CN108398183A - 一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法 - Google Patents
一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法 Download PDFInfo
- Publication number
- CN108398183A CN108398183A CN201810114894.5A CN201810114894A CN108398183A CN 108398183 A CN108398183 A CN 108398183A CN 201810114894 A CN201810114894 A CN 201810114894A CN 108398183 A CN108398183 A CN 108398183A
- Authority
- CN
- China
- Prior art keywords
- frequency
- poincare
- duffing
- noise
- detection
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Abstract
本发明是一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法,其特点是,包括基于Poincare映射特征函数的Duffing振子相态的定量判别、基于频率切片小波变换的检测系统性能提升和对多线谱成分的变参数Duffing振子检测等内容,能够满足实际工程中快速性及实时性的要求,同时可降低漏报及误判的概率,实现低信噪比背景下参数未知的多线谱检测与频率估计。具有方法科学合理,适用性强,效果佳等优点。
Description
技术领域
本发明属于水声弱信号检测技术领域,涉及一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法。
背景技术
在利用被动声呐探测舰船目标时,舰船的辐射噪声通常是探测设备的主要信号来源。由于舰船辐射噪声源的复杂多变,其产生的舰船噪声成分及信号类型也是多样化的。在一般情况下,舰船辐射噪声的主要成分为机械噪声及螺旋桨噪声,噪声谱是由宽带连续谱及离散频率上的线谱组成。其中,线谱的成分比较稳定,并且物理含义明确,可作为舰船目标识别的重要特征量。而且,不同舰船辐射噪声的线谱特征量是不同的,因此可利用线谱特征量进行舰船目标的检测和识别。由于水声传输信道复杂多变,多径效应、系统自噪声及海洋环境噪声等因素的影响,特别是由于隐身技术的发展,舰船辐射噪声信号已成为淹没在强背景噪声下的非高斯、非平稳及非线性的微弱信号。常规的线谱检测方法,诸如谱估计、高阶统计量、自相关等方法,由于背景噪声的非高斯性及非平稳性,检测效果并不理想。在信噪比较低情况下,能够改善非平稳性对目标识别精度影响的小波变换、经验模态分解等时频分析方法对线谱检测的效果也不十分理想。
Duffing振子是一种典型的非线性动力系统,具有对线谱高敏感及对噪声免疫的特性。现有理论分析及仿真实验中,利用Duffing振子能够实现信噪比低达-111dB的线谱检测。常规Duffing振子检测系统实现线谱检测时,需要系统内置策动力的频率与线谱的频率相匹配,因此只能检测频率已知的弱线谱成分。但是,采用被动声纳对未知的舰船目标进行探测时,通常其辐射噪声的线谱特征参数是无法确知的,如线谱的数目、频率以及这些参数在不同工况下的变化情况,利用常规Duffing振子检测系统无法实现参数未知线谱的检测。目前,对常规Duffing振子检测系统进行改进,用于检测参数未知线谱的方法主要有两类:一是将多个内置策动力频率不同的Duffing振子组成阵列构成检测系统。将被测信号送入该检测系统中,若某一个Duffing振子发生共振,其相态发生跃变,则说明被测信号中包含与该振子内置周期策动力频率相同的线谱成分。该方法存在的问题是:当线谱的频率覆盖区域较大时,构成阵列的振子数量增多,系统结构复杂,从而检测成本也较高。二是利用Duffing振子的间歇混沌现象实现线谱检测的方法。该方法存在的问题是:对Duffing振子间歇混沌态的判别是通过对系统输出时域波形的定性判别,具有较强的主观性,检测精度和检测效率均较低。当识别多线谱成分时,该算法的计算复杂度较大。
发明内容
