α稳定分布噪声下基于最优L-柯西加权的LFM信号参数估计

针对传统维格纳霍夫变换(Wigner-Ville Hough transform, WHT) 时频分析方法在稳定分布噪声环境下性能退化的问题,基于L-估计理论,提出了可有效抑制该噪声的最优L 柯西加权(L-Cauchy weighted, LCW)新方法。3En准则是一种常用的异常值剔除方法,其可从数理统计的角度对异常值进行有效抑制,对此,结合柯西分布提出了基于分散系数的异常值剔除准则,并依据数值仿真选取降噪效果最优的分散系数γ。在LCW方法有效抑制α稳定分布噪声的基础上,采用WHT对线性调频(linear frequency modulation, LFM)信号进行参数估计。仿真结果表明,最优γ值的选取与该文提出的异常值剔除准则一致,且与基于分数低阶、加权Myriad滤波以及L-估计等多种方法相比,提出的基于LCW的WHT(LCW-WHT,LW)方法在强脉冲噪声下具有良好的鲁棒性和优良的LFM信号参数估计性能。     

脉冲噪声非线性变换设计的研究综述

由于脉冲噪声下的最优检测要求非线性运算, 信号检测常采用零记忆非线性变换接匹配滤波的检测结构。本文系统地综述了脉冲噪声下的非线性变换设计, 梳理了国内外研究在噪声模型、非线性函数和设计方法3个方面的工作, 并总结研究路线和规律。首先, 脉冲噪声模型常采用对称α稳定分布、Class A分布、高斯混合分布及其他混合分布。其次, 以拖尾函数为特征, 非线性函数模式可分为传统削波/置零、多区域组合拖尾、单参数特定拖尾、单参数非分段函数以及双参数可变拖尾。然后, 在设计方法上, 分析近似和正态变换的思路比较直观, 而最大信噪比和最大效能准则与检测性能有直接联系。之后, 总结了常见研究路线和主要研究成果的共性规律。最后, 探讨了噪声分布未知和效能寻优简化的问题, 展望未来可能的研究点。     

基于稳定分布模型的自适应阵列信号处理新方法

传统方法常对阵列信号处理所研究的噪声采用高斯分布的模型进行描述,但当噪声存在显著的尖峰时,往往不能得到满意的结果。利用稳定分布建模实际中所遇到的具有较大脉冲特性的随机噪声,综述了稳定分布模型下的信源定位、波达方向估计、波束形成等阵列信号处理方法,并利用分数低阶统计量提出了几种较有韧性的阵列信号处理新方法。仿真表明它们在高斯和低阶α稳定分布噪声条件下,具有良好韧性与有效性。     

基于自适应尺度变换-双稳态随机共振模型的BPSK信号检测算法

为提升在强噪声背景下对二进制相移键控(binary phase shift keying, BPSK)信号的检测性能, 针对主流方法在抑制噪声过程中信号受到一定程度的削弱、信号处理系统引入新噪声导致检测性能下降的问题,提出了基于自适应尺度变换双稳态随机共振模型的BPSK信号检测算法。对于经典的双稳态随机共振系统只能处理小幅度、低频段的周期信号的情况, 首先将双稳态随机共振系统进行尺度变换, 证明在高采样率条件下, 双稳态随机共振系统可应用于高频的BPSK信号, 并基于Neyman-Pearson准则设计了非线性阈值检测系统, 推导且定量表示出检测器的误码率, 以此作为反馈量, 自适应地调节系统参数, 构建了信号检测的完备流程。通过仿真实验验证了尺度变换的可行性以及所提算法的适用性, 为低信噪比条件下的弱BPSK信号检测提供了理论依据。     

