CN106357349B - 一种基于高频振荡共振原理的信号检测方法 - Google Patents

一种基于高频振荡共振原理的信号检测方法 Download PDF

Info

Publication number
CN106357349B
CN106357349B CN201610822169.4A CN201610822169A CN106357349B CN 106357349 B CN106357349 B CN 106357349B CN 201610822169 A CN201610822169 A CN 201610822169A CN 106357349 B CN106357349 B CN 106357349B
Authority
CN
China
Prior art keywords
oscillation
order
detection
data
signal
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
Application number
CN201610822169.4A
Other languages
English (en)
Other versions
CN106357349A (zh
Inventor
段法兵
任昱昊
李相伟
潘燕
许丽艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao University
Original Assignee
Qingdao University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao University filed Critical Qingdao University
Priority to CN201610822169.4A priority Critical patent/CN106357349B/zh
Publication of CN106357349A publication Critical patent/CN106357349A/zh
Application granted granted Critical
Publication of CN106357349B publication Critical patent/CN106357349B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B15/00—Suppression or limitation of noise or interference
    • H04B15/005—Reducing noise, e.g. humm, from the supply
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Noise Elimination (AREA)

Abstract

本发明公开了一种基于高频振荡共振原理的信号检测方法。该方法利用了高频振荡干扰简单易于实现的特点，将其馈入不同分集通道，利用不同通道的输出进行互相关计算后再分集的技术，形成自适应高频振荡共振调谐方法，依据能量累积和中心极限定理，该方法能够达到了检测器的Chernoff上界，通过高频振荡共振原理，本发明极大地提高了弱信号情况下检测器的检测概率。

