CN108489529A - 一种基于高阶统计量的微弱信号检测方法 - Google Patents
一种基于高阶统计量的微弱信号检测方法 Download PDFInfo
- Publication number
- CN108489529A CN108489529A CN201810135892.4A CN201810135892A CN108489529A CN 108489529 A CN108489529 A CN 108489529A CN 201810135892 A CN201810135892 A CN 201810135892A CN 108489529 A CN108489529 A CN 108489529A
- Authority
- CN
- China
- Prior art keywords
- signal
- order statistic
- window
- weak signals
- statistic
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于高阶统计量的微弱信号检测方法,用于在高斯噪声背景下的微弱信号检测,所述方法包括:采用滑动窗口在目标信号的时间序列上滑动,计算窗口内的高阶统计量,如果高阶统计量的绝对值大于阈值,则判断窗口内有微弱信号。本发明的方法能够在更低的信噪比的情况下检测出目标信号;而且不需要任何关于目标信号的先验知识,和已有的检测方法相比适用范围更广,检测效果更好。
Description
技术领域
本发明信号检测领域,具体涉及一种基于高阶统计量的微弱信号检测方法。
背景技术
强噪声背景下微弱特征信号检测,一直是工程应用领域的难题。微弱特征信号检测方法日新月异,从传统的频谱分析、相关检测、取样积分和时域平均方法到新近发展起来的小波分析理论、神经网络、混沌振子、高阶统计量,随机共振等方法,在微弱特征信号检测中均有广泛的应用。
微弱信号检测在微弱故障检测、应急救援中的微目标检测、生物医学中的胎儿心电和脑电信号监测等众多领域有着广泛的应用。由于信号受到其它信号的干扰和复杂背景噪声的污染,由于噪声的复杂性和随机性,一般的时域波形和频谱分析方法很难实现微弱信号的有效提取。因此提供一种能够适用多种场景的微弱信号检测方法是非常有意义的。
发明内容
本发明的目的在于克服目前微弱信号检测存在的上述缺陷,提出了一种基于高阶统计量的微弱信号检测方法。
为了实现上述目的,本发明提供了一种基于高阶统计量的微弱信号检测方法,用于在高斯噪声背景下的微弱信号检测,所述方法包括:采用滑动窗口在目标信号的时间序列上滑动,计算窗口内的高阶统计量,如果高阶统计量的绝对值大于阈值,则判断窗口内有微弱信号。
作为上述方法的一种改进,所述高阶统计量的阶数为三阶或三阶以上。
作为上述方法的一种改进,所述方法具体包括:
步骤1)对目标信号进行预处理得到均值为零的待检测信号在信号的始端设置窗口S;
步骤2)估计在窗口S内的信号的高阶统计量的绝对值;
步骤3)如果高阶统计量的绝对值大于阈值则判断窗口内有微弱信号;否则,转入步骤4);
步骤4)窗口S以Step为步长窗口在待检测信号上滑动,转入步骤2),直至滑动到待检测信号的末端。
作为上述方法的一种改进,所述步骤1)具体为:
计算得到均值为零的信号,其中是目标信号,是背景信号,通过先验或者估计得到,在恒定背景的应用场景下采用计算信号均值的方式得到,则是去除背景后的得到均值为零的待检测信号。
作为上述方法的一种改进,所述步骤1)的为:
其中,l是待检测信号长度,为待检测信号序列。
作为上述方法的一种改进,所述步骤2)采用的高阶统计量ck为:
其中,ψ(s)为高阶统计量的生成函数,其表达式为:
其中,f(x)是随机变量的概率密度函数,为母函数。
本发明的优势在于:
1、相比传统方法本发明的方法能够在更低的信噪比的情况下检测出目标信号;
2、本发明的检测方法不需要任何关于目标信号的先验知识,和已有的检测方法相比适用范围更广,检测效果更好;
3、本发明的方法中检测时间和被检测信号长度之间是线性关系。
附图说明
图1是目标信号的示意图;
图2本发明的方法的检测效果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细的说明。
本申请的方法的基本原理是:利用高斯随机信号的高阶统计量为零,当信号出现非高斯微弱信号时会使信号的高阶统计量(三阶及三阶以上)发生改变,采用滑动窗口在信号的时间序列上滑动,估计窗口内的高阶统计量,最后采用阈值分割的方式得到微弱信号在时间序列中的位置。该方法主要针对形如(为背景信号,为高斯信号,为微弱目标信号)中出现微弱非高斯信号的应用场景下,和已有的检测方法相比适用范围更广,检测效果更好。
为了实现高斯噪声背景下的微弱信号检测,采用的技术方案如下:
S1、预处理得到均值为零的待检测信号,计算其中是观测的信号,是背景信号(一般可以通过先验或者估计得到,恒定背景的应用场景下可以采用计算信号均值的方式得到,是去除背景后的得到均值为零的信号;
S2、根据时间情况选择窗口S,滑动步长Step,和统计量的阶数n,分割阈值的大小
S3、采用高阶统计量估计方法估计窗口S内的高阶统计量的绝对值,采用Step为步长窗口在目标信号上滑动;
S4、窗口S内的高阶统计量大于时,则窗口内有微弱信号。
一种目标信号源于高帧频视频中有极微弱运动小目标经过像元的灰度构成的时序信号的微弱信号检测方法:
1)估计这里l=10000,计算
2)窗口S大小为20、Step=3、n=3、
3)这里采用高阶统计量和高阶矩之间的关系来估计高阶统计量:
其中mk为统计量的k阶矩:
mk=E[xk]
图1是待检测的观测信号,图2是使用该方法得到的检测结果,图中带有高峰的是含有目标信号的时间段,从图2可知在没有微弱信号时信号是检测结果是一个平稳波动的序列,而当有目标信号出现时就会出现异常的高峰。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于高阶统计量的微弱信号检测方法,用于在高斯噪声背景下的微弱信号检测,所述方法包括:采用滑动窗口在目标信号的时间序列上滑动,计算窗口内的高阶统计量,如果高阶统计量的绝对值大于阈值,则判断窗口内有微弱信号。
2.根据权利要求1所述的基于高阶统计量的微弱信号检测方法,其特征在于,所述高阶统计量的阶数为三阶或三阶以上。
