基于 Hough 变换的多频分量的 LFM 信号的检测

LFM信号是一种典型的非平稳信号,其Wigner-Ville时频分布表现出明显的线状分布特征。 Hough变换是一种直线积分投影变换,利用Hough变换可以对WV变换的结果进行线积分,从而实现抑制噪声检测信号的目的。计算机仿真试验表明Hough变换可以在一定信噪比情况下实现多分量的LFM 信号检测,对两分量的LFM信号,可以作到0dB高斯白噪声下的准确检测。     

基于S-霍夫变换的LFM信号时频检测

针对多分量线性调频（LFM）信号,提出一种新的变换-S-霍夫变换,该方法首先对多分量线性调频信号进行S变换,实验仿真结果显示相对Wigner-Ville分布有交叉项干扰,s变换克服了多分量线性调频信号产生的交叉项干扰,然后在时频平面内对s变换后的多分量线性调频信号,利用霍夫变换检测出各个线性调频信号分量,仿真实验结果证明该方法可以有效克服多分量线性调频信号产生的交叉项干扰,能够对多分量线性调频信号进行正确检测。     

几种复小波在奇异性检测中效果的比较分析

介绍了信号奇异性检测的基本方法以及奇异性检测与小波变换的关系,基于复小波变换模极大方法检测奇异性的理论,在加性高斯白噪声环境下,分别用几种复小波检测了信号奇异点的位置,估计了信号奇异点的Lipschitz指数,并对实验结果进行了比较分析。     

Wigner-Hough变换在车流量检测雷达信号处理中的应用

在车流量检测雷达中,由于受噪声和干扰的影响,中频信号实际是非平稳的,在频域内很难准确地估计目标参数.本文通过分析目标信号、干扰信号和噪声在Wigner时频平面的分布特性,提出了利用Wigner-Hough 变换来估计目标参数的方法;文中同时讨论了Wigner-Hough变换的实现问题.实验结果表明,该方法在车辆目标判断方面具有较好的性能.     

GPS接收机LFM干扰抑制仿真

根据全球定位系统(GPS)接收机接收信号、噪声和线性调频(LFM)干扰在时频平面上的不同分布特点,采用Wigner-Hough变换进行干扰的检测和参数估计,并构造出干扰子空间,然后利用子空间投影方法进行干扰抑制。给出了干扰参数估计和子空间投影抗干扰的具体步骤,推导出系统输出信号与干扰噪声比(SINR)的解析表达式,并仿真分析该方法抑制LFM干扰的性能。试验证明该方法能有效抑制LFM干扰,且结构简单,具有较高的可行性和实用性。     

基于局部多项式傅里叶变换的多分量线性调频信号瞬时频率估计*

针对多分量线性调频信号的瞬时频率估计问题,把局部多项式傅里叶变换应用到求多分量线性调频信号瞬时频率估计中,提出了一种不受分量间交叉项干扰的新方法,该方法对多分量线性调频信号进行局部多项式傅里叶变换,把每一个线性调频信号分离出来,根据每一个线性调频信号的局部多项式傅里叶变换谱,通过搜索找到谱的峰值所在的位置,从而找到峰值所对应的频率,准确地估计出了多分量线性调频信号的瞬时频率。仿真实验中与多分量信号的Wigner-Hough变换进行了对比,验证了该方法的有效性。     

基于分数阶傅立叶变换的水下动目标检测

当发射信号为线性调频信号(LFM)时,水下动目标径向运动速度使得回波和副本不匹配,从而导致传统的最佳检测器——匹配滤波器对线性调频信号的检测性能下降。动目标的回波信号依然为LFM信号和分数阶傅立叶变换对线性调频信号的聚焦特性,提出了以信号的分数阶能量谱的峰值作为统计量来进行检测,并且给出了细化搜索峰值的自适应方法,提高了搜索速度。仿真结果表明,算法在高斯噪声背景下对径向速度未知的运动目标线性调频回波具有良好的检测性能,并分析了信号参数对检测器性能的影响。     

信号的小波分析及在信号检测中的应用

对典型的线性调频信号进行了小波分析,并运用小波变换方法对噪声中的方波信号和正弦信号进行了检测,讨论了小波变换滤波器参数变化对检测性能的影响,最后,将小波变换与短时傅里叶变换进行了比较。     

基于小波变换的激光多普勒血流信号处理研究

激光多普勒血流量检测系统提取的光电信号中存在较大的高斯白噪声,为了消除这些噪声干扰,提取激光多普勒信号,提出了一种基于小波变换,使用Matlab中的wavelet toolbox对所得信号进行五层离散小波分解、阈值变换、消噪以及信号重构的处理方法。结果表明,该方法可有效地抑制噪声,从原始光电信号图中提取多普勒信号并对其进行分析,计算血流速度。该研究结果对后续的分析多普勒血流信号,实时检测血流量变化情况,解释血流病理含义,进而对诊断病因、指导医疗手段均有一定的参考价值。     

基于FRFT的Wigner-Ville分布交叉项抑制方法

针对多分量线性调频信号的魏格纳-维尔分布(Wigner-Ville Distribution,WVD)交叉项干扰问题,提出一种抑制交叉项的方法。该方法利用分数阶傅里叶变换(Fractional Fourier Transform,FRFT)在最佳FRFT域中对给定的线性调频信号具有最好的能量聚集性,将多分量线性调频信号在FRFT域上分解为若干个单分量信号,线性叠加单分量信号的WVD,从而达到抑制交叉项的效果。此外,当多分量线性调频信号为周期信号时周期间存在干扰,进一步提出了在基于FRFT的WVD交叉项抑制方法中增加周期遮蔽处理。仿真结果表明,在保持较高的时频分辨率时,该方法能够有效抑制交叉项,并且有一定的抗噪声能力。     

利用短时分数阶PWVD实现多分量Chirp信号分离

针对加性高斯白噪声背景下多分量Chirp信号的分离问题,采用一种基于短时分数阶傅里叶的伪魏格纳变换来实现对多分量Chirp信号的分离。该方法利用分数阶傅里叶变换四阶中心矩寻找极值点来确定最佳变换域,在最佳变换域对信号进行旋转的短时傅里叶变换,并进行伪魏格纳变换,最后把在时频面得到的冲激信号变换到时域再进行分数阶傅里叶逆变换,实现了多分量Chirp信号的分离。仿真实验证明该方法可有效地实现多分量Chirp信号分离,有助于后续对各分量的参数估计。     

基于分数阶傅里叶变换的LMS自适应滤波

分数阶傅里叶变换是一种线性变换,在多分量情况下不像Wigner-Ville分布那样受到交叉项的影响。但是当信号的信噪比比较小时,检测的效果就比较差,文中提出了一种基于分数阶傅里叶变换的LMS自适应滤波算法。实验结果表明,这种方法在低信噪比的情况下能够有效地检测出信号。另外,如果在自适应过程中采用变步长,可以加快收敛速度,可以显著地减少运算量。     

α稳定分布下信号的维格纳分布分析方法

研究分数低阶α稳定分布(FLOA)噪声下的信号仅从频域分析是不够的,需要考虑时—频域的二维信息。从现有的时—频分析方法发现,该方法是假设信号的背景噪声服从高斯分布,对FLOA这类非高斯分布噪声下信号的时—频分析性能退化严重。针对这一问题,在基于频域的FLOA分析理论上,将频域推广到时—频域的维格纳分布(WVD),提出了分数低阶WVD分析方法。计算机仿真测试结果表明,该新的WVD分析方法能在时—频域有效分析出FLOA的时—频分布特征,成功地使FLOA分析方法从频域拓展到时—频域。     

基于不同背景噪声的联合检测技术

提出一种简单、实用的联合检测技术,将经典的基于能量和过零率的双门限法与基于小波变换的子带能量法巧妙地结合起来进行语音信号的端点检测,充分利用双门限法算法简单、实时性好、准确率高,小波子带能量对高斯白噪声区分性能强的特性。仿真结果表明新算法能提高检测系统在噪声环境下端点检测的准确率。     

一种基于小波变换的红外导引头信号检测方法

针对某型号红外导引头信号的检测问题,提出了一种基于离散平稳小波变换的微弱脉冲信号检测方法.根据有用脉冲信号与噪声信号在频谱特性上的差异,对导引头信号进行多尺度的离散平稳小波变换,利用分解后得到的低频近似信号逼近信号中的低频噪声来滤出低频噪声的干扰,同时采用阈值去噪的方法处理信号中的白噪声.将该方法应用于仿真信号和真实导引头信号检测,仿真实验结果表明:该方法在有效克服传统离散正交小波变换去噪时容易产生的Gibbs现象的前提下,极大地提高了导引头信号的信噪比,增强了导引头的探测能力.     

基于小波变换和Kalman滤波的语音增强方法

针对受加性噪声干扰的语音信号,采用基于小波变换的Kalman滤波方法,提出一种有效的语音增强方法.分析在实际处理中所遇到的二进小波变换、滤波参数估计、Kalman滤波发散等问题.语音增强的效果采用信噪比来进行评估.仿真实验表明在加性噪声为高斯白噪声和色噪的情况下,该方法均具有较好的有效性.     

A novel method of blind signal detection using the distribution of the bin values of the power spectrum density and the moving average

Signal detection in additive white Gaussian noise (AWGN) is one of the long-term developments driving the evolution of many different fields of science and technology, with important applications in telecommunications, medicine and astronomy. In this paper, we propose a novel method of blind signal detection that does not require knowledge of the noise variance. This method uses the distribution of the bin values of the power spectrum density of the received signal and the moving average (MAV). The simulation results for radio pulses show that the spectrum sensing performance is significantly improved under the proposed scheme compared to that of known blind signal detection methods.