Description

一种基于高频振荡共振原理的信号检测方法
技术领域
本发明涉及通讯信号检测技术领域，具体涉及其中的高频振荡共振调谐方法。
背景技术
在通讯信号传输、雷达信号检测等信息处理过程中，传输信号不仅受到电路和设备的固有噪声的污染，而且还受到不同调制方式、非线性效应、码间串扰等引起的周期性高频振荡干扰。为提高在噪声和高频振荡组合形成的混合干扰中弱信号检测概率，对于高频振荡、噪声以及抖动的建模和分析方面取得了一些理论进展，也出现了用于减缓高频振荡、噪声以及抖动的链路结构和电路。在这些传统的检测器设计方法中，检测器结构都是依据输入噪声和干扰的概率分布进行设计的。但是，这种设计方法在噪声和干扰的统计分布特性未知时将无法进行，同时，对于某些复杂的非高斯噪声概率分布，检测器结构设计异常复杂，难以实现。
为了应对上述检测器设计缺陷，次优性能的广义相关检测器和非参数检测器由于其易于实现和鲁棒性强的特点被广泛采用。为提高广义相关检测器和非参数检测器的检测性能，多通道分集技术和自适应参数调节技术都得到广泛关注和发展，但是这些方法面临着无法逼近检测性能极限的局限性，特别是在非高斯噪声背景下的弱信号检测性能还不明确，没有一种能够简易实现的检测方法。同时，传统的检测方法都是将高频振荡、噪声以及抖动视为有害因素，认为其是信号检测的主要障碍，通过系统结构、算法和电路设计等对其进行消除。然而，Landa与McClintock[P.S.Landa,P.V.E.McClintock,Vibrationalresonance,Journal of Physics A：Mathematical and General，33(45),L433–L438,2000]证实了高频振荡对系统输出信噪比、神经元的信息传输等具有有益的作用，即振荡共振理论。实际操作中高频振荡非常易于实现，利用高频振荡提高检测器的性能是本发明的主要技术思路。
弱信号检测的基础模型是二元假设检验观测模型，基于奈曼-皮尔逊原理的恒虚警检测基础技术背景如下。二元假设检验观测模型为
H1:xn＝θsn+wn,
H0:xn＝wn
这里H1表示信号存在的假设，弱信号强度θ＞0且θ→0，离散信号向量S＝[s1,s2,…,sN]T，观测向量为X＝[x1,x2,…,xN]T，数据长度为N，H0表示只有噪声的假设，白噪声向量W＝[w1,w2,…,wN]T，这里噪声概率密度模型不局限为高斯分布模型。利用广义相关检测器
判断为假设H1，否则判断为H0。我们假设转换函数g具有零均值E[g(x)]＝0和有限二阶矩E[g2(x)]＜∞。由于统计量T(X)是由大量同分布随机变量的和，因此T(X)的分布可以看成高斯分布。那么在假设H0是真时，统计量T(X)的均值为E[T|H0]＝0，方差为var(T|H0)≈PsE[g2(x)]，这里信号能量而在假设H1是真时，统计量T(X)的均值为E[T|H0]≈θPsE[g'(x)]，方差为var(T|H0)＝var(T|H1)。那么相关检测器的检测门限为
检测概率可以计算为
这里右尾概率函数恒虚警概率Pf下相关检测器的检测性能与检测效率
ξ＝E2[g'(x)]/E[g2(x)]
成正比，或者与检测器输出信噪比
SNR＝θ2Psξ＝Esξ
成正比。
高频振荡共振是类似于随机共振的一种非线性信息处理技术，通过调谐高频振荡的幅值和频率达到优化检测器性能的目的。高频振荡干扰不仅易于实现，而且还对于外部噪声的强度变化和类型改变具有较好的鲁棒性，不仅适用于确定性系统，也适用于随机系统，基于高频振荡共振原理的信号检测方法是一种非常适合实际应用的新检测技术。
发明内容
本发明要解决的技术问题是提供一种基于高频振荡共振原理的信号检测方法。
为了解决上述技术问题，本发明采用的技术方案是，一种基于高频振荡共振原理的信号检测方法，包括以下步骤：
步骤1：初始化参数，包括接收数据X＝{xn}并记录其长度N，设定标准信号波形S＝{sn}，选择转移函数g，高频振荡频率范围[fL,fU]且fL＞＞fs，fs是信号频率上限，给定虚警概率Pf，假设H1表示信号存在，而假设H0表示仅有噪声，Es为实际信号能量；
步骤2：将接收数据X复制M份，在每份数据中对于时刻n的馈入数据点xn分别加入M个不同频率的高频振荡ηmn，其中高频振荡ηmn＝Aηsin(2πfmn/N)，将混合数据分别通过转移函数g得到M个通道的输出ymn＝g(xn+ηmn)，这M个转移函数的输出组合之后，在时刻n计算均值统计量为以及两两不同函数输出组合之后求M(M-1)组点积互相关数据ymnypn＝g(xn+ηmn)g(xn+ηpn)，m≠p，n＝1,2,…,N，并建立检测统计量
步骤3：给定条件下，检测性能与通道M成正比，对于M＝∞的极限情况，其检测性能的计算首先通过任意一个通道的输出均值就是统计量T(X)在假设H1下的均值E[T|H1]，其次依据均方极限定理，在假设H0下的检测统计量方差var[T|H0]转化为任意两个不同通道的点积期望值E[ymnypn]；
步骤4：利用步骤3的结果由下式计算结果计算检测效率
则通过
求出最优振荡幅值调谐值从而完成自适应高频振荡共振调谐规律；
步骤5：根据此最优值产生的高频振荡干扰加入接收数据X，更新数据为计算假设H1下的均值和方差计算H0假设下的均值计算H0假设下的方差得到最大检测效率依据给定的虚警概率Pf，依据下式计算出门限值
这里右尾概率函数函数Q-1是函数Q在逆函数；
步骤6：将统计量和门限值进行比较，若
判断为假设H1，否则判断为H0；
最后按上式获得检测概率。
本发明的有益效果是：
利用了高频振荡干扰简单易于实现的特点，将其馈入不同分集通道，利用不同通道的输出进行互相关计算后再分集的技术，形成自适应高频振荡共振调谐方法，依据能量累积和中心极限定理，该方法能够达到了检测器的Chernoff上界，通过高频振荡共振原理，本发明极大地提高了弱信号情况下检测器的检测概率。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明基于高频振荡共振原理的信号检测方法实施例的高频振荡共振检测器示意图。
图2是本发明基于高频振荡共振原理的信号检测方法实施例的检测概率的振荡共振图。
图3是本发明基于高频振荡共振原理的信号检测方法实施例的不同输入信噪比下振荡共振曲线。
图4是本发明基于高频振荡共振原理的信号检测方法实施例的不同输入信噪比下检测概率。
图5是本发明基于高频振荡共振原理的信号检测方法实施例的不同噪声类型下最大检测概率max Pd(A)和最优振荡幅值
具体实施方式
图1是一种高频振荡共振检测器，以下是基于该高频振荡共振检测器的信号检测方法的具体步骤：
(1)初始化参数，给定虚警概率转移函数g，信号强度θ，参考信号向量S，设信号最大频率fs，白噪声向量W以及其概率密度函数fw，观测数据向量X,数据长度为N，高频振荡频率范围[fL,fU]且fL＞＞fs，信号能量
(2)取M组高频振荡ηmn＝Aηsin(2πfmn/N)加入到观测数据向量X中，m＝1,2,…,M，n＝1,2,…,N，将混合数据通过转移函数g得到各通道的输出
ymn＝g(xn+ηmn) (1)
将两两通道输出相互点积计算得到相关输出
ymnypn＝g(xn+ηmn)g(xn+ηpn)，i,j＝1,3,5…M，i≠j (2)
(3)各通道的分集和为
建立统计量
(4)计算H0假设下统计量的输出均值
统计量的方差
(5)计算H1假设下统计量的输出均值
统计量的方差
var[T|H0]≈var[T|H1] (8)
(6)计算检测器检测功效
(7)给定系统、噪声、振荡幅值，检测功效是检测器数目M的单调递增函数，为得到M＝∞的检测极限值，我们将检测统计量的特征进行近似
(8)那么利用式9，得到最优振荡幅值的解满足的超越方程
获得最优振荡幅值调谐幅值
(9)将具有最优振荡幅值调谐幅值的高频振荡重新馈入传递函数，得到更新的均值和方差
此时的检测器功效计算为
(10)最终检测参数为：检测门限
这里右尾概率函数函数Q-1是函数Q在逆函数。
检测器判定方法
检测概率计算为
由于式(13)与(14)是M＝∞情况下检测统计量T(X)，其检测概率式(18)就是给定检测器的Chernoff界。
实验结果
(1)在给定的噪声强度离散输入信号sn＝0.1sin(2πfsn/N)，fs为任意的，输入信噪比为-22dB，虚警概率Pf＝0.01，外部噪声的概率密度函数为
这里α是形状参数，β是尺度参数，此例中α＝8。检测器的转换函数为硬限幅器
这里θ为阈值参数。高频振荡ηmn＝Aηsin(2πfmn/N)，fm＝(20+m)fs，我们模拟无穷多并联检测器，取fi＝21fs和fj＝22fs(m可以是任意的整数，i≠j)。图2为检测概率式(25)中PD与阈值θ和高频振荡幅值Aη三维图。我们可以清晰地看出，存在一个最优高频振荡幅值使得PD能够取得最大值。
(2)给定阈值θ＝2，图3给出了三种输入信噪比下振荡共振曲线，其他参数同图3。我们取其最大检测概率，对比不同输入信噪比的性能曲线在图4中给出，可以看出即使输入信噪比的恶化为-26dB，检测概率依然能够高于80％。
(3)给定输入信噪比-22dB，对于不同类型的噪声，由α参数控制，我们在图5中给出最大检测概率max Pd(图5A)和相应的最优振荡幅值(图5B)。由图5(A)可以看出，同样输入信噪比和检测器情况下，高斯噪声是最差的噪声监测环境，非高斯噪声环境下都能够得到更高的检测概率。
以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (1)

1.一种基于高频振荡共振原理的信号检测方法，包括以下步骤：
步骤1：初始化参数，包括接收数据X＝{xn}并记录其长度N，设定标准信号波形S＝{sn}，选择转移函数g，高频振荡频率范围[fL,fU]且fL＞＞fs，fs是信号频率上限，给定虚警概率Pf，假设H1表示信号存在，而假设H0表示仅有噪声，Es为实际信号能量；
步骤2：将接收数据X复制M份，在每份数据中对于时刻n的馈入数据点xn分别加入M个不同频率的高频振荡ηmn，其中高频振荡ηmn＝Aηsin(2πfmn/N)，将混合数据分别通过转移函数g得到M个通道的输出ymn＝g(xn+ηmn)，这M个转移函数的输出组合之后，在时刻n计算均值统计量为以及两两不同函数输出组合之后求M(M-1)组点积互相关数据ymnypn＝g(xn+ηmn)g(xn+ηpn)，m≠p，n＝1,2,…,N，并建立检测统计量
步骤3：给定条件下，检测性能与通道M成正比，对于M＝∞的极限情况，其检测性能的计算首先通过任意一个通道的输出均值就是统计量T(X)在假设H1下的均值E[T|H1]，其次依据均方极限定理，在假设H0下的检测统计量方差var[T|H0]转化为任意两个不同通道的点积期望值E[ymnypn]；
步骤4：利用步骤3的结果由下式计算结果计算检测效率
则通过
求出最优振荡幅值调谐值从而完成自适应高频振荡共振调谐规律；
步骤5：根据此最优值产生的高频振荡干扰加入接收数据X，更新数据为计算假设H1下的均值和方差计算H0假设下的均值计算H0假设下的方差得到最大检测效率依据给定的虚警概率Pf，依据下式计算出门限值
这里右尾概率函数函数Q-1是函数Q在逆函数；
步骤6：将统计量和门限值进行比较，若
判断为假设H1，否则判断为H0；
最后按上式获得检测概率。
CN201610822169.4A 2016-09-14 2016-09-14 一种基于高频振荡共振原理的信号检测方法 Active CN106357349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610822169.4A CN106357349B (zh) 2016-09-14 2016-09-14 一种基于高频振荡共振原理的信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610822169.4A CN106357349B (zh) 2016-09-14 2016-09-14 一种基于高频振荡共振原理的信号检测方法

Publications (2)

Publication Number Publication Date
CN106357349A CN106357349A (zh) 2017-01-25
CN106357349B true CN106357349B (zh) 2019-04-26

Family

ID=57859888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610822169.4A Active CN106357349B (zh) 2016-09-14 2016-09-14 一种基于高频振荡共振原理的信号检测方法

Country Status (1)

Country Link
CN (1) CN106357349B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101854219A (zh) * 2010-06-18 2010-10-06 上海交通大学 基于随机共振的能量检测装置及其检测方法
CN105067025A (zh) * 2015-07-31 2015-11-18 西南科技大学 一种利用单稳系统随机共振效应检测微弱信号的方法
CN105910703A (zh) * 2016-04-21 2016-08-31 广东工业大学 非经典随机共振信号检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101854219A (zh) * 2010-06-18 2010-10-06 上海交通大学 基于随机共振的能量检测装置及其检测方法
CN105067025A (zh) * 2015-07-31 2015-11-18 西南科技大学 一种利用单稳系统随机共振效应检测微弱信号的方法
CN105910703A (zh) * 2016-04-21 2016-08-31 广东工业大学 非经典随机共振信号检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Ning Hsing Lu;Bruce A. Eisenstein.Weak Signal Detection in Non-Gaussian Noise of Unknown Level.《IEEE Transactions on Aerospace and Electronic Systems》.1984,正文第830页-第834页.
张静等.广义相关检测器中噪声增强条件的研究.《青岛大学学报》.2013,正文第53页-第57页.
樊养余等.基于随机共振的任意大频率微弱信号检测方法研究.《仪器仪表学报》.2013,正文第566页-第572页.
高锐等.低信噪比条件下基于随机共振的感知方法与性能分析.《电子学报》.2013,正文第1672页-第1679页.

Also Published As

Publication number Publication date
CN106357349A (zh) 2017-01-25

Similar Documents

Publication Publication Date Title
Deng et al. Radio frequency fingerprint extraction based on multidimension permutation entropy
Mei et al. Research on the application of 4-weighted fractional Fourier transform in communication system
Li et al. CAD: command-level anomaly detection for vehicle-road collaborative charging network
Wu et al. Kalman filtering over Gilbert–Elliott channels: Stability conditions and critical curve
Umsonst et al. Anomaly detector metrics for sensor data attacks in control systems
CN106533577A (zh) 一种基于能量检测的非高斯噪声抑制方法
CN106375156A (zh) 电力网络流量异常检测方法及装置
Arvani et al. Detection and protection against intrusions on smart grid systems
Chunjie et al. Synthetic algorithm for deinterleaving radar signals in a complex environment
CN113962381A (zh) 微弱信号数据增强方法
Wu et al. Online detection of false data injection attacks to synchrophasor measurements: A data-driven approach
Huang et al. False phasor data detection under time synchronization attacks: A neural network approach
CN106357349B (zh) 一种基于高频振荡共振原理的信号检测方法
Saad et al. Earthquake Forecasting Using Big Data and Artificial Intelligence: A 30‐Week Real‐Time Case Study in China
Nguyen et al. Impersonation attack detection in IoT networks
CN112637104B (zh) 异常流量检测方法和系统
Guven et al. Classifying LPI radar waveforms with time-frequency transformations using multi-stage CNN system
CN113452523B (zh) 针对连续变量量子密钥分发过程的异常通信检测方法
Wang et al. Blind Recognition Method for Non-Cooperative Communication Signals Based on Aerial Computing
Ivanov et al. Modern spectrum sensing techniques for cognitive radio networks: practical implementation and performance evaluation
Li et al. Research on weak signal detection method based on duffing oscillator in narrowband noise
Farhadi et al. A novel ratio-phase metric of signal quality monitoring for real-time detection of GPS interference
Zhang et al. Cyber attacks on estimation sensor networks and iots: Impact, mitigation and implications to unattacked systems
Lin-fang et al. Weak signal detection based on Duffing oscillator phase transition rate
Qiao et al. Stability analysis of networked control systems with multi-parameter constraints

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant