地震信号瞬时特征在小波域分频提取的方法和应用

在直接进行 Hilbert变换提取瞬时特征信号的传统方法中 ,Hilbert变换对高频随机噪声十分敏感 ,即使地震信号中存在微弱的高频噪声 ,所提取的地震信号瞬时特征仍被噪声淹没。本文提出了在小波域提取地震信号瞬时特征的方法 ,它利用小波变换的实部 (相当于实信号——地震信号 )、虚部 (实信号的 Hilbert变换 )的特点直接提取地震信号瞬时特征。该方法具有分频、去噪的功能 ,并且提取的地震信号瞬时特征中保留了频率低于高频随机噪声带的弱波 ,这种弱波可在瞬时特征剖面 (如瞬时频率、瞬时相位、瞬时振幅 )中显示出来。

基于瞬时特征参数的数字调制识别算法

针对数字调制识别在低信噪比下的应用,提出一种基于瞬时特征参数的数字调制识别算法。该算法一方面利用5个相对简单的瞬时特征参数改善算法的复杂度,简化识别过程;另一方面,设计一种小波滤波器,对瞬时特征参数进行消噪处理,提高调制识别算法在低信噪比下的识别性能。同时,该算法只需在中频直接对信号进行识别,计算简单,易于实现。通过计算机仿真表明:在信噪比不低于5 dB的情况下,该算法对不同调制信号的正确识别率均达到90%以上。

非平稳信号瞬时特征提取的谐波小波方法

分析了非平稳信号的瞬时特征(瞬时频率和瞬时相位),对非平稳信号进行谐波小波变换,建立非平稳信号的谐波小波系数与该信号的瞬时特征之间的关系,提出非平稳信号瞬时特征提取的谐波小波模型和提取方法。通过算例中的线性调频信号和应用实例中的轴承座振动信号的验证表明,该模型与方法具有较好的抗噪能力,对非平稳信号的瞬时特征具有更高的分析精度,能实现非平稳信号中特殊成分的瞬时特征提取。该方法能通过傅里叶变换实现其快速算法,具有算法简单、快速的特点,实现非平稳信号瞬时特征的实时分析。

利用Hilbert变换提取信号瞬时特征的算法实现

研究了在工程中如何通过算法来实现利用Hilbert变换提取信号的瞬时特征。深入地分析了如何利用数值微分法提高提取瞬时频率特征的精度。最后,给出了一种可行的算法,并通过实验验证了这种方法可以在工程中有效地提取信号的瞬时频率特征。

基于多项式模型的非平稳信号瞬时特征提取

文章深入分析了非平稳信号瞬时特征的结构特点。应用Gram-Schmidt正交基对非平稳信号的瞬时频率和瞬时幅值进行近似,提出了瞬时频率和瞬时幅值的正交多项式估计模型。应用极大似然法对模型的参数进行估计,应用模拟退火算法求解参数的估计值。估计参数带入多项模型,提取出非平稳信号的瞬时特征。仿真试验证明了该方法的可行性和有效性。

采用基于多相滤波的数字正交变换技术提取信号瞬时特征的方法

本文研究了通信信号瞬时特征的提取方法。采用中频直接采样、抽取和滤波的方法完成信号的正交分解,从而提取信号的瞬时包络和相位主值序列。利用信号相位去卷叠算法和线性规划法估计信号的去卷叠瞬时非线性相位,利用傅里叶变换的微分特性估计信号的瞬时频率。通过文中的方法可以有效估计信号的瞬时特征,将其运用于信号调制体制识别取得了较好的效果。

基于改进瞬时特征参数的数字调制识别

自动调制识别作为非协作通信系统的关键技术,仍然是通信对抗领域的研究热点。在此背景下针对基于瞬时特征调制识别算法在低信噪比条件下识别率低、识别信号有限等问题,提出了一种基于改进瞬时特征参数调制识别算法。该算法首先在I/Q基带信号中提取6种改进瞬时特征参数,然后依据改进特征的区分度构建决策树分类器,最终结合仿真实验与特征理论值给出恰当的判决门限。仿真实验结果表明,当信噪比低至1 dB时,10种数字调制信号的平均识别率在92%以上。

基于瞬时特征参数和功率谱熵的联合调制识别

针对传统的瞬时特征参数识别法在低信噪比下识别信号种类少、识别率低等问题,文中提出了一种基于瞬时特征参数与功率谱熵联合的调制识别方法。该方法通过改进后的瞬时幅度及相位特征参数对调制信号进行识别,并引入了功率谱熵特征参数,可进一步实现对更多信号的类内识别。在信号类内识别方面,采用决策树分类方法,选取合适的门限值对常用的9种数字调制信号{ASK、4ASK、2FSK、4FSK、8FSK、BPSK、QPSK、8PSK、16QAM}进行识别分类。蒙特卡洛实验结果表明,相较于现有的识别方法,文中所提出的方法增加了识别信号的种类,还提高了低信噪比情况下的信号识别准确率。

