其重量较混凝土轻, 可以使下部结构设计经济, 尤其对软弱地基及地震区更为有利。另外, 钢桥杆件可在工厂预制, 运到工地后, 可在短时间内架设, 且加工、维修、更换起来也容易, 所以它是铁路桥的常用形式。但铁路钢桥因噪声过大, 是其让位于混凝土桥的主要原因之一。
3.1 我国减少桥梁增噪的措施[4]
我国采用道砟桥面的结合梁来克服明桥面噪音大的缺点, 即由钢筋混凝土道砟槽板和钢板梁组合成一个整体来工作, 利用道砟的吸振和吸音作用使行车噪声减弱。
3.2 日本减少桥梁增噪的措施[3]
日本的低噪音钢桥, 就是钢桥的道床为铺设有长钢轨的有碴道床, 并在有碴道床下埋置道砟底板, 而在桥跨两侧走道上设置隔音墙。道砟底板 (厚2 5 m m的橡胶底板) 的埋设施工简单, 成本也低, 减小噪音效果却很好, 而且它还有防止道床下翻碴的作用。
日本低噪音钢桥的防噪音结构措施, 主要是在道床上, 其常用的道床有:上承板梁道床;下承板梁道床;结合梁道床;下承桁梁道床;其他板式道床。
(1) 上承板梁
主梁为型或箱型截面的上承板梁, 为减小其腹板和下翼缘的振动在腹板上安设沥青橡胶材料的减振件, 而在下翼缘上则采用灌注混凝土的方式减振。
(2) 下承板梁
对于下承板梁钢桥面板, 是在主梁和横肋上安装减振件。若对噪音要求较严, 且桥下净空有限制时, 如日本八户线柏崎桥 (跨度35.6m) , 可在箱形截面的主梁外侧的腹板上安设减振件, 并在下翼缘上灌注混凝土减振。另外, 为减小横肋和纵肋等因振动而产生的噪音, 在横肋下面的翼缘上设置消音钢板。
在H型钢梁形式中, 在纵桥向以60cm间距设置H型钢, 并配置钢筋灌筑混凝土。H型钢与混凝土结合构成组合截面的桥面系。这种结构形式多用于复线铁路桥。
对于用混凝土外包桥面系做成的下承板梁混凝土桥面板形式, 是除横梁的下翼缘外, 纵梁和横梁全外包混凝土, 以达到减震的目的。这种结构形式的防噪音效果比仅在腹板上安装减振件的钢桥面板形式要好。
(3) 下承桁梁
对于钢桥面板形式在梁下安装隔音板。对于混凝土桥面板形式, 处理方法同钢桥面板形式。
(4) 其他板式轨道
(1) - (3) 所介绍的方法, 均为有碴道床, 在有碴道床中埋置碴床底板的结构形式, 其梁正下方的噪音响度比明桥面结构低20-30方, 因而是一种降低噪音的基本方法。但当梁下净空受到限制, 而必须采用板式道床或钢梁直接联结轨道时, 由于这时的振动都是直接传递, 防噪音工作比有碴道床困难。
对于下承钢板梁, 采用混凝土外包桥面系, 在其结构下还可加设隔音板。
对于采用板式轨道的结合梁, 当其梁下净空较宽余时, 在梁下安设隔音板的结构形式。当其梁下净空有限制时, 可在主梁下翼缘的上面灌筑混凝土, 而在梁侧加设隔音板。
对于混凝土桥面板的桁梁, 在梁侧用隔音板作成反L形隔音墙, 对其纵、横梁, 可采用外包混凝土方法减振。若桥位于对噪音有严格限制的地区, 还应在梁下加设隔音板。
3.3 荷兰的低噪声钢桥
M.H.A.Janssens和D.J.Thompson[5]提出了低噪音钢桥设计的几点建议:
1) 扣件系统
扣件系统对于桥梁上的滚动噪声和桥梁本身的结构噪声都很重要。降低它的振动刚度一方面可以增加轨道和桥梁的隔振效果, 另一方面, 还可以减少轨道中隔振效果随距离的衰减。降低扣件系统的振动刚度可以提高轨道的振动水平, 但同时增大了滚动噪声, 从而部分地削减了更高隔振的效果。较好的做法是联合使用柔性轨道支座和添加轨道阻尼装置。
2) 新型桥梁结构的设计
桥梁结构在声音传播中的作用有二:吸收轨道的声功率和将轨道的声功率转化为辐射声。然而, 从后者的角度来改进设计的可能性有限。如图2, 该图为一钢板 (0.5m*5m) 的辐射功率和输入功率的平均比值是板厚h的函数, 该比值适用于板厚为15-30mm, 大多数钢桥的板厚为15-30mm。因而, 尽量减少输入功率显得更重要, 这可以通过设计尽可能高的高阻抗桥梁来实现。
3) 其他措施
在不改变桥梁结构的情况下的其他措施也可以降低桥梁的噪声, 并已应用于已建桥梁, 包括添加桥梁的阻尼夹层, 建立声屏障等。
荷兰低噪音钢桥研究组测试了200多种不同的厚度组合对桥梁增噪的影响, 使用荷兰国有铁路和旅客列车, 以140km/h的速度运行通过。测试发现, 增加板的厚度可显著降低桥梁噪声。
采用夹层阻尼也可有效地减少桥梁发出的噪声。其原理是基于夹入结构构件与附加薄钢板间的黏弹性层对能量的吸收。
采取通过增加阻尼或通过密封钢轨来降低钢轨的振动程度来减少滚动噪声, 从而减少铁路桥梁的总噪声。可通过埋置钢轨的方式来实现, 如图3。
荷兰低噪声桥研究组开发的低噪声桥, 采用声学上的最佳板厚组合。钢轨被埋置在槽内并使用软木橡胶乳剂固定, 这种固定法可能为钢轨提供最佳垂直和水平刚度, 同时也可有效地封闭钢轨, 并能使建设公差最小化。
4. 结论
由于铁路桥梁的振动和辐射噪声声场分布复杂, 要根据桥梁结构不同采用不同的控制措施。主要从噪声源研究降低源强的方法, 使其向外辐射的振波和声波能量尽可能低。桥梁结构要有较高的强度和较大的抗扭刚度, 一般不采用柔性结构, 梁部选用混凝土或预应力混凝土等感热迟钝的材料。因钢支座产生较大的噪声和振动, 因此桥梁宜采用橡胶支座。对于钢桁梁桥, 可用混凝土层 (约150mm厚) 包覆或用阻尼涂料覆盖, 或将橡胶—沥青系列材料用环氧树脂粘贴于外表面。这些措施降噪效果约在10dB (A) 以内。