3.根据权利要求1或2所述的基于高阶统计量的微弱信号检测方法,其特征在于,所述方法具体包括:
步骤1)对目标信号进行预处理得到均值为零的待检测信号在信号的始端设置窗口S;
步骤2)估计在窗口S内的信号的高阶统计量的绝对值;
步骤3)如果高阶统计量的绝对值大于阈值则判断窗口内有微弱信号;否则,转入步骤4);
步骤4)窗口S以Step为步长窗口在待检测信号上滑动,转入步骤2),直至滑动到待检测信号的末端。
4.根据权利要求3所述的基于高阶统计量的微弱信号检测方法,其特征在于,所述步骤1)具体为:
计算得到均值为零的信号,其中是目标信号,是背景信号,通过先验或者估计得到,在恒定背景的应用场景下采用计算信号均值的方式得到,则是去除背景后的得到均值为零的待检测信号。
5.根据权利要求4所述的基于高阶统计量的微弱信号检测方法,其特征在于,所述步骤1)的为:
其中,l是待检测信号长度,为待检测信号序列。
6.根据权利要求4所述的基于高阶统计量的微弱信号检测方法,其特征在于,
所述步骤2)采用的高阶统计量ck为:
其中,ψ(s)为高阶统计量的生成函数,其表达式为:
其中,f(x)是随机变量的概率密度函数,为矩母函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810135892.4A CN108489529A (zh) | 2018-02-09 | 2018-02-09 | 一种基于高阶统计量的微弱信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810135892.4A CN108489529A (zh) | 2018-02-09 | 2018-02-09 | 一种基于高阶统计量的微弱信号检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108489529A true CN108489529A (zh) | 2018-09-04 |
Family
ID=63340265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810135892.4A Pending CN108489529A (zh) | 2018-02-09 | 2018-02-09 | 一种基于高阶统计量的微弱信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108489529A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097572A (zh) * | 2019-04-11 | 2019-08-06 | 中国科学院国家空间科学中心 | 一种基于高时相探测的运动点目标检测方法及系统 |
CN110321940A (zh) * | 2019-06-24 | 2019-10-11 | 清华大学 | 飞行器遥测数据特征提取与分级分类方法及装置 |
CN110443176A (zh) * | 2019-07-29 | 2019-11-12 | 中国科学院国家空间科学中心 | 一种基于统计特征空间的暗弱小天体关联检测方法及系统 |
CN112364762A (zh) * | 2020-11-10 | 2021-02-12 | 南京智谷人工智能研究院有限公司 | 一种基于阶梯误差频谱特征的机械传动故障检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5402131A (en) * | 1993-09-28 | 1995-03-28 | The United States Of America As Represented By The Secretary Of The Navy | Detection of radar targets using higher-order statistics |
WO2010078577A2 (en) * | 2009-01-05 | 2010-07-08 | Services Petroliers Schlumberger | Processing time series data embedded in high noise |
US8161089B1 (en) * | 2006-06-16 | 2012-04-17 | Bae Systems Information And Electronic Systems Integration Inc. | Method for detecting a broad class of signals in Gaussian noise using higher order statistics in both time and frequency domains |
CN105263144A (zh) * | 2015-09-15 | 2016-01-20 | 南京邮电大学 | 一种基于高阶统计量的压缩宽带频谱盲检测方法 |
CN105740761A (zh) * | 2016-01-13 | 2016-07-06 | 许芳 | 一种弱信号目标检测的优化方法 |
-
2018
- 2018-02-09 CN CN201810135892.4A patent/CN108489529A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5402131A (en) * | 1993-09-28 | 1995-03-28 | The United States Of America As Represented By The Secretary Of The Navy | Detection of radar targets using higher-order statistics |
US8161089B1 (en) * | 2006-06-16 | 2012-04-17 | Bae Systems Information And Electronic Systems Integration Inc. | Method for detecting a broad class of signals in Gaussian noise using higher order statistics in both time and frequency domains |
