基于互相关与小波变换的微弱信号检测研究

发布时间：2020-03-23 15:01

【摘要】：微弱信号检测被广泛应用于科学研究和工程应用领域如:光谱分析、化学样品检测、地质勘探、空气监测等。对于弱信号检测的理论和方法以及弱信号检测的新型仪器仪表的研究,在信号检测领域受到人们的普遍重视。微弱信号检测技术的种类有很多,而且每种检测方法各有其优缺点,适用场合也各有不同,早期在进行微弱信号检测时,往往采用单一的检测方法。随着弱信号检测研究领域的拓展和研究的深入,遇到的信号类型越来越复杂,采用单一的弱信号检测检测方法很难取得好的检测效果。本文针对弱信号检测在GMR生物传感器中的应用,选择了基于互相关加小波变换的微弱信号检测方案,制作了一款专门用于磁珠信号检测的弱信号检测电路,并对该电路实际效果进行了测试。论文的主要工作如下:(1)通过文献检索了解国内外关于弱信号检测的现状,学习互相关检测和小波变换的相关理论知识,确定了基于FFT的互相关检测和小波阈值滤波相结合的弱信号检测方案。(2)在对微弱信号检测电路进行需求分析的基础上完成了硬件的选型工作,确定了下位机加上位机的硬件系统方案,其中下位机为STM32,上位机为PC。自行制作了前端信号调理电路,用于完成信号的放大、滤波和A/D转换工作,并对各模块中涉及的具体电路进行了仿真。(3)将软件分为下位机软件与上位机软件两个部分设计,在下位机STM32上利用DSP库的FIR函数并结合MATLAB完成了FIR带通滤波器的设计与验证工作;依据卷积定理,利用傅里叶变换函数和复变函数完成了互相关检测算法的设计,并利用MATLAB对其处理效果进行了验证。在上位机PC上分别利用Python的Pyserial、PyWavelet和Matplotlib库完成了通信、小波阈值滤波和输出显示三个模块的设计。(4)搭建了弱信号检测电路实验验证系统,验证实验结果表明:制作的弱信号检测电路的灵敏度为1.22818/,可以对11-100uV的弱信号进行检测。
【图文】：

框图,脑电,神经网络方法,小波

图 1.2 三类脑电问题的小波-混沌-神经网络方法处理框图.2 Overview of the wavelet-chaos-neural network methodology for the 3-clasclassification problem.奥塔哥大学R. Kozma、N.K. Kasabov 等人试图通过对心率变异性对冠状动脉粥样硬化性心脏病的自动诊断。在对 HRV 信号的分用混沌理论和模糊神经网络算法相结合的方法对 HRV 数据进行从而实现了冠状动脉粥样硬化性心脏病的自动诊断[17]。例子还有很多，，比如日本首都大学东京 D. Zhou、K. Yasuda 等人改变参数或者增加混沌耗散的形式，构造出了具有混沌特性的，用于提高计算机的模式识别能力[18]。冰岛的冰岛大学的 BirJohannes R. Sveinsson 等人在文章中提出将 curvelet 变换与小波方法，并将其用于图像的去噪工作[19]。有很多类似例子，例如中国计量学院计量测试工程学院林敏、赵周期信号的信息提取时，采用单一微弱信号检测方法无法准确

随机共振,小波

图 1.3 小波-随机共振系统Figure1.3 Wavelet - random resonance system电子工程学院聂春燕等人在研究强噪声中的微弱正弦周期仅采用互相关一种检测方法时检测门限过高的问题，提出相结合的微弱信号检测方法，并通过实验验证了其检测效将待测信号与参考信号进行互相关运算，然后将运算结果混沌系统对初值敏感对噪声免疫的特性来完成正弦信号的工作。实验结果表明这种方法具有以下两方面的优势：①易实现[21]。信号互相关器混沌系统相关轨迹显示器参考信号
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN911.23

【参考文献】