我国采用道砟桥面的结合梁来克服明桥面噪音大的缺点, 即由钢筋混凝土道砟槽板和钢板梁组合成一个整体来工作, 利用道砟的吸振和吸音作用使行车噪声减弱。日本的低噪音钢桥, 就是钢桥的道床铺设有长钢轨的有碴道床, 并在有碴道床下埋置道砟底板, 而在桥跨两侧走道上设置隔音墙。荷兰低噪声桥研究组开发的低噪声桥, 采用声学上的最佳板厚组合, 钢轨被埋置在槽内并使用软木橡胶乳剂固定。
参考文献
[1]European Commission.Green Paper—FutureNoise Policy[J].NNI, 1997, July, vol.4, No.2:73-85
[2]卜建清, 等.减小铁路振动与噪声影响的方法[J].铁道工程学报.2001年9月第3期, 42-47
[3]周胜利, 等.高速铁路钢桁梁桥桥面结构设计及减小噪音的结构措施[J].国外桥梁.1996年第3期:p22-32
[4]白宝鸿, 等.高速铁路噪声产生原因及防治措施研究[J].噪声与振动控制.1998年8月第4期:p35-37
宽带低噪声放大器噪声分析 篇3
关键词：低噪声放大器,宽带,噪声,射频
1 射频接收机的结构分析
低噪声放大器 (LNA) 是整个RF前端的最前端, 是整个接收通道最关键的模块。它的噪声系数直接决定着整个系统的噪声系数的下限。因此, 低噪声放大器的设计是整个射频前端设计的一个关键技术。
射频接收机的作用是在众多电波中选择目标信号, 将其从载波频率搬移到基带, 并放大到一定的幅度, 以满足基带信号处理系统的要求。其结构分为:低中频结构, 零中频结构, 外差式结构。如果系统指标非常苛刻, 难以用上述结构来实现时, 采用外差式结构是一个很好的选择。
接收机最重要的两个特性是灵敏度 (sensitivity) 和选择性 (selectivity) 。灵敏度是接收机对于弱信号放大和解调能力的测试, 数值上等于接收机在解调出可以接受的信号的前提下, 所能接收的最小信号电平。选择性是衡量接收机选取带内信号和抑制带外信号的能力的参数, 其重要指标包含:噪声系数 (Noise figure) 、线性度和失真、相位噪声。
2 射频低噪声放大器分析
低噪声放大器的主要功能是在引入尽量低的噪声的前提下, 为后面各级提供足够的增益。同时, 低噪声放大器作为整个系统的第一级, 直接决定的整个系统的噪声系数的下限, 低噪声放大器的设计关键是低噪声。此外, 根据不同系统的要求, 低噪声放大器还必须同时要满足:高增益、高线性度、良好的输入输出匹配。本章将重点分析低噪声放大器的低噪声以及对它所作的优化。
2.1 低噪声放大器的结构
低噪声放大器对于设定整个系统的性能是非常重要的。无论采用何种工艺技术设计低噪声放大器, 其电路结构都是差不多的, 都是由晶体管、偏置、输入匹配和负载四大部分组成。低噪声放大器的结构往往很简单, 当我们把一个晶体管的一端交流接地, 一端接输入信号, 另一端则是输出。这个简单的晶体管就可以看作一个低噪声放大器。当然, 实际设计的低噪声放大器为了达到各项指标, 要复杂一些。
2.2 低噪声放大器的噪声
任何所需要的信号之外的信号都可称为噪声。之所以叫做噪声, 是因为它们相对于通常意义上的信号, 是一种干扰。电子系统中的噪声又可分成两类:人为噪声和固有噪声。前一种可以通过好的屏蔽系统减弱甚至彻底消除。而后
2.2.1 双极晶体管的噪声源
电阻热噪声 (Thermal Noise) 各电极的体电阻和电极引线上自由电子热运动产生的噪声, 称为热噪声。集电极串联电阻也贡献电阻热噪声, 但是由于它与高阻集电结串联, 因此可忽略, 通常不计入电阻热噪声。Shot噪声, Shot噪声起源于电荷载子的粒子性, 是由Schottky于1918最先提出的。闪烁噪声, 闪烁噪声发生于所有的有源器件及一些分立的无源器件当中。Burst噪声, 所谓的Burst噪声, 其实是产生-复合噪声的一种, 典型的表现形式是不等长, 但等高的随机脉冲, 有时这些脉冲相互叠加在一起。
2.2.2 噪声系数
我们可以通过双端口噪声模型来分析系统的噪声系数。我们可以把带有噪声的线性双端口网络等效为一个噪声电流源、一个噪声电压源、与一个不含噪声的双端口网络的组合。噪声电压源和噪声电流源之间往往存在着关联, 因为它们的物理起因有可能是相同的。
2.2.3 放大器的噪声分析
在本小节中, 将对一些常用的低噪声放大器结构进行噪声系数的分析。
2.2.3. 1 共射极放大器的噪声系数
对窄带的低噪声放大器来说, 可通过在射极和基极加匹配电感来同时实现功率和噪声的匹配。可是, 对宽带低噪声放大器而言, 通过电感的匹配网络则很难实现整个频带内的匹配。可以通过加入负反馈回路的方法来实现宽带匹配的。
2.2.3. 2 共射共基放大器的噪声系数
cascode结构的低噪声放大器要比共射极结构的低噪声放大器的噪声系数略大一些。
2.2.3. 3 共集放大器的噪声系数
共集放大器很少作为LNA的放大级, 而是经常作为缓冲器用在两级之间或输出端。共集放大器加入的射极负反馈电阻可以减少集电极shot噪声对系统的影响。
3 工作总结
对低噪声放大器原理进行了深入的分析和研究, 主要完成了以下工作:
3.1 根据数字电视接收标准及射频接收前
端电路的性能指标, 明确了对低噪声放大器的设计要求, 并据此收集相关文献资料。
3.2 分析了影响低噪声放大器线性度的主要因素, 归纳了目前已有的提高低噪声放大器线性的几种方法。
参考文献
[1]Fenk J.RF"Trends in mobile communi-cation", European Solid-State Circuits Confer-ence.2003.