本发明的目的是,针对实际舰船目标检测时,无法获知舰船辐射噪声的线谱特征信息问题,提供了一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法,使用该方法检测时,构造一个变参数Duffing振子检测模型,通过自动地改变Duffing振子的内置周期策动力频率,实现舰船辐射噪声中多线谱成分的检测及频率估计。在采用该法时,利用频率小波切片变换方法能提升系统抗噪性能,利用Poincare映射函数系统相态定量判别方法,实现了无需人为干预地自主检测。
本发明的目的是由以下技术方案来实现的:一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法,其特征是,它包括的内容有:
1)基于Poincare映射特征函数的Duffing振子相态的定量判别
为解决采用相图法判别Duffing振子相态时存在的主观性强及无法自动识别的问题,引入Poincare映射特征函数参数,根据系统处于混沌态和大尺度周期态Poincare映射特征函数值的差异性,实现Duffing振子系统由混沌态向大尺度周期态的识别;
2)基于频率切片小波变换的检测系统性能提升
为消除噪声对Duffing振子系统相态判别参数Poincare特征函数的影响,采用频率切片小波变换方法,对输入至检测系统的信号进行滤波清洗,消除噪声对Duffing振子系统相轨迹波动的影响;
3)对多线谱成分的变参数Duffing振子检测
构造变参数单一的Duffing振子检测模型,通过自动改变Duffing振子检测系统内置策动力的频率,自主地扫描并识别舰船辐射噪声中的弱线谱成分,并能对线谱的频率进行估计。
进一步,所述基于Poincare映射特征函数的Duffing振子相态的定量判别
设Duffing振子系统检测模型为:
x″+kωx′+ω2(-x+x3)=ω2rcosωt (1)
其中,k为阻尼比,-x+x3为非线性恢复力项,rcos(ωt)为系统内置策动力,ω为内置策动力的角频率。
引入θ(θ=ωt)变量,系统降维后变为三维自治系统,相空间扩展为R2×S1:
由系统输出Z(t)=[x(t) y(t) θ(t)]T,利用构造庞加莱截面的方法对其重构,获得一个时间延迟的3×m维矢量矩阵:
d(t)=[Z(t),Z(t-T),Z(t-2T),...,Z(t-(m-1)T)] (3)
其中,T为系统内置策动力周期,m为矩阵的维数,当选取截面∑={(x,y,θ)|θ=φ},其中0≤φ<2π,记下Z(t)轨道与该截面所有交点d(t)={(x(tn),y(tn)|θ=φ},n=0,1,2,3...,tn为Z(t)与截面{θ=φ}第n次相交的时间,系统输出经过延迟重构和Poincare截面切割后获得的Poincare映射,将原动力系统所决定的随时间连续运动转变为在Poincare截面上离散的映射,系统处于大尺度周期态和混沌态时,Poincare映射的非平稳性及振荡程度不同,大尺度周期态的Poincare映射表现为不动点或在噪声影响下以不动点为中心的小邻域内小幅度振荡特征;而混沌态的Poincare映射表现为随机大幅波动的布朗运动特征,根据系统处于混沌态与大尺度周期态时Poincare映射的差异,构建一个可量化描述系统相态的度量参数Poincare映射特征函数:
其中,di为系统输出的Poincare映射序列,N为序列长度,α为特征指数,
随着特征指数α值的增大,处于混沌态临界状态系统输出的Poincare映射特征函数值增大,而进入大尺度周期态系统输出的Poincare映射特征函数值成倍减小,即由混沌态向大尺度周期态跃变的Poincare映射特征函数差值增大。适当增加特征指数α值可增大系统相态判决的阈值选择范围,降低由于噪声影响导致的系统相态判决的错误概率,但是,特征指数α也并非越大越好,由分析可知,特征指数在2≤α≤20范围内选择较为合理;
进一步,所述基于频率切片小波变换的检测系统性能提升
为消除噪声对系统相轨迹波动的影响,利用频率小波切片变换对送入检测系统的信号进行滤波清洗,
对于任意信号x(t)∈L2(R),为x(t)的频域形式,选择合适的母小波p(t),其频域形式为称为频率切片函数,则x(t)的频率小波切片变换为:
式中,为的共轭;ω及t是观测角频率及时间,u是估计频率,σ为尺度因子(σ≠0),λ为能量系数(λ≠0),二者取常数或者是ω,t和u的函数;为在频域上进行伸缩平移变换,
频率小波切片逆变换理论上可以采取不同的形式,当λ取常数时,最简单的逆变换为:
式(6)表明逆变换只与σ有关,在σ给定时,式(6)为傅里叶逆变换,
在进行信号滤波清洗时,选取感兴趣的时频切片区间[τ1,τ2]×[ω1,ω2]进行信号重构,获得该时频切片区间信号分量的时域信息,重建公式为:
由于时频切片区间[τ1,τ2]×[ω1,ω2]可任意选择,因此可以自由的地在时频空间提取所需的信号分量,
