基于特征波束形成的强弱信号波达方向与信源数估计方法

该文针对强弱信号并存时信源数和弱信号波达方向难以准确估计的问题,提出了一种基于特征波束形成的强弱信号波达方向与信源数同时估计方法。首先估计空域协方差矩阵,对其特征分解后按特征值从大到小调整特征矢量;然后从第1个特征矢量开始,由提出的估计式得到各特征波束的空间谱;最后,通过计算各空间谱的最大值与旁瓣谱峰平均值的比例判断有无信源,最大谱峰对应的角度即为该信源的波达方向估计。与RELAX和JJM方法相比,所提方法无需迭代步骤,无需强信号波达方向精确的先验知识,具有运算量小和弱信号估计精度高的优点,仿真和实测数据处理结果证明了方法的有效性和优越性。

最坏情况下的鲁棒自适应波束形成算法性能分析

研究了最坏情况下的鲁棒自适应波束形成算法,它通过对角加载提高波束对方向矢量误差的鲁棒性.给出了其最优对角加载因子的近似解析达式,揭示了各种因素如何影响最优加载因子.在此基础上,对该算法进行了性能分析,推导出了关于目标功率估计和信号干扰噪声比的近似表达式.计算机仿真验证了本文的分析.

动态信号源数目盲估计方法研究

针对目前盖氏圆盘准则(GDE)及其改进方法难以精确计算出变化的瞬时信号源数目的问题,提出了基于滑动窗口(SW)和相关系数(CC)相结合改进盖氏圆盘准则的GDE-SW-CC动态信号源数目盲估计方法。首先利用盖氏圆盘准则的盖尔圆半径在信号数量增长过程中不断更替变化的特性,将新盖尔圆半径减去旧半径得出整体信源中半径变化最大的动态段。其次采用滑动窗口算法对动态段进行分段精估计,得到每一个滑动窗GDE的判断阈值。然后将GDE的判断阈值作为滑动窗口的特征量,并计算它们之间的相关系数,根据相关系数的峰值位置区分动态窗口信号圆盘与静态窗口信号圆盘得到瞬时信号源数目。最后,通过计算机仿真以及实测数据实验验证了本文方法的有效性、通用性和实用性。计算机仿真对比实验结果表明,相比现有静态GDE,所提方法能快速判读信号的源个数并定位出动态变化的时间区域;在此基础上,结合所提方法与集合经验模态分解(EEMD)进行了欠定盲源分离情形下的动态源信号数目估计仿真实验,结果表明调整因子为0.2以上即可得到正确的估计;实测数据实验得出结果与仿真结果基本吻合,尤其当信号源数目减少时,GDE的估计正确概率从95%降低到4%,所提方法的估计正确概率从95%增高到97%。

基于源数估计的机械源信号盲分离方法研究

传统的机械源分离方法往往事先假设源信号的个数已知,否则无法进行机械源信号分离。然而,在实际中源信号的个数往往是是未知的。针对此不足,结合变分贝叶斯独立变量分析和自相关测定,提出一种机械源数的最佳估计方法,它是通过比较不同模型的信度来确定出信源的个数。仿真和实验结果表明该方法是有效的,并具有很好的鲁棒性。

由波束形成的噪声源识别方法对比研究

噪声源识别在航空航海等领域具有重要的意义。目前常用的识别算法多数是基于波束形成,一方面是由于其性能稳定,另一方面则可以在定位噪声源的同时估计其辐射强度。常规波束形成方法(CBF)的主瓣宽度较宽,不利于分辨相距较近的噪声源。近年来,基于波束形成的高分辨噪声源识别方法不断涌现,各种噪声源识别方法有其不同特点。为此,针对CBF,CLEAN,DAMAS三种算法进行分析,仿真对比这三种方法的特点,并通过外场实验验证了仿真的正确性,从而为噪声源识别中选择合适的算法提供依据。

传统独立分量分析和变分贝叶斯独立分量分析的比较

通过试验比较了传统的独立分量分析(ICA)和变分贝叶斯独立分量分析(VbICA)在源信号分离中的能力,试验研究表明,无噪声环境下的盲源分离,两种方法都能得到很好的分离性能.然而,噪声环境下的源信号分离,变分贝叶斯独立分量明显优于传统独立分量分析,特别是随着噪声的增强,变分贝叶斯独立分量的优势就越明显.另外,变分贝叶斯独立分量可以估计源信号的数目,而传统独立分量分析往往事先假设源信号的个数已知,否则无法进行源信号分离.