[2]Iuri Mehr"Integrated TV Tuner Design for Multi-Standard Terrestrial Reception", IEEE Radio Frequency Integrated Circuits Symposium, 2005
高噪声率椒盐噪声污染图像滤波 篇4
数字图像噪声滤波是改善图像视觉效果或提高图像分割、目标识别等后续图像处理可行性与可靠性的必经途径。椒盐噪声作为一种常见的图像噪声,其滤波算法的研究较为普遍。文献[1]改进标准梯度倒数加权平滑滤波算法,对椒盐噪声和随机噪声的滤除较原算法具有更好的效果,但仍有局限,且存在计算不可靠因素。文献[2]基于标准中值滤波算法,选取邻域内K个近邻点作为主要作用点,运用加权中值的方法进行滤波。文献[3]则提出了一种基于邻域相关度量的椒盐噪声滤波算法,该算法对高噪声率图像具有较好的滤波效果,但依赖于被污染图像原图像的同类型图像。
判别图像像素类型,针对不同类型像素采取不同的处理方法是图像噪声滤波的一种常见思路。文献[4]提出利用灰关联分析进行噪声点判别,能有效判断像素类型,但该文献对于可能的噪声点笼统地进行均值滤波,造成图像模糊和细节丢失。而文献[5]采用的自适应加权中值滤波算法,具有平滑效果的同时还能减少图像细节丢失。借鉴上述思想,本文针对高噪声率椒盐噪声污染图像提出了基于灰色绝对关联度(gray absolute correlation degree, GACD)的改进型噪声判别方法,并采用自适应加权中值滤波与均值滤波算法滤除噪声,同时给出了实验结果和分析。
1 基于灰色绝对关联度的噪声判别
灰色关联分析的基本思想是根据数列的几何关系或曲线的相似程度来判别因素间的关联程度;若两条曲线形状相似,则关联度较大,否则关联度较小。文献[6]提出采用灰色绝对关联度检测图像边缘。选取图像中某一像素f(i,j)及其8邻域像素点顺序排列组成子序列kn,而把理想非边缘点及其8邻域像素点组成母序列(参考序列)k0,即k0={A,A,A,A,A,A,A,A,A}。计算子、母序列之间的灰色绝对关联度,当该关联度较大时,表示两序列的几何形状较相似,认为像素f(i,j)在相邻像素点处灰度值变化的剧烈程度相似于理想非边缘点,因此可认为该像素点为非边缘点,反之为边缘点。假设子、母序列长度为N,则其灰色绝对关联度GACD如式(1)所示。
图像噪声可理解为孤立的、灰度变化剧烈的像素点,边缘则可理解为部分方向灰度变化剧烈但某个方向灰度变化不明显的像素点,亦即噪声与边缘均表现出剧烈的灰度变化。因此可通过计算灰色绝对关联度来判断像素灰度变化情况,进而识别像素类型。具体而言,选取序列k0={0,0,0}作为参考序列,同时选取待识别像素点f(i,j)3×3邻域内水平、垂直、左上右下、左下右上四个方向各3个像素组成四组子序列,如式(2)所示。
分别计算各组子序列与参考序列的灰色绝对关联度GACDh、GACDv、GACDl与GACDr。灰色绝对关联度越大,表明在该关联度所代表的方向上像素变化越不明显。如果关联度中至少有一个小于设定的阈值,说明邻域至少在某一方向上变化剧烈,则像素f(i,j)可判定为噪声(或边缘),应进行滤波;反之判定为非噪声点直接保留。
2 自适应加权中值滤波及噪声判别改进
文献[5]提及一种自适应加权中值滤波算法。该算法兼顾中值滤波与加权平均滤波,达到噪声平滑效果的同时还有利于保存图像细节。由于采用灰色绝对关联度判别为噪声的像素也可能是边缘,因此本文采用该算法进行滤波,执行过程如下:
第1步:在像素点f(i,j)的3×3邻域内找出像素中值mid;
第2步:计算邻域内每一像素点相对于中值mid的权值w(i+p,j+q)(p,q=-1,0,1),如式(3)、式(4)所示;
第3步:加权平均得到f(i,j)的滤波输出g(i,j),如式(5)所示。
前文指出,针对待识别像素点f(i,j)计算四个方向的灰色绝对关联度GACDh、GACDv、GACDl与GACDr,若它们均大于设定的阈值,则判定f(i,j)为非噪声点。值得注意的是,研究发现高噪声率椒盐噪声污染图像存在噪声像素“扎堆成片”的现象,不妨称此类噪声为聚集噪声。一般情况是,若f(i,j)为噪声且像素值为255(或0),则其3×3邻域内的8个周围像素中,至少存在4个值为255(或0)的像素点,噪声率高达55.5%以上。在这种情况下,采用前文指出的噪声判别法时,由于f(i,j)与邻域内至少4个像素相等,所算得的四个方向上的灰色绝对关联度均会大于设定阈值。此时,聚集噪声与非边缘点的判别结果相同,导致像素类型判别失败,实际的滤波结果表现为分散在图像各处的白斑或黑斑,效果不理想。
进一步研究发现,对于聚集噪声,计算所得四个方向上的灰色绝对关联度不但均大于设定阈值,而且均大于0.5。而观察发现,非边缘点虽然邻域内的像素高度相关,但与邻域中心点f(i,j)完全相同的像素点个数大多数情况下不超过3个。基于这两点,在对待识别点f(i,j)算得的四个方向上的灰色绝对关联度均大于设定阈值时,还可以进一步判别该点是聚集噪声像素或非边缘点。即,如果四个灰色绝对关联度均大于0.5,则判定f(i,j)为聚集噪声,否则判定为非边缘点。对于前者,将去除f(i,j)以及邻域内与其相同的像素后剩余的像素取均值作为f(i,j)的滤波输出;对于后者,保留f(i,j)原值。
3 本文滤波算法流程
综合上述论述,本文针对高噪声率椒盐噪声污染图像的滤波算法流程如图1所示。
4 实验结果及分析
为了验证本文滤波算法的有效性,使用Matlab 7.0中的imnoise函数对Lena图像(512×512)分别施加噪声密度为0.1、0.4、0.5与0.6的椒盐噪声,被污染图像如图2所示。分别使用标准中值滤波算法、文献[4]的滤波算法和本文滤波算法对上述污染图像进行滤波,输出结果分别如图3、图4与图5所示。
从实验结果可以看出,当被污染图像中椒盐噪声率比较低时(如噪声密度0.1), 采用标准中值滤波算法的效果与本文算法效果相当,文献[4]算法略差。随着噪声率的提高,标准中值滤波输出图像出现了大量白斑和黑斑,表明其对高噪声率污染图像的滤波效果不够理想;文献[4]滤波算法的输出图像则始终存在大量斑点,轮廓模糊,滤波效果较差;而采用本文算法进行滤波,能有效的抑制噪声,效果良好。仔细观察还能发现,相对于标准中值滤波的输出图像,本文算法的滤波结果还能较为有效的保留图像细节(如帽子上的细小横纹)。
5 结束语
针对高噪声率椒盐噪声污染图像,本文提出通过计算待识别像素点3×3邻域内水平、垂直、左上右下、左下右上四个方向上的灰色绝对关联度进行像素类型判别;在对这种判别方法改进后,可识别出离散噪声(或边缘点)、聚集噪声与非边缘点。对于离散噪声(或边缘点), 采用自适应中值滤波算法进行滤除,兼顾噪声平滑和细节保存;对于聚集噪声,在去除邻域内的噪声点后取剩余像素均值作为滤波结果;而对于非边缘点,直接保留原像素值。实验结果表明, 本文滤波算法对于高噪声率椒盐噪声具有良好的滤波效果,还能较为有效地保存图像细节;算法简单可靠,易于编程实现。
摘要：针对高噪声率椒盐噪声污染的数字图像,改进了基于灰色绝对关联度的像素类型判别,可识别出离散噪声(或边缘点)、聚集噪声与非边缘点。对于离散噪声(或边缘点),采用自适应中值滤波算法进行平滑,兼顾噪声滤除和细节保存。对于聚集噪声,在去除邻域内噪声点后取剩余像素均值作为滤波结果;而对于非边缘点则直接保留。实验结果表明,滤波算法对于高噪声率椒盐噪声具有良好的滤波效果,还能较为有效地保留图像细节。
关键词：高噪声率,椒盐噪声,灰色绝对关联度,自适应中值滤波
参考文献
[1]魏丹,陈淑珍,陈彬,等.梯度倒数加权平滑算法的改进与实现.计算机应用研究,2005;3:153—157
[2]张赛,刘新学,刘扬.一种改进的红外图像滤波算法.红外与激光工程,2007;36:279—281
[3]王博.高噪声率红外图像直方图加权滤波算法.红外与毫米波学报,2007;26(5):380—385
[4]冯冬竹,阎杰.一种基于灰关联分析的红外图像滤波算法.西北工业大学学报,2006;24(6):709—712
[5]武珊珊,王家慧.一种用于消除红外图像噪声的自适应加权滤波算法.中国新通信,2010;6:36—40
降低铁路沿线噪声和车内噪声研究 篇5
1 降低沿线噪声
1.1 新干线车体侧面用吸音板
近年来, 为降低噪声, 减轻对沿线环境的影响, 在地面侧采取了设置声屏障等对策。此外, 在车辆侧, 由于也采取了优化车头形状及车体平滑化等对策, 可抑制随列车高速化的噪声增大。
日本川崎重工公司与川重岐阜工程技术公司、古河SKY公司共同开发供给东日本铁路客运公司的新干线列车车体侧面用吸音板, 从2005年起, 在E954型、E955型新干线高速试验电动车组上进行了评价[1,2]。图1为车体侧面用吸音板 (早期型, 安装在E954型车上) 。
通过运行试验, 改进吸音板结构, 一边确保吸音性能, 一边致力于研究提高耐久性及低成本化等, 取得了成果, 决定安装在东北新干线用批量生产前样车 (E5系) 上。
1.1.1 性能要求
高速铁道车辆用吸音板要求具有以下适合于高速运行的特有性能。
(1) 吸音特性:针对地面侧采用声屏障等对策难以处理的低频域噪声, 确保在低频域具有高吸音率;
(2) 产生噪声:不出现来自吸音板表面的高速气流产生的噪声;
(3) 耐水、耐候性:由于被应用于车辆侧面, 不会由于降雨浸入以及紫外线照射引起老化;
(4) 耐冲击性:不会发生由于飞石冲击引起的破损;
(5) 轻量性:不出现显著的质量增加。
1.1.2 初期开发的吸音板
川崎重工公司也是飞机制造厂家, 以往, 飞机上的发动机舱内面也要安装吸音材料。以这种飞机用吸音材料为基础, 开发了高速铁道车辆用吸音板。
飞机用吸音板主要适合于对以下频率噪声做吸声处理:由飞机发动机的涡轮叶片数量及转速所决定的特定频率的噪声。此外, 为了在发动机部位使用, 做成耐受高温且耐受腐蚀性环境条件的吸音材料。而在铁道车辆上应用时, 必须对轮轨滚动噪声及空气动力噪声等较宽频带的噪声做吸声处理。另外, 不是在像飞机发动机那样的高温、腐蚀性环境下使用, 而是在普通环境下使用。
图2示出了开发的安装于E954型车辆吸音板的模式图。车外侧的铝合金冲孔板+铝蜂窝芯材是具有下述两种目的的材料:利用共振吸音的目的, 以及保护背面侧的特殊多孔隙材料的目的。另外, 在飞机应用方面, 根据发动机排热的观点, 不能使用多孔隙吸音材料, 在车辆上应用时, 将这种多孔隙吸音材料应用于背面。
关于冲孔的最佳孔径、间距, 以及特殊多孔隙材料的材质等, 以声管测得的垂直入射吸音率及混响室法测得的吸音率为基础, 进行了评价与研究。
1.1.3 早期型吸音板的课题
早期型吸音板装车运行试验的结果, 验证了降低运行噪声的效果好[3]。但是, 由于成本高, 以批量生产为目标, 力图进一步降低成本。
1.1.4 吸音结构改进
图3为低成本型的吸音板, 吸音部的面积比早期开发型吸音板小些, 而由于改进内部结构维持了吸音性能。
图4为内部结构模式图, 其改进项目如下。
(1) 不使用蜂窝材料。
不使用价格高的铝蜂窝芯材, 通过使用铝合金挤压型材, 实现了材料的低成本化。
(2) 骨架材料内部的共振吸音结构。
利用骨架材料内部的孔作为共振空间用, 基于共振吸音效应实现了吸音性能的提高。并且, 骨架材料内部由于噪声容易进入, 吸音孔周边设置隔板, 要求通往吸音材料的吸音孔不会被堵塞 (见图4 (b) ) 。
1.1.5 在车辆上安装
将低成本型吸音板安装到E954型车辆上, 评价了吸音性能、耐久性等。评价结果表明, 即使装备于营业车辆上应用, 其性能也不会降低, 且不会破损。于是, 决定安装在东北新干线车辆 (E5系批量生产前样车, 图5) 上应用。
目前, 已将低成本型吸音板装备在批量生产前样车上进行运行试验, 将来, 不仅要将其应用于E5系批量生产编组列车, 而且还将供给今后的新干线车辆用。
1.2 利用车辆间可移动式全环状平滑罩降低沿线噪声
从东日本铁路客运公司的E5系车辆看, 已预定于2012年末, 将开展以日本国内最高速度320km/h的商业运行, 目前, 正利用批量生产前样车实施运行试验。为适应提速, 批量生产前样车的各车辆之间, 安装了东日本铁路客运公司与川崎重工公司共同开发的车辆间可移动式全环状平滑罩 (以下称平滑罩) 。
平滑罩由于平滑地覆盖 (封堵) 车顶部车辆间的整个间隙, 使车体表面的气流平滑且顺畅, 具有降低运行阻力及车外运行噪声的效果。开发E5系之前, 在E954型试验列车上安装车辆间平滑罩试件, 实施了高速运行试验。通过平滑罩、吸音板和其他降噪措施, 与现行的营业车辆 (E2系, 以275km/h运行) 相比, 噪声降低了约1dB~2dB[3]。并且, 为实现轻量化, 提高可靠性, 对平滑罩等进行了改进, 以及利用试验运行进行验证, 直至应用于E5系批量生产前样车上。
