基于加权型三次相位函数和FRFT的LPI信号识别研究

针对低截获概率雷达信号难以识别和分类的问题,提出了基于加权型三次相位函数和分数阶傅里叶变换的低截获概率雷达信号识别算法。用短时傅里叶变换剖析了应用较广的八种低截获概率雷达信号的时频特性,然后依据调频率将其分为两类。先用加权型三次相位函数估计信号的调频率,然后再用分数阶傅里叶变换获得信号的各分量峰值,根据峰值能量比进行细分类。通过大量的实验仿真验证,本算法在信噪比为0 d B的条件下,正确识别率能够达到95%以上。     

基于小波及Hilbert-Huang变换提取壁湍流相干结构

为了研究壁湍流中的相干结构,在直流抽吸式低（变）湍流度风洞的实验段中,应用恒温热线风速仪IFA-300精确测量平板湍流边界层不同法向位置的流向速度信号.分析壁湍流脉动速度的概率密度分布,并与高斯分布比较,验证了壁湍流中相干结构引起的猝发现象的统计规律.提出了一种利用小波变换和Hilbert-Huang（HHT）变换相结合来提取相干结构的方法.对壁湍流脉动速度进行HHT变换,通过变换后各模态的能量分析,分离出主要含能模态对应的相干结构.利用小波重构法继续提取未分离的小尺度相干结构.对剩余湍流信号进行概率统计,并比较提取的全部相干结构与原始湍流信号的波形和HHT边际谱,验证了湍流信号既包含非随机的相干结构信号也包含随机的非相干信号.     

基于深度学习与支持向量机的低截获概率雷达信号识别

 提出了一种基于栈式自编码器与支持向量机的低截获概率（LPI）雷达信号识别方法。首先,通过Choi-Williams分布,将信号变换到时频域,获取信号的时频图像;其次,使用图像预处理方法对时频图像进行处理,得到便于自编码器处理的图像;再次,使用栈式自编码器从预处理后的时频图像中自动地提取出信号特征;最后,基于提取的信号特征使用支持向量机（SVM）对信号进行分类。本方法使用任意波形发生器（AWG）模拟产生了8类LPI雷达信号,采用栈式自编码器与支持向量机相结合的方法识别信号。仿真实验结果表明,该方法能够在低信噪比和小样本情形下有效识别LPI雷达信号。     

脉间波形变换信号分选跟踪器的设计与实现

针对目前普遍存在的LPI雷达信号识别截获难的情况,提出了一种脉间波形变换信号的分选跟踪器的设计方案．在多脉宽和捷变分析的基础上,采用了改进的概率统计算法和动态关联扩展法进行分选,在跟踪器中采用了“多波门”和“少波门”2种波门给出方式,并进行了软硬件设计和测试．实践证明,此分选跟踪器对于脉间波形变换信号有着较强的识别能力．     

基于短时分数阶傅里叶变换的非线性调频类信号检测

在复杂的电磁环境下,低截获概率(low probability of intercept,LPI)机载雷达能够有效地降低无源探测系统对作战飞机的作用距离及跟踪制导精度,从而能够有效地提高作战飞机的突防能力和生存能力。低截获概率机载雷达多使用宽带调制信号,通过使用信号的能量在频域上展开,从而降低雷达辐射信号被敌方截获接收机截获的概率。低截获概率机载雷达信号中最常见的是线性调频类信号(包括线性调频信号和相位编码信号)和非线性调频类信号(包括Costas码信号和Barker码信号)。本文通过分析非线性调频类信号中的Costas码和Barker码信号的固有特征,采用短时分数阶傅里叶变换,探讨截获接收机对非线性调频类信号的检测方法。由于Costas码和Barker码信号分段可视为近似线性调频信号,而分数阶傅里叶变化是最适于线性调频信号检测的时频变换方法,所以本文利用短时分数阶傅里叶变换对非线性调频类信号的每个调频持续时间内的信号能量进行聚焦,从而对信号进行能量检测。由于常见的时频分析方法,如Choi-Williams时频分析,有对信号进行时频变化后信号能量不能集中的缺陷,所以短时分数阶傅里叶变换较Choi-Williams时频分析方法更有利于对非线性调频类信号进行能量聚集,从而有利于进行信号检测。仿真分析表明截获接收机对不同的非线性调频类信号具有不同的检测性能。     

