论文部分内容阅读
本文对国内外的各种时延估计算法进行了分析和比较,简要说明了它们之间的相互联系,各自的优缺点。
本文在研究通过峰值检测估计时延的基础上,提出了基于经验模式分解(EMD)的Hilbert变换的时延估计算法。在对信号进行Hilbert变换时延估计之前,首先对信号进行EMD去噪,此算法不仅把以往通过峰值检测估计时延转变为过零检测估计时延,具有抗噪和抗混响能力,有利于在相关峰值平坦的条件下提高精度,而且在较低信噪比条件下,同样能够获得较准确的时延估计,通过对一般非平稳信号和chirp信号进行了仿真实验,证明了此算法的优越性。
针对一些传统时延估计算法计算量大的问题,提出了基于遗传算法的时延估计算法。用目标函数作为适应度函数,用时延等参数作为决策变量,优化了适应度函数,解决了代价函数复杂计算量下的高效全局优化问题。并通过仿真实验验证了此算法不仅可以大大地减少计算量,而且提高了时延估计的稳健性和实时性。仿真实验主要是利用最小二乘法准则,得到了优化目标函数,将时延滤波器系数列入到参数估计模型中,结果表明,不仅在滤波器长度比较短的情况下获得最优的时延估计,而且大大地减少了计算量。
本文分析了时延估计在血流速度估算中的原理,提出了一种非多普勒原理的间接测量血流速度的方法,通过估计时延来测量血流速度,并用实测的超声成像实数据进行了实验,验证了本文方法的有效性。此法不仅简单,易于实现,计算量较小,且有实际的应用价值。
最后,对本文所提出算法的特点,性能进行了总结,并对未来时延估计算法的研究进行了展望。