图6为平滑罩的结构, 图7为平滑罩工作状况。
平滑罩的特征如下。
1.2.1 结构、材料
(1) 本平滑罩大致分为左侧、右侧膜片 (侧罩) (从车体侧面到车顶的弯曲部分) , 以及车顶膜片 (车顶罩) 等3个部位, 结构上能分别独立工作 (见图6 (a) ) 。
(2) 连接可从一侧车辆 (即平滑罩可动侧车辆) 的端面, 利用悬臂的连接机构, 支承着配有低摩擦滑动板的基板 (见图6 (b) ) 。
(3) 另一侧车辆 (相对侧车辆) 的端面上, 安装了低摩擦的滑动板, 与可动侧基板的滑动板形成面接触 (见图6 (b) ) 。
(4) 在可动侧车辆端面及用连接机构支承着的基板上, 沿车体外形安装侧板 (侧膜片) , 用橡胶薄板连接该两块侧板, 消除了空气进入的间隙 (见图6 (b) ) 。
(5) 结构上要适应高速运行, 另外, 为实现轻量化, 主结构采用铝合金制作。
(6) 连接车辆之间的关系是滑动板的面接触, 车辆的连挂、摘钩分解时, 由于无需安装和分解平滑罩, 可操作性好。
1.2.2 工作
(1) 车辆在曲线段及道岔等处运行时, 车辆端面间收缩, 可滑动侧车辆的连接机构投入工作, 吸收相对位移 (见图6 (c) 、图7 (a) ) 。
(2) 对于车体宽度方向以及上下方向的动作, 由于与相对侧车辆的端面的滑动而吸收相对位移 (见图7 (b) ) 。
(3) 端面的收缩状态被解除时, 由于内置的拉伸弹簧的作用, 连接机构进行复位动作, 恢复到通常的运行状态位置。
(4) 在复位后的状态下, 侧面的橡胶薄板与拉伸弹簧保持平衡关系, 橡胶板保持平滑。
为降低今后高速列车上的运行阻力与噪声, 车辆间平滑罩是必须装用的部件, 研究了该平滑罩在其他车辆上的应用。此外, 还需对进一步改进平滑罩开展研究。
2 客室内车辆空调风道的低噪声设计
2.1 空气动力噪声分析方法
向国外输出车辆, 在客户的规格说明书上明文规定了关于客室内噪声的标准。因此, 在样车 (原型车) 制造前的严格的时间约束条件下, 应用基于数值流体力学 (CFD) 的简易的空气动力噪声分析方法进行室内噪声设计。使用市场销售的CFD软件FLUENT, 实施稳态CFD分析, 流动中或壁面的声源分布 (噪声源) 就会在一目了然的等值 (等效) 面上表示出来, 进而对其进行评价 (以下称稳态声源解析) 。本方法是高精度地分析随时间变化的非稳态空气动力现象, 并不是预测实际的声压级 (定量值) , 但与非稳态分析法[4]进行比较验证, 可确认分析的合理性, 能大幅度地缩短计算时间。运用由本方法获得的声源分布, 根据其确定最大声源的位置, 以及比较声源范围的大小, 对于探索并找到噪声小的设计方案之类的定性的预先研究是有效的。
2.2 设计对象与解析模型
已将本分析方法应用于为纽约与新泽西港口事务管理局哈德逊河捷运公司 (PATH) 制造的新型通勤电动车“PA-5”上。图8为“PA-5”的客室内照片, 图9为模拟了客室内及空调送风风道 (主风道、司机室送风风道) 的分析模型。向右侧 (R侧) 的司机室风道的气流, 是从室内空调机出风之后, 气流拐弯进而向反方向的司机室侧分流。另一方面, 向左侧 (L侧) 的司机室的送风风道的气流, 是从室内空调机送出的风在主风道的最后向司机室侧分流。
2.3 分析结果与对策
图10为稳态CFD分析结果。为了缓和空调机送风直接与乘客身体接触的气流感, 来自顶棚分散送风装置的气流, 要沿顶棚及车内侧面向左右方向送出, 可看出气流能分散到整个室内。图11表示根据图10的结果用稳态声源分析得到的声源分布。噪声源大的部位为在司机室风道入口的分支部 (尤其是R侧) 气流被急剧弯曲的部位, 以及气流从长方形箱体向圆形截面的风道改变流动的部位。由于向风道内侧粘贴吸音材料、设置导流叶片的方法, 加工起来很困难, 故研究了改进送风风道本身形状的方法。为了确认几种模式 (结构) 的改进方案的降噪效果, 实施稳态声源分析。如图12所示, 选定了声源区域最小的风道改进方案, 用圆圈表示。并且, 按照包括了实际主风道的最终形态, 实施了稳态声源分析, 结果表明, 改进后的送风风道与改进前的风道相比, 左、右声源区域都呈现变为狭窄的趋势得到了确认 (图13) 。
至于改进后的风道, 实测并确认了室内噪声降低2dB左右 (图14) 。根据以上分析, 运用CFD, 通过稳态声源分析, 由于噪声源等值面区域缩小, 从而得以实现噪声降低。有关这种简易的设计方法的合理性已得到了验证。
2.4 面向运营车辆的应用
为了改善业已投入运营的日本国内既有线特快列车的室内空调噪声, 实施了稳态噪声源分析。在该实例中, 从被安装在车体车顶中部的一台空调机中送出的空调气流, 被分流成左右方向, 对由主风道逐渐分流至送风风道结构建模, 并进行稳态CFD分析。
图15为分析结果的流线显示, 稳态噪声源分析所得到的声源分布示于图16 (a) 。由于能够确定出受客室顶棚送风风道内的风量调整用的开口部影响的噪声源, 所以, 作为降噪对策, 运用了稳态噪声源分析, 计算出封堵属于噪声源的开口部时的声源分布的结果示于图16 (b) 。可以确认出该部分的声源区域消除, 邻近的开口附近的声源区域也变得狭窄了。
根据以上的分析结果, 实施了顶棚送风风道部的改进, 结果表明, 能够做到室内中心部附近的噪声降低2dB左右 (图17) 。本实例是只通过噪声源分析能在短时间内确定主要噪声源的成功范例。
利用这样简易的空气动力噪声分析方法进行低噪声设计, 不但在制定降噪对策中, 而且在开发及设计的早期研究中, 作为能对大幅度削减设计开发成本及设计开发时间做出贡献的方法, 正在一方面通过噪声测试进行验证, 一方面力图扩大应用范围。
3 结束语
本文阐述了为提高与环境的协调性, 川崎重工公司致力于降低车内外噪声研究的主要实例。今后, 包括本文介绍的研究开发在内, 还要推进技术要素开发, 开发出有利于沿线居民及乘客的优质铁道车辆。
参考文献
[1]秋山, 大川, 佐々木, 坂东.环境にやさしく走行する-省エネルギ一化, 车外骜音·トンネル微氘厍波の低减-[J].川崎重工技报, 2006, (160) :42-45.