线性调频和巴克码组合调制雷达信号性能分析

由于单一调制的低截获雷达信号很容易被敌方截获接收机截获,从信号波形出发,本文提出来一种脉内线性调频、脉间7位巴克码（LFM-Barker）组合调制的低截获雷达信号波形。通过理论推导与数值仿真,分析了该组合调制雷达信号的时频域信号形式,时频域匹配处理特性,模糊函数,时移频移联合参数估计以及低截获特性。结果表明,LFM-Barker组合调制雷达信号具有好的时频特性,高的距离与速度分辨率,提高了雷达信号的低截获性能。     

基于低秩-稀疏分解的滚动轴承故障特征提取

针对旋转机械早期故障特征微弱且易受背景噪声影响而难以提取的问题,提出一种基于低秩-稀疏分解的轴承信号瞬态特征提取方法。研究了周期性瞬态信号的稀疏时频表示,建立了低秩-稀疏模型并从背景噪声中提取瞬态冲击信号。首先,通过高阶同步压缩变换(high-order synchrosqueezing transform, FSSTH)将测量信号变换到一个新的稀疏子空间;然后,使用鲁棒主成分分析算法(robust principal component analysis, RPCA)将稀疏时频矩阵分解为低秩部分和稀疏部分;最后,对低秩矩阵施加逆高阶同步压缩变换恢复得到瞬态冲击信号,并通过包络谱分析实现故障诊断。该方法由数据驱动实现,不需要任何先验信息。仿真信号和实际信号分析结果表明,所提方法可有效增强振动信号中故障引起的周期性瞬态冲击特征,能够实现强噪声背景下滚动轴承微弱故障特征提取。     

基于分数阶小波的频谱感知算法

针对非平稳信号在低信噪比下使用能量感知算法感知效果差的问题,提出了一种基于分数阶小波的频谱感知算法。首先对接收信号进行分数阶小波变换达到能量聚集与去噪处理的目的,之后对重构信号进行能量感知。仿真结果表明,该算法相比于传统的能量感知算法以及基于小波变换的能量感知算法,可以提高在低信噪比下对非平稳信号的感知效果。在感知概率为0.3时,基于分数阶小波的能量感知算法比传统的能量感知算法和基于小波变换的能量感知算法分别提高了6 d B和2 d B的信噪比增益;在虚警概率恒为0.1时,基于分数阶小波变换的频谱感知算法的感知概率为0.867,明显高于传统能量感知算法0.287的感知概率和基于小波变换的频谱感知算法0.628的感知概率。     

一种基于Swin Transformer神经网络的低截获概率雷达信号调制类型的识别方法

本文针对低截获概率（Low Probability of Intercept, LPI）雷达信号调制类型的识别问题提出了一种基于Swin Transformer神经网络的识别方法. 该方法首先用平滑伪Wigner-Ville分布对信号进行时频变换,将一维时域信号变换为二维时频图像,然后使用Swin Transformer神经网络对图像进行特征提取及调制类型识别. 仿真结果显示,该方法具有较强的抗噪声能力,在低信噪比条件下识别准确率高,且具有较强的小样本适应能力.     

小波分析法对多带激励声码器基音提取的改进

作者介绍了小波变换用于语音信号基音周期检测的原理，提出了基于小波变换后波形特征的基音提取算法。该算法与原多带激励声码器基音提取算法相比，能有效避开噪声的干扰，正确提取语音的基音，计算复杂度也降低很多。     

一种基于小波变换的同步音频水印算法

提出了一种基于小波变换的同步音频水印算法.该算法具有以下特点:(1)利用同步信号定位水印的嵌入位置,以提高水印提取的正确率.同步信号嵌入时域,用于提高搜索效率;同时又再次嵌入在小波变换域,用于提高其正确性.(2)根据音频的局部相关特性自适应确定量化步长,并将水印信息量化嵌入到小波变换域的低频系数中.仿真实验表明:该同步自适应音频水印算法不仅具有较好的透明性,而且对诸如低通滤波、有损压缩、重采样等攻击均具有较好的鲁棒性.     

