为解决大参数微弱信号的识别问题，在研究随机共振基本原理的基础上，提出了变尺度随机共振的概念并给出了实现方法。据此方法对油田抽油管裂纹、通孔、焊缝以及微小锯齿纹4种典型缺陷的漏磁信号进行了分析，并利用多通道数据融合技术减小干扰信号。与原信号波形比较表明，变尺度随机共振波形可有效提高微弱漏磁信号的识别率。

研究了噪声作用下的具有随机参数的过阻尼线性振荡器的随机共振现象。基于线性系统理论,得到了系统输出幅度增益的精确表达式。研究表明,输出幅度的增益是噪声强度和激励信号频率的非单调函数。而且,适当的噪声强度和振荡器参数可以使有噪声情况下的输出幅度增益大于无噪声时的输出幅度增益。讨论了噪声的强度和振荡器参数对输出幅度增益的影响。

以TMS320VC33为随机共振检测系统处理核心,介绍了强噪声背景下检测微弱信号的随机共振技术,TMS320VC33的性能特点,基于CPLD的自动数据采集电路,与PCI桥CY7C09449的接口,系统的软硬件设计与调试.该系统在电源设备故障信号检测应用中取得了很好的效果.

针对强噪声背景下多频微弱信号检测的难题，提出一种基于自适应变尺度频移带通随机共振（Adaptivere．scalingfrequency．shinedband．passstochasticresonance，ARFBSR）降噪的经验模态分解（Empiricalmodedecomposition，EMD）多频微弱信号检测方法。对不同频段的信号进行频率尺度变换处理，使其满足随机共振条件，根据噪声强度自适应地优化系统的参数，进而对每个频段信号分别进行随机共振处理，使得待检信号目标频段得到增强，对各个频段的共振输出进行带通滤波再合成，实现多频微弱信号的增强。对处理后的信号进行EMD分解，得到每个频率的信号分量，实现多频微弱信号的检测。仿真分析和滚动轴承内圈故障诊断实例表明，该方法不仅能够增强信号幅值，同时减少虚假分量，提高EMD算法的精度，有效检测出被噪声淹没的多频微弱信号。

针对传统随机共振只适用于检测低频信号的约束，提出用被测信号和背景噪声调制频率的方法，实现在大参数情况下从强噪声中检测微弱信号。分析了调频信号的频谱，理论分析和数值仿真表明：此方法能降低噪声的有效强度，调频信号中含有的低频分量能产生明显的随机共振。

传统的语音增强方法是在保持语音可懂度和清晰度的前提下，尽可能地从带噪语音中提取需要的纯净语音，而在强噪声环境中，语音信号表现为弱信号，去噪变得困难。基于Hodgkin—Huxley神经元阈上非周期随机共振原理，提出一种自适应调节，添加最佳噪声来进行语音随机共振，从而实现语音增强。Matlab实验结果表明，在强噪声环境中实现对语音信号增强，信噪比提高明显，且效果优于传统算法。方法具有一定鲁棒性，提供了在强噪声环境中增强语音信号的新思路。

海洋混响是水声信号目标检测中的主要干扰之一，克服混响干扰一直是水声信号处理的一个重要课题。如何在混响背景中有效地进行水声信号目标的检测？为了解决着一问题，引人了随机共振的方法。首先，在随机共振的原理基础上，给出了利用随机共振原理检测微弱周期信号的基本方法，并对方法进行了分析与验证。然后，将方法应用于以模拟混响为背景干扰的水声信号的检测中，仿真结果进行了分析，证明了方法的可行性。

针对随机共振（Stochastic resonance,SR）在处理轴承故障信号时需要满足小参数（信号频率、幅值、噪声强度远小于1）这一条件以及轴承故障特征难以提取的问题,提出基于自适应变尺度随机共振与总体局部均值分解（Ensemble local mean decomposition,ELMD）的轴承故障诊断方法。首先,对实测的信号按照一定的频率进行压缩,使其满足随机共振小参数的要求,然后,通过遗传算法（Genetic algorithm,GA）对变尺度随机共振双稳系统中的结构参数a,b进行优化,最后将随机共振输出信号进行ELMD分解,通过各PF分量的频谱图寻找轴承故障特征频率。对实测轴承故障信号的实验分析,结果表明本文提出的方法可有效地应用于轴承的故障诊断中。

针对高压隔膜泵单向阀的早期故障振动信号信噪比（SNR）低,故障特征提取困难的问题,本文提出一种自适应随机共振和微分经验模态分解（DEMD）的早期故障诊断方法。首先对原信号进行预处理,设置压缩比进行变尺度处理;然后将SNR作为自适应度函数,利用粒子群（PSO）算法优化随机共振（SR）系统参数,将优化后参数及处理后的信号输入SR系统中;最后对系统输出的信号进行DEMD算法分解,对各分量进行频谱分析,选取含特征频率的分量合成进行包络分析,以提取故障特征信息。经仿真分析与工程实验表明,该方法能够较好地提取出单向阀的早期故障特征信息。

针对随机共振（stochastic resonance,简称SR）系统处理复杂信号的局限性以及参数选择的盲目性,提出了一种基于频域信息交换（frequency information exchange,简称FIE）的量子粒子群自适应参数匹配随机共振方法。首先,采用FIE将高频特征信号的频域幅值信息交换到对应的基准低频处;然后,根据基准频率特征采用量子粒子群优化（quantum particle swarm optimization,简称QPSO）算法优化SR系统参数;最后,对振动信号进行随机共振处理。滚动轴承实测信号的分析表明,该方法可以消除随机共振对频段的局限性,避免系统参数选择的盲目性,使随机共振更适用于强噪声背景下较高频段的故障信号检测。