稳定分布下信号的小波分析方法

采用传统小波分析方法对分数低阶?稳定分布噪声下的信号进行时频分析,存在性能退化的问题。为此,提出一种新型时频分析方法——分数低阶小波分析方法。根据分数低阶?稳定分布的特性,采用不破坏相位信息的频谱分析思想对传统小波理论进行改进。仿真结果表明,该方法能在时域、频域较好地分析出信号的频谱特征。     

分数低阶alpha稳定分布的STFT时频分析方法

对于α稳定分布噪声的非平稳信号,仅用频域的一维分析方法是不够的,需要考虑进行二维的时—频域分析方法。在基于传统的短时傅里叶变换(STFT)基础上,针对分数低阶α稳定分布的特性,提出了分数低阶STFT新方法。计算机仿真结果表明,该分数低阶STFT方法能克服传统的STFT方法在对α稳定分布进行时频分析时的性能退化问题,为α稳定分布在时频域的研究开拓了全新的途径。     

α稳定分布噪声下的空间时频DOA估计

当信号中存在α稳定分布噪声时,传统空间时频多重信号分类(STF-MUSIC)算法的空间波达方向(DOA)估计性能会降低甚至失效。为此,利用分数低阶矩(FLOM)代替二阶协方差矩阵,定义分数低阶矩空间时频分布矩阵(FLOM-STFDM)。对FLOM-STFDM进行特征分解,得到适用于稳定分布噪声环境的空间时频TF-FLOM-MUSIC算法,分析该算法的信噪比及误差估计,并给出算法实现步骤。仿真结果表明,TF-FLOM-MUSIC算法可有效降低DOA估计的均方误差,提高估计的分辨率和平滑性。     

Spatial Time-frequency DOA Estimation Under a Stable Distribution Noise

当信号中存在α稳定分布噪声时,传统空间时频多重信号分类(STF-MUSIC)算法的空间波达方向(DOA)估计性能会降低甚至失效.为此,利用分数低阶矩(FLOM)代替二阶协方差矩阵,定义分数低阶矩空间时频分布矩阵(FLOM-STFDM).对FLOM-STFDM进行特征分解,得到适用于稳定分布噪声环境的空间时频TF-FLOM-MUSIC算法,分析该算法的信噪比及误差估计,并给出算法实现步骤.仿真结果表明,TF-FLOM-MUSIC算法可有效降低DOA估计的均方误差,提高估计的分辨率和平滑性.     

Alpha稳定分布噪声下改进的频域预滤波方法

针对α琢稳定分布噪声和谐波信号在频域均表现为异常值这一特性,提出了一种新的频域预滤波估计方法。通过分数低阶共变将信号转换到频域,在频域利用自适应加权Myriad滤波器滤除尖锐脉冲,提取稳定分布噪声的共变谱,将稳定分布有色噪声转化为稳定白噪声,然后利用基于分数阶共变的Music方法估计信号的共变谱。仿真结果表明,在不需要知道稳定噪声任何统计特性的情况下,该方法在1<α<2的非线性度量空间,该算法取得了理想的效果。     

基于α稳定分布的空间瞬态光频谱估计

分析待探测的瞬态光信号,对其进行频谱估计,推导出空间瞬态光信号是一种随机信号。通过分析基于FLOM估计的共变谱估计,得出当 <1时,这种方法并不适应。为此,提出一种分数低阶协方差谱的估计方法,对这2种 稳定分布噪声中正弦信号的估计与分辨进行仿真实验,结果表明该方法可以获得较好的谱估计性能,对 稳定分布噪声具有广泛适用性,且瞬态光信号为 稳定分布噪声。     

分数低阶α稳定分布的功率谱估计新方法

传统的α稳定分布噪声下信号功率谱估计方法有两种,分别为共变谱估计与协方差谱估计。这两种谱估计方法都是以自相关这个二阶矩作为频域分析对象,而自相关是个损失了信号中相位的信息,不能用于时频域分析。针对这一问题,提出了一种新的分数低阶功率谱估计方法,计算机仿真结果表明,与现有方法相比,该新方法不仅在进行分数低阶功率谱估计时具有更优良的性能,而且可进一步应用于时频域分析,具有更广泛的应用价值。     

基于分数低阶协方差谱的频谱感知算法研究及其FPGA实现

在对非高斯噪声情况下主用户频谱感知问题的理论研究之上,采用α稳定分布模型描述认知通信系统的非高斯噪声,给出了一种基于分数低阶协方差的感知方法,并采用分数低阶协方差谱对α稳定分布噪声下的主用户信号进行了谱估计,较好地解决了在非高斯噪声情况下传统的功率谱估计性能失效的问题。在此基础上针对FPGA的特性,进一步优化了算法,在FPGA上设计并实现了基于该算法的感知系统。系统利用FPGA产生中心频率为25 MHz、带宽为12.5 MHz的QPSK信号和特征指数为1的α稳定分布噪声作为主用户信号,设计相应的数字信号处理模块,并在此系统中验证了基于分数低阶协方差的感知方法能够有效地从α稳定分布噪声中检测出主信号的存在。该系统运行稳定,可移植性强,适用于不同的主用户频谱检测方案在此系统上进行实现与验证。     

自适应时频分布快速实现与仿真

针对广义时频分布存在的核函数参数非单一性和交叉项干扰严重,使部分频率成份丢失和运算速度慢等技术难点.为解决上述问题,研究了一种具有单一可控核参数T的自适应锥形核广义时频分布.根据其原理表达式结果,提出利于程序运行速度的数组间递推关系运算、采用数值逼近原则.在以MATLAB为平台,通过对典型非平稳信号进行几种典型时频分析...     

基于改进的Capon滤波器组谱估计新方法

为了解决Capon滤波器组谱估计方法在α稳定分布噪声下性能出现退化的问题,提出了一种改进的Capon滤波器组谱估计方法,利用分数低阶协方差(FLOC)对传统的Capon滤波器组进行重构.由于分数低阶协方差的作用范围是0＜α≤2整个分数低阶空间,因此在α稳定分布噪声下其谱估计性能比基于二阶统计量方法的谱估计性能更好.计算机仿真结果显示了这种方法的优越性能,并且在高斯噪声环境下,其性能与二阶统计量下的方法类似.     

分数低阶时频滑动平均模型参数估计

针对稳定分布环境下非平稳过程分析方法时频滑动平均（TFMA）模型算法的退化,引入分数低阶统计量共变,提出了一种改进的分数低阶时频时频滑动平均（FLO-TFMA）模型算法。推导了FLO-TFMA模型的参数求解过程,给出了基于FLO-TFMA模型的时频谱估计。通过在稳定分布环境下对TFMA模型算法和所提出的FLO-TFMA模型算法的参数估计均方误差（MSE）比较和时频谱估计比较,仿真结果表明,FLO-TFMA模型算法的参数估计精度优于TFMA模型算法,TFMA模型时频谱估计完全失效,而FLO-TFMA模型时频谱算法能较好地进行时频谱估计。     

非线性系统中稳定有色噪声建模及FLOC谱特性

用多项式自回归模型对非线性系统中稳定有色噪声建模,利用扩展的迭代重加权最小[p]范数算法进行模型参数估计。系统研究了分数低阶协方差谱的性质,并对无限方差非高斯多项式自回归有色噪声进行频域特性分析。理论分析和仿真实验表明,EIRLP算法是在高斯和分数低阶稳定分布噪声条件下具有良好韧性的参数估计方法。仿真通过对稳定有色噪声条件下的正弦信号进行谱估计,结果表明,分数低阶协方差谱具有良好韧性的谱估计性能。     

Direction Finding Based on Spatial Time-Frequency Distribution Matrices

Amin, Moeness G., and Zhang, Yimin, Direction Finding Based on Spatial Time-Frequency Distribution Matrices, Digital Signal Processing10 (2000), 325–339.Spatial time-frequency distributions (STFDs) have been recently introduced as the natural means to deal with source signals that are localizable in the time-frequency domain. It has been shown that improved estimates of the signal and noise subspaces are achieved by constructing the subspaces from the time-frequency signatures of the signal arrivals rather than from the data covariance matrices, which are commonly used in conventional subspace estimation methods. This paper discusses the application of STFD to high-resolution direction finding. We focus on both the role and the effect of crossterms in angle estimation when multiple time-frequency points are incorporated. Simulation examples are presented to compare the performance of joint block-diagonalization and time-frequency averaging techniques for incorporating multiple autoterm and crossterm points in subspace estimation.     

基于Choi-Williams时频图像特征的雷达辐射源识别

针对复杂体制雷达辐射源识别,提出一种基于Choi-Williams时频图像的雷达辐射源信号特征提取和识别方法,将信号识别转化为图像识别问题。首先对雷达辐射源信号进行Choi-Williams时频变换,将得到的时频图转化为灰度图像;然后采用一系列图像处理方法对时频图像进行增强和去噪,之后将灰度图像转化为二值图像,并剪切掉不含信号的图像区域;最后分别提取二值图像的中心矩和伪Zernike矩作为识别特征,并采用支持向量机分类器实现信号的分类识别。文中针对8种常见雷达信号识别进行了仿真实验,结果表明在较大的信噪比范围内,该方法能获得较为满意的识别率,其中当信噪比为-3dB时,采用伪Zernike矩特征平均识别率仍能达到92%,验证了所提出方法的有效性。     

Applications of Fractional Lower Order Time-frequency Representation to Machine Bearing Fault Diagnosis

The machinery fault signal is a typical non-Gaussian and non-stationary process. The fault signal can be described by SαS distribution model because of the presence of impulses. Time-frequency distribution is a useful tool to extract helpful information of the machinery fault signal. Various fractional lower order (FLO) time-frequency distribution methods have been proposed based on fractional lower order statistics, which include fractional lower order short time Fourier transform (FLO-STFT), fractional lower order Wigner-Ville distributions (FLO-WVDs), fractional lower order Cohen class time-frequency distributions (FLO-CDs), fractional lower order adaptive kernel time-frequency distributions (FLO-AKDs) and adaptive fractional lower order time-frequency auto-regressive moving average (FLO-TFARMA) model time-frequency representation method. The methods and the exiting methods based on second order statistics in SαS distribution environments are compared, simulation results show that the new methods have better performances than the existing methods. The advantages and disadvantages of the improved time-frequency methods have been summarized. Last, the new methods are applied to analyze the outer race fault signals, the results illustrate their good performances.      

稳定分布噪声环境下的EEG-MUSIC源定位

EEG作为一种无损的新医学技术近几年已经被广泛地研究,EEG-MUSIC是一种基于EEG的脑源病灶空间定位算法,它只能在高斯噪声下工作。特殊情况下的脑电传感器阵列数据中可能伴有一种强脉冲噪声,这种噪声可以用α稳定分布描述。稳定分布噪声环境下,传统的EEG-RAP-MUSIC失效。为此用FLOM矩阵代替自相关矩阵,提出了一种适合稳定分布噪声环境的脑源定位新方法FLOM-EEG-RAP-MUSIC。计算机仿真表明,所提出的方法能较好地在稳定分布噪声环境下工作,具有一定的鲁棒性。     

基于FRFT及Wigner—Hough变换的非平稳信号时频分析

考虑到时频分析在非平稳信号处理中的广泛应用,本文比较了几种常用的时频分析技术,提出了一种基于分数傅里叶变换和Wigner-Hough变换的非平稳信号时频分析方式。仿真实验结果表明,基于分数阶傅里叶变换和Wigner—Hough变换的方法较之常用的二次型时频分布不同的是它消除了交叉项的干扰,同时也很容易估计参数,分析信号的瞬时频率,恢复信号的信息。     

时频分布不同特性进行语音分类

时频分布在非平稳信号的分析和处理中具有重要地位,它能够直观、合理的描述信号在时间-频率域上的能量分布。语音信号分类是语音识别、说话人识别、语种辨识和语音合成的一个重要基础,而信号表示的方式和距离测度的选择,对分类性能影响很大。该文正是利用时频分布的特性,对其核参数进行优化,并结合距离测度,完成了独立音标的说话人辨认,获得了较高的准确率,误判率仅为0.99%,具有较好的应用结果。