基于小波变换的语音基音周期实时检测算法

针对基音周期检测实时性的要求,提出了基于小波变换的语音基音周期实时检测算法。该算法利用小波变换极值与信号突变点之间的关系,将小波域波形与时域波形相结合,采取自适应基准、多特征参数提取小波系数极大值,并在2.5 ms时间内捕捉并检测到新的基音脉冲位置。实验表明,该算法对语音和残差信号取得了较好结果。     

一种线性调频信号参数提取方法

针对线性调频(LFM)信号参数提取问题,提出了一种基于Erosion变换和Hough变换的LFM信号参数提取方法。利用B-分布分析方法描述LFM信号,在此基础上,进一步利用Erosion变换突出雷达LFM信号的特点,利用Hough变换提取LFM信号参数。仿真分析表明:该方法能够较精确的提取出LFM信号参数,误差不超过1%,并具有良好的抗噪性能。     

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。     

一种小波加权的基音检测方法

噪声环境下的基音检测在语音信号分析和识别中占有重要地位。自相关法是一种常用的基音检测方法，利用自相关法结合小波变换检测信号突变的灵敏性，提出了一种噪声环境下有效的基音检测方法。实验结果表明，与传统方法相比，该方法鲁棒性好，对基音检测具有更高的准确率。     

一种基于小波变换的去噪新算法

提出一种去除观测信号中白噪声的新方法．分析了白噪声和一般信号的小波变换系数的不同特点，对Hampel滤波器进行了改进．利用白噪声和一般信号小波变换系数的不同特点，用改进后的滤波器对信号小波变换系数序列进行滤波处理，从而达到降噪的目的．仿真结果表明，滤波算法对不同种类、不同信噪比的信号有很好的降噪效果，尤其适用于强噪声背景下弱信号的检测。     

基于鲁棒局部均值分解与二阶瞬态提取变换的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时存在故障特征提取困难以及提取特征不明显的问题.针对此问题,提出了 一种基于鲁棒局部均值分解(robust local mean decomposition,RLMD)以及二阶瞬态提取变换(second-order transient-ex-tracting transform,S...     

采用IEWT-SAE算法的配电变压器故障诊断方法

为识别配电变压器运行过程中存在的潜伏性故障,提出一种基于改进经验小波变换(improve empirical wavelet transform, IEWT)及堆栈自编码器(stacked auto-encoder, SAE)的故障诊断新方法。首先,利用顺序统计滤波（order statistic filter, OSF）包络法来改进EWT对振动信号进行分解,得到一组经验小波分量并计算其与原始信号之间的K-L散度值,以剔除干扰分量;然后选取K-L散度值低的前n个（实际取3）经验小波分量作为SAE的输入数据,进行特征的自适应提取,并使用Softmax分类器完成故障诊断。为克服人工选取SAE参数带来的结果差、效率低等问题,在SAE训练过程中引入樽海鞘群算法(salp swarm algorithm, SSA)实现预训练学习率和微调学习率的自动寻优。最后在10kV油浸式变压器上搭建数据采集平台进行故障模拟及分类测试。实验结果表明,所提方法的分类精度达到99.5%,在面对强噪声干扰时亦具有较高的识别成功率。经测试发现其在识别准确率及诊断时间上均优于对比方法。     

采用IEWT-SAE算法的配电变压器故障诊断方法

为识别配电变压器运行过程中存在的潜伏性故障,提出一种基于改进经验小波变换(improve empirical wavelet transform,IEWT)及堆栈自编码器(stacked auto-encoder,SAE)算法的故障诊断新方法. 首先,利用顺序统计滤波包络法来改进经验小波变换完成对振动信号的分解,得到一组经验小波分量并计算其与原始信号之间的K-L散度值,以剔除干扰分量. 然后,选取K-L散度值低的经验小波分量作为SAE的输入数据进行特征的自适应提取,再用Softmax分类器完成故障诊断,并在堆栈自编码器训练过程中引入樽海鞘群算法实现参数寻优. 最后,在10kV油浸式变压器上搭建数据采集平台进行故障模拟及分类测试. 实验结果表明,所提方法的分类精度达99.5%,在识别准确率、诊断时间上均优于对比方法.