基于瞬时特征谱的联合特征调制识别算法

传统调制识别算法的识别效果受信号的信噪比、成型脉冲形状、采样率等参数影响,适用范围有限。为了提高对具有不同参数的信号的识别正确率,通过对数字调制信号的瞬时特征进行多阶变换,基于变换后的功率变化和分布信息,提出了一种基于瞬时特征谱的联合特征调制识别算法。该算法以集成学习器XGBoost对数据进行训练,能够适应不同条件下的信号数据,使其识别正确率得到明显提高。仿真结果显示了该方法的有效性。

基于瞬时特征和BP神经网络的数字调制信号自动识别及实现

在非协作通信环境下,针对2ASK、4ASK、2FSK、4FSK、BPSK、QPSK六种常规数字调制信号,采用了基于瞬时统计特征的信号自动分类算法对上述六种信号进行分类识别。仿真结果表明,该算法在信噪比大于15dB时,总体识别率高于90%;随着信噪比减小,信号识别率下降明显。当信噪比低于5dB时,信号识别率不足60%。为提高低信噪比下信号识别率,进一步引入BP神经网络作为分类器,采用自适应学习速率梯度下降法训练神经网络,设计了基于BP神经网络的数字调制信号自动识别方案。最后在软件无线电设备NI-USRP 2920上实现了该方案,并验证了性能。实测结果表明,六种数字调制信号正确识别率均高于91%。

基于瞬时特征参数的调制识别方法

针对调制识别算法设计复杂度高,低信噪比条件下识别率低的问题,提出一种瞬时特征参数与神经网络分类器相结合的调制识别方法。该方法利用瞬时幅度、瞬时频率与瞬时相位3个参数作为神经网络分类器的输入,能有效识别二/四进制振幅键控、二/四进制频移键控、二/四进制相移键控信号调制类型。仿真结果表明,在信噪比为5 dB时信号的平均识别率达到94.67%。该方法不仅识别性能优于决策树,且设计简单,复杂度远低于深度神经网络,便于工程应用。

基于瞬时轨迹特征图像和条件对抗生成网络的水电机组轴系劣化评估

水电机组轴系对机组稳定性影响显著,针对机组轴系的劣化评估能够直观反映机组运行状态。因此,提出了一种利用瞬时轨迹特征图像和条件对抗生成网络的机组轴系劣化评估方法。先将各支承面反映振动轨迹的垂直信号构造为复信号,使用多变量复信号变分模态分解方法将信号分解并提取椭圆瞬时轨迹离心率、正反向进动分量等瞬时轨迹特征,构造出多个轴承面的特征图像。使用条件对抗生成网络构建健康模型,将机组工况参数和白噪声作为输入,分别拟合出每个轴承面在不同工况中健康状态下特征图像的分布,利用真实图像与健康图像的差异构建健康指标。利用遗传算法对多个轴承面的评价指标权重进行寻优,降低健康区间指标波动性,获取综合轴系劣化曲线。在水电机组轴系数据中进行试验,证明了所提方法的有效性。

一种导航雷达辐射源细微特征提取方法

针对常规方法对导航雷达辐射源识别正确率低的问题,通过分析研究导航雷达的信号时频特点和无意调制特性,重点关注脉冲信号的瞬时频率,特别是脉冲上升沿和下降沿处,对瞬时频率的变化率取一系列采样点组成向量作为特征,使用支持向量机做分类,基于仿真数据的实验表明,以脉冲前后沿的频率变化为特征比以整个脉冲的频率变化为特征更能区分不同的雷达辐射源信号,不仅提高了识别正确率,而且降低了计算量,该方法在单载频信号、线性调频信号和二相编码信号中获得了令人满意的结果。使用实际采集数据验证,在信噪比为20dB时,识别正确率在90%以上。

基于HHT方法的模拟调制信号瞬时特征分析

Hilben变换利用解析表达式中的实部与虚部的关系，定义出任意时刻的瞬时频率、瞬肘相位以及瞬时幅度，从而解决了对信号瞬时参量的定义和计算问题。在噪声和干扰信号背景下，Hilben变换应用于模拟调制信号瞬时特征分析时，很难从中获取有效信息。因此，本文采用EMD方法先把信号分解成IMF分量，再分别进行Hilben变换，最后从完整的Hilbert时间一频率一幅度三维谱中分析模拟调制信号的瞬时特征。仿真表明该方法可以有效的分析模拟调制信号的瞬时特征，为进一步获取调制信息提供了依据。