基于盲源分离算法的阵列信号波达方向-频率估计

盲信号处理已成为近年信号处理和神经网络热点领域,主要用于语言信号处理,应用于雷达信号处理并不多见.确定空间辐射源的波达方向(DOA)和频率是雷达阵列信号处理的基本问题之一,近20年来许多学者提出了性能各异的算法,其中有代表性的是多信号分类法和旋转不变技术的参数估计法.近年来,越来越多文献将盲源分离算法应用到阵列信号处理中,开辟了一条DOA估计的新道路.本文首先给出了一种用来盲分离复数信号的盲源分离算法,结合该算法,提出了可同时估计波达方向、频率的波达方向-频率盲估计算法.盲源分离算法是基于负熵的快速定点算法,不需要给出复数信号的概率密度函数,具有收敛速度快,鲁棒性强等特点.本文证明了波达方向-频率盲估计算法的收敛性.仿真研究表明新的波达角估计算法的特点:1)估计算法是有效并且鲁棒的;2)估计算法能从含噪声的阵列接收信号中同时估计出辐射源波达方向和频率;3)估计算法能将雷达杂波和目标回波分离.

基于KM-PCA稀疏信号的盲源分离算法

欠定盲信道估计是欠定盲源分离的关键组成部分,其估计精度直接影响到源信号的估计精度.基于充分稀疏假设,在K均值聚类的基础上,提出一种新的欠定盲信道估计算法——K均值与主成分分析方法(KM-PCA算法).该算法首先对观测数据进行K均值聚类,然后对聚类分析结果分别进行主成分分析,修正其聚类中心,从而提高混叠矩阵的估计精度.采用语音信号进行的仿真实验表明,KM-PCA算法简单有效,估计精度优于传统的欠定盲信道估计算法.

基于去噪盲分离的多个直扩信号参数估计

噪声条件下多个直扩信号混合情况下的参数估计是传统算法所无法处理的,为此提出将去噪盲分离算法应用于此问题,达到噪声消除和使多个扩频信号相互分离的目的。首先回顾了在低信噪比条件下估计单个直扩信号参数的循环谱估计技术,并且说明了盲分离算法在估计多个混合直扩信号参数的可行性。然后给出了含噪盲分离的基本模型和一种有效算法移偏快速独立分量分析(fast independent component analysis,FASTICA)。接着引出了一个算法框架——去噪盲分离,证明了经典独立成分分析(independent component analysis,ICA)算法可以统一到这个框架中。仿真结果表明了算法的有效性和实用性。

超指向性小孔径圆柱阵舰艇辐射噪声源分辨与测量方法

解决了舰船辐射噪声测量过程中采用大孔径基阵易受到水声信道影响及布放实施困难的问题。在该方法的研究过程中,提出了一种利用超指向性小孔径圆柱阵对舰船辐射噪声源进行分辨与噪声级测量的方法。该方法利用超指向性小孔径圆柱阵主瓣宽度较窄、增益较高的特点,可同时实现对舰船多个辐射噪声源的分辨与噪声级测量。首先建立了具有超指向性的圆柱阵波束形成理论模型;其次,推导了基于超指向性小孔径圆柱阵舰船辐射噪声测量的理论公式;最后,通过计算机仿真实验分析了超指向性小孔径圆柱阵舰船辐射噪声源分辨能力及噪声级测量性能。仿真结果表明:当阵元间距与波长之比小于0.5时,超指向性波束形成的指向性指数远大于常规波束形成,能有效分辨舰船低频辐射噪声源;该方法能有效地测量舰船低频辐射噪声级,并且测量误差较小。

一种基于波束域最大非冗余矩阵的四阶高分辨DOA估计算法

在非白噪声背景下,基于二阶统计量的高分辨方法性能较差。基于四阶累积量的高分辨方法能较好地抑制空间高斯噪声,但其运算量较大。文献[9]提出了一种基于四阶累积量的波束域MUSIC方法,降低了运算量,但其四阶累积量矩阵仍存在较多的冗余元素。为了进一步降低运算量,提出了一种波束域最大非冗余四阶累积量矩阵。仿真分析和实验结果表明,与波束域四阶累积量MUSIC方法相比,论文所提方法在保证估计性能的同时减小了运算量。

基于信源数目估计的超定盲信号分离

针对盲信号分离中信道噪声大、信号分离效果差等问题,在传统主分量分析和特征值分解方法的基础上,提出了一种基于信源数目估计的超定盲信号分离方法。首先,采用主分量分析和最大似然估计方法分别对混合矩阵和噪声协方差进行估计,用于对信道噪声的估计与去除;然后,采用交叉验证法对源信号维数进行估计,实现盲信号分离。为了验证提出算法的分离效果,对轻拖尾与轻拖尾混合信号以及重拖尾与轻拖尾信号混合情况进行仿真实验验证,结果表明该算法具有良好的分离效果。

基于ITD和DSS的旋转机械信号识别研究

为解决盲源分离在分析旋转机械故障信号时的欠定问题,提出一种基于固有时间尺度分解(ITD)和盖尔圆(GDE)的欠定去噪源分离(DSS)方法,即为ITD-GDE-DSS。通过ITD求出信号的旋转分量,进而重组固有旋转分量和原观测信号作为满足盲源分离要求的新观测信号,使盲源分离中维数不足的问题得到解决。通过GDE估计观察信号的组成源数,为DSS方法分离出源信号提供先决条件。将ITD-GDE-DSS方法应用于某转子的实测故障信号分析中,诊断出转子在升速过程中不平衡故障特征,分离出转子突加不平衡的一阶临界转速和二阶临界转速的信号。

基于模态分解的最小方差模态滤波器

针对浅海的复杂水声环境,提出了一种基于模态分解的最小方差无失真响应(MVDR)的自适应模态滤波器,利用接收阵列的声场数据和声速梯度数据,估计了各阶简正波复幅度系数。最小方差模态滤波器提取声场某阶模态时,可以抑制其它模态和噪声的影响,减弱模态滤波器对阵列长度的依赖性及对噪声的灵敏度。通过计算机仿真研究了最小方差模态滤波器的性能,并与其它线性模态滤波器进行了对比,结果表明:该自适应模态滤波器比其它线性模态滤波器能更精确地估计各阶简正波复幅度系数,并且具有良好的环境适用性特点。

变分贝叶斯独立分量分析在含噪图像盲分离中的应用研究

传统的独立分量分析不具有抗干扰性,而且需在源个数已知的条件下,才能进行含噪图像盲分离。针对此不足,本研究提出了一种基于变分贝叶斯独立分量分析的含噪图像盲分离方法。所提算法与传统的分离方法相比,可直接有效分离含噪图像,且具有较强的抗干扰性。此外,该算法根据不同模型的信度估计信源数。实验结果表明,提出的方法是非常有效的。

机械振动源数估计的小波方法

在机械设备盲信号处理中,机械振动的源数估计是一个重要的课题。针对机械设备多通道观测信号数目小于源信号数目的欠定问题,试将小波理论引入盲信号处理,并结合奇异值分解,提出了基于小波和小波包分析的机械振动源数估计算法;首先将机械设备观测信号进行小波分解和重构,得到小波系数重构信号,其次重组新的多维观测信号并进行奇异值分解,最后根据奇异值估计机械设备的源信号数目。仿真试验表明:在欠定情况下,机械振动源数估计的小波方法能够正确地估计机械设备的源信号数目。

无需信源数估计的宽带多径信号DOA估计算法

现有的宽带DOA(direction-of-arrival)估计算法大都需要信源数已知,而实际应用中较难准确估计出信源的数目,信源数估计的误差将导致DOA估计的性能下降。针对此问题,文章提出一种无需信源数估计的宽带多径信号DOA估计算法。该算法首先利用泰勒级数展开将阵列接收数据近似为窄带数据,然后将宽带多径信号DOA估计问题转化为类似波束形成方法的约束最优化问题,最后通过求解最优权矢量得到最终的DOA估计值,并分析了约束参数的取值范围。仿真实验表明,相比于传统的TCT(two-sided correlation transformation)算法,文章算法无需信源数估计且估计性能下降不大。实测数据验证了文章算法的有效性。

一种改进的FCM聚类算法的混合矩阵估计

在增强信号稀疏性的基础上,对模糊C均值(fuzzy C-means, FCM)聚类算法进行改进,达到提高混合矩阵估计精度的目的,更好地解决欠定盲源分离问题。主要针对稀疏成分分析理论"两步法"中的混合矩阵估计算法改进,提出一种基于隶属度划分优化的FCM聚类算法。通过改变目标函数中的隶属度划分方式,来影响数据的归类,从而决定了混合矩阵中元素的估计精度。最后,将改进的算法用于语音信号仿真实验,完成混合矩阵估计。实验结果表明,用改进的算法所获得的矩阵估计误差小且精度高,可使归一化均方误差减小1.3 dB,角度偏差最多可减小1°。

基于Vold-Kalman阶次提取的非平稳声源定位方法

非平稳声源识别与定位是旋转机械状态监测和故障诊断的重要环节。利用非平稳旋转机械的转速特征,将Vold-Knalman阶次追踪方法与传统波束形成方法结合,提出一种新的非平稳声场信号波束成形声源定位方法。首先对旋转机械转速进行追踪,结合时频分析方法用Vold-Kalman分解提取出非平稳声信号的特定阶次成分,然后利用分离出的特定阶次信号重建声场,从而定位声源。该方法利用对特征阶次声信号的提取,避免多个阶次声信号成像时的混叠现象,通过多重线性调频信号叠加声场声源识别仿真实验与电机升速实验进行声源识别验证,证明所述方法能够准确有效定位声源。这种方法在非平稳声源识别和噪声控制中有良好工程应用潜力。

多特征值分解的稀疏混沌信号盲源分离算法研究

针对受到噪声干扰的激光混沌源信号高精度重构的问题,本文提出了一种基于相位空间重构混沌流信号的盲源分离算法。该算法首先对分离信号的相位空间进行时间延迟重构,然后将分离矩阵作为待优化参数,通过在相空间中构建目标函数,将盲源分离问题转换为优化问题,应用粒子群优化算法求解最优分离矩阵,进而将观测数据乘以最优分离矩阵来重构源信号。实验结果表明,该算法不仅具有快速收敛的特点,其精度明显优于各种噪声强度下现有的独立分量分析方法。