CN105740761B - 一种弱信号目标检测的优化方法 - Google Patents
一种弱信号目标检测的优化方法 Download PDFInfo
- Publication number
- CN105740761B CN105740761B CN201610039746.2A CN201610039746A CN105740761B CN 105740761 B CN105740761 B CN 105740761B CN 201610039746 A CN201610039746 A CN 201610039746A CN 105740761 B CN105740761 B CN 105740761B
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency spectrum
- correlation
- quadruple
- spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种弱信号目标检测的优化方法,其具体步骤如下:(1)读取离散化后的输入信号;(2)对信号x(n)进行四重自相关;(3)计算相关函数的频谱;(4)由相关信号的频谱,根据信号的频谱与自相关函数频谱的关系,由四重相关信号频谱计算信号x1(n)的频谱;(5)计算匹配滤波器的传输函数;(6)求信号经过匹配滤波器的频谱;(7)采用多正弦窗进行谱估计;(8)将信号频谱还原为时域信号。本发明方法利用四重相关和三谱分析,实现高阶矩范围内信号处理,采用匹配滤波器求信号经过匹配滤波器滤波后的频谱,该滤波器能够给出最大的信噪比。采用多正弦窗进行谱估计,对谱图会有一定的平滑效果;同时能够保证一定的频率分辨能力。
Description
技术领域
本发明涉及一种弱信号目标检测的优化方法,属于计算机算法技术领域。
背景技术
相关检测技术是根据噪声与噪声、噪声与信号均不相关,而信号与信号则完全相关的特性,通过相关运算达到去除噪声的一种技术。现已普遍证明,它是从噪声中提取有用信号,提高输出信噪比的有效方法。它在自动控制、通信、雷达等领域都获得了广泛的应用。四重相关和三谱(四重相关函数的频谱函数)分析就是高阶矩范围内的信号处理方法,由于零均值的高斯平稳随机过程的四重相关等于零,以及四重相关具有位移和旋转不变性等特点,并且三谱富有丰富的冗余信息。
被动式监控探测系统,例如红外监控探测系统较之于主动式探测系统具有难以比拟的优势。然而,被动式目标探测系统所要探测的信号通常迭加有强噪声。因此,从强噪声中将有用的信号提取出来,就成为目标识别的前提。四重相关检测技术可实现信号与噪声的分离,去除噪声。采用匹配滤波器,给出最大的信噪比。通常,对监控探测系统所探测到的目标信号的处理主要是利用二阶统计矩,即功率谱和二重相关函数,这就是二重相关匹配滤波技术。从频域角度来分析,二重相关匹配滤波器可以最大限度地吸收有用信号的能量,而最大限度地抑制信号频带以外的噪声。根据信号与噪声的不同频谱特点,采用线性滤波器消除噪声频谱。当线性滤波器传输函数为输入信号频谱函数的复共轭时,该滤波器能够给出最大的信噪比。
然而,许多实验研究表明,无论二重相关滤波器设计得多么精细,信号频带之内的噪声仍然是难以抑制的。为了进一步提高信噪比,应该设法抑制信号频带之内的噪声。一个有效的解决办法就是采用高阶矩范围内的信号处理方法。四重相关和三谱(四重相关函数的频谱函数)分析就是高阶矩范围内的信号处理方法,由于零均值的高斯平稳随机过程的四重相关等于零,以及四重相关具有位移和旋转不变性等特点,并且三谱富有丰富的冗余信息,因此,四重相关匹配滤波技术较之二重相关匹配滤波技术可以进一步抑制噪声从而提高信噪比。随着这一技术研究的深入,基于四重相关的分析方法发展了许多新的信号处理方法,使得这一技术更加完善。并且在红外成像、信号的高阶谱分析等诸多领域获得了广泛的应用。
在滤波方面,线性滤波器可以地滤除信号中的噪声,但滤波以后的信噪比不够高,当线性滤波器传输函数为输入信号频谱函数的复共轭时,该滤波器能够给出最大的信噪比。
多正弦窗谱估计具有较小的偏差。同时,由于进行了多个特征谱的加权平均,对谱图会有一定的平滑效果,因此谱估计的方差性能较传统的周期图法会有显著的改善。同时能够保证一定的频率分辨能力。
发明内容
本发明的目的在于提供一种弱信号目标检测的优化方法,以便更好地针对弱信号目标检测进行优化,采用更好的算法予以优化。
为了实现上述目的,本发明的技术方案如下。
一种弱信号目标检测的优化方法,其具体步骤如下:
(1)读取离散化后的输入信号:x(n)n=0,1,2......N-1,其中N为信号x(t)的采样点数;
(2)对输入信号x(n)进行四重自相关,具体方法为,设信号x(n)包括有用信号s(n)和随机加性噪声u(n),信号表达式为:x(n)=s(n)+u(n),首先对输入信号x(n)进行二重自相关:
根据信号与信号相关,信号与噪声的不相关性,有:
即:rxx(m)=rss(m),表明含噪信号x(n)的二重相关近似等于有用信号s(n)的二重自相关。
信号x(n)的三重自相关可表示为:
根据rxx(n)与s(n)相关,rxx(n)与噪声的不相关性,有:
rxxx(m)=rsss(m)
表明含噪信号x(n)的三重相关近似等于有用信号s(n)的三重自相关。
