时频域滤波沉底目标亮点特征提取方法研究

主动声呐探测沉底目标时,由于存在严重的海底混响干扰,使得拷贝相关方法不能有效地提取目标回波亮点特征,大大降低了主动声呐的目标识别性能。针对该问题,研究了时频域滤波Hough变换的目标回波亮点特征提取方法。该方法采用互魏格纳变换将接收信号与拷贝的发射信号变换到时频域,依据目标回波与混响及噪声能量的时频聚集特性不同,采用时频域脊波变换滤波滤除混响及噪声,最后利用Hough变换提取目标回波中各亮点峰,并进行投影计算形成目标回波的亮点特征。同时研究了Hough变换域中的峰值位置与目标亮点对应的数学关系,给出了基于时频滤波提取沉底目标亮点特征的算法步骤,并采用支持向量机对比分析了该方法与拷贝相关方法提取亮点特征的识别效果。结果表明,该方法能够在较低的信混比下有效抑制混响干扰提取亮点特征,从而提高沉底目标的识别性能。     

基于同步提取S变换的LFM信号参数估计

针对S变换的时频聚集性不够高,在线性调频(Linear Frequency Modulation,LFM)信号参数估计的应用中受到限制这一问题,提出了基于同步提取S变换(Synchro-extracting S Transform,SEST)的LFM信号参数估计方法。该方法通过仅提取S变换时频谱中瞬时频率处的时频系数,去除了时频谱中大量的模糊能量,极大地提高了原始S变换的时频聚集性,使得单分量LFM信号在时频域中的线性表示更加明显。在此基础上,引入Hough变换在时频域进行直线检测,通过坐标转换即可得到单分量LFM信号的参数估计。仿真实验显示,在处理低信噪比环境下的单分量LFM信号时,该方法具有良好的鲁棒性和参数估计性能。     

基于二次灰度形态学滤波的跳频信号盲检测

短波复杂电磁环境增加了跳频检测难度,现有图像处理类盲检测法大都需要先预设门限进行二值化,但理想门限较为困难且二值图像忽略了跳频的灰度形态特征,因此针对灰度时频图运用形态学滤波,给出了基于二次灰度形态学滤波的检测算法。首先对时频图频率分量进行灰度形态学滤波,滤除大部分尖锐噪声分量和扫频干扰信号;然后将频率分量去均值,降低定频干扰信号的灰度级,同时保留跳频形态特征;最后对时频图时间分量进行改进顶帽变换,提取跳频信号的二值时频图完成检测。仿真表明,算法能有效克服噪声和干扰信号影响,在大于-10dB时提取较为完整的跳频图案,且算法简单、易于工程实现,为短波跳频信号的盲检测提供了一个新的解决方案。     

低信噪比条件下SAR多目标检测方法

针对STFT-Hough-Wavelet变换和Wigner-Hough变换(WHT)在低信噪比条件下对机载合成孔径雷达(SAR)多目标检测的局限性,提出了一种新的低信噪比条件下SAR多目标检测方法.该方法首先应用统计噪声的伪逆对SAR信号噪声模型进行估计,再对估计信号进行WH变换,即可对SAR多目标进行检测.仿真结果表明,该算法更有利于控制虚警概率.     

基于极值域均值模式分解最大相似度的语音增强方法

提出一种基于极值域均值模式分解最大相似度的低信噪比语音增强算法,解决部分噪声环境下低信噪比语音信号增强问题。该算法核心思想是：对分解后得到的固有模态分量进行筛选后再做滤波处理,以此减少过滤波和欠滤波情况的发生。在筛选过程中,提出一种最大相似度判断算法,通过检测得到的噪声信号与固有模态分量计算最大相似度,通过最大相似度筛选出固有模态分量进行滤波,由于噪声与语音信号容易发生频谱混叠,在滤波器的选择上采用时域滤波器。将滤波后的固有模态分量和未作处理的固有模态分量进行信号重构,得到增强后结果。     

基于S-method的多分量雷达辐射源信号检测

针对传统时频方法在处理多分量雷达辐射源信号时存在交叉项,不能检测各分量信号时域参数,难以适应低信噪比环境的问题,提出一种基于S-method(SM)的多分量雷达辐射源信号检测新方法。该方法首先计算信号的SM时频分布,然后在时频面的基础上检测各信号分量的瞬时频率和脉冲起止时间。实验结果表明,该方法能处理线性及非线性调频信号、时频分辨率高且不受交叉项干扰,时域检测精度大于98.60%,频域检测精度大于99.48%,信噪比降低时仍然保持强检测能力。     

低信噪比下多相码信号检测与参数估计方法

针对低信噪比下多相码信号的检测与参数估计问题,提出了基于扩展 Wigner-Hough 变换(WHT)的多相码信号检测与参数估计方法。该方法依据多相码信号在 Wigner-Ville 分布(WVD)中表现为多条平行脊线的特点,通过改进 WHT的核函数,累积了多相码信号 WVD的多条脊线能量,在完成信号检测的同时,估计出多相码信号的调制参数。理论分析和仿真实验结果均表明,该方法能够在较低信噪比下完成多相码信号的检测和参数估计,且不受编码类型的影响。     

基于极值域均值模式分解和独立分量分析的语音增强方法

提出一种基于极值域均值模式分解与独立分量分析相结合的低信噪比语音增强算法,解决更多噪声环境下低信噪比语音信号增强问题.该算法的核心思想是:利用独立分量分析的特点,分离出选取的固有模态分量的固有特性,消除信息混淆.通过最大相似度,筛选出需要处理的固有模态分量,对其进行独立分量分析,使噪声特性能够进一步集中,提高最大相似度,这样更有利于噪声的滤除.由于独立分量分析存在幅值、位置的不确定性,所以对滤波后的独立分量要进行二度重构,即独立分量分析重构和极值域均值模式分解重构,得到增强后结果.     

低信噪比下的多分量LFM信号参数估计

针对低信噪比奈件下传统多分量LFM信号参数估计方法失效问题，提出了一种基于二值图像细化处理和图像流滤波的TFRT-HT-ISF方法．该方法对接收信号的RSPWVD图像进行形态学细化处理解决了时频聚集性降低的问题，采用图像流滤波技术滤除了来自干扰噪声的闽值处理后的剩余虚假尖峰．仿真结果表明，该方法能够在低信噪比条件下准确有效地进行多分量LFM信号参数估计．     

基于EMD方法的心电信号带内噪声滤除

为解决心电信号去噪过程中有用信号被削减的问题,提出了基于经验模态分解(EMD)滤除心电信号带内噪声的方法.该方法用EMD方法处理含噪分量,保持有用信号的功率基本不变,大大消弱噪声的功率,达到去噪目的.实验表明:与传统EMD阈值滤波相比,该方法在滤除噪声的同时能保留真实信号的完整性,证实了该算法对低信噪比微弱信号带内噪声滤除的有效性.