在利用频率小波切片变换对检测系统的输入信号进行滤波清洗过程中,时频切片区间的中心频率设置为系统内置周期策动力的频率,经逆变换重构后的信号,在保留有用信号信息的同时消除了时频切片区间以外的噪声干扰,因此,加入频率小波切片变换滤波清洗环节,能消减系统相轨迹与Poincare截面交点受噪声影响而引起的波动范围扩大的现象,提高利用Poincare映射特征函数进行Duffing振子相态判决的准确性与可靠性。
进一步,所述对多线谱成分的变参数Duffing振子检测
构建的变参数Duffing振子检测模型为:
x″+ωkx′+ω2(-x+x3)=ω2(rcos(ω0t+Δωt)+s(t)) (8)
其中,k为系统阻尼比,-x+x3为非线性恢复力项,rcos(ω0t+Δωt)为内置周期策动力,ω=ω0+Δω为内置周期策动力角频率,ω0为角频率初值,Δω为改变Duffing振子内置策动力频率的步长;s(t)为外加驱动力,
通常被检测信号s(t)由若干线谱及各类干扰nJ(t)和噪声n(t)构成,其表达式为:
当ω0+Δω=ωi且r+Ai>rd时,rd为混沌临界值,系统对驱动的响应达到最佳共振条件,系统即刻发生由混沌态向大尺度周期态的相态跃变,实现线谱成分的检测及频率捕捉。
本发明的一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法,是针对实际舰船目标识别时无法获知线谱特征信息这一问题,研究采用单一Duffing振子来实现参数未知多线谱的检测,以简化现有Duffing振子阵列检测系统的模型结构。该方法通过构造变参数Duffing振子检测系统,采用频率小波切片变换方法提升系统抗噪性能,结合Poincare映射函数的系统相态定量判别方法,无需人为干预、自动地检测舰船辐射噪声中的线谱成分,同时还完成了对线谱频率及数量的估计。具有方法科学合理,适用性强,效果佳等优点。
附图说明
图1为基于频率小波切片变换的系统相态判决性能提升示意图;
图2为一种强噪声背景下参数未知多线谱的Duffing振子检测及频率识别方法的方框图。
具体实施方式
下面利用附图和具体实施方式对本发明作进一步说明。
参照图2,本发明的一种强噪声背景下未知参数的多线谱Duffing振子检测及频率识别方法包括:变参数Duffing振子检测系统建模、基于频率小波切片变换的系统相态的定量判决及对参数未知的多线谱Duffing振子检测及频率识别三个过程。
首先建立如式(7)所示的变参数Duffing振子检测系统,设置系统参数如下:检测系统阻尼比参数设置为k=0.5,混沌临界值为rd,内置策动力频率初值为频率搜索范围[ω0,ωend]。混沌临界值rd可根据信号源先验信息由前期仿真经验获得,系统内置策动力频率扫描范围可根据被分析舰船具体特征设置,并可灵活地调整以适应实际情况需求。
鉴于水下环境复杂,干扰源多,对信号分段处理以便实时观察不同时间段内信号的线谱成分,为后续综合判决提供依据。
本发明的一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法,包括的内容有:
1)基于Poincare映射特征函数的Duffing振子相态的定量判别
为解决采用相图法判别Duffing振子相态时存在的主观性强及无法自动识别的问题,引入Poincare映射特征函数参数,根据系统处于混沌态和大尺度周期态Poincare映射特征函数值的差异性,实现Duffing振子系统由混沌态向大尺度周期态的识别;
2)基于频率切片小波变换的检测系统性能提升
为消除噪声对Duffing振子系统相态判别参数Poincare特征函数的影响,采用频率切片小波变换方法,对输入至检测系统的信号进行滤波清洗,消除噪声对Duffing振子系统相轨迹波动的影响;
3)对参数未知多线谱的变参数Duffing振子检测
构造变参数单一的Duffing振子检测模型,通过自动地改变Duffing振子检测系统内置策动力的频率,自主地扫描并识别舰船辐射噪声中的弱线谱成分,并能对线谱的频率进行估计。
进一步,所述基于Poincare映射特征函数的Duffing振子相态的定量判别
设Duffing振子系统检测模型为:
x″+kωx′+ω2(-x+x3)=ω2rcosωt (1)
其中,k为阻尼比,-x+x3为非线性恢复力项,rcos(ωt)为系统内置策动力,ω为内置策动力的角频率。
引入θ(θ=ωt)变量,系统降维后变为三维自治系统,相空间扩展为R2×S1:
由系统输出Z(t)=[x(t) y(t) θ(t)]T,利用构造庞加莱截面的方法对其重构,获得一个时间延迟的3×m维矢量矩阵:
