弱信号检测随机共振机制的网络模型及应用研究

摘要

强噪声背景下的弱信号检测研究，是测量技术的热点和难点之一，在生物医学、测控、以及军事等领域有着重要的应用前景。近年来，随机共振理论和实验研究的开展，为弱信号检测提供了新的思路和方法。
　　 目前基于随机共振的弱信号检测研究中，更多关注于单层或开环结构的模型。但在实际应用中，此类模型容易受到背景噪声强度和信号幅值的影响。因此本文提出将多层和反馈结构应用于随机共振模型中，对单层、双层以及反馈结构的周期和非周期信号响应分别进行了研究、仿真和比较；以图像复原为例，进行了随机共振弱信号检测的实际应用。本文主要工作和研究成果如下：
　　 (1).研究了FitzHugh-Nagumo (FHN)神经元模型和双稳态模型的随机共振现象，分析了周期信号和非周期信号作用下的响应，验证了噪声对随机共振的作用，为后续实验奠定了基础；
　　 (2).模拟神经系统中神经元之间的会聚方式，构建了双层FHN神经元网络。并采用互信息率等评价方法，对单个神经元和双层神经元模型的随机共振性能进行了定量描述和比较，分析了该网络在噪声环境中的信号检测能力。实验结果表明，与单个神经元模型相比较，其检测性能受噪声强度和信号幅值的影响较小，更适合于动态环境下的弱信号检测；
　　 (3).为了降低开环网络在噪声强度多变的环境中对弱信号检测的不稳定性，本文提出将反馈环节引入双层FHN神经元网络模型，以改善可变噪声背景下的弱信号检测性能。研究结果表明，闭环神经元网络模型的随机共振现象要优于开环双层网络和单个神经元，能够在更宽的噪声范围内反映输入信号的规律，提高了稳定性能；
　　 (4).本文将随机共振机制应用于低信噪比图像复原中。在充分考虑图像像素空间相关性的基础上，采用0°和180°Hilbert扫描法，对二维图像进行独立降维；利用双稳态系统的非线性特性，通过添加特定强度的噪声，实现污染图像目标信息的增强；最后对降维信号的双稳态响应进行了决策和重构，实现了低信噪比图像的复原任务。实验结果表明，该方法抑制噪声的能力较好，对细节的重现效果清晰。尤其对于被强噪声污染(噪声强度=300)的图像，在主观视觉效果和信噪比评价上，与传统复原方法相比，具有较佳的性能。
　　 本文研究成果表明在双层闭环网络结构中，基于随机共振的含噪信号检测具有更佳的稳定性能。而在图像复原中的具体实践，显示了随机共振在弱信号检测领域具有良好的实际应用前景。