一种自适应盲分离跳频信号的方法

在跳频扩频通信系统中,由于多个跳频信号在时域重叠,频域跳变,使得非合作接收条件下跳频信号的分离成为通信侦察和对抗中的一个难点问题.本文基于各源信号统计独立这一特性,采用独立分量分析的思想和技术,提出一种适合于跳频信号盲分离的自适应方法,并且针对不同频点上分离信号中出现的次序模糊问题,给出了一种跳频时刻估计算法和信号拼接的算法.理论分析和仿真实验表明,本文提出的方法能够有效地分离出多个跳频信号.     

FMmlet变换在信号分离中的应用

具有非线性时频关系的多分量信号的频谱占有较宽的频带，并且各信号分量的频谱常常互相交叠，因之难以用常规的滤波方法将各信号分量分离，将信号与背景噪声分离亦非易事，由于FM^mlet变换的原子能匹配信号的线性和非线性时变成分，因此本文提出采用FM^mlet变换进行信号分离，实际算例结果印证了本文方法的有效性。     

一种基于子波变换的水声被动信号去噪方法

根据水声被动信号的特点,采用二进子波变换理论,对水声被动信号进行多尺度分解,在子波变换的时频域对各分量进行分时分频相关分析和加权处理,然后通过子波反变换算恢复出目标信号的时域分布。最后经舰船辐射噪声信号的去噪实验验证,表明该方法对水声被动信号的去噪具有良好的效果。     

一种针对多分量信号的复延迟型时频分布的实现方法

 复延迟型时频分布(CTD)是近年来提出的一种新型时频分布.对于单分量调频信号,CTD具有良好的时频聚集性.但是对于包含两个或两个以上分量的多分量调频信号,直接采用定义式或传统频域卷积方法实现的CTD会产生大量的互交叉项,影响了它在各领域的应用.本文对CTD的传统频域卷积实现方法进行了三方面的修正,提出了一种适合多分量调频信号的修正型CTD频域卷积实现方法.仿真结果表明,本文方法对于多分量调频信号,既保持了CTD所固有的时频聚集性高的优点又极大地抑制了不同信号分量间的互交叉项.     

基于盲信号分离的同频信号的串行分离技术

传统的时域和频域处理等方法很难分离多个频域的混叠信号,文中提出一种利用盲信号分离技术串行分离同频信号的新方法——FastICA盲分离算法。该方法充分利用盲信号分离技术不需要知道信号先验信息的特性,能正确地、一个一个地分离出在频域中混合在一起的信号,且能分离功率相差100万倍的同频信号。在存在比信号功率大得多的高斯白噪声情况下,FastICA盲分离算法具有良好的分离性能。     

环移S＆G自适应滤波器及其在交叠的周期性生物电信号分离中的应用

本文提出了一种适用于交叠周期信号的周期检测和信号分离的环移Ｓｔｏｐ＆Ｇｏ自适应数字滤波器，该滤波器对周期信号在频域的交叠程序没有任何要求，除假设书籍要分离的周期信号的周期的大致范围外，不需其他先验知识，因而它提供了一种分离时域和频域都互相交叠的周期信号的有效可行的方法，文章从理论讨论了该滤波器的收敛条件和各参数的选取要求，并提出了一种较实用的粗精度周期搜索和通道自动关闭算法，减少了计算量，实验证明     

环移SG自适应滤波器及其在交叠的周期性生物电信号分离中的应用

本文提出了一种适用于交叠周期信号的周期检测和信号分离的环移StopGo(SG,停止-进行)自适应数字滤波器。该滤波器对周期信号在频域的交叠程度没有任何要求。除假设已知要分离的周期信号的周期的大致范围外,不需其他先验知识。因而它提供了一种分离时域和频域都互相交叠的周期信号的有效可行的方法。文章从理论上讨论了该滤波器的收敛条件和各参数的选取要求,并提出了一种较实用的粗精度周期搜索和通道自动关闭算法,减少了计算量。实验证明该滤波器对各种不同初始相位、不同相对幅度的周期信号交叠而成的信号均能有效地分离。     

基于图像处理技术的雷达辐射源信号时频特性分析

针对常用时频分析方法对多分量雷达辐射源信号(RES)分析和处理的不足,提出一种基于图像处理技术的多分量RES时频特性分析方法.该方法通过时频分布图的平滑滤波、阈值处理和基于形态学细化等算法来提取RES自分量,在有效抑制噪声的同时,能够得到具有高分辨率的多分量RES时频图.仿真实验表明,该方法既克服了常用时频分析方法的不足,又优于时频重排方法对多分量RES的时频特性分析.     

环移S&G自适应滤波器及其在交叠的周期性生物电信号分离中的应用

本文提出了一种适用于交叠周期信号的周期检测和信号分离的环移Stop&Go(S&G,停止-进行)自适应数字滤波器。该滤波器对周期信号在频域的交叠程度没有任何要求。除假设已知要分离的周期信号的周期的大致范围外,不需其他先验知识。因而它提供了一种分离时域和频域都互相交叠的周期信号的有效可行的方法。文章从理论上讨论了该滤波器的收敛条件和各参数的选取要求,并提出了一种较实用的粗精度周期搜索和通道自动关闭算法,减少了计算量。实验证明该滤波器对各种不同初始相位、不同相对幅度的周期信号交叠而成的信号均能有效地分离。     

时频域重叠多信号智能检测方法研究

针对现有基于深度学习理论的信号智能检测方法大多只能对单信号或时频域不重叠的信号进行检测,本文提出了一种基于掩膜区域卷积神经网络(Mask R-CNN)与Criminisi算法的时频重叠多信号智能检测新方法。首先将一维时域信号通过时频变换得到二维时频图像。然后针对时频图中多信号重叠部分像素位置信息缺失这一问题,提出了利用Criminisi算法对信号重叠部分像素位置信息进行恢复。最后,基于缺失信息恢复后的图像使用Mask R-CNN进行训练,再用训练后的网络对未知信号进行检测。实验结果表明,该方法在信噪比(SNR)为-3 dB时,时频域重叠信号的平均检测率达92%,相比基于卷积神经网络的信号检测方法,在SNR大于-3 dB时检测率平均提高20%以上。