非高斯模型下BPSK的循环谱分析

在Alpha稳定分布下结合共变理论、循环平稳理论和分数低阶矩等理论,推导了BPSK信号的循环平稳特性和低阶循环谱密度,结果表明稳定分布下BPSK信号的低阶循环谱结构同高斯假设下的谱结构是一致的.最后在Matlab下进行了仿真验证,仿真结果与理论推导相符合,但基于稳定分布所设计的算法具有良好的抗脉冲噪声的性能,对复杂背景下的调制识别或者盲分离提供新的途径.     

基于循环特征的调制模式识别算法

介绍现有通信信号调制模式识别算法,对二进制幅度键控、二进制频移键控、二进制相移键控、正交相移键控、最小频移键控等几种数字通信信号的循环平稳特性建模分析,并提取出了循环谱密度函数α轴上的最大幅度归一化值a、循环谱密度函数f正半轴上的脉冲个数m、循环谱密度函数α正半轴上的脉冲个数n等相关的特征参数,通过分级判决来实现基于通信信号的循环特征的调制模式识别。仿真表明,基于循环特征的调制模式识别算法在-2 dB的加性高斯白噪声条件下,识别正确率高达90%,具有较好的可靠性。     

航道多载波的通信时延与多普勒频移联合估计

针对海上航道立体监测系统中水声信道高斯噪声和对称α稳定(SαS,Symmetric α Stable) 脉冲噪声干扰的复杂环境,以基带OFDM（Orthogonal Frequency Division Multiplering）水声通信系统的发射信号作为研究对象,提出了一种基于分数低阶循环模糊函数的多循环频率时延与多普勒频移联合估计算法．该方法将分数低阶矩与循环平稳特性相结合,能够在SαS脉冲噪声条件下检测信号的循环平稳特性．仿真结果表明:在脉冲噪声和干扰环境中该算法均能稳定工作,估计性能优于基于二阶循环模糊函数．     

Alpha稳定分布噪声下MPSK信号调制识别算法研究

针对Alpha稳定分布噪声中信号四次方谱失效的问题,提出了广义四次方谱的概念,在此基础上研究了基于广义四次方谱的多进制相移键控(M-ary Phase Shift Keying,MPSK)信号调制识别算法.首先分析了待识别信号的广义四次方谱,然后提取广义四次方谱中二倍载频和四倍载频处的谱线作为特征参数,最后通过判断谱线是否被冲击来实现信号的分类.仿真结果表明,这种算法在Alpha稳定分布噪声下的性能优于基于四次方谱的算法,且该算法在高斯噪声下也具有良好的性能.     

α 稳定分布噪声下基于EM算法的多径时延估计算法

实际应用中大量非高斯信号和噪声具有显著的尖蜂脉冲特性.这类信号带宽较窄,采用传统高斯模型下基于相关运算的多径时间延迟方法进行时延估计时,会因各个峰值的相互重叠而带来较大的估计误差.为此,根据信号噪声特性,在α稳定分布模型下,提出一种基于EM方法的高分辨率多径时延估计算法(P-EM算法).新算法基于分数低阶统计量理论,采用p阶相关思想,具有在脉冲噪声环境下,比较准确估计多径时间延迟的能力.理论分析和计算机仿真表明了该算法的韧性.     

基于差分进化算法实现非高斯噪声下盲信号分离

简要介绍了稳定分布统计特性,推导了一种适用于α稳定分布噪声下盲信号分离的算法.该算法采用差分进化算法对目标函数自动寻优,求得分离矩阵,从而分离出信号.仿真结果表明:该算法分数低阶α稳定分布背景噪声条件下具有良好的分离效果.     

Alpha稳定分布噪声下通信信号的载波频率估计

针对在Alpha稳定分布噪声环境下循环谱估计通信信号载波频率失效问题,提出了基于广义循环谱的载波频率估计方法.首先用非线性变换定义广义循环谱,并对信号幅度进行变换;然后利用非线性变换抑制夹杂在通信信号中的非高斯脉冲噪声.通过检测广义循环谱的谱线位置与数字调制信号载波频率的关系实现载波频率估计.通过Matlab仿真实验和性能分析对比,证明该方法可较好地在Alpha稳定分布噪声环境下估计通信信号的载波频率.     

尖峰脉冲噪声下基于分数低阶统计量和函数变换的时延估计新算法

针对α稳定分布噪声环境下的时延估计问题,对最大似然加权估计法进行改进,给出了三种高效实用的新算法。首先,以分数低阶统计量为基础,提出了一种基于分数低阶统计量的最大似然时延估计算法(FLO-ML算法);其次,通过函数变换,提出了两种不依赖于分数低阶统计量的新算法(Log-ML算法和UDE-ML算法);进一步,本文还详细讨论了三种新算法的适用范围及计算复杂度。仿真分析表明,三种新算法均能在分数低阶α稳定分布噪声环境下实现准确的时延估计,其性能优于同类算法,同时三种新算法都能在传统高斯噪声环境下保持良好的稳健性。     

基于分数低阶Stockwell变换时频的机械轴承故障特征提取

时频分布是机械滚动轴承故障信号的有效分析方法,特殊情况下的机械故障信号或噪声属于非高斯Alpha(α)稳定分布,传统的Stockwell变换(S变换)时频方法性能退化甚至失效。基于S变换时频和分数低阶矩提出了一种分数低阶S变换时频分布算法,为了减少计算量及在线及时分析信号,提出了一种快速分数低阶S变换时频算法。仿真结果表明,所提出的分数低阶S变换时频算法及其快速算法能很好地工作在高斯噪声和α稳定分布噪声环境,性能优于已有的S变换时频。在实际应用中,所提出的时频算法能够较好的提取机械轴承故障信号的故障特征。     

基于改进循环谱的直扩信号检测方法研究

基于循环谱理论,根据直扩信号与平稳噪声具有不同的谱相关特性,可对直扩信号进行检测,分析循环谱包络在循环频域——谱频域上的分布,能实现载频及伪码速率的参数估计。在有限时间条件下,为实现更低信噪比情况下的信号检测,提出了集平均的频域平滑循环周期图的改进算法,避免了多维搜索,并对算法进行抗噪声性能及统计特性分析,理论表明具有进一步的抑制噪声水平。通过计算机仿真,说明了此法能在低信噪比情况下实现参数估计,并分别证明了数据长度及平滑点数对实验数据的影响,验证了理论分析的正确性。     

基于分数低阶统计量的时延估计算法性能分析

传统的时延估计算法大多建立在高斯模型的基础上,利用信号的二阶、高阶估计量,可以得到理想的结果。然而,现实中的信号往往都处在非高斯环境下,如通信线路瞬间尖峰和环境噪声等,这一类信号的时域波形中存在一个明显的峰值,这时利用α稳定分布模型可以较好地表述非高斯脉冲信号和噪声。因此有必要对α稳定分布模型下的,基于分数低阶统计量(FLOS)的时延估计算法进行研究。通过调整参数取值得到的仿真结果,证明了在非高斯情况下,基于FLOS的时延估计算法相对于传统算法估计效果更好。     

基于谱分析的通信信号调制识别算法的研究

调制样式识别和调制参数估计是电子对抗中的一个重要环节,也是信号分析的一个快速发展的领域。本文在低信噪比的情况下完成了对信号调制样式的识别和调制参数的估计。由于谱相关函数具有对平稳噪声和干扰的不敏感性,所以在低信噪比下用谱相关理论具有一定的优势。本文提出识别算法可以识别2FSK,4FSK等信号。实验结果表明：本文提取的参数在对信号进行分类时,分类效果好。     

一种基于分数低阶协方差的维纳加权时间延迟估计方法

依据分数低阶统计量理论和信号噪声特性,提出了一种基于分数低阶协方差的维纳加权(FLOC—WP)时间延迟估计的新方法．这种方法将常规的维纳加权广义时间延迟估计方法与分数低阶协方差结合起来,理论分析和计算机仿真结果表明其既可以应用于高斯噪声环境,又在低阶α稳定分布噪声环境下具有良好的鲁棒性．     

分数低阶α稳定分布噪声下EP潜伏期变化韧性自适应检测

依据分数低阶矩理论和信号噪声的特性，提出了一种自适应检测EP潜伏期变化的新方法，这种方法基于反正切函数的单调有界和奇对称特性，对误差信号Cn(k)进行非线性交换，抑制了EP信号中的分数低阶α稳定分布噪声，有效保留了信号成分，在高斯和分数低阶a稳定分布噪声条件下具有良好的韧性，且避免了动态估计信号噪声a参数的困难，利用这种方法动态检测EP潜伏期的变化，具有较高的估计精度和较快的收敛速度。     