脉冲噪声中基于数据可信度加权的跳频信号检测

时频分析是跳频(frequency-hopping, FH)信号检测的有力工具,但是脉冲噪声下性能严重退化,无法有效地提取跳频信号的周期、频率和跳变时刻等参数;基于分数低阶统计量和最大似然估计(maximum-likelihood,ML)的算法是改善脉冲噪声下FH信号时频分布的两类常用方法,但前者性能改善有限,后者通常对噪声的概率分布较为敏感,且计算复杂度高。对此,提出一种基于数据可信度加权(weighting based on the data credibility,WDC)的FH信号检测方法。该方法基于云模型(cloud model, CM)理论,建立了数据可信度的概念,以分析脉冲噪声下接收信号的不确定性,然后在此基础上实现信号加权,改善脉冲噪声下FH信号的时频分布特征。仿真实验证明,在稳定分布噪声中,该方法与基于分数低阶及Myriad滤波器的时频分析方法相比,能够较好地抑制脉冲噪声,获得FH信号的参数信息,具有良好的鲁棒特性。     

脉冲噪声下基于相关熵的OFDM时域参数估计

针对传统的正交频分复用(orthogonal frequency division multiplexing,OFDM)时域参数估计方法在Alpha稳定分布噪声环境下性能退化的问题,该文提出了一种基于相关熵的时域参数估计新方法。相关熵是适用于非高斯信号处理的一种广义相关函数,用于表征随机变量的局部相似性。该方法利用OFDM信号时域结构具有局部相似性这一特点以及相关熵对脉冲噪声较好的抑制作用,完成Alpha稳定分布噪声下OFDM信号有用符号时间和符号周期这两个时域参数的估计。此外,为进一步提高强脉冲噪声下有用符号时间和符号周期的估计性能,该文利用累积法对相关熵进行了改进。仿真结果表明,在Alpha稳定分布噪声下,本文提出的基于相关熵的方法具有良好的估计性能,并且在强脉冲噪声下优于基于分数低阶统计量的方法。     

脉冲噪声下基于共变序列的自适应时延估计

针对实际应用中常遇到的脉冲性噪声问题,以α稳定分布模型进行描述,提出了一种基于共变序列的自适应时延估计方法,简称CAED.该方法通过求取两个观测序列的互共变和一个观测序列的自共变,去除了不相关脉冲噪声,保留了观测序列间时间延迟的信息;将自共变、互共变序列作为两个自适应滤波器的输入信号,在最小均方误差准则控制下,由收敛的两个滤波器权系数矢量峰值位置之差可获得源信号到达两个接收端的相对时延.通过计算机仿真对比实验验证了该算法在强脉冲噪声、低信噪比情况下的优良估计性能.     

大气噪声幅度分布与抑制处理分析

大气噪声的分析与抑制对低频通信至关重要。结合实测大气噪声数据分析其幅度分布,提出噪声抑制的新非线性变换方法,并理清非线性变换的检测性能与正态性的关系。首先分析实测噪声幅值分布,验证其非高斯性且接近服从对称 α稳定(symmetric α stable,SαS)噪声模型。然后基于高斯化处理后信号检测模型,推导得到新非线性变换方法——过高斯化处理。最后,基于实测大气数据的正态检验统计与误码率(bit error ratio, BER)仿真表明:大气噪声处理技术的BER性能与正态性之间并非一定正相关;过高斯化处理能够有效降低BER,性能接近传统局部最优检测器。     

非高斯杂波中的MIMO雷达信号分离

针对传统匹配滤波对非高斯杂波中的多输入多输出（multiple input multiple output, MIMO）雷达信号分离性能下降的问题,提出一种基于分数低阶统计量的匹配滤波算法。该方法将对称Alpha稳定分布(symmetric Alpha stable, SαS)作为MIMO雷达的非高斯杂波模型,以滤波器输出分数低阶信杂比最大为准则导出最优匹配滤波器系数。分别对相关SαS和非相关SαS杂波条件下的MIMO雷达信号分离进行了仿真。结果表明,该方法可有效实现非高斯杂波中的MIMO雷达信号分离,且在高斯杂波条件下与传统匹配滤波的性能是一致的。     

一种韧性的高分辨率多径时延估计方法

将观测数据的噪声建模为α稳定分布,运用分数低阶统计量理论中的共变概念和最小分散系数准则,结合用于解决高维非线性最小二乘优化问题的松弛搜索思想,借鉴高分辨率多径时延估计算法WRELAX、DS-WRELAX,提出了一种韧性的高分辨率多径时延估计算法RHMTDE。理论分析和仿真结果表明,该算法有抗粗差的能力,在高斯噪声和脉冲噪声环境中都可以较好地估计出多径观测信号中每径的时间延迟。     

α稳定分布噪声中基于最优核时频分析的跳频信号参数估计

针对传统非线性时频分析方法在跳频(frequency hopping, FH)信号参数估计时,会出现严重的交叉项和参数估计精度降低等问题,引入径向高斯核(radially Gaussian kernel,RGK)时频分析方法,该方法根据FH信号的不同自适应选择最优核函数,从而有效抑制交叉项。RGK时频分析方法可在高斯噪声环境下估计FH信号的参数,但在脉冲性较强的α稳定分布噪声中,该方法性能退化甚至失效。对此,结合最大似然估计理论,提出了一种α稳定分布噪声环境下的加权最大似然广义柯西(weighted maximum likelihood generalized Cauchy,WMGC)滤波的新方法。采用基于WMGC滤波器的RGK时频分析方法(WMGC RGK方法,即WR方法),对该噪声中的跳频信号进行参数估计。仿真结果表明,与基于分数低阶及Myriad的时频分析方法相比,WR方法在α稳定分布噪声中具有良好的鲁棒性和优良的跳频信号参数估计性能。     

基于分数低阶统计量的正交小波盲均衡算法

对于服从分数低阶Alpha稳定分布的非高斯信号,其二阶和高阶统计量都是不存在的。当环境噪声为这种噪声时,基于高阶统计量的常数模盲均衡算法(CMA)的均衡性能很差。为了克服环境噪声服从分数低阶Alpha稳定分布时,CMA的性能缺陷,提出了一种基于分数低阶统计量的正交小波盲均衡算法。该算法利用分数低阶统计量来抑制Alpha稳定噪声,根据最小分散系数准则优化盲均衡算法的权向量,并对均衡器输入信号进行正交小波变换,通过降低均衡器输入信号的自相关性来加快收敛速度。水声信道仿真结果表明,该算法性能明显优于CMA。     

基于GST-Hough变换的LFM信号识别方法

针对线性调频(linear frequency modulated, LFM)信号在低信噪比条件下的信号检测问题,提出将广义S变换(generalized S transform, GST)与Hough变换相结合(generalized S transform based on Hough transform,GSTH)信号检测方法。从理论层面推导出LFM信号在进行GST后对应的参数特性,论证Hough变换的可行性,推导出GSTH变换后LFM信号与噪声的概率密度分布函数,给出了基于奈曼-皮尔逊准则进行峰值检测时,检测门限的计算方法与确定流程。利用GST时频聚焦性提供良好的直线线性,有易于Hough变换的直线检测,提升变换后主峰峰值并降低副峰高度。通过与WHT (Wigner Hough transform)、分数阶傅里叶变换与周期WHT算法的仿真对比,定量评估算法的适用性,并与经典算法对比,定性的描述出算法良好的时频聚焦性,凸显GSTH算法在强噪声背景下具有更好的检测精度与适用范围。     

基于矩阵束的多波段雷达信号高精度融合成像算法

多波段信号融合技术在信号层将多个不同子带融合成一个大带宽信号,因而能够有效提高雷达图像距离分辨率。目前,基于全极点模型的融合技术主要采用root-MUSIC(multiple signal classification)及其改进算法实现极点的估计,在较弱的噪声条件下这种方法得到了不错的融合效果。然而在低信噪比条件下root-MUSIC算法容易受到噪声干扰而难以实现正确极点获取,进而极大影响到最终信号融合效果。为减小噪声影响,提出用矩阵束算法实现多波段信号极点估计,在此基础上通过不同子带对应极点间的相位关系估计出相干参数,同时对融合结果以信号差的2范数最小为准则进行迭代,以减小融合信号的误差。最后采用加权寻优的方式进一步提高了信号的融合精度。仿真实验结果表明,提出的方法有效提高了低信噪比条件下的多波段信号融合效果。     

基于小波变换的Power-Law水声瞬态信号检测研究

水声瞬态信号检测是水声对抗领域的一项关键技术.在分析了传统的Power-Law检测器的基础上,针对水声瞬态信号的特点,提出了一种基于小波去噪的检测方法.该方法利用小波去噪理论抑制信号中的杂散成分,提高信噪比,然后利用Power-Law检测器进行检测.对三种典型水声瞬态信号的仿真结果表明该方法可以在低信噪比条件下有效分辨信号和噪声,检测效果优于传统的Power-Law检测方法.     