同理,可得,信号x(n)的四重相关可表示为:
rxxxx(m)=rssss(m)
即含噪信号x(n)的四重相关近似等于有用信号s(n)的四重自相关。
(3)计算相关函数rxxxx(m)和输入信号x(n)的频谱:
其中,ωk表示离散频域,j表示虚数单位;
(4)由相关信号的频谱,根据信号的频谱与自相关函数频谱的关系,利用公式由四重相关信号频谱计算有用信号s(n)的频谱;
(5)计算匹配滤波器的传输函数:当线性滤波器传输函数为输入信号频谱函数的复共轭时,该滤波器能够给出最大的信噪比,这种滤波器称为匹配滤波器;匹配滤波器的传输函数为:
H(ωk)=X*(ωk),其中,X*(ωk)是X(ωk)的复共轭;
(6)求信号经过匹配滤波器的频谱:经过滤波后的信号x1(n)的频谱为:
X1(ωk)=S(ωk)H(ωk)
(7)采用多正弦窗进行谱估计:窗函数取为:
设K为正弦窗数量,μk为第k个正弦窗的加权系数,则经过滤波后的信号x1(n)的多正弦窗谱估计为:
其中为第i个特征谱。而
所以多正弦窗谱估计可表示为:
(8)将信号频谱还原为时域信号:
该发明的有益效果在于:本发明方法中,利用四重相关和三谱(四重相关函数的频谱函数)分析,实现高阶矩范围内信号处理,由于零均值的高斯平稳随机过程的四重相关等于零,以及四重相关具有位移和旋转不变性等特点,并且三谱含有丰富的冗余信息,采用匹配滤波器进行滤波,该滤波器能够给出最大的信噪比。因此,四重相关匹配滤波技术较之二重相关匹配滤波技术,可以进一步抑制噪声,从而提高信噪比。多正弦窗谱估计在有效改进谱估计的方差性能的同时,能够保证一定的频率分辨能力。
附图说明
图1是本发明实施例中所使用算法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便更好的理解本发明。
实施例
本实施例中的弱信号目标检测的优化方法,其流程如图1所示,具体步骤如下:
(1)读取离散化后的输入信号:x(n)n=0,1,2......N-1,其中N为信号x(t)的采样点数;
(2)对输入信号x(n)进行四重自相关,信号x(n)的四重相关可表示为:
rxxxx(m)=rssss(m)
即含噪信号x(n)的四重相关近似等于有用信号s(n)的四重自相关。
用Matlab语言实现输入信号x(n)二重相关:R2m=autocorr(xn);
四重相关:R4m=autocorr(R2m);
(3)计算相关函数rxxxx(m)和输入信号x(n)的频谱:
其中,ωk表示离散频域,j表示虚数单位;
用Matlab语言计算相关函数rxxxx(m)的频谱:
n=0:N-1;k=0:N-1;%序列范围
WN=exp(-j*2*pi/N);%设定wn因子
nk=n′*k;%赋值nk转置为n行1列矩阵与k相乘
WNnk=WN.^nk;%矩阵点幂
Rk=r4m*WNnk;%相关函数rxxxx(m)的频谱
Xk=xn*WNnk;%输入信号x(n)的频谱
(4)由相关信号的频谱,根据信号的频谱与自相关函数频谱的关系,利用公式由四重相关信号频谱计算有用信号s(n)的频谱;
用Matlab语言计算有用信号s(n)的频谱:
Rk_abs=abs(Rk);%R(ωk)的幅频
Sk_abs=Rk_abs.^(1/4);%S(ωk)的幅频
Sk_angle=angle(Rk)/4;%S(ωk)的相频
(5)计算匹配滤波器的传输函数:当线性滤波器传输函数为输入信号频谱函数的复共轭时,该滤波器能够给出最大的信噪比,这种滤波器称为匹配滤波器;匹配滤波器的传输函数为:
H(ωk)=X*(ωk),其中,X*(ωk)是X(ωk)的复共轭;
用Matlab语言计算匹配滤波器的传输函数:
Hk=conj(Xk);
(6)求信号经过匹配滤波器的频谱:经过滤波后的信号x1(n)的频谱为:
X1(ωk)=S(ωk)H(ωk)
用Matlab语言计算经过滤波后的信号x1(n)的频谱为:
X1k=Sk.*Hk;
(7)采用多正弦窗进行谱估计:窗函数取为:
设K为正弦窗数量,μk为第k个正弦窗的加权系数,则经过滤波后的信号x1(n)的多正弦窗谱估计为:
其中为第i个特征谱。而
所以多正弦窗谱估计可表示为:
用Matlab语言计算多正弦窗谱估计:
K1=0:N-1;%序列范围
dw=2*pi/N;%频率分辨率
dwk=K1*dw;%生成频率序列
dwi=ones(1,N);%产生全为1的序列
For k=1:N
Xmtk(k)=0;
For l=1:K
wi=dwk(k)+pi*(l+1)/(N+1);%多弦窗估计的偏移后的频率
Xmtk1_abs=interp1(dwk,abs(X1k),wi);%插值计算的幅频
Xmtk1_angle=interp1(dwk,angle(X1k),wi);的相频
Xmtk2_abs=interp1(dwk,abs(X1k),wi);的幅频
Xmtk2_angle=interp1(dwk,angle(X1k),wi);的相频
Xmtk1=Xmtk1_abs*exp(j*Xmtk1_angle);的复数表示
Xmtk2=Xmtk2_abs*exp(j*Xmtk2_angle);的复数表示
Window1=Xmtk1+Xmtk2;
Window1_abs1=abs(Window1)^2;
Window1_abs2=window1_abs*pi*u(l)/(N+1);