非高斯分布噪声下诱发电位潜伏期变化自适应检测

传统的高斯分布白噪声的模型不能很好地描述EP信号中脑电图（EEG）和其他噪声的特性，因此，根据α稳定分布噪声理论和EP信号中噪声的非高斯特性，提出了一种基于最小分数低阶矩自适应诱发电位潜伏期估计方法，这种方法既可以应用于高斯噪声环境，又在低阶α稳定分布噪声（一类典型的非高斯噪声）环境下具有良好的韧性，是一种可靠的检测EP信号潜伏期变化的方法，分析和实验表明，α稳定分布噪声模型是一种适合于描述带噪EP信号统计特性的随机噪声模型，所得到的EP信号潜伏期变化的检测结果，与神经系统的真实状态及其变化一致。     

认知无线电中一种基于循环谱的信号功率检测算法

为了提高信号功率的检测精度,在循环谱分析的基础上提出了一种基于循环谱的信号功率检测算法,该算法利用循环谱技术的谱分离特性在噪声中精确提取接收信号功率,并以M PSK信号为例给出了该算法详细的理论分析。计算机模拟仿真结果表明,无论是在高信噪比还是在低信噪比条件下,基于循环谱的接收信号功率检测算法的检测精度相比传统的检测方法均有较大的性能增益。该算法具有很好的应用前景。     

脉冲噪声环境中韧性的子空间频率估计算法

为提高脉冲噪声环境中基于子空间的正弦信号频率估计算法的性能,以α稳定分布过程为脉冲噪声模型,利用m-估计方法得到接收信号尺度的鲁棒估计.构建鲁棒的接收信号协方差矩阵,并利用子空间方法得到正弦信号频率的估计.计算机仿真结果表明:该方法在强脉冲和低信噪比环境中的性能显著优于基于分数低阶统计量的子空间频率估计方法.     

无线电监测中调制信号特征提取算法

针对传统调制信号特征提取算法在噪声环境下存在识别准确度低、分类效果差等问题,基于已有的调制 信号处理方法,提出一种新的无线电监测中调制信号特征提取算法。首先构建无线电监测中各类调制信号的 数学模型,以此为基础通过仿真得到信号瞬时幅值、瞬时相位及瞬时频率的特征。分析当前信号调制方式识别 各类算法的优缺点,采用小波变换完成调制信号的降噪处理与突变边界特征提取算法的设计,利用零中心归一 化瞬时幅度的谱密度最大特征提取算法以及核判别分析算法对各类调制信号进行逐层提取,实现了各类调制 信号的完整分类与提取,提升了噪声环境影响下的特征信号提取精度、且分类效果较好,为无线电监测中调制 信号特征提取提供了有利科学依据。     

基于循环谱和小波变换的MFSK信号解调算法

针对多载频信号的解调算法存在计算量大,只适用于低阶信号的问题,提出了一种基于单切面循环谱和改进小波变换的联合算法。该算法将传统循环谱的二维搜索简化为一维搜索,并改进了小波尺度的选取,算法结合了传统循环谱法和小波变换法优点,能够在提高解调精度的同时降低计算量,且适用于高阶MFSK信号。仿真结果表明,该算法在性能上明显优于传统小波解调算法和循环谱算法,在较低信噪比下,仍能获得较高的准确率。     

基于分数低阶S变换时频的机械轴承故障特征提取

时频分布是机械滚动轴承故障信号的有效分析方法,特殊情况下的机械故障信号或噪声属于非高斯Alpha()稳定分布,传统的Stockwell变换（S变换）时频方法性能退化甚至失效。本文基于S变换时频和分数低阶矩提出了一种分数低阶S变换时频分布算法,为了减少计算量及在线及时分析信号,提出了一种快速分数低阶S变换时频算法。仿真结果表明,所提出的分数低阶S变换时频算法及其快速算法能很好的工作在高斯噪声和稳定分布噪声环境,性能优于已有的S变换时频。在实际应用中,所提出的时频算法能够较好的提取机械轴承故障信号的故障特征。