Denoiser：用于fMRI BOLD数据的令人讨厌的回归工具 Denoiser是一种用于从功能性MRI数据中去除噪声源并对其进行时间滤波的工具。 它还提供了有害信号内容的可视化（包括运动信息，如果提供的话），使用户可以快速了解噪声消除前后的数据质量。 去噪器作用于4D fMRI数据（采用nifti文件路径或已加载的nibabel对象作为输入）。 在体素水平上执行有害信号去除和时间滤波，并创建一个“清理过的” 4D Nifti文件（ _NR文件）/ nibabel对象作为输出。 由用户指定要消除的特定噪声信号（包含在tsv文件中）。 仅在对BOLD数据进行最少的预处理之后（例如，在使用fmriprep预处理数据fmriprep ，该工具会创建一个包含滋扰信号的.tsv文件），才应使用此工具。 有关如何运行的说明，请输入：python run_denoise.py -h 用法：ru

全双工通信射频自干扰消除硬件实现，任宇鑫，于翠屏，本文在现有2.4GHz收发信机的基础上，针对点对点同时同频全双工通信，设计并研发了一套射频自干扰消除装置。本文设计的功率精确控制

通信中的迫零检测、串行干扰消除、排序串行干扰消除

利用MATLAB产生ECG信号，消除该信号中的工频干扰

ECG信号工频干扰噪声消除，用VC编的小程序，通过频谱分析，消除噪声

 为长期演进计划（LTE）通信系统提出了一种采用干扰消除技术来改进信号到达时间差（TDOA）的移动台定位方法。该方法针对移动台在靠近小区中心时接收邻近小区基站信号会受到服务基站和其他基站信号以及噪声的干扰，从而导致定位精度下降的情况，首先在信号接收端重建干扰并且从接收信号中对其进行消除，然后基于正交频分复用（OFDM）通信系统使用相关估计法估算信号传播时间，最后通过加权最小二乘法估算移动台的位置坐标。在多径传播以及非视距（NLOS）传播无线环境中，仿真实验证明，采用该方法可以有效改善靠近小区中心的移动台的定位精度。

使用串行干扰消除(SIC)方法进行MIMO系统信号检测时,先检测出的信号对后续层信号的检测有很大影响,存在误差传播现象。针对这一问题,提出一种改进的SIC检测算法。所提算法在进行SIC检测时,对前层采用穷举搜索,并对所得到的P维信号的累积度量值进行计算和排序,从中取出L组具有最小度量值的信号,再对其后续层利用SIC进行检测。由于对前P层进行穷举搜索,降低了检测的误码率,从而减少了误差传播,提高了系统的检测性能。通过调节参数P和L,可以在计算复杂度和检测性能间取得适当的折中。

在利用机会源作为照明器的无源雷达中，存在直接信号和杂波回波在监视通道中显示出强烈影响检测性能的事实。 在本文中，基于众所周知的CLEAN方法，该方法反复去除强信号并检测目标，从而推导了一种有效的CLEAN算法来消除干扰。 该新技术采用正交子空间投影的方法，即使在以下情况下也更加鲁棒：（i）干扰信号的到达时间可能是采样后的分数采样间隔； （ii）干扰的多普勒延迟估计可能不准确； （iii） 来自连续散射目标的回波可能是多普勒延迟扩展。 通过将数字视频广播卫星（DVB-S）作为照明器的仿真结果表明，该方法是有效的。

DSCDMA信号的串行干扰消除算法的误码率仿真分析.doc

由于CDMA系统是码分多址的多址方案，在实际系统中，码间干扰(ISO)、多址干扰(MAI)以及系统中强信号对弱信号的抑制(远近效应)成为CDMA 系统必然存在的几类主要干扰