线性调频-伪码调相复合信号的伪码盲估计新算法

针对线性调频-伪码调相复合信号的伪码估计问题,提出一种基于离散多项式相位变换和频谱搬移的伪码盲估计新算法。首先采用平方法消去伪码的相位突变,然后利用离散多项式相位变换估计调频斜率,利用估计的高精度调频斜率重构二阶指数项,对原复合信号进行解线调,再对解线调后的信号取实部从而可得正弦载波与伪码调相的复合信号,采用频谱搬移的方法可恢复出原伪码序列。仿真结果表明,该算法在信噪比大于等于3 dB时可正确估计出伪码,且性能随子脉冲个数的增加而改善,与FM-AM时频分析方法相比具有更好的估计效果。

基于希尔伯特-黄变换方法的信号奇异性检测与仿真

介绍了希尔伯特-黄变换(HHT)方法的分析步骤、特点和应用范围,并对信号奇异性检测效果进行了仿真分析,并和短时傅里叶变换(STFT)、魏格纳-威利分布(WVD)、小波变换(WT)等分析方法进行了比较。结果表明,希尔伯特-黄变换方法具有良好的局部适应性和在信号奇异性检测方面的有效性及优越性。

希尔伯特-黄变换在SAR信号处理中的应用研究

合成孔径雷达(SAR)回波信号是一个典型的非线性非平稳信号,联合时频分析理论是分析此类信号的最佳选择。本文引入一种新的时频分析方法——希尔伯特-黄变换(HHT),与传统的魏格纳-威利分布(WVD)相比较,对SAR回波信号进行检测,判断目标的存在,验证了希尔伯特-黄变换在SAR信号处理中的可用性及能量聚集性。

MSPWVD-HOUGH变换的多目标分辨和雷达回波参数估计

传统的时频分析方法,如Winger Ville Distribution,smoothed pseudo Wigner-Ville distribution等在多目标分辨的时候,无法同时在时频分辨率和抑制交叉项两方面同时达到较好的效果,所提出的MSPWVD解决了这一问题,MSPWVD-HOUGH还可在低信噪比的情况下检测出多目标,并估算其参数,可利用来进行雷达成像的运动补偿。

多项式相位信号的参数估计

研究了多项式相位信号的参数估计问题。首先通过离散伪魏格纳-威利变换得到调频信号的瞬时频率,再利用多项式拟合法来实现对多项式相位信号参数的估计。仿真实验证实了所提出的算法的有效性。

基于曲线拟合的多项式相位信号参数估计

研究了多项式相位信号的参数估计问题。针对在分析高阶多项式相位信号时,维格纳-威利分布的交叉项使得时频分布图变得难以解释的问题,采用伪维格纳-威利变换减少交叉项,并且从伪维格纳-威利分布提取出多项式相位信号的瞬时频率曲线,利用曲线拟合的方法拟合瞬时频率曲线,从而实现了多项式相位信号参数估计。对比了最小二乘曲线拟合和切比雪夫曲线拟合用于多项式相位信号参数估计的不同。最后通过仿真验证了曲线拟合用于多项式相位参数估计的有效性。

信号的时频分析理论与应用评述

由傅里叶变换在刻划信号的时间信息和频率信息上的矛盾引出了时频联合分析的思想,在详细介绍了短时傅里叶变换、小波变换、魏格纳威利分布和希尔伯特黄变换这4种典型时频分析方法的基础上,对他们的时频局部性能进行了分析和比较,指出了这些分析方法的优势和存在的问题。最后简要介绍了上面4种典型时频分析方法各自的应用领域。

基于神经网络的低信噪比直扩信号扩频码的盲估计方法

针对低信噪比直扩信号扩频码的盲估计问题,本文首先用离散卡-洛(K-L)变换的方法对直扩信号进行了研究,得出了在已知信号伪码参数的前提下对低信噪比直扩信号的伪码序列进行盲估计是可行的,并将该问题抽象为一个信号主分量提取问题。然而该K-L变换在伪码序列很长时的计算存储量和计算量都比较大,于是进一步提出了一种主分量神经网络(N.N.或Neural Networks)的解决方法,该方法充分利用了无监督N.N.的自适应主分量提取特性,能较好完成直扩信号伪码序列的盲估计,从而使直扩信号的盲解扩成为可能。理论分析和数值结果都表明本方案能工作在较低的输入信噪比条件下。

基于SPWVD分布DSP实现的纸浆流量测量新方法

针对于当前实用型纸浆流量测量方法精度低的问题,提出一种纸浆流量的测量新方法,该方法利用纸浆浓度传感器产生的浓度信号的噪声中含有的流量信息,通过DSP实现的魏格纳-威利分布进行纸浆浓度信号噪声的时-频分析,利用其特征频率计算出纸浆实时流量。该方法使得纸浆浓度传感器同时测量纸浆浓度和流量,实验表明测量精度高达0.5%,并且具有出色的动态性能。

基于相位重构的相位编码信号脉内特征分析

基于希尔伯特变换,提出了一种相位编码信号相位无模糊重构的脉内特征分析方法。该方法一方面利用魏格纳-威利变换对信号进行降噪处理,改善了在低信噪比下相位编码信号脉内特征识别和提取能力;另一方面对重构相位进行多阶差分处理来提高识别精度。仿真结果验证了该方法的正确性和有效性。

基于卷积神经网络图像分类的轴承故障模式识别

针对传统的基于数据驱动的机械故障模式识别方法中需要人工构造算法提取特征以及人工构造特征提取算法繁琐的问题,结合卷积神经网络(CNN)在图像特征自动提取与图像分类识别中的广泛应用,提出了一种基于CNN图像分类的轴承故障模式识别方法。首先,利用集合经验模态分解(EEMD)方法对轴承振动信号进行自适应分解并用相关系数对得到的本征模函数分量进行筛选。其次,对筛选得到的本征模函数分量进行伪魏格纳-威利时频分析(PWVD)计算得到信号的时频分布图,并对时频图进行预处理。最后,将轴承15种不同工况预处理后的时频图利用CNN进行特征提取与分类识别。将该方法与同类方法进行了对比,分类正确率提高了4.26%。

基于SPWVD和改进AlexNet的复合干扰识别

针对现代电子战电磁环境复杂,复合干扰信号有效特征难提取,识别难度大的问题,提出了一种基于伪平滑魏格纳-威利分布(Smoothed pseudo Wigner-Ville distribution,SPWVD)和改进Alex Net的复合干扰识别算法。该算法利用SPWVD对复合干扰信号进行时频分析,再利用图像处理技术对时频特征进行降维,最后结合改进的Alex Net模型,采用多个小的卷积核替代大的卷积核,删除全连接层7和局部响应归一化模块等手段,来减小网络参数从而加快计算速度,完成复合干扰信号的识别。仿真结果表明,在干(信)噪比为0 d B时,目标信号和6种复合干扰信号的识别率均在90%以上。与Alex Net模型相比,改进后的网络在识别准确率上有明显提高。