[2]金花.さらなるエネルギ一蜰率向上と骜音低减に向けて-锏道车!-[J].川崎重工技报, 2009, (169) :6-9.
[3]栗田, 若林, 山田, 堀内.高速试骢车「FASTECH360」における骜音低减の取组み[J].JR EAST Technical Review, 2008, (22) :15-20.
通道噪声 篇6
针对电机噪声测试的方法及噪声频率的分离问题,国内外学者及技术人员展开了大量的研究工作。文献[2]通过阶次分析方法找到电机在负载和空载工况下噪声的特征阶次,从而确定电机的主要噪声源;文献[3]利用FFT频谱分析法对电机的振动噪声信号进行频谱分析,进而对电机噪声进行有效的识别;文献[4]使用传声器阵列试验以及频谱分析找到了噪声的激励源。
本文以某新能源汽车驱动电机为研究对象,基于噪声定位原理,运用声学照相机See SV对电机噪声定位,获取电机噪声频段,通过高灵敏度的传声器进一步获得电机噪声的频率值及声压级,并用同时检测电机振动信号的办法对试验进行验证,为降低电机噪声提供了理论依据。
1 噪声定位原理
在噪声的可视化定位原理中,有很多种算法可供选择,一般可分为3类[5,6]:基于高分辨率谱估计的方法、基于波达时延差(Time Difference of Arrival)的方法和基于波束成形的方法。其中,基于波束成形方法作为一种重要的信号处理技术,具有较高的信号增益、灵活的波束抑制、较强的抗干扰能力与较高的空间分辨能力等特点,因此,受到广泛关注及应用。
波束成形[7,8]方法基于传声器阵列,根据各传声器接收声波信号的声程差不同而产生的相位差来确定信号的来源方向。以空间离散分布的多基元基阵为例对传声器阵列的指向性原理进行阐述。
如图1所示,设有空间任意分布的N个无指向性传感器,图中Hi表示第i个传声器,在直角坐标系下的坐标为(xi,yi,zi),球坐标系下的坐标为(θi,φi,γi)。
在分析阵列指向性时,计算各传声器之间的声程差是关键,基于以上坐标有
以坐标O为参考坐标原点,由图1可知空间的任意传声器Hi到参考点的声程差为
其相位表达式为
当基阵指向(θ0,φ0)时,Hi的补偿相位为
令Δεi=ε'-ε″。对于有N个基元的指向性函数[9]为
其指数形式为
其中,Ai为幅值。
根据指向性函数即可定位噪声在空间中的位置。See SV传声器阵列是基于波束成形技术,利用指向性函数开发的新型声学照相机。
2 See SV声学照相机
See SV声学照相机整体集成了30个传声器,以轮胎形排列于传声器的骨架上[10],具有指向性好、声源识别能力强、旁瓣水平低的特点。See SV声学照相机是基于高速波速成形技术开发的实时声学照相机,其测试频率范围为350 Hz~12 k Hz,可用于瞬态噪声源的检测,也可用于稳态噪声源的精确定位。
在试验测试中,See SV声学照相机主要用于噪声源的定位,其工作原理为:通过波束成形选取适当的加权向量,通过对传声器阵列中各阵元的输出进行延时、加权、求和等运算,从而使某一期望方向上的信号到达阵列后均是同向的,进而在该方向上产生一个空间响应极大值。当See SV各阵元接收的信号都是同向时,阵列可产生一个增强的信号输出,否则输出将被减弱。因此,通过See SV可实现声源定位,实现声场的可视化测量,直观定位声源位置。
3 试验测试
3.1 电机噪声测试
本次试验测试以某乘用车驱动电机为测试对象,采用See SV与传声器相结合的办法测试电机噪声频率值与电机噪声声压级。
在试验测试中,See SV用于区分不同频段噪声的来源。通过调整频段范围,使云图红色区域覆盖被测电机,此时的See SV频段即为电机噪声的频段。在获得电机噪声频段范围时,采取同时检测传声器的办法,滤波后去除频段范围之外的噪声干扰。此时,波峰处的频率值为电机噪声的精确频率值,幅值为电机噪声的声压级。若该频率与扫频时频图的频率相差大,则需在See SV滤波频段范围内调整滤波带宽,重新获取精确的电机声压级与电机噪声频率点,技术路线如图2所示。
3.2 测试结果分析
在电机转速为5 000 r·min-1,负载为70 N·m的测试工况中,通过截取不同的频段,See SV声学照相机可以给出直观的噪声场分布图,如图3和图4所示。图中颜色的深浅代表声压的强弱,黑色表示声压最强。
从图3可知,2 875~3 150 Hz频段的噪声主要由台架封盖与管路振动产生,从图4可知2550~2 850Hz频段的噪声主要由被测电机产生,从而初步对噪声来源进行分离。
由于分辨率的限制,See SV相机只能初步给出被测电机噪声的范围和强度,难以给出精确的频率点和具体声压级。在See SV相机给出被测电机噪声频率范围的基础上,传声器同时检测声压信号,对被测电机的具体频率和声压级进行详细分析。
对传声器采集的信号在2 550~2 850 Hz频段滤波,并做FFT变换得到其幅度谱曲线如图5所示。
从图5可看出,被测电机的噪声频率为2 666.25Hz,声压级为60.7 d B。
3.3 结果验证
为验证上述噪声测试方法的可靠性,试验采取同时检测贴在电机表面的加速度计信号的办法对其进行验证。如图6所示为贴在电机上部加速度计的时频图,扫频试验可以得到电机从0~8 000 r·min-1以每秒增加100 r·min-1的速率做连续变转速的时频图。①线为电机做连续变转速时,电机噪声频率随转速变化的曲线图。从图6可知,当电机转速为5 000 r·min-1时,电机的噪声频率为2 650 Hz附近,如图5所示,这与通过See SV测量得到的电机频率点2 666.25 Hz相近。
4 结束语
See SV声学照相机基于波速成形技术对噪声进行分离,通过选取不同的噪声频段,能有效地识别特定频段内噪声的分布情况,为待测物噪声频率的确定提供参考依据。实验证明,该方法检测的电机噪声频率与贴在驱动电机上的加速度传感器检测到的电机振动频率相近,且该方法可实时直观地观察到不同频段噪声的来源,方法简单有效。为电机噪声分离提供依据,为电机噪声测试提供方法。
参考文献
[1]程发斌,汤宝平,赵玲.声强法在电动机噪声测试中的应用[J].重庆大学学报:自然科学版,2005,27(11):11-14.
