改进的经验模态分解盲信噪比估计方法

针对经验模态分解信噪比估计方法运算量大、精度低的问题,本文结合概率论提出了改进的算法。利用离散傅里叶变换分析了固有模态函数的功率谱分布情况,确定了3次分解的有效性,简化了运算过程。基于统计数据给出了分量功率谱密度分布关于特征参数的正态分布近似表达式,并分析了分解过程中存在的能量溢出现象,由此给出了由特征参数估计信噪比的方法。针对不同的样本长度和信号调制方式测试了新算法的性能,结果表明新方法的性能优于原始方法,信噪比0dB时新方法的估计误差不高于0.5dB。      

基于整体经验模态分解的信噪比估计方法

为了提高未知样式信号的信噪比估计性能,提出一种基于噪声辅助的信噪比估计新算法,通过固有模态函数（IMF）分量平均周期的变化判断信号与噪声界限,给出了基于噪声辅助估计法的工作原理和流程图,分析了基于噪声辅助估计法的性能。仿真结果表明,基于噪声辅助估计法能够实现盲信号信噪比估计,在0 dB信噪比下均方误差不超过0.2 dB。     

高阶调制系统中一种基于经验特征函数的盲AWGN信噪比估计算法

在Turbo类迭代译码器译码初始化步骤中,需要估计AWGN信道的方差以生成接收比特的先验信息.而已有文献主要针对BPSK/8PSK情形进行研究[1,2],因此本文从经验特征函数的角度出发,推导出高阶调制的低复杂度、盲信噪比估计算法.仿真表明对于各种不同的MPSK/MQAM调制,尽管接收端不知道何种高阶调制,估计器均能获得较好的无偏估计.     

一种基于奇异值分解的改进信噪比盲估计算法

针对空间分解类信噪比(SNR)估计算法中子空间维数估计复杂度较高,低信噪比下估计偏差较大的问题,提出了一种改进的子空间维数估计算法。该算法首先利用样本自相关矩阵的奇异值序列进行后向差分得到梯度序列,对梯度序列每一项与后5项之和的比值进行搜索,最大比值所对应的奇异值序号作为信号子空间维数,最后计算信噪比。合适数据长度下的仿真结果表明：在信噪比-5 dB~20 dB范围内,常规通信信号的信噪比估计平均偏差小于0.5 dB,标准差小于1 dB;该算法提升了低信噪比下的估计性能,运算量较小,无需知道调制方式、载波频率、符号率等先验信息,在低信噪比时对信噪比时变的跟踪估计更为准确,且对复杂高阶调制信号同样适用。     

基于多级维纳滤波的盲信噪比估计

提出了一种基于多级维纳滤波(MSWF: Multistage Wiener Filter)的盲信噪比估计算法。结合信号子空间分解理论,该方法利用多级维纳滤波器的相关相减结构(CSA: Correlation Subtraction Algorithm)前向递推实现含噪信号空间分解,避免了传统方法对信号自相关矩阵进行复杂的特征值分解运算,并以此估计信号功率和噪声功率来完成盲信噪比估计。在加性高斯白噪声(AWGN)信道条件下进行信噪比估计仿真,仿真表明,当实际信噪比在-7~25dB范围内时,估计器的估计标准偏差小于0.5dB,且性能优于常规方法。设定实际信噪比为10dB,当接收码元数目为100时,对所有仿真的调制方式信噪比估计标准偏差小于0.35dB,证明了估计器在小样本支撑环境下实现信噪比快速盲估计的能力。      

一种平坦衰落信道下的盲信噪比估计算法

针对基于子空间分解信噪比估计算法中信号子空间维数估计复杂度高、小样本条件下估计偏差大的问题,提出了一种改进的盲信噪比估计算法.该算法首先构造接收信号的自相关矩阵,然后从矩阵奇异值序列的尾部开始,间隔两项依次进行差分得到梯度序列,再以梯度序列相邻两项均值大干特定阈值为条件确定信号子空间的维数,最后求得信噪比.仿真结果表明:信噪比范围为-5～+15 dB时,平坦衰落信道下常用调制信号的信噪比估计标准差小于0.1 dB,与MDL,AIC方法相比,该算法计算量小,且能适应更低的信噪比和更短的数据长度.     

