在超声成像中,由于缺陷信号易被噪声湮没,信噪比受到很大的削弱,针对该问题,讨论了高阶维格纳互谱对高斯噪声的抑制作用,提出了一种改进的基于该分布和似然比理论的超声成像算法.试验结果表明,用该算法能从强噪声中识别出缺陷点,提高成像的信噪比.

图像在获取和传输的过程中经常要受到噪声的污染。传统的去噪方法不仅滤出了图像的噪声,同时使图像细节变得模糊。本文提出一种基于双谱和小波变换的去噪算法。该方法是根据高斯噪声及椒盐噪声在小波变换下的不同特征,并结合双谱滤波、中值滤波的特点,在小波域内对高频子带进行双谱滤波,去除图像中的高斯噪声,然后进行中值滤波,去除图像中的椒盐噪声。高斯噪声的双谱为零,能够彻底的去除高斯噪声。该算法的实验结果表明不仅能滤出图像中高斯噪声和椒盐噪声,而且能较好的保留图像的边缘细节,其滤波效果优于传统的图像去噪方法。

在航空发动机液压管路故障信号中,因含有噪声的干扰,导致针对液压管路故障的识别准确率较低,为此,提出了一种基于长短期记忆(LSTM)神经网络的航空液压管路故障诊断方法。首先,采集了航空发动机液压管路故障的振动信号,根据管路信号的特点设计并确定了LSTM模型;然后,开展了实例分析,将采集的液压管路原始振动信号加入了高斯噪声,并创建成液压管路数据集,利用所建长短期记忆神经网络模型对液压管路数据集进行了时序信息融合;最后,针对液压管路不同的故障情况,采用LSTM神经网络模型与循环神经网络(RNN)、卷积神经网络(CNN)、支持向量机(SVM)和反向传播神经网络(BPNN)等模型,进行了对比分析,验证了LSTM模型对航空液压管路故障分类的可行性和有效性。研究结果表明:在识别故障管路精度上,LSTM神经网络模型明显优于SVM和BPNN等传统的浅层神经网络模型;...