[2]吴小珊,施全,石晓辉,等.乘用车启动电机噪声评价方法[J].噪声与振动控制,2015,35(2):86-90.
[3]汪庆年,李红艳,史风娟,等.基于频谱分析的电机噪声源的识别[J].声学技术,2009,28(4):528-531.
[4]施全,郭栋,石晓辉,等.基于麦克风阵列的变速器噪声源定位研究[J].振动与冲击,2012,31(13):134-137.
[5]Brandstein M,Ward D.Microphone arrays:signal processing techniques and applications,chapter robust localization in reverberant rooms[M].US:Springer,2001.
[6]赵志伟.噪声目标被动定位方法研究[D].哈尔滨:哈尔滨工程大学,2008.
[7]刘洛斌,李舜酩,丁一,等.基于波束成形理论的传声器阵列声场仿真分析[J].机械设计与制造工程,2014,43(5):71-75.
[8]赵芳芳.波束形成方法在噪声源识别应用中的仿真和实验研究[D].上海:上海交通大学,2007.
[9]栾桂东,张金铎,王仁乾.压电换能器和换能器阵[M].北京:北京大学出版社,2005.
通道噪声 篇7
跳频通信具有抗干扰、抗截获、抑制多径干扰及高频带利用率高等优点,因而被广泛应用于军用和民用通信中。它是一种频率随伪随机码跳变的非平稳信号。由于实际信号含有大量的噪声,且非合作方不能获知伪随机码序列,给跳频信号的提取和分析带来了很大的困难。常用的方法主要是对各种时频谱图进行分析,得到跳频信号参数。时频分析方法的优点是可以很直观地看到信号时间、频率及能量等信息,缺点是短时傅立叶变换(STFT)时频分辨率相互制约,无法同时兼顾时间和频率这两方面对分辨率的要求[1];小波变换对噪声敏感性很强[2];魏格纳分布等双线性变换对多分量信号或频谱非线性变化的单分量信号存在着严重的交叉项干扰[1],在被高斯噪声污染的跳频信号分析中,以上方法的缺点都会对跳频信号分析精度产生一定的影响。为了提高后端参数估计等方面的性能,本文将广义S变换应用到跳频信号分析中,并结合STFT分析的结果,在时频平面上运用图像处理的相关算法,找到一种运算量较少且能够提供比较高的时频聚集性的跳频信号提取方案,在跳频信号提取的同时尽量地抑制噪声,为下一步的参数估计提供高精度、稳健的、消噪的时频分布图。仿真试验证明,此方法能够在时频平面比较好地抑制噪声,使被噪声污染的跳频信号得到一定的提升,处理后的时频图有较高的时频分辨率。
1 S变换和广义S变换
1.1 S变换(ST)[3]
Stockwell等学者吸收并发展了STFT和连续小波变换,提出了介于二者之间的一种可逆的时频分析方法称为S变换。它采用了窗口宽度与频率成反比的可变高斯窗函数,其时频分辨率随着频率发生变化,不但有多尺度聚焦性,而且直接与Fourier谱联系,保持频率的绝对相位,是一种非常好的非平稳信号分析和处理的方法。
将任意属于L2(R)空间的信号h(t)在小波基下进行展开,将连续小波变换乘上一个相位因子,就得到信号h(t)的一维连续S变换:
式中τ,f分别表示时间和频率,均为实数。
1.2 广义S变换(GST)
由于S变换定义中令窗口函数的标准差等于一个频率波长,使得S变换其基本变换函数形态固定,在应用中受到了限制,为此,提出了很多改进方法,统称为广义S变换(GST)。基本思想都是:在S变换定义中,令窗口函数的标准差为一个非固定值。
Mansinhaetal用代替式(1)中的f,得到一种GST表达式[4]。
这种GST算法较为简单,为了进一步减少运算量,在实际应用中我们将式(2)中的调节因子进行了简化,得到一个新的窗函数:
在时间t一定时,将二者进行作图比较如下(=8,t=64,结果进行了归一化):
由图1可以看出,简化后的窗函数没有发生实质性的变化,窗函数的性质基本相同。当频率一定时,窗函数随时间的变化图与此类似,因此,我们用此简化的窗函数代替原来的窗函数求取信号的GST是可行的。
由窗函数的定义式可以看出,当<1,时间窗宽度随信号频率呈反比变化的速度加快,反之则减慢。由傅里叶变换的尺度变化性质知,时间窗函数在时域的压缩对应其在频域的拉伸,反之亦然。根据Heisenberg不等式,存在时间分辨率和频率分辨率的不相容性,为了获得较好的时间分辨率,要选择时间窗较窄的窗函数(对应于频率窗较宽),但此时不能获得很高的频率分辨率;若选择频率窗较窄的窗函数,其时间窗就较宽,故达不到很好的时间分辨率,因此,要根据实际需要有所折衷。
2 短时傅里叶变换(STFT)
STFT[1]属于线性时频分析中的一种,若给定信号,其STFT定义为:
STFT的含义可解释如下:在时域用窗函数去截,对截下来的局部信号作傅里叶变换,即得在t时刻该段信号的傅里叶变换。不断地移动t,也即不断地移动窗函数的中心位置,即可得到不同时刻的傅里叶变换。这些傅里叶变换的集合即是STFT(t,f)。STFT的优点在于其物理意义明确,对于许多实际的测试信号,给出了与我们的直观感知相符的时频构造;而且它不会出现交叉项。STFT也存在时间分辨率和频率分辨率的不相容性。图2为某段含噪跳频信号的STFT和GST的时频图。从图2可以看出,GST时频分辨率高于STFT,但它对噪声要敏感些。
3 图像空域平滑和锐化
时频谱图可视为一幅灰度图像,由于高斯噪声影响,恶化了图像质量,使图像模糊甚至淹没信号特征,因此必须先应用图像增强技术对图像质量进行改善[5]。图像增强技术是将图像中感兴趣的特征有选择地突出,并衰减不需要的特征。常用的有空域平滑和锐化,平滑滤波器的目的在于消除混杂图像干扰,改善图像质量,强化图像表现特征;锐化滤波器的目的在于增强图像边缘,以便对图像进行识别和处理。
维纳滤波器是一种线性平滑滤波器[6],它能自适应地根据图像的区域方差来调整滤波器的输出,当局部方差大时,滤波器的平滑效果较弱,反之则较强。维纳滤波器将图像信号和噪声都看成随机信号,在对随机信号进行统计的基础上设计出符合最优准则的滤波器。
首先估计出原始信号各个像素的局部均值和方差:
是图像中每个像素的Mx N的邻域,a(n1,n2)是调整前的像素点值,对每个像素利用设计出的维纳滤波器估计输出像素的灰度值b(n1,n2)。
V2是图像中噪声的方差,可用所有局部估计方差的均值来代替。