MPSK信号的盲信噪比估计算法

广义SSME算法(GSSME:Generalized Split-Symbol Moment Estimator)是在SSME算法的基础上把每个符号均匀分成多段而得来的。本文提出了复数加性高斯白噪声中基于迭代GSSME算法的MPSK信号盲信噪比估计算法,推导了每符号采样点数和分段数之间的关系。分别对BPSK、QPSK和8PSK信号进行了计算机仿真,并与常规SSME算法进行了比较。结果表明当信噪比高于一定值时,迭代的GSSME算法能达到更小的偏差和均方误差,并且估计性能与MPSK信号的调制阶数M无关。     

信噪比盲估计算法性能比较

为了实现非协作环境下的通信信号信噪比估计,本文在功率谱分析的基础上,提出了一种基于功率谱差分的信噪比盲估计算法,并将其与传统的基于奇异值分解的信噪比盲估计算法进行了比较。理论与仿真结果表明,与传统方法相比,本文提出的算法不但复杂度低,而且在低信噪比情形下仍具有较高的估计精确度和稳健性。     

SIMO信道中基于奇异值分解的盲信噪比估计算法

信噪比（SNR）是现代通信信号处理中一个重要参数,许多算法需要它作为先验信息以获取最佳估计性能。针对单输入多输出（SIMO）系统的信噪比估计问题,本文提出了一种盲信噪比估计算法。该算法利用多路信号协方差矩阵的奇异值分解（SVD）,通过计算矩阵的最大特征值实现各路信号信噪比估计。该算法无需知道信号的先验信息,能够对加性高斯白噪声信道（AWGN）和多径信道下常用的数字调制信号进行信噪比估计。仿真结果表明该算法具有良好的估计性能。与单路信号中基于SVD信噪比估计算法相比,该算法无需估计信号空间与噪声空间维数,提高了估计精度,同时大大减小计算复杂度。      

子空间盲信噪比估计算法研究

信号子空间维数估计是影响子空间信噪比估计算法性能的重要因素。针对利用最小描述长度(MDL)准则估计维数时,只能在有限信噪比范围内实现精确估计这一情况,采用噪声功率(NP)法与加权平均信息(WIC)准则以及归一化比值法对信号子空间维数进行估计,改善了原算法在低信噪比时估计性能变差的问题。仿真结果显示在加性高斯白噪声信道条件下,实际信噪比在-10~10 d B范围内时,噪声功率(NP)法以及加权平均信息(WIC)准则比原方法有显著的优势。     

极值斜率经验模式分解结合独立分量分析的单通道盲分离

针对单通道盲分离领域先验信息不足的问题,提出了一种基于极值斜率经验模式分解和独立分量分析的单通道盲分离算法。首先通过极值斜率经验模式分解算法以不同尺度逐次分解混合信号的波动和趋势,得到一组固有模态函数。然后将其作为独立分量分析算法的输入信号,从得到的独立分量中萃取出与源信号相似的独立分量,通过重构算法恢复源信号,达到分离目的。实验信号采取仿真信号和实际信号,实验结果表明,该算法不需任何先验信息,鲁棒性强,能较快地得到良好的分离效果。     

修正阈值的经验模态分解去噪算法研究

针对传统的经验模态分解(EMD)降噪方法容易丢失高频部分有用信号的不足,提出了一种修正阈值的EMD去噪方法。通过考察每个IMF的平滑度来判断其中噪声强度并以此修正用传统方法求得的阈值,再用修正的阈值对IMF进行阈值处理,实现对每个IMF的降噪,进而实现信号去噪的目的。在Matlab构造的超声信号的模型中分别添加3种不同强度的噪声模拟实际的噪声干扰,并进行去噪实验,结果表明修正阈值的EMD去噪方法对不同噪声环境下超声信号均有理想的去噪效果。     

一种改进的基于EMD分解的超宽带信号消噪算法

针对低信噪比超宽带信号的消噪问题,提出一种改进的基于经验模式分解(EMD)的消噪算法.该算法首先对含噪信号进行EMD分解,得到多个固有模态函数(IMF)分量,然后选取高阶IMF重构原信号,达到消噪的目的.针对对UWB信号的IMF重构过程中阶数阈值难以确定的问题,通过数值仿真的方法,得到信号分量和噪声分量在不同阶IMF上的能量分布特性;在对所得特性进行分析的基础上,设计了一种数据自适应的阶数阈值选取算法,解决了EMD消噪中的阶数阈值选取问题.仿真结果表明,EMD消噪算法能够在较低信噪比下提供平均10 dB的信噪比增益,可以有效地对超宽带信号进行消噪.     

基于经验模式分解法的光学相干层析成像去噪研究

针对光学相干层析(OCT,optical coherence tomography)成像中存在的散斑噪声和扫描噪声,提出了采用经验模式分解(EMD,empirical mode decomposition)算法同时减小这两种噪声的思想。EMD是一种时频分析法,较傅立叶谱法能准确地确定时变非平稳的这两种噪声随时间变化的频率特性,从而获得更好的滤波效果。结果表明,通过合理设计EMD滤波参数,即可有效地同时减小散斑噪声和扫描噪声,信号的信噪比(SNR)提高(不考虑扫描噪声时,SNR达7dB左右,考虑到扫描噪声时,SNR提高达3dB左右),扫描噪声的条纹对比度降低60%以上,改善了成像质量,同时图像细节得到保留。与小波去噪法相比,本文方法具有滤波器设计简单、去噪效果明显及能同时有效地去除两种噪声的优点。     

基于经验模态分解重构的二次相关时延估计

针对低信噪比情况下的时延估计,将二次相关( SC)时延估计与经验模态分解( EMD)算法结合,提出了EMD重构二次相关时延估计方法。该方法针对EMD重构时本征模态函数的选择,将倒谱法和谱减法相结合,提出新的本征模态函数中有用信号主导分量和噪声主导分量的区分方案。研究结果表明：EMD重构二次相关法较传统二次相关法抗噪性能更优,更能锐化二次相关峰值;在非高斯有色噪声和高斯白噪声情况下,分别将准确估计时延的信噪比降低了4 dB和2 dB。     

极点均值型经验模式分解及其去噪应用

使用经验模式分解（EMD）对信号进行去噪时,由于EMD 本身会产生模态混叠,往往很难将噪声完全分离。针对这一问题,提出了一种新型的极点均值型EMD 方法,并且给予固有模态函数（IMF）一个新的定义。首先,将相邻极点平均以求得均值包络,然后迭代相减进而获得IMF。最后用原始信号减去分离出的高频IMF 实现去噪。随机信号仿真以及激光雷达回波信号去噪实验表明,该方法与EMD 分解相比,可以更好地将噪声分离,有效地抑制模态混叠,更可以极大地减小均方误差。因此,极点均值型EMD 拥有很好前景。     

一种基于矩阵三对角化分解的DOA估计算法

针对DOA（Direction of Arrival）估计在低信噪比的情况下估计性能下降的问题, 根据阵列协方差矩阵共轭对称的特点,采用基于Givens变换的三对角化分解方法对协方 差矩阵进行三对角化,同时利用盖氏(Gerschgorin)圆递推方法准确估计信号子空间的秩, 然后再对三对角 矩阵进行对角化,估计出噪声子空间,利用噪声子空间与导向矢量正交实现波达方向估计, 改善了低信噪比背景下估计的误差性能和稳健性。计算机仿真证明了算法的有效性 。     

BPSK信号盲信噪比估计的一种新算法

对于MPSK信号而言，信噪比的估计可以直接转化成对信号模的估计问题。本文从最大似然的信号模估计出发，通过复高斯白噪声信道的角度考虑BPSK信号和2次方去数据调制的方法得出了一种针对BPSK信号的盲信噪比估计新算法，计算机仿真显示这种简单算法具有优良的估计性能。文章还对新算法产生高性能的原因进行了分析。     

一种改进的基于奇异值分解的信源数目估计算法

信源数目估计问题在盲源分离中具有重要的意义。研究了传感器数目大于信源数目时的源数估计问题。首先分析了用奇异值分解法进行信源数目估计的优势与不足,然后提出了一种改进的基于奇异值分解的信源数目估计算法。该算法首先对含噪混合信号进行奇异值分解,然后检测信号分量与噪声分量之间的转折点,将信号分量与噪声分量区分开来,从而得到信号源的数目。实验仿真表明,该算法在低信噪比以及采样点数较少时仍然具有好的性能。