α稳定分布噪声下一种稳健加权滤波的统一框架

针对传统滤波方法在α稳定分布噪声环境下性能退化的问题,从加权Myriad滤波以及加权Merid滤波方法出发,以M估计理论为基础,推导得到稳健加权(robust weighted,RW)滤波方法的统一算法结构,并据此提出了基于RW滤波的新算法,即基于稳健加权滤波的统一框架,从而将加权Myriad、加权Merid以及基于广义柯西分布的加权滤波器统一起来。此外,针对线性调频(linear frequency modulation, LFM)信号采用基于RW的LVD(RW LVD)方法估计其参数,并根据估计性能对RW方法的抑噪效果进行分析。仿真结果表明,与基于加权Myriad滤波、加权Merid滤波以及基于广义柯西分布的加权滤波等多种方法相比,在强脉冲噪声下RW滤波方法能有效抑制脉冲噪声,并具有良好的稳健性。     

基于小波分解的贝叶斯SAR图像去斑方法

提出了一个新的有效的基于小波变换的SAR图像去斑方法。尽管小波分解具有去除相关性的作用,但是图像中边缘等几何结构特征仍然存在,因此本文引入一个几何先验模型,结合噪声和有用信号的条件分布进行贝叶斯估计,得到每一系数作为有用信号的后验概率,以之作为修正因子修正小波系数,获得了满意的去斑效果。与现有的去斑方法的主要的不同之处在于使用了噪声和信号的实际分布函数,文中给出了这些分布的经验表达式,以及直接从图像上计算这些分布参数的方法。对实验结果的量化评估证明本方法较软、硬阈值法的优越性。     

基于广义尤拉-沃克方程的白化滤波器

α-稳定分布可以更好地描述实际应用中所遇到的具有显著脉冲特性的随机信号和噪声,α稳定分布没有统一闭式的概率密度函数,其二阶及二阶以上统计量均不存在。描述了稳定分布的谱表示,提出了一种不同于二阶过程功率谱的共变谱密度概念,得到一种基于共变谱的稳定分布白噪声的概念及其判断标准,对传统意义上的白噪声进行了广义化,提出了一种新的预测反卷积广义尤拉-沃克方程及白化滤波器模型。计算机模拟表明,这种算法是一种具有良好韧性的白化滤波方法,是对传统的二阶统计量基础上的白化滤波方法的改造与推广。     

基于小波变换的子带自适应滤波算法及仿真

因为噪声总是影响信号检测的结果,所以低信噪比下的信号检测是目前检测领域的热点,而强噪声背景下微弱信号的提取又是信号检测的难点。自适应滤波器为检测信号提供了一种简单、实用的方法。可以在微弱信号的条件下,通过测量和学习,实现对微弱信号的最佳拟合。提出基于自适应小波变换的心电信号的检测,利用小波变换的子带编码理论,通过在多个子带权值的自适应匹配,合成后拟合微弱信号。仿真结果表明,该方法可进一步改善信号的检测能力,在检测微弱信号的特征和改善信噪比方面是一种十分有效的方法。     

基于MCMC的OFDM系统脉冲噪声检测与抑制方法

为解决正交频分复用系统(orthogonal frequency division multiplexing,OFDM)中存在脉冲噪声干扰降低系统链路可靠性的问题,提出基于马尔可夫蒙特卡罗(Markov chain Monte Carlo,MCMC)的turbo迭代均衡检测方法。首先给出OFDM系统发射机和接收机模型;然后分析给出未知变量的先验分布及其在已知接收信号条件下的条件分布,通过MCMC均衡器抽样估计得到信道和脉冲噪声的参数信息;最后给出turbo迭代结构的具体实现过程。仿真结果表明,在加性高斯白噪声(additive white Gaussian noise,AWGN)信道和多径信道中,该方法可以有效降低OFDM系统中脉冲噪声影响,提高系统可靠性