行进人体目标雷达瞬时多普勒特征分析

行进人体目标对雷达回波产生多普勒调制和微多普勒调制,提取目标雷达回波中的多普勒和微多普勒特征,可获得人体目标的运动速度及肢体摆动周期等信息,有助于人体目标的检测与识别。本文改进和完善了行进人体目标的线性刚体模型,得出连续波信号体制下人体目标雷达回波,推导出人体目标的瞬时多普勒频率,定性分析了目标的瞬时多普勒特征和瞬时运动特征的变化规律。利用公开的实测数据验证了本文模型的有效性,并利用时频分析工具对目标雷达回波的瞬时特征进行了仿真分析,提取出目标的瞬时运动特征。本文模型及特征提取方法可推广应用于其他信号体制的雷达回波信号分析,同时可推广应用于对目标其他运动状态的分析。

基于瞬时相位新特征的数字调制信号识别

针对四相移相键控(4PSK)和八相移相键控(8PSK)难以从瞬时特征区分这一问题,本文提出了一种基于瞬时相位的特征——分段相位均值最大值。设计了一种基于瞬时特征的调制识别方案,完成了多进制数字振幅调制(MASK)(M=2、4、8),多进制数字相位调制(MPSK)(M=2、4、8)共6种数字信号的调制识别。通过对信号的非线性相位进行分段,对每一段求均值,并找出均值序列中的最大值等操作,提取了新的特征参数,完成了4PSK与8PSK的区分。理论分析与仿真结果相一致。仿真结果表明,在信噪比高于4 dB时,4PSK与8PSK调制方式的正确识别概率可以达到90%以上。

基于瞬时频率特征提取的弹道目标识别

传统时频分析得到的微多普勒特征可以被用来识别弹道目标。文章提出了一种基于时频二维像瞬时频率特征提取的弹道目标微动特征提取方法。该方法首先对导弹和诱饵时频二维像进行检测处理以降低噪声的干扰,然后对处理后的时频像使用瞬时频率特征提取方法,提取时频像中瞬时频率中的目标微动特征。最后,文章分别模拟了做进动微运动的弹道导弹目标和做摆动微运动的复制诱饵目标两类目标回波,使用本方法进行识别实验,并分析瞬时频率特征对信噪比和系统重频的敏感性。实验结果表明,基于瞬时频率特征提取的导弹识别方法在不同信噪比时具有稳健的识别性能,对频域欠采样具有一定的适应性。

基于通信域和雷达域融合特征的无人机集群类型识别算法

目前已有无人机类型识别算法仅通过通信域或雷达域的信号特征实现单个无人机类型的识别,存在识别准确率低等问题。提出了一种基于通信信号和雷达信号融合特征的无人机集群类型识别算法。首先,提取集群通信信号的高阶累积量和瞬时特征统计量,并融合雷达航迹特征构建无人机集群特征矩阵。其次,提出一种改进的特征选择算法—二次筛选的近邻成分分析,对融合特征矩阵进行降维。最后,利用稀疏自编码器网络进行集群类型的识别。仿真结果表明,该算法显著降低了集群特征矩阵的维度(仅为原始矩阵维度的27%),同时在信噪比为0 dB时,对5种集群类型识别的正确率可达88%。

外场条件下辐射源脉内瞬时频率特征提取与个体识别有效性分析

辐射源个体特征提取是实现辐射源个体识别技术的关键和基础。提出一种基于瞬时频率的辐射源个体时频特征提取方法,并利用外场实测数据验证了辐射源个体瞬时频率特征的一致性和可区分性。试验结果表明,辐射源个体瞬时频率特征在普通脉冲信号和经过脉冲压缩的信号中均能够成功提取并实现对该类辐射源的个体识别,有潜力成为辐射源个体特征空间的一个重要维度。

基于振动信号过程特征的批量钻削工序质量检测

为实现批量钻削质量的快速检测分析,采用振动传感器监控钻削过程,提出一种基于振动信号处理的批量钻削质量监测分析方法。基于钻刃与工件接触位置变化状况,在钻削过程中提炼出与钻削加工质量密切相关的三个阶段:引钻、钻孔和出钻三阶段。采用正交包络法求解振动信号的瞬时频率及瞬时幅值,定位这三个阶段初始时刻的瞬态时间点。利用这些瞬态时间点对振动信号进行分割,获得与每一个钻削过程中引钻、钻孔和出钻三阶段对应的钻削过程振动信号数据。采用主成分分析方法,综合此三个阶段内振动信号的统计特征对批量钻孔质量分布进行分析。计算和分析结果证明,可在3%的误差内提取瞬态特征点,分析和评估批量钻削质量准确度高。