Xmtk(k)=Xmtk(k)+Window1_abs2;%多正弦窗谱估计
End
End
(8)将信号频谱还原为时域信号:
用Matlab语言将信号频谱还原为时域信号:
n=0:N-1;k=0:N-1;%序列范围
WN1=exp(j*2*pi/N);%设定wn因子
kn=k′*n;%赋值nk转置为n行1列矩阵与k相乘
WNnk1=WN1.^kn;%矩阵点幂
x2n=Xmtk*WNnk1;%求出时域信号x2(n)
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (1)
1.一种弱信号目标检测的优化方法,其特征在于:其具体步骤如下:
(1)读取离散化后的输入信号:x(n)n=0,1,2......N-1,其中N为信号x(t)的采样点数;
(2)对输入信号x(n)进行四重自相关,具体方法为,设信号x(n)包括有用信号s(n)和随机加性噪声u(n),信号表达式为:x(n)=s(n)+u(n),首先对输入信号x(n)进行二重自相关:
根据信号与信号相关,信号与噪声的不相关性,有:
即:rxx(m)=rss(m),表明含噪信号x(n)的二重相关近似等于有用信号s(n)的二重自相关;
信号x(n)的三重自相关可表示为:
根据rxx(n)与s(n)相关,rxx(n)与噪声的不相关性,有:
rxxx(m)=rsss(m)
表明含噪信号x(n)的三重相关近似等于有用信号s(n)的三重自相关;
同理,可得,信号x(n)的四重相关可表示为:
rxxxx(m)=rssss(m)
即含噪信号x(n)的四重相关近似等于有用信号s(n)的四重自相关;
(3)计算相关函数rxxxx(m)和输入信号x(n)的频谱:
其中,ωk表示离散频域,j表示虚数单位;
(4)由相关信号的频谱,根据信号的频谱与自相关函数频谱的关系,利用公式由四重相关信号频谱计算有用信号s(n)的频谱;
(5)计算匹配滤波器的传输函数:当线性滤波器传输函数为输入信号频谱函数的复共轭时,该滤波器能够给出最大的信噪比,这种滤波器称为匹配滤波器;匹配滤波器的传输函数为:
H(ωk)=X*(ωk),其中,X*(ωk)是X(ωk)的复共轭;
(6)求信号经过匹配滤波器的频谱:经过滤波后的信号x1(n)的频谱为:
X1(ωk)=S(ωk)H(ωk)
(7)采用多正弦窗进行谱估计:窗函数取为:
设K为正弦窗数量,μk为第k个正弦窗的加权系数,则经过滤波后的信号x1(n)的多正弦窗谱估计为:
其中为第i个特征谱;而
所以多正弦窗谱估计可表示为:
(8)将信号频谱还原为时域信号:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610039746.2A CN105740761B (zh) | 2016-01-13 | 2016-01-13 | 一种弱信号目标检测的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610039746.2A CN105740761B (zh) | 2016-01-13 | 2016-01-13 | 一种弱信号目标检测的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740761A CN105740761A (zh) | 2016-07-06 |
CN105740761B true CN105740761B (zh) | 2019-02-15 |
Family
ID=56246361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610039746.2A Active CN105740761B (zh) | 2016-01-13 | 2016-01-13 | 一种弱信号目标检测的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740761B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108489529A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院国家空间科学中心 | 一种基于高阶统计量的微弱信号检测方法 |
CN111524520A (zh) * | 2020-04-22 | 2020-08-11 | 星际(重庆)智能装备技术研究院有限公司 | 一种基于误差逆向传播神经网络的声纹识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2231218A (en) * | 1989-03-28 | 1990-11-07 | Secr Defence | FM interference reduction |
CN101119132A (zh) * | 2007-09-11 | 2008-02-06 | Ut斯达康通讯有限公司 | 时分码分多址通信系统中同频信号的检测方法和装置 |
CN101294845A (zh) * | 2008-05-05 | 2008-10-29 | 西北工业大学 | 转子早期故障的多频率微弱信号检测方法 |
CN101881817A (zh) * | 2009-05-06 | 2010-11-10 | 中国科学院微电子研究所 | 对全球导航卫星系统微弱信号进行检测的装置及方法 |
CN104101780A (zh) * | 2014-04-24 | 2014-10-15 | 重庆邮电大学 | 基于联合去噪和频率调制的微弱信号检测方法 |
-
2016
- 2016-01-13 CN CN201610039746.2A patent/CN105740761B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2231218A (en) * | 1989-03-28 | 1990-11-07 | Secr Defence | FM interference reduction |
CN101119132A (zh) * | 2007-09-11 | 2008-02-06 | Ut斯达康通讯有限公司 | 时分码分多址通信系统中同频信号的检测方法和装置 |
CN101294845A (zh) * | 2008-05-05 | 2008-10-29 | 西北工业大学 | 转子早期故障的多频率微弱信号检测方法 |
CN101881817A (zh) * | 2009-05-06 | 2010-11-10 | 中国科学院微电子研究所 | 对全球导航卫星系统微弱信号进行检测的装置及方法 |
CN104101780A (zh) * | 2014-04-24 | 2014-10-15 | 重庆邮电大学 | 基于联合去噪和频率调制的微弱信号检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105740761A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106443178B (zh) | 一种基于IQuinn-Rife综合的正弦信号频率估计方法 | |
CN111132272A (zh) | 一种5g nr系统小区搜索定时同步方法 | |
CN105740761B (zh) | 一种弱信号目标检测的优化方法 | |
CN102680948A (zh) | 一种线性调频信号调频率和起始频率估计方法 | |
JP2004526167A5 (zh) | ||
CN109633711B (zh) | 一种超大动态、高灵敏度的扩频测控基带接收方法及装置 | |
CN105516045B (zh) | 一种ofdm训练序列构造及同步方法 | |
CN109587089B (zh) | 一种提升无人机信号识别准确度的方法 | |
Hu et al. | Radar-communication integration based on OFDM signal | |
CN107561357B (zh) | 一种基于信道化的高精度瞬时测频方法和装置 | |
CN110133632A (zh) | 一种基于cwd时频分析的复合调制信号识别方法 | |
CN108562883A (zh) | 一种多载波雷达系统的最大似然距离估计算法 | |
CN105445767B (zh) | 基于平均模糊函数的boc信号参数盲估计方法 | |
CN105071830A (zh) | 一种直扩信号的检测识别方法 | |
CN110336583A (zh) | 一种直接序列扩频信号的快速捕获装置及方法 | |
CN109782310A (zh) | 一种BOC(n,n)调制信号快速捕获方法 | |
CN110596458B (zh) | Demon谱谐波线谱和基频自动估计方法 | |
CN111884974A (zh) | 一种基于频谱分解的宽带信号射频指纹特征提取方法 | |
CN105099982B (zh) | 一种频偏估计方法及装置 | |
CN104778342B (zh) | 一种基于小波奇异熵的心音特征提取方法 | |
CN106569182B (zh) | 基于最小熵的相位编码信号载频估计方法 | |
CN106027454A (zh) | 基于频率补偿的qam信号的频偏估计方法 | |
CN109769294A (zh) | 一种基于fdd-lte系统的同步方法 | |
CN111814703B (zh) | 一种非重构条件下基于hb的信号联合特征提取方法 | |
CN111308517B (zh) | 一种基于多相关器的复合载波极弱信号差分捕获方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180629 Address after: 430205 709, Tibet long road, Fenghuang Industrial Park, Jiangxia District, Wuhan, Hubei. Applicant after: No.709 Inst., China Ship Heavy Industry Group Co., Ltd. Address before: 430000 717 717, Xiong Chu street, Hongshan District, Wuhan, Hubei. Applicant before: Xu Fang |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |