K均值序贯泛化(SGK)去噪算法在字典更新阶段会引入噪声干扰。为了控制噪声干扰对字典原子的影响,构建一种干扰控制K均值序贯泛化(C-SGK)地震信号去噪算法。该算法在字典更新阶段通过判断信噪比值与设定阈值间的大小来决定是否更新原子。若信噪比值大于设定阈值,则顺序更新原子,反之则不更新原子。对人工合成和实际地震信号的去噪结果表明,本算法能够很好地控制噪声干扰,且与传统SGK算法比较发现,本文算法对地震信号的去噪效果更优。

激光声音探测技术是声音探测领域中重要的研究方向,但该探测技术极易受到背景光、大气湍流等引起的噪声干扰,对探测信号的噪声进行抑制是激光声音探测技术的关键。 提出一种改进的阈值函数,通过调整参数可以改变小波系数估计值与原小波系数之间的偏差,同时尽量保存信号的特征信息。 在实验室环境下通过实验验证了基于所提改进阈值函数的小波阈值去噪法的有效性,探测信号经去噪处理后噪声得到有效去除。

随着显示技术的不断发展，集成触摸屏的液晶显示(LCD)在日常生产与生活中得到了广泛的应用。良好的触屏显示在人机交互方式上扮演着重要角色。然而，外挂式触摸屏在薄化后，触控感测部件和LCD驱动部件之间的距离减小，造成两者之间更紧密的耦合，导致LCD对触摸屏的噪声干扰更加严重，造成误触摸情况发生。为此，我们通过本文研究发现，调节源极数据驱动IC的内置功能及数据信号的驱动方式，可有效改善噪声干扰问题。首先，根据TFT面板阵列的排布，针对性调节源极数据驱动信号，观察噪声干扰的程度。实验结果表明：降低源极数据驱动能力，或更改数据信号的驱动方式为H2Dot时，噪声最大的sub V-stripe画面下的噪声干扰峰值可下降75%。基于上述解决方案，达到了降低噪声干扰的目的，提供给用户更精准、灵敏的触控体验。

研究射频噪声干扰、噪声调幅干扰、噪声调频干扰和噪声调相干扰对脉压的干扰效果, 从 4种有源噪声干扰信号的功率谱密度、干扰带宽及干扰功率等特征上对照分析了各自的干扰特性, 然后通过理论推导, 得到了在线性调频( LFM)脉冲压缩滤波器下不同干扰的特征变化, 以及脉压对有效干扰带宽和功率压制比的影响, 给出了脉压干扰效应的若干结论, 并用仿真验证了结论的正确性。研究结果表明, 脉压后的有效干扰带宽与干扰中心频率对信号载频的瞄准误差和两者的带宽重叠度有关, 而且脉压处理使输出干扰功率与输入干扰功率的比值为脉压后的有效干扰带宽与脉压前的干扰带宽之比。此外, 脉压后功率压制比也与有效干扰带宽和脉压前的干扰带宽的比值成正比。

针对动态时变系统辨识过程中存在噪声干扰的问题，本文将区间二型模糊集结合到递归神经网络中，提出了自组织递归区间二型模糊神经网络以增强动态时变系统的抗噪能力。该自组织递归区间二型模糊神经网络由前件和后件两部分构成：前件为区间二型模糊集模型，用于将每个规则的激活强度反馈到自身构成内反馈回路，其参数学习采用梯度下降算法；后件为带有区间权值的Takagi-Sugeno-Kang(TSK)模型，其参数学习采用有序规则卡尔曼滤波算法，且网络初始规则数为零。所有规则均通过结构学习和前后件参数同时在线学习来产生，其网络结构学习采用的是在线区间二型模糊群集。为验证提出的神经网络的优越性，将其应用到单输入单输出动态时变系统的辨识中。实验结果表明，相对于前馈一型/二型模糊神经网络、递归一型模糊神经网络，该神经网络的辨识能力强，即使在存在白噪声的条件下，也能减小测试及训练误差。

为提高经光纤传输后光束方向的稳定性,提出了一种新的光纤端面精确定位方法.该方法针对光纤端面光能量中强模间噪声干扰的特点建立了约束抽样Hough变换,可实现对噪声的去除和对轮廓的准确提取,并根据轮廓的特征把特征点分为基元类和噪声类,对两类点分别进行约束抽样Hough变换,可显著减少存储所需要的内存空间,有效抑制噪声对轮廓的干扰,准确得到属于轮廓的特征点.根据各特征点对轮廓的贡献,采用弦长加权拟合法对轮廓点进行处理,从而得到轮廓的中心位置.实验结果表明,该方法对光纤端面的定位不确定度优于0.2 pixel,成像物镜放大倍数为10时,定位不确定度优于0.4 μm.