图像平滑滤波在消除或减弱图像噪声的同时,对图像细节也有一定的衰减作用,含有图像重要信息的边缘会有明显模糊,因此还要引入锐化算子补偿被模糊的轮廓,使图像的边缘更陡峭、清晰,达到突出有用信息的目的。
微分运算有加强高频分量的作用,能使图像轮廓更清晰,但各种微分算子对噪声敏感,在增强边缘的同时也会使图像的噪声和条纹等得到增强,在微分算子基础上对其进行改进得到的Sobel算子[7]能在一定程度上克服上述问题,其表达式如下:
Sobel算子用相隔两行或两列像素的差分来计算输出,因此边缘两侧的元素得到了增强,边缘显得粗而亮,另一方面,它引入了算子平均因素,对图像中的随机噪声有一定的抑制作用。
我们对时频图先用维纳滤波器平滑再用Sobel算子锐化的方法去除噪声,提升信号。
4 时频滤波
经过上述空域滤波增强后的时频图案信噪比已经有了很大提高,但在低信噪比情况下,这种滤波结果仍不能令人满意,针对跳频信号时频图案的特点,我们设计了一个时频滤波算子对其进一步滤波,突出跳频信号。
跳频信号时频变换后表现为在不同频率上的互相平行的一组线段,同一时间仅有一个频率出现(由于STFT的时频分辨率的相互制约,使得其在两个频率交替时可能会出现同一时间两个频率重叠出现的情况),而加性高斯白噪声经时频变换后在时频平面基本上是能量均匀分布的,因此,在任意时间点上,如果有信号,则其能量应该大于只有噪声的情况,如果信号被噪声污染,经过时频变换后在时频图上可以看出信号段的能量会减小,线段边缘变得模糊,有时会出现部分信号被噪声淹没的情况。为了从含噪声的信号中消除噪声,同时也可以对信号部分进行一定的提升,我们设计了一个针对跳频信号时频特点的时频滤波算子,定义如下:
上式可以看作在任意时刻,每个频率分量对应的归一化概率密度,以此作为时频滤波算子,在含噪声的信号段,信号部分能量更加增强,相对来说更进一步抑制了噪声的能量,提高了信噪比。
用时频滤波算子对时频图案进行滤波过程如下:
仿真实验可以看出,含噪信号经过时频滤波后噪声得到了较好的抑制,整个时频平面的信噪比得到了较大的提高,如图3(d)所示。
5 跳频信号提取和噪声抑制算法的具体步骤
将上述时频分析和滤波等算法相结合,设计出了如下的跳频信号提取和噪声抑制具体算法:
(1)计算信号的STFT变换STFT和G S T变换GST。由于两种变换均受测不准原理制约,在计算时,我们采用高频率分辨率的STFT,而GST则是时间分辨率高,这样将二者结合运算后能够得到更好的运算结果。
(2)将STFT和GST时频图案分别运用空域滤波增强算子进行平滑和锐化,得到STFTfil和GSTfil。
(3)将二者de1平滑锐化结果进行乘法运算,
乘法运算即对时频图案每个对应像素点相"与",使得二者重叠的部分更加增强,不重叠的部分相对受到削弱,从而综合了两种时频分布高的时间分辨率和高的频率分辨率,进一步抑制了噪声,得到更清晰稳健的时频图案。
(4)用时频滤波算子对STFT_GST进行滤波,得到最终输出的时频图案:。
6 仿真实验
仿真中实验跳频信号模型如下式:
其中P为信号功率;T0为观察时间,实验选择1024点;T为跳频周期,即跳速的倒数,实验选择128点;为第个时隙的跳频频率,属于跳频频率集;,实验中,其中f0=1000HZ,伪随机序列s(k)={5,8,10,3,2,6,9,4},;为时延;n(t)为加性高斯白噪声。
信噪比-2dB下未经消噪处理的STFT时频图案和采用本文算法得到的时频图案的比较如图4所示。图(c)和(d)是任意选取一个采样时刻下,STFT变换的能量谱和经本文处理后能量谱比较,从二者比较可以看出,本文算法得到的时频图案明显"干净"得多,噪声得到有效消除,跳频信号得到完整保留,且时频分辨率比之前提高很多。
图5显示的是用本文算法处理前后信号信噪比变化情况,在任意时刻,不同信噪比下分别进行200次蒙特卡罗实验得到的结果。由图可以看出本文处理方法信噪比得到较明显提高。
仿真试验可以看出,经过处理的时频图案上,噪声得到比较好的抑制,相对来说使得信号部分得到一定程度的提升,信号的时频分辨率都能达到比较理想的结果。
7 结论
本文将STFT和GST的时频图案进行一系列滤波处理,并将结果相结合,消除加性高斯白噪声对跳频信号时频图案的影响,从而达到提取跳频信号时频特征做进一步处理的目的。仿真试验能够看出,本算法对时频图上的跳频信号进行了很大程度的保留和提升,时频分辨率也有一定程度的提高,对污染时频图案的噪声起到了很大程度的抑制和消除,为后端参数估计提供了高分辨率、稳健的时频图案。
摘要：本文提出了一种在高斯白噪声环境下提取跳频信号的算法,将广义S变换(GST)和短时傅立叶变换(STFT)相结合,引入形态学图像处理技术,分别对其时频谱图进行平滑和锐化,结果进行乘积合并后,设计一种针对跳频信号的时频滤波算子进一步抑制噪声,提升跳频信号,得到高分辨率稳健的时频图案。仿真实验证明该算法得到的时频图案信噪比有明显提高,时频分辨率也有很大改善。
关键词：广义S变换,短时傅立叶变换,跳频,形态学处理,平滑,锐化,时频滤波算子
参考文献
[1]Cohen L.Time-frequency analysis:theory and application[M].Englewood Cliffs:Prentice Hall,1995.
[2]Mallat S.A.Wavelet Tour of Signal Processing[M],Second Edition.Elsevier(Singapore)Pte Ltd,2003.
[3]Stockwell R G,Mansinha L,Lowe R P.Localization of the complex spectrum:the S-transform[J].IEEE Transactions on Signal Processing,1996,17(6):998-1001.
[4]Mansinha L,Stockwell R G,Lowe R P,Pattern analysis with two dimensional spectral localization:application of two-dimensional S transform[J].Physica,1997,239(3):286-295.
[5]夏德深,傅德胜.现代图像处理技术与应用[M].南京:东南大学出版社,1997.
[6]罗军辉,冯平,哈力旦·A,等.MATLAB7.0在图像处理中的应用[M].北京:机械工业出版社,2005:141