d(t)=[Z(t),Z(t-T),Z(t-2T),...,Z(t-(m-1)T)] (3)
其中,T为系统内置策动力周期,m为矩阵的维数,当选取截面∑={(x,y,θ)|θ=φ},其中0≤φ<2π,记下Z(t)轨道与该截面所有交点d(t)={(x(tn),y(tn)|θ=φ},n=0,1,2,3...,tn为Z(t)与截面{θ=φ}第n次相交的时间,系统输出经过延迟重构和Poincare截面切割后获得的Poincare映射,将原动力系统所决定的随时间连续运动转变为在Poincare截面上离散的映射,系统处于大尺度周期态和混沌态时,Poincare映射的非平稳性及振荡程度不同,大尺度周期态的Poincare映射表现为不动点或在噪声影响下以不动点为中心的小邻域内小幅度振荡特征;而混沌态的Poincare映射表现为随机大幅波动的布朗运动特征,根据系统处于混沌态与大尺度周期态时Poincare映射的差异,构建一个可量化描述系统相态的度量参数Poincare映射特征函数:
其中,di为系统输出的Poincare映射序列,N为序列长度,α为特征指数,
随着特征指数α值的增大,处于混沌态临界状态系统输出的Poincare映射特征函数值增大,而进入大尺度周期态系统输出的Poincare映射特征函数值成倍减小,即由混沌态向大尺度周期态跃变的Poincare映射特征函数差值增大。适当增加特征指数α值可增大系统相态判决的阈值选择范围,降低由于噪声影响导致的系统相态判决的错误概率,但是,特征指数α也并非越大越好,由分析可知,特征指数在2≤α≤20范围内选择较为合理;
进一步,所述基于频率切片小波变换的检测系统性能提升
为消除噪声对系统相轨迹波动的影响,利用频率小波切片变换对送入检测系统的信号进行滤波清洗,
对于任意信号x(t)∈L2(R),为x(t)的频域形式,选择合适的母小波p(t),其频域形式为称为频率切片函数,则x(t)的频率小波切片变换为:
式中,为的共轭;ω及t是观测角频率及时间,u是估计频率,σ为尺度因子(σ≠0),λ为能量系数(λ≠0),二者取常数或者是ω,t和u的函数;为在频域上进行伸缩平移变换,
频率小波切片逆变换理论上可以采取不同的形式,当λ为常数时,最简单的逆变换为:
式(6)表明逆变换只与σ有关,在σ给定时,式(6)为傅里叶逆变换,
在进行信号滤波清洗时,选取感兴趣的时频切片区间[τ1,τ2]×[ω1,ω2]进行信号重构,获得该时频切片区间信号分量的时域信息,重建公式为:
由于时频切片区间[τ1,τ2]×[ω1,ω2]可任意选择,因此可以自由的地在时频空间提取所需的信号分量,
在利用频率小波切片变换对检测系统的输入信号进行滤波清洗过程中,时频切片区间的中心频率设置为系统内置周期策动力的频率,经逆变换重构后的信号,在保留有用信号信息的同时消除了时频切片区间以外的噪声干扰,因此,加入频率小波切片变换滤波清洗环节,能消减系统相轨迹与Poincare截面交点受噪声影响而引起的波动范围扩大的现象,提高利用Poincare映射特征函数进行Duffing振子相态判决的准确性与可靠性。
进一步,所述对多线谱成分的变参数Duffing振子检测
构建的变参数Duffing振子检测模型为:
x″+ωkx′+ω2(-x+x3)=ω2(rcos(ω0t+Δωt)+s(t)) (8)
其中,k为系统阻尼比;rcos(ω0t+Δωt)为内置周期策动力,ω=ω0+Δω为内置周期策动力角频率,ω0为角频率初值;Δω为改变Duffing振子内置策动力频率的步长;s(t)为外加驱动力,
通常s(t)由若干线谱及各类干扰nJ(t)和噪声n(t)构成,其表达式为:
当ω0+Δω=ωi,且r+Ai>rd时,rd为混沌临界值,系统对驱动的响应达到最佳共振条件,系统即刻发生由混沌态向大尺度周期态的相态跃变,实现线谱成分的检测及频率捕捉。
读取被检测信号,并进行滑动窗分段处理,选取高斯函数作为频率小波切片变换核函数,对分段信号进行频率小波切片变换。对检测系统的输入信号进行清洗滤波时,时频切片区间[τ1,τ2]×[ω1,ω2]设置如下:[ω1,ω2]通常设置为[ωi-ω′,ωi+ω′],ωi设为Duffing振子内置策动力角频率,ω′为时频切片区间的带宽的一半,其值可根据实际情况设定。[τ1,τ2]为时域区间,通常选取被分析信号的全部时间段。重构时令σ=ω/k,k>0,核函数为高斯函数时,k取28.28,根据式(7)重构信号,得到清洗后的信号。
