利用子空间的投影和跟踪改进OFDM信道估计

OFDM系统的LS信道估计可看作真实信道频率响应的一个有噪观察值，因此可采用子空间投影方法对噪声进行压缩。分析了利用子空间投影方法改进LSOFDM信道估计性能的实质，给出了利用子空间投影改进OFDM信道估计的一般框架，在此基础上将子空间投影推广到非LS信道估计方法。当信号子空间随时间变化时，需要采用子空间跟踪技术保持对信号子空间的良好估计，因此提出了一种基于子空间跟踪的参数化信道估计方法，仿真表明这种方法在性能上优于非参数化时的相应方法。     

基于线性非冗余预编码的MIMO-OFDM系统信道估计算法

文章针对MIMO-OFDM系统中的信道估计关键技术提出了一种信道估算方法—基于线性非冗余预编码和二阶统计量的信道盲估计算法，该算法利用预编码信号的二阶统计特性消除了调制信号的信息，然后又利用STBC（Space-Time Block Coding空时分组编码）特殊的复正交特性对参考子载波信道矩阵进行变换，将求逆过程转换成简单的线性处理过程，从而实现了低复杂度的信道估计。另外，该算法通过选取合适长度的统计数据，能够较快收敛。     

一种基于累积量的ESPRIT型盲波束形成算法

讨论一种用于非高斯信号源方位估计的盲波束形成算法。假设背景噪声是二阶统计未知的有色(空间相关)高斯噪声,基于“阵元对”模型的ESPRIT方位估计算法可以通过用累积量矩阵取代自相关矩阵完成信号空间的重建。经过这种处理,加性有色高斯噪声可被滤除,因此算法不需要相关噪声矩阵的知识。当加性噪声源是空间相关矩阵未知的有色高斯噪声时,计算机仿真比较了基于累积量的ESPRIT算法与基于二阶统计的ESPRIT算法的性能。     

一种基于二阶统计量的盲信道辨识与均衡

本文提出了一种新的基于二阶统计量的盲信道辨识与均衡方法。通过对接收信号过采样,等效的信道矩阵有特殊的结构可以提供足够的信道信息给我们来估计信道矩阵。根据Tong等人的观点,本文给出了另外一种证明的方法,并由此得到了一种新的基于二阶统计量的盲信道辨识与均衡方法。仿真结果表明此方法和Tong的方法具有同样的均衡效果。     

基于协方差矩阵Toeplitz重构的MUSIC算法的波达方位估计方法

针对传统波达方向（Direction of Arrival, DOA）估计方法通过空间平滑对相干信号进行处理损失阵列孔径的问题，文章提出了一种基于协方差矩阵托普利兹（Toeplitz）矩阵重构的多重信号分类（Multiple Signal Classification, MUSIC）算法的波达方位估计方法。该方法首先根据阵列接收数据的协方差矩阵及其翻转矩阵来构造新协方差矩阵，并利用新协方差矩阵构造Toeplitz矩阵，然后对其进行特征值分解，得到Toeplitz矩阵的噪声子空间，利用噪声子空间求出信号空间谱，通过谱峰搜索估计入射信号的方位角。文中方法拓展了阵列孔径，增加了可估计相干信号的数量，提升了方位估计的性能，提高了阵列的空间分辨率。仿真和湖上实验数据处理结果表明，文中方法可估计出更多的相干信号，而且在低信噪比、少快拍以及信号入射角度间隔较小时仍然具有良好的方位估计性能。     

基于全相位预处理的时域多重信号分类波达方向估计方法

低信噪比下,针对宽带短脉冲情况下频域多重信号分类(MUSIC)中噪声子空间估计不稳定问题,提出一种基于全相位预处理的时域多重信号分类波达方向(DOA)估计方法。①对线列阵接收数据进行分组处理;②按搜索角度对各组数据进行相移预处理,并对各组数据预处理结果进行相加,得到一组新数据;③对线列阵接收数据在时域构建相移后的协方差矩阵,在更短数据长度下,稳定实现噪声子空间估计,并依据估计出的噪声子空间含有的正交特性,通过单位矩阵加法器得到相应空间谱估计值,实现波达方向估计。数值仿真和实测数据处理结果表明,相比频域MUSIC方法,该方法有效提高了线列阵接收数据协方差矩阵中信号含有量和信噪比,能够在更短数据长度情况下实现对噪声子空间的稳定估计,具有较好的稳定性和检测性能,提高了MUSIC方法在实际波达方向估计中的鲁棒性。     

二阶统计量的盲源分离研究

介绍一种基于二阶统计量的盲源分离方法。该方法不必估计源信号的高斯特性,利用样本数据的二阶统计量和源信号的时序结构来实现信号的盲分离,因此其计算量小,适合于工程数据的分析。仿真结果表明,在有一定噪声的情况下,此种方法仍能较好地实现信号的分离。通过对电机振动信号分析发现,基于二阶统计量的盲源分离方法能有效地实现特征信号的提取和分离,这为今后将盲源分离技术进一步应用于机械振动信号的分析提供可借鉴的方法。     

单矢量水听器方位频率联合估计新方法

旋转不变子空间法和多重信号分类法需假设背景噪声为独立的高斯白噪声或自相关矩阵已知,当条件不满足时算法的性能急剧下降。针对这一问题,根据矢量水听器多通道输出的特点,提出了一种基于平行因子模型的单矢量水听器方位频率联合估计方法。首先利用矢量水听器各个通道t时刻和t+1时刻的输出数据,计算声压和各振速不同组合时的四阶累积量,并构建三阶平行因子模型;然后分析了 PARAFAC 模型低秩分解的唯一性条件并利用三线性交替最小二乘算法得到了单矢量水听器阵列流形和相位延迟估计,进而得到目标的方位和频率估计。与旋转不变子空间法和多重信号分类法相比,该方法不需要子空间估计和谱峰搜索,在高斯噪声和拉普拉斯噪声背景下对多目标的分辨能力好于ESPRIT算法。仿真和实测数据的分析结果证明了算法的有效性。     

基于最大相关熵准则的水下生物脉冲噪声消除方法

近海生物噪声表现为脉冲噪声,这一类噪声显著降低了水声通信系统的性能。结合水声信道的稀疏特性,提出一种基于最大相关熵准则的级联滤波器算法,该算法实现了脉冲噪声的消除及稀疏信道估计。第一级自适应滤波器完成对噪声的消除工作,第二级滤波器对去噪后的信号进行稀疏信道估计。该方法的优势在于无需知道信号和噪声的相关信息。仿真结果表明,提出的方法比单一的滤波器结构和传统信道估计算法性能更加优越。     

非一致性噪声条件下的特征空间波束形成

由于水声环境的复杂性,阵列的噪声分布可能是非一致性的。当阵元噪声功率各不相同时,阵列协方差矩阵特征分解得到的特征子空间与真实目标的特征子空间之间存在误差,导致特征子空间波束形成算法的性能衰减。文章提出了一种新的非一致性噪声条件下特征子空间的估计方法,将阵列协方差矩阵对角线置0,进行特征分解估计的特征子空间将不受阵元噪声非一致性的影响。将该方法应用到特征空间波束形成算法,提高了非一致性噪声条件下特征空间波束形成算法的方位分辨能力。仿真和实验结果验证了所提方法的可行性和有效性。     

基于协方差扩展PM算法的波达方向估计

针对基于传播算子方法(Propagator Method, PM)的水听器阵波达方向(Direction of Arrival, DOA)估计在低信噪比或者小快拍数时性能变差的问题,文章提出一种改进的基于PM算法的水听器阵方位估计方法。该方法利用信号子空间的旋转不变性特征对协方差矩阵进行扩展和重构,通过分块协方差矩阵的子矩阵得到传播算子矩阵。通过传播算子矩阵构造扩展噪声子空间,然后利用信号子空间与噪声子空间的正交性估计空间谱。仿真实验和湖上实验的结果表明：相较于传统PM方位估计算法,文中算法在低信噪比或者小快拍情况下具有较好的方位估计性能,在信噪比为0 dB时,文中方法比传统PM算法均方根误差减少0.6°;在快拍数为150时,比传统PM算法的均方根误差减少0.1°。     

基于改进的Kalman滤波的语音增强算法

传统的kalman滤波方法在推导过程中假定观测噪声为白噪声。通常对于有色噪声需要用白噪声激励的方法予以模拟,并且需要以牺牲运算量作为代价。本文提出了一种改进的基于kalman滤波的语音增强算法,可以处理白噪声和有色噪声情况,不需要增加计算量,仿真结果表明了该算法对有色噪声的语音增强性能要优于基于传统kalman滤波方法。     

基于信号子空间的新型盲解卷积方法

解卷积方法已广泛应用于振动信号的故障冲击提取。然而设备运行工况复杂多变、故障特征周期难以准确预知以及随机冲击干扰,使得当前的解卷积方法难以适应工业现场复杂环境下故障冲击增强的需求。针对该问题,提出了一种基于信号子空间的新型盲解卷积方法。该方法通过奇异值分解(SVD)方法将测试信号空间分解,分离各子空间,在此基础上通过稀疏编码收缩抑制子空间噪声,以脉冲稀疏指数为指标筛选有效子空间,最后迭代实现故障脉冲提取。轴承变转速仿真试验和列车轴承试验结果表明,该方法不仅可以有效消除随机冲击和噪声,避免能量对子空间筛选的影响,而且在缺乏准确的故障特征周期情况下仍能实现故障脉冲的准确提取。     

基于EEMD-SCBSS的岩石声发射信号去噪方法

针对岩石声发射(AE)信号的低信噪比、随机性强、非平稳性等特点,提出了一种基于总体经验模态(EEMD)及单通道盲源分离(SCBSS)的AE信号滤波方法。将含有背景噪声的AE信号进行EEMD分解,得到一系列按频率从高到低排列的本征模函数(IMF);提取高频背景噪声信号与观测信号构建虚拟多通道观测信号;利用快速不动点优化算法(FastICA)对构建的虚拟多通道观测信号进行盲源分离(BSS),进而得到滤波后的AE信号。通过构造含噪声AE信号进行数值仿真实验及实测数据分析,将基于EEMD及SCBSS滤波方法与小波阈值滤波方法进行比较。实验结果表明:小波阈值滤波方法会导致滤波后的AE信号频域信息失真,影响滤波后的AE信号上升时间,能量等参数识别;该方法可以对含噪声AE信号进行有效地滤波处理,能够较好地滤除AE信号中的非平稳随机噪声,并且能够保护滤波后的AE信号频域信息。     

基于联合失真控制的子空间语音增强算法

为提高低信噪比环境下的语音可懂度,提出了一种基于联合失真控制的子空间语音增强算法。由于误差信号中的语音失真和残余噪声分量不能被同时最小化,同时,由语音估计器引起的语音放大失真超过6.02 d B时会严重损害语音可懂度。为此分别对语音失真和残余噪声进行最小化处理,最小化时把语音放大失真控制在6.02 d B以下作为约束条件,通过求解两个约束最优化问题得到两个不同的估计器,再对这两个估计器进行加权求和,得到一种基于联合失真控制的语音估计器。实验结果表明,相比于传统的子空间增强方法,在低信噪比环境下所提出的算法能更有效提高增强后语音的可懂度。     

基于自适应子空间估计的DOA跟踪算法

运用特征子空间类高分辨方法的关键在于信号或噪声子空间的估计。实际上有些信号的统计特性通常随时间变化，为了得到参数的实时估计值，需要随时根据新的阵列接收数据对信号或噪声子空间进行更新?文中分析了一种自适应子空间估计算法，即MALASE(Maximum Likelihood Adaptive Subspaee Estimation)算法然后，把MALASE算法与最小范数(Mini—Norm)高分辨方位计算法相结合．并应用零点跟踪技术，提出了一种自适应Mini—Norm算法，可用于对时变的信号波达方向(DOA)进行跟踪估计。仿真结果验证了该算法具有较好的跟踪性能。     

基于延时随机子空间方法的非白噪声环境激励结构模态参数识别

为了消除非白噪声环境激励在结构模态参数识别结果中产生的虚假模态,引入扩展状态模型,从状态空间方程的角度论证了虚假模态产生的原因;然后,针对一类具有典型性和代表性的(自相关函数在纵坐标轴附近一定范围内有非零值的)非白噪声环境激励信号,在传统随机子空间算法的基础上引入延时指标,建立延时随机子空间方法。数值算例表明延时随机子空间方法能够有效地剔除非白噪声环境激励在模态参数识别结果中产生的虚假模态,放宽了传统模态参数识别方法对环境输入的白噪声假设。     

可视化噪声源识别技术

简要回顾了噪声源识别的传统方法和基于信号处理的方法,阐述了可视化声源识别技术的基本原理,然后利用各种重建算法在三维空间中进行声场重构并将结果用图形表示出来。按噪声信号采集方式、重建算法和结果表示方式对该技术进行了分类。对常用的三类重建算法Fourier方法、Helmholtz-Kirchhoff积分方程法和等效源法进行了详细的比较,重点分析了等效源法,指出它目前存在的研究困难。给出了一种应用可视化噪声源识别技术的系统解决方案。