WO2010078577A2 (en) * | 2009-01-05 | 2010-07-08 | Services Petroliers Schlumberger | Processing time series data embedded in high noise |
CN105263144A (zh) * | 2015-09-15 | 2016-01-20 | 南京邮电大学 | 一种基于高阶统计量的压缩宽带频谱盲检测方法 |
CN105740761A (zh) * | 2016-01-13 | 2016-07-06 | 许芳 | 一种弱信号目标检测的优化方法 |
Non-Patent Citations (1)
Title |
---|
翟逸群等: "基于高阶统计量的高动态微弱信号检测", 《计算机工程与应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097572A (zh) * | 2019-04-11 | 2019-08-06 | 中国科学院国家空间科学中心 | 一种基于高时相探测的运动点目标检测方法及系统 |
CN110321940A (zh) * | 2019-06-24 | 2019-10-11 | 清华大学 | 飞行器遥测数据特征提取与分级分类方法及装置 |
CN110321940B (zh) * | 2019-06-24 | 2021-07-09 | 清华大学 | 飞行器遥测数据特征提取与分级分类方法及装置 |
CN110443176A (zh) * | 2019-07-29 | 2019-11-12 | 中国科学院国家空间科学中心 | 一种基于统计特征空间的暗弱小天体关联检测方法及系统 |
CN110443176B (zh) * | 2019-07-29 | 2022-03-04 | 中国科学院国家空间科学中心 | 一种基于统计特征空间的暗弱小天体关联检测方法及系统 |
CN112364762A (zh) * | 2020-11-10 | 2021-02-12 | 南京智谷人工智能研究院有限公司 | 一种基于阶梯误差频谱特征的机械传动故障检测方法 |
CN112364762B (zh) * | 2020-11-10 | 2024-02-27 | 南京大学 | 一种基于阶梯误差频谱特征的机械传动故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108489529A (zh) | 一种基于高阶统计量的微弱信号检测方法 | |
Gao et al. | Denoising nonlinear time series by adaptive filtering and wavelet shrinkage: a comparison | |
Lin et al. | P-and T-wave delineation in ECG signals using a Bayesian approach and a partially collapsed Gibbs sampler | |
Gottwald et al. | Testing for chaos in deterministic systems with noise | |
CN109633633B (zh) | 一种基于分段分类增强处理的生命信号增强方法 | |
CN105223482B (zh) | 局部放电特高频信号波形的小波分解二值去噪方法 | |
CN110988834B (zh) | 一种基于自适应阈值双门限的脉冲到达时间测量方法 | |
CN103809173A (zh) | 帧恒虚警目标检测跟踪一体化方法 | |
CN105071830B (zh) | 一种直扩信号的检测识别方法 | |
CN105429719A (zh) | 基于功率谱和多尺度小波变换分析强干扰信号检测方法 | |
Hosseini et al. | UWB radar signal processing in measurement of heartbeat features | |
CN106100762A (zh) | 一种循环平稳谱分析的弱通信信号检测方法 | |
CN105866748B (zh) | 一种基于检测先验的固定窗长恒虚警检测方法 | |
Adu-Gyamfi et al. | Reliability of probe speed data for detecting congestion trends | |
CN107526064A (zh) | 基于二维特征的自适应lfm信号参数估计方法 | |
CN103413138B (zh) | 一种红外图像序列中点目标检测方法 | |
CN117314020B (zh) | 一种浮游生物的湿地碳汇数据监测系统 | |
CN108507782A (zh) | 一种强背景噪声下周期信号隐周期的检测方法 | |
CN110657807B (zh) | 基于小波变换检测不连续性的室内定位位移测量方法 | |
KR20140046187A (ko) | 영상 시스템에서 움직임 추정 장치 및 방법 | |
Dwivedi | Quantifying predictability of Indian summer monsoon intraseasonal oscillations using nonlinear time series analysis | |
CN110837088A (zh) | 一种星载激光测高仪数据去噪方法 | |
CN106330361B (zh) | 基于图连通性分析的弱信号检测方法 | |
Jin et al. | A novel heart rate detection algorithm in ballistocardiogram based on wavelet transform | |
CN107341519B (zh) | 一种基于多分辨率分析的支持向量机识别优化方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180904 |