基于改进的Capon滤波器组谱估计新方法

为了解决Capon滤波器组谱估计方法在α稳定分布噪声下性能出现退化的问题,提出了一种改进的Capon滤波器组谱估计方法,利用分数低阶协方差(FLOC)对传统的Capon滤波器组进行重构.由于分数低阶协方差的作用范围是0＜α≤2整个分数低阶空间,因此在α稳定分布噪声下其谱估计性能比基于二阶统计量方法的谱估计性能更好.计算机仿真结果显示了这种方法的优越性能,并且在高斯噪声环境下,其性能与二阶统计量下的方法类似.     

基于分数低阶协方差谱的频谱感知算法研究及其FPGA实现

在对非高斯噪声情况下主用户频谱感知问题的理论研究之上,采用α稳定分布模型描述认知通信系统的非高斯噪声,给出了一种基于分数低阶协方差的感知方法,并采用分数低阶协方差谱对α稳定分布噪声下的主用户信号进行了谱估计,较好地解决了在非高斯噪声情况下传统的功率谱估计性能失效的问题。在此基础上针对FPGA的特性,进一步优化了算法,在FPGA上设计并实现了基于该算法的感知系统。系统利用FPGA产生中心频率为25 MHz、带宽为12.5 MHz的QPSK信号和特征指数为1的α稳定分布噪声作为主用户信号,设计相应的数字信号处理模块,并在此系统中验证了基于分数低阶协方差的感知方法能够有效地从α稳定分布噪声中检测出主信号的存在。该系统运行稳定,可移植性强,适用于不同的主用户频谱检测方案在此系统上进行实现与验证。     

直升机的雷达回波仿真研究

针对雷达在悬停直升机检测和直升机识别研究等的需要,研究了宽带调频雷达的直升机回波仿真方法.在旋翼单频回波模型基础上提出了旋翼宽带调频回波模型.根据现有雷达的实际情况,将机身回波等效为机身上若干散射中心散射回波的相干迭加.采用加性高斯白噪声模拟雷达环境噪声及接收机热噪声.直升机的雷达仿真回波可由旋翼回波、机身回波和高斯白噪声几部分相干合成得到.仿真的直升机雷达回波与理论分析较为相符.在外场数据较为缺乏的情况下,仿真结果可用于直升机雷达回波特性研究,进而在悬停直升机检测和直升机识别工程应用中发挥重要的作用.     

脉冲性大气噪声的高斯化滤波

传统的非高斯噪声信道下数字接收机中的非线性处理器如：消波器、限幅器、熄灭器等,只是对噪声时域中的较大幅值进行简单处理,没有考虑实际噪声的统计分布特性,对噪声的抑制能力有限;α稳定分布模型虽然能很好的描述大气噪声等非高斯噪声的“重尾”特征,但其概率密度函数除特殊值外无闭式,在实际使用中带来很大不便。首先采用柯西高斯模型,可以对α稳定分布的概率密度函数进行很好的近似;然后通过估计得到的噪声的概率密函数来构建高斯化滤波器,并针对不同α值的SαS分布非高斯大气噪声模型进行专门的高斯化处理;最后通过仿真对比,得出高斯化滤波器的性能明显优于传统非线性处理方法。     

脉冲噪声环境下基于相关熵的AR模型α谱估计方法

在高脉冲水平条件下,基于分数低阶统计量的α谱估计方法对脉冲噪声变得敏感,并且分数阶参数值的选取影响估计精度,其性能会出现不同程度的下降。根据信号的相关熵函数对非高斯噪声不敏感的特点,提出了一种基于相关熵的模型α谱估计方法。仿真结果显示,在相同混合信噪比条件下,所提方法具有无需预设分数阶参数值和顽健性强的特点,特别在高脉冲水平噪声下相比其他方法频率分辨能力更具优势。     

小波变换在雷达物位计信号处理中的应用

雷达物位计信号处理的关键是去除噪声,提取有用信息.通过研究调频连续波FMCW雷达物位计工作原理及信号处理的基本算法,对比传统的采用傅里叶变换进行信号处理的方法,提出了采用小波变换来去除回波的干扰信号.实际应用结果表明,小波分析可以有效地应用于分析物位计回波信号,为提高测量精度等后续工作的开展提供稳定数据.     

稳定分布噪声环境下的EEG-MUSIC源定位

EEG作为一种无损的新医学技术近几年已经被广泛地研究,EEG-MUSIC是一种基于EEG的脑源病灶空间定位算法,它只能在高斯噪声下工作。特殊情况下的脑电传感器阵列数据中可能伴有一种强脉冲噪声,这种噪声可以用α稳定分布描述。稳定分布噪声环境下,传统的EEG-RAP-MUSIC失效。为此用FLOM矩阵代替自相关矩阵,提出了一种适合稳定分布噪声环境的脑源定位新方法FLOM-EEG-RAP-MUSIC。计算机仿真表明,所提出的方法能较好地在稳定分布噪声环境下工作,具有一定的鲁棒性。     

基于MUSIC谱估计的探地雷达回波处理方法

为了克服现有信号处理算法对探地雷达噪声及杂波滤除的不足,提出了一种基于MUSIC谱估计时域与频域联合滤波方法。利用常用的去直流波和均值滤波抑制方法进行雷达信号预处理,在此基础上,引入谱分析中信号子空间与噪声子空间的概念,将MUSIC算法与最小二乘法相结合来进行探地雷达杂波及噪声处理。仿真及实验结果表明,提出的回波处理方法可以有效地抑制雷达信号中的噪声和杂波,能提高测量数据的精度,具有较高的实用性和可用性。     

非线性系统中稳定有色噪声建模及FLOC谱特性

用多项式自回归模型对非线性系统中稳定有色噪声建模,利用扩展的迭代重加权最小[p]范数算法进行模型参数估计。系统研究了分数低阶协方差谱的性质,并对无限方差非高斯多项式自回归有色噪声进行频域特性分析。理论分析和仿真实验表明,EIRLP算法是在高斯和分数低阶稳定分布噪声条件下具有良好韧性的参数估计方法。仿真通过对稳定有色噪声条件下的正弦信号进行谱估计,结果表明,分数低阶协方差谱具有良好韧性的谱估计性能。     

高斯描绘子在识别雷达回波轮廓上的应用

为了提高气象预报业务水平,特别是强对流天气的临近预报能力,提出利用高斯描绘子来进行识别和跟踪天气雷达的回波轮廓.在模式识别的领域中,高斯描绘子不仅具备平移、旋转、尺度和反射不变性,而且还具有计算量小,对适度的边缘噪声不敏感的特点.鉴于这样的特性,把高斯描绘子应用于识别与跟踪天气雷达强回波区域的轮廓上.采用两次强对流天气过程中的雷达数据进行实验,并用图像的方式显示出最终结果,证明了该方法的可行性.     

基于特征分解谱估计的蓄电池内阻检测方法

针对目前在蓄电池内阻检测中被广泛采用的锁相放大法存在硬件电路复杂、成本较高、操作复杂等问题,提出采用特征分解谱估计的方法来替代蓄电池内阻检测中的锁相放大环节,以软件计算的方法替代硬件电路,从而降低硬件成本及操作难度；通过对特征分解谱估计的原理分析以及对运用特征分解谱估计方法进行蓄电池内阻测量时的关键步骤,即电压信号的提取与幅值检测进行仿真,仿真表明特征分解谱估计方法在高功率噪声背景下仍有较高的频率分辨力,幅值测量结果在50 dB高斯白噪声背景下测量误差约为2%,而在20 dB非高斯白噪声背景下测量误差约为3%；分析表明基于特征分解谱估计的蓄电池内阻检测方法在较高功率非高斯噪声背景下具有良好的检测效果,可以作为微弱信号检测的软件实现方法以替代锁相放大环节。     

分数低阶α稳定分布的功率谱估计新方法

传统的α稳定分布噪声下信号功率谱估计方法有两种,分别为共变谱估计与协方差谱估计。这两种谱估计方法都是以自相关这个二阶矩作为频域分析对象,而自相关是个损失了信号中相位的信息,不能用于时频域分析。针对这一问题,提出了一种新的分数低阶功率谱估计方法,计算机仿真结果表明,与现有方法相比,该新方法不仅在进行分数低阶功率谱估计时具有更优良的性能,而且可进一步应用于时频域分析,具有更广泛的应用价值。     

风廓线雷达风谱的概率分布研究

研究风廓线雷达风谱的概率分布,对估计噪声水平、评价风谱形成算法的性能、提取风廓线回波的信息等等都有重要的作用和意义.目前,接收机噪声的谱的概率分布得到了较好的研究,而风廓线回波的谱的分布却缺少相应的分析,鉴于此,研究了风谱的概率分布.通过对雷达回波做合理的假设,在分析经典风谱形成算法的基础上,提出雷达噪声谱和风廓线回波的谱分别服从X2,分布和非中心X2分布.利用实际的雷达数据和计算机仿真的方法进行的分布的假设检验,说明该理论模型准确有效.     

基于稳定分布噪声的分数低阶自适应时频分布

信号中的α稳定分布噪声会使自适应时频分布方法失效.针对该问题,利用分数低阶统计量理论,提出一种改进的分数低阶自适应时频分布.为了实现带噪信号的实时在线处理及长时间信号的时频分布分析,给出一种分数低阶短时自适应时频分布.仿真结果表明,2种方法都能在含有α稳定分布噪声和高斯噪声的环境下进行有效的时频分布分析.     

对称α稳定分布噪声下的软解映射算法

对称α稳定(SαS)分布噪声是一种非高斯噪声,相对于高斯噪声具有明显的脉冲特性,因此高斯噪声下的软解映射算法不适用于SαS分布噪声中。为解决该问题,根据高斯噪声下软解映射算法的对数似然比和信号幅度呈线性的特点,提出一种SαS分布噪声下基于欧式距离的软解映射算法,只需在高斯噪声下的软解映射算法和译码算法之间加入预处理算法,限制比特软信息的幅度,并将幅度过高的软信息置零。仿真结果显示,该算法实现简单、运算量低,所需信噪比在α=1.84的SαS分布噪声下比Huber算法低0.3 dB,在α=1.3的SαS分布噪声下低2 dB~5 dB。     

1 1/2三维谱估计在直升机声信号特征提取中的应用

提出一种基于11/2维谱估计的直升机声信号低频线谱特征提取方法.11/2维谱是高阶谱的一个特例,它具有几个特殊的性质,这些性质使其能抑制高斯噪声、加强谐波信号基频分量以及剔除非二次相位耦舍的谐波分量,因此在处理线谱估计问题时11/2维谱估计要比传统的功率谱估计方法具有更好的性能;同时与双谱估计等常用的高阶谱估计方法相比,11/2维谱估计大大简化了计算.通过对实测直升机噪声数据进行仿真,结果证明,将11/2维谱估计用于直升机声信号的特征提取可行、有效.     

基于BLPN算法的AR SαS过程共变谱估计方法

研究了一种新的AR SaS过程的谱估计算法.该算法将整个数据作为一个整体,利用分数低阶P阶矩从前向、后向两个方向对数据进行处理,获得了一种高分辨率的参数估计算法--双向最小P范数法(Bidirectional Least p Norm,BLPN).利用得到的参数,结合共变谱的定义,构建了AR SaS过程下的共变谱估计表达式,并分别对AR SaS过程参数估计,α稳定分布噪声中的正弦信号的谱估计进行仿真.仿真结果表明,基BLPN的ARSαS模型的共变谱估计方法对于不同的口值均具有良好的韧性,特别是在α值较小或者短时数据时,本文方法的性能明显优于基于FLOM的AR SαS模型共变谱估计方法.     

基于CR下界无偏能量估计的高炉料面点云锐化成像

高炉雷达获取的料面信息是钢铁冶炼中布料控制的重要参数.但高炉内部环境复杂, 料面具有非均匀流态化特性, 传统信号处理方法难以准确稳定提取料面有效信息, 会导致高炉布料误操作.本文借鉴遥感SAR雷达成像原理, 设计了工业SAR扫描式雷达, 多倍增加料面采样点密度, 提出一种新的料面点云锐化成像算法. 分析了高炉雷达料面回波信号干扰信号特征, 从图像处理角度, 设计多级滤波器对2D频谱图进行去噪处理分离出一条带状的料面回波信号区域. 对料面距离估计问题, 基于克拉美罗下界(Cramer-Rao lower bound, CRLB)提出一种先加权采样锐化料带峰脊再利用能量重心法估测料面距离频率的方法, 生成3D料面点云模型, 并利用CRLB评价本文算法性能.在恶劣条件下, 实测高炉雷达料面回波信号的点云成像验证显示, 本文方法优于传统寻峰法, 能有效处理低信噪比信号, 准确提取料面有效信息.同时料面距离频率估计精度更高, 且相较于其他方法频率估计误差更接近CRLB下界.     

基于中值和小波变换的α稳定分布噪声滤波方法*

针对信号中厚尾噪声的抑制问题,提出基于中值和小波变换的滤波方法。研究了α稳定分布信号的特性,利用中值滤波有效地抑制噪声中幅度异常的强脉冲信号,然后对结果利用小波阈值方法进行消噪。实验对α稳定分布噪声进行模型描述,分别采用高斯模型分析方法和中值滤波结合工程算法对采样信号进行时频变换。系列图谱对比结果表明,在不同冲击性α稳定分布噪声环境下,采用高斯模型分析结果出现退化,而采用中值滤波结合小波变换的滤波方法能有效抑制异常值,减小了信号的畸变,能够实现降噪。     

基于时频分析的雷达信号滤波方法

深空目标的雷达回波信号较弱而且受噪声干扰严重,给检测识别工作带来很大的困难;提出了一种时频滤波方法,将基于广义S变换的时频滤波引入到雷达回波信号去噪当中;采用广义S变换对回波信号进行时频分析,利用变换结果求解信号的瞬时频率,并构造了一种时频滤波器.对雷达回波信号进行时频滤波处理并对滤波效果进行分析;仿真结果表明,经滤波后信噪比有较大提高,且很好保留了信号特征。