将清洗后的信号送至变参数Duffing振子检测系统中,系统内置策动力角频率初值设置为ωi=ω0,ω0为Duffing振子扫描的角频率初值。选择合理的特征参数α,并对检测系统输出求取Poincare映射特征函数值η,记录下此段信号的η值。改变系统内置周期策动力频率ωi+1=ωi+Δω,Δω为改变Duffing振子系统内置策动力频率的步长。将清洗后的信号送入改变内置策动力频率的Duffing振子检测系统中,重复以上的步骤,记录下检测系统输出的η值,直至变频后的频率达到扫描的终值,再对下一个分段信号进行处理。
参照图1,当检测系统输出的Poincare映射特征函数值η小于给定的判决门限值ηd,说明Duffing振子检测系统发生了相态跃变,被检测的信号中含有与系统周期策动力同频的弱线谱成分。此时,Duffing振子检测系统的内置策动力频率即为被测信号中所包含的线谱频率值,通过反复调整Duffing振子检测系统的内置微动力频率值,可以扫描并搜索被测信号中多个分量的线谱成分,并能同时完成频率值的估计。
根据分析结果,绘制出扫描频率与Duffing振子检测系统输出的Poincare映射特征函数关系曲线,确定被检测信号中所包含的弱线谱数量及频率估计值。
在对实测信号的分析处理中,在不同观测时间内对被检测信号采用本发明完成线谱检测跟踪与频率估计,并根据时间轨迹上的频率识别信息确定存在的稳定线谱成分,完成舰船目标的检测与识别。
本发明的软件程序依据自动化、信息化和计算机处理技术编制,是本领域技术人员所熟悉的技术。
Claims (4)
1.一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法,其特征是,它包括的内容有:
1)基于Poincare映射特征函数的Duffing振子相态的定量判别
为解决采用相图法判别Duffing振子相态时存在的主观性强及无法自动识别的问题,引入Poincare映射特征函数参数,根据系统处于混沌态和大尺度周期态Poincare映射特征函数值的差异性,实现Duffing振子系统由混沌态向大尺度周期态的识别;
2)基于频率切片小波变换的检测系统性能提升
为消除噪声对Duffing振子系统相态判别参数Poincare特征函数的影响,采用频率切片小波变换方法,对输入至检测系统的信号进行滤波清洗,消除噪声对Duffing振子系统相轨迹波动的影响;
3)对多线谱成分的变参数Duffing振子检测
构造变参数单一的Duffing振子检测模型,通过自动地改变Duffing振子检测系统内置策动力的频率,自主地扫描并识别舰船辐射噪声中的弱线谱成分,并能对线谱的频率进行估计。
2.根据权利要求1所述的一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法,其特征是,所述基于Poincare映射特征函数的Duffing振子相态的定量判别内容包括:
设Duffing振子系统检测模型为:
x″+kωx′+ω2(-x+x3)=ω2rcosωt (1)
其中,k为阻尼比,-x+x3为非线性恢复力项,rcos(ωt)为系统内置策动力,ω为内置策动力的角频率。
引入θ(θ=ωt)变量,系统降维后变为三维自治系统,相空间扩展为R2×S1:
由系统输出Z(t)=[x(t) y(t) θ(t)]T,利用构造庞加莱截面的方法对其重构,获得一个时间延迟的3×m维矢量矩阵:
d(t)=[Z(t),Z(t-T),Z(t-2T),...,Z(t-(m-1)T)] (3)
其中,T为系统内置策动力周期,m为矩阵的维数,当选取截面∑={(x,y,θ)|θ=φ},其中0≤φ<2π,记下Z(t)轨道与该截面所有交点d(t)={(x(tn),y(tn)|θ=φ},n=0,1,2,3...,tn为Z(t)与截面{θ=φ}第n次相交的时间,系统输出经过延迟重构和Poincare截面切割后获得的Poincare映射,将原动力系统所决定的随时间连续运动转变为在Poincare截面上离散的映射,系统处于大尺度周期态和混沌态时,Poincare映射的非平稳性及振荡程度不同,大尺度周期态的Poincare映射表现为不动点或在噪声影响下以不动点为中心的小邻域内小幅度振荡特征;而混沌态的Poincare映射表现为随机大幅波动的布朗运动特征,根据系统处于混沌态与大尺度周期态时Poincare映射的差异,构建一个可量化描述系统相态的度量参数Poincare映射特征函数:
其中,di为系统观测量的Poincare映射序列,N为序列长度,α为特征指数,
随着特征指数α值的增大,处于混沌态临界状态系统输出的Poincare映射特征函数值增大,而进入大尺度周期态系统输出的Poincare映射特征函数值成倍减小,即由混沌态向大尺度周期态跃变的Poincare映射特征函数差值增大。适当增加特征指数α值可增大系统相态判决的阈值选择范围,降低由于噪声影响导致的系统相态判决的错误概率,但是,特征指数α也并非越大越好,由分析可知,特征指数在2≤α≤20范围内选择较为合理。
3.根据权利要求1所述的一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法,其特征是,所述基于频率切片小波变换的检测系统性能提升的内容包括:
为消除噪声对系统相轨迹波动的影响,利用频率小波切片变换对送入检测系统的信号进行滤波清洗,
对于任意信号x(t)∈L2(R),为x(t)的频域形式,选择合适的母小波p(t),其频域形式为称为频率切片函数,则x(t)的频率小波切片变换为:
式中,为的共轭;ω及t是观测角频率及时间,u是估计频率,σ为尺度因子(σ≠0),λ为能量系数(λ≠0),二者取常数或者是ω,t和u的函数;为在频域上进行伸缩平移变换,
频率小波切片逆变换理论上可以采取不同的形式,当λ取常数时,最简单的逆变换为:
式(6)表明逆变换只与σ有关,在σ给定时,式(6)为傅里叶逆变换,
在进行信号滤波清洗时,选取感兴趣的时频切片区间[τ1,τ2]×[ω1,ω2]进行信号重构,获得该时频切片区间信号分量的时域信息,重建公式为:
由于时频切片区间[τ1,τ2]×[ω1,ω2]可任意选择,因此可以自由的地在时频空间提取所需的信号分量,
在利用频率小波切片变换对检测系统的输入信号进行滤波清洗过程中,时频切片区间的中心频率设置为系统内置周期策动力的频率,经逆变换重构后的信号,在保留有用信号信息的同时消除了时频切片区间以外的噪声干扰,因此,加入频率小波切片变换滤波清洗环节,能消减系统相轨迹与Poincare截面交点受噪声影响而引起的波动范围扩大的现象,提高利用Poincare映射特征函数进行Duffing振子相态判决的准确性与可靠性。
4.根据权利要求1所述的一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法,其特征是,所述对多线谱成分的变参数Duffing振子检测的内容包括:
构建的变参数Duffing振子检测模型为:
x″+ωkx′+ω2(-x+x3)=ω2(rcos(ω0t+Δωt)+s(t)) (8)
其中,k为系统阻尼比,-x+x3为非线性恢复力项,rcos(ω0t+Δωt)为内置周期策动力,ω=ω0+Δω为内置周期策动力角频率,ω0为角频率初值;Δω为改变Duffing振子系统内置策动力频率的步长;s(t)为外加驱动力,
通常被检测信号s(t)由若干线谱及各类干扰nJ(t)和噪声n(t)构成,其表达式为:
当ω0+Δω=ωi且r+Ai>rd时,rd为混沌临界值,系统对驱动的响应达到最佳共振条件,系统即刻发生由混沌态向大尺度周期态的相态跃变,实现线谱成分的检测及频率捕捉。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810114894.5A CN108398183B (zh) | 2018-02-06 | 2018-02-06 | 一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810114894.5A CN108398183B (zh) | 2018-02-06 | 2018-02-06 | 一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108398183A true CN108398183A (zh) | 2018-08-14 |
CN108398183B CN108398183B (zh) | 2020-05-08 |
Family
ID=63096221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810114894.5A Active CN108398183B (zh) | 2018-02-06 | 2018-02-06 | 一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108398183B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368679A (zh) * | 2020-02-26 | 2020-07-03 | 西北工业大学 | 一种低秩矩阵分解的谱线检测方法 |
CN111889894A (zh) * | 2019-12-18 | 2020-11-06 | 武汉新耐视智能科技有限责任公司 | 一种激光切割质量的检测方法及装置 |
CN113283295A (zh) * | 2021-04-19 | 2021-08-20 | 大连海事大学 | 一种从微弱信号中识别船舶轴系动态固有频率的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038304A (zh) * | 2007-03-16 | 2007-09-19 | 哈尔滨工程大学 | Duffing振子相图图案域分割检测方法及检测设备 |
US20090003134A1 (en) * | 2007-06-26 | 2009-01-01 | Nuttall Albert H | Method and Apparatus for Improved Active Sonar Using Singular Value Decomposition Filtering |
CN102323753A (zh) * | 2011-07-11 | 2012-01-18 | 哈尔滨工程大学 | 一种对单自由度系统实现混沌反控制的方法及装置 |
-
2018
- 2018-02-06 CN CN201810114894.5A patent/CN108398183B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038304A (zh) * | 2007-03-16 | 2007-09-19 | 哈尔滨工程大学 | Duffing振子相图图案域分割检测方法及检测设备 |
US20090003134A1 (en) * | 2007-06-26 | 2009-01-01 | Nuttall Albert H | Method and Apparatus for Improved Active Sonar Using Singular Value Decomposition Filtering |
CN102323753A (zh) * | 2011-07-11 | 2012-01-18 | 哈尔滨工程大学 | 一种对单自由度系统实现混沌反控制的方法及装置 |
Non-Patent Citations (4)
Title |
---|
LI NAN 等: "A DETECTION METHOD OF DUFFING OSCILLATOR BASED ON ADAPTIVE ADJUSTING PARAMETER", 《2016 IEEE/OES CHINA OCEAN ACOUSTICS》 * |
朱来普 等: "基于Duffing混沌振子的微弱信号检测研究", 《无线电工程》 * |
李楠 等: "分数阶Duffing系统动态特性研究及微弱信号检测", 《科学技术与工程》 * |
李楠 等: "变幅值系数的短时Duffing振子阵列检测方法", 《哈尔滨工程大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111889894A (zh) * | 2019-12-18 | 2020-11-06 | 武汉新耐视智能科技有限责任公司 | 一种激光切割质量的检测方法及装置 |
CN111368679A (zh) * | 2020-02-26 | 2020-07-03 | 西北工业大学 | 一种低秩矩阵分解的谱线检测方法 |
CN111368679B (zh) * | 2020-02-26 | 2022-03-22 | 西北工业大学 | 一种低秩矩阵分解的谱线检测方法 |
CN113283295A (zh) * | 2021-04-19 | 2021-08-20 | 大连海事大学 | 一种从微弱信号中识别船舶轴系动态固有频率的方法 |
CN113283295B (zh) * | 2021-04-19 | 2024-01-16 | 大连海事大学 | 一种从微弱信号中识别船舶轴系动态固有频率的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108398183B (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106295684B (zh) | 一种基于微多普勒特征的动态连续/非连续手势识别方法 | |
Sejdić et al. | Time–frequency feature representation using energy concentration: An overview of recent advances | |
US9906963B2 (en) | Big-data-mining-based wireless channel modeling method | |
Li et al. | Separation of micro-Doppler signals based on time frequency filter and Viterbi algorithm | |
CN108489719B (zh) | 一种基于g-p奇异谱分解的旋转机械复合故障诊断方法 | |
CN108398183A (zh) | 一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法 | |
CN102749616B (zh) | 一种基于模糊聚类的宙斯盾系统信号分选方法 | |
CN105971901A (zh) | 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法 | |
Dai et al. | Fault diagnosis of rotating machinery based on deep reinforcement learning and reciprocal of smoothness index | |
Siddagangaiah et al. | On the dynamics of ocean ambient noise: Two decades later | |
CN109632973A (zh) | 一种基于多尺度匹配追踪的超声回波信号提取方法 | |
CN107064894A (zh) | 一种基于深度学习的杂波抑制方法 | |
Padar et al. | Classification of human motion using radar micro-Doppler signatures with hidden Markov models | |
La Cour | Statistical characterization of active sonar reverberation using extreme value theory | |
Zhang et al. | An improved method of rail health monitoring based on CNN and multiple acoustic emission events | |
Tang et al. | Human activity recognition based on mixed CNN with radar multi-spectrogram | |
CN112859012A (zh) | 一种基于级联卷积神经网络的雷达欺骗干扰识别方法 | |
Chen et al. | LFM signal detection and estimation based on deep convolutional neural network | |
Bharadwaj et al. | Target identification with wave-based matched pursuits and hidden Markov models | |
Wang et al. | Current progress on weak signal detection | |
Peng et al. | Detailed feature representation and analysis of low frequency UWB radar range profile for improving through-wall human activity recognition | |
CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
Cifola et al. | Target/clutter disentanglement using deep adversarial training on micro-Doppler signatures | |
Wang et al. | A modified sequential multiplexed method for detecting airborne and sea targets with over-the-horizon radar | |
Chen et al. | Gear fault diagnosis model combined with MED-LMD-Hypersphere multiclass SVM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |