CN109359633A - 基于希尔伯特-黄变换和小波脊线的信号联合分类方法 - Google Patents
基于希尔伯特-黄变换和小波脊线的信号联合分类方法 Download PDFInfo
- Publication number
- CN109359633A CN109359633A CN201811500689.9A CN201811500689A CN109359633A CN 109359633 A CN109359633 A CN 109359633A CN 201811500689 A CN201811500689 A CN 201811500689A CN 109359633 A CN109359633 A CN 109359633A
- Authority
- CN
- China
- Prior art keywords
- signal
- hilbert
- wavelet
- instantaneous
- frequency
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明提供了一种基于希尔伯特‑黄变换和小波脊线的信号联合分类方法,应用经验模态分解对接收信号进行分解,对信号的每个IMF分量进行Hilbert变换,由信号的任意一个IMF分量和其对应的Hilbert变换构成一个解析信号,根据信号的Hilbert谱图辨别频率调制信号和非频率调制信号,利用数字信号瞬时相位图识别出ASK信号,利用连续小波分析,画出PSK信号的小波基线图,利用小波脊线图对PSK信号完成分类。本发明利用了HHT对各种数字通信信号优异的自适应性,提取出非相位调制信号的瞬时频率、瞬时相位、瞬时幅度信息,同时利用小波脊线提取相位调制信号相位的变化信息,克服了单一HHT方法无法有效分类相位调制信号的缺点,最终完成了常见的9种数字通信信号的分类。
Description
技术领域
本发明涉及数字信号处理领域,尤其是一种信号联合分类方法。
背景技术
在数字信号处理领域,最先发展起来的趋于成熟的信号处理方法是傅里叶变换。它是一种基于全局变换的纯频域分析方法,对平稳信号的分析很有效,但对非平稳信号的分析却无能为力。目前,较典型的传统时频分析方法多数以傅里叶变换为基础,采用预先选定的正余弦基函数合成原始信号,定义的基底完全缺乏实际的物理意义,并且会加入很多虚假频率的谐波分量合成原始信号,使频谱分析中出现很多真实系统中并不存在的频率信息,而导致信号分析结果的严重失真。
希尔伯特-黄变换(Hilbert-Huang Transform,简称HHT)作为一种全新的自适应时频分析方法,在理论上能完全自适应分析非线性非平稳信号,且不受测不准原理制约,能在时域和频域两个方向都进行高分辨率分析,并且得到非线性非平稳信号完整的时频分布,避免了传统时频分析方法频谱中加入虚假频率谐波而使分析结果发生严重失真的现象。HHT首先采用经验模态分解算法(Empirical Mode Decomposition,简称EMD),将任意复合信号分解成有限数目的固有模态函数(Intrinsic Mode Function,简称IMF)的组合,再对这些分量分别进行Hilbert变换,便可得到具有明确物理意义的瞬时特征分量。
小波脊线是由在小波时频图中时间-频率面上的点组成的,这些点要满足在每个时刻信号小波系数的模取极大值。而小波系数表示小波与信号相似的程度,小波系数越大,两者越相似,小波系数的大小还反映了信号在该频率中心周围的频率成分的多少,小波系数越大,信号在这一频率中心周围的频率成分就越多,因此小波脊点处是信号的能量与频率的集中点。
发明内容
为了克服现有技术的不足,针对常见数字通信信号的分类问题,本发明提供一种基于希尔伯特-黄变换和小波脊线的数字通信信号联合分类方法。
本发明解决其技术问题所采用的技术方案是:
步骤1:令接收信号为x(t),应用经验模态分解对接收信号进行分解,可得:
其中ci为信号x(t)的IMF分量,rn为残余量;
步骤2:对信号x(t)的每个IMF分量ci进行Hilbert变换,忽略残余量,对任意一个IMF分量cj(t)进行Hilbert变换得到为:
其中P为柯西主值;
步骤3:由x(t)的任意一个IMF分量cj(t)和其对应的Hilbert变换构成一个解析信号zj(t):
其中,瞬时幅度为瞬时相位为瞬时频率为
步骤4:信号x(t)表示为:
其中Re表示取实部;以时间t为X轴,以信号频率为Y轴,以不同颜色表示信号幅值x(t),从而构成三维图,这种信号幅值的时频分布便称为Hilbert幅值谱,简称Hilbert谱;
步骤5:根据信号的Hilbert谱图辨别频率调制信号(2FSK信号、4FSK信号、LFM信号)和非频率调制信号(PSK信号、QAM信号、ASK信号),其中,2FSK信号Hilbert谱呈二阶阶梯状分布,4FSK信号Hilbert谱呈四阶阶梯状分布,LFM信号的Hilbert谱呈一条斜线,而非频率调制信号的Hilbert谱呈一条有少许跳变的平行于时间轴的直线;
步骤6:对于非频率调制信号重新进行一次希尔伯特-黄变换后提取其瞬时相位图,ASK信号的瞬时相位图呈规律的波动,而PSK信号、QAM信号的瞬时相位图会在相位变换处有跳变,利用上述三种数字信号瞬时相位图识别出ASK信号;
对于ASK信号,用希尔伯特-黄变换提取信号瞬时幅度,2ASK信号瞬时幅度图呈二阶阶梯状分布,4ASK信号瞬时幅度图呈四阶阶梯状分布,根据2ASK信号和4ASK信号的瞬时幅度图完成分类;
对于PSK信号和QAM信号,用希尔伯特-黄变换提取其瞬时幅度图,8QAM信号瞬时幅度图为2种不同幅度的正弦波交替,16QAM信号瞬时幅度图为3种不同幅度的正弦波交替,PSK信号的瞬时幅度图为一条有无规律跳变的波浪线,根据上述三种数字信号的瞬时幅度图将QAM信号识别并完成分类,其中,对于PSK信号,设信号为:其中t为时间,A(t)为信号幅值,为信号相位,对应的小波基函数为其中t为时间,g(t)为母小波函数,其中a和b分别是伸缩因子和平移因子,且则s(t)的小波变换表示为:
其中,A为信号幅度,a是伸缩因子,b是平移因子,是信号相位,为信号频率,ξ为小波基载频,表示对g做傅里叶变换,ε(b,ξ)是信号小波变换产生的校正项;
当时,小波变换的模|WS(b,a)取得极大值,取得极大值的点(b,ξ(b))称为小波脊点,所有时刻小波模极大值构成的点的连线称为小波脊线,小波脊线反映了信号的瞬时频率特征;
步骤7:利用连续小波分析,画出PSK信号的小波基线图,BPSK信号的小波脊线图呈现三阶阶梯状分布,QPSK信号的小波脊线图呈现五阶阶梯阶状分布,利用BPSK信号和QPSK信号的小波脊线图对PSK信号完成分类。
本发明的有益效果在于由于利用了HHT对各种数字通信信号优异的自适应性,提取出非相位调制信号的瞬时频率、瞬时相位、瞬时幅度信息,同时利用小波脊线提取相位调制信号相位的变化信息,克服了单一HHT方法无法有效分类相位调制信号的缺点,最终完成了常见的9种数字通信信号的分类。
附图说明
图1为本发明的数字通信信号联合分类流程图。
图2为本发明的待检测信号Hilbert谱图。
图3为本发明的待检测信号瞬时相位图。
图4为本发明的待检测信号瞬时幅度图。
图5为本发明的待检测信号小波脊线。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明针对数字通信信号分类问题,提出了一种基于希尔伯特-黄变换和小波脊线的数字通信信号联合分类方法。首先应用经验模态分解对未知数字通信信号进行EMD分解,再对该信号的IMF分量进行Hilbert变换,得到该信号的Hilbert谱图,利用Hilbert谱图识别频率调制信号(2FSK、4FSK、LFM);而后利用HHT对非频率调制信号(ASK、QAM、PSK)求瞬时相位图,可识别ASK信号;接着对于ASK信号利用HHT求信号瞬时幅度图,可辨别2ASK和4ASK;然后对于QAM信号利用HHT求瞬时幅度图,可辨别8QAM信号和16QAM信号;最后,对于PSK信号,利用小波变换求其小波时频图,通过从小波时频图中提取的小波脊线图辨别BPSK和QPSK信号。至此,利用希尔伯特-黄变换和小波脊线将常见的9种数字通信信号完成分类。
步骤1:令接收信号为x(t),应用经验模态分解对接收信号进行分解,可得:
其中ci为信号x(t)的IMF分量,rn为残余量;
步骤2:对信号x(t)的每个IMF分量ci进行Hilbert变换,忽略残余量,对任意一个IMF分量cj(t)进行Hilbert变换得到为:
其中P为柯西主值;
步骤3:由x(t)的任意一个IMF分量cj(t)和其对应的Hilbert变换构成一个解析信号zj(t):
其中,瞬时幅度为瞬时相位为瞬时频率为
步骤4:信号x(t)表示为:
其中Re表示取实部;以时间t为X轴,以信号频率为Y轴,以不同颜色表示信号幅值x(t),从而构成三维图,这种信号幅值的时频分布便称为Hilbert幅值谱,简称Hilbert谱;
步骤5:根据信号的Hilbert谱图辨别频率调制信号(2FSK信号、4FSK信号、LFM信号)和非频率调制信号(PSK信号、QAM信号、ASK信号),其中,2FSK信号Hilbert谱呈二阶阶梯状分布,4FSK信号Hilbert谱呈四阶阶梯状分布,LFM信号的Hilbert谱呈一条斜线,而非频率调制信号的Hilbert谱呈一条有少许跳变的平行于时间轴的直线;
步骤6:对于非频率调制信号重新进行一次希尔伯特-黄变换后提取其瞬时相位图,ASK信号的瞬时相位图呈规律的波动,而PSK信号、QAM信号的瞬时相位图会在相位变换处有跳变,利用上述三种数字信号瞬时相位图识别出ASK信号;
对于ASK信号,用希尔伯特-黄变换提取信号瞬时幅度,2ASK信号瞬时幅度图呈二阶阶梯状分布,4ASK信号瞬时幅度图呈四阶阶梯状分布,根据2ASK信号和4ASK信号的瞬时幅度图完成分类;
对于PSK信号和QAM信号,用希尔伯特-黄变换提取其瞬时幅度图,8QAM信号瞬时幅度图为2种不同幅度的正弦波交替,16QAM信号瞬时幅度图为3种不同幅度的正弦波交替,PSK信号的瞬时幅度图为一条有无规律跳变的波浪线,根据上述三种数字信号的瞬时幅度图将QAM信号识别并完成分类,其中,对于PSK信号,设信号为:其中t为时间,A(t)为信号幅值,为信号相位,对应的小波基函数为其中t为时间,g(t)为母小波函数,其中a和b分别是伸缩因子和平移因子,且则s(t)的小波变换表示为:
其中,A为信号幅度,a是伸缩因子,b是平移因子,是信号相位,为信号频率,ξ为小波基载频,表示对g做傅里叶变换,ε(b,ξ)是信号小波变换产生的校正项;
当时,小波变换的模|WS(b,a)取得极大值,取得极大值的点(b,ξ(b))称为小波脊点,所有时刻小波模极大值构成的点的连线称为小波脊线,小波脊线反映了信号的瞬时频率特征;
步骤7:利用连续小波分析,画出PSK信号的小波基线图,BPSK信号的小波脊线图呈现三阶阶梯状分布,QPSK信号的小波脊线图呈现五阶阶梯阶状分布,利用BPSK信号和QPSK信号的小波脊线图对PSK信号完成分类。
本发明的实施例如下:
步骤1:令接收信号为x(t),应用经验模态分解对接收信号进行分解,可得:
其中ci为信号x(t)的IMF分量,rn为残余量;
步骤2:对信号x(t)的每个IMF分量ci进行Hilbert变换,忽略残余量,对任意一个IMF分量cj(t)进行Hilbert变换得到为:
其中P为柯西主值;
步骤3:由x(t)的任意一个IMF分量cj(t)和其对应的Hilbert变换构成一个解析信号zj(t):
其中,瞬时幅度为瞬时相位为瞬时频率为
步骤4:信号x(t)表示为:
其中Re表示取实部;以时间t为X轴,以信号频率为Y轴,以不同颜色表示信号幅值x(t),从而构成三维图,这种信号幅值的时频分布便称为Hilbert幅值谱,简称Hilbert谱;
步骤5:根据信号的Hilbert谱图辨别频率调制信号(2FSK信号、4FSK信号、LFM信号)和非频率调制信号(PSK信号、QAM信号、ASK信号),其中,2FSK信号Hilbert谱呈二阶阶梯状分布,4FSK信号Hilbert谱呈四阶阶梯状分布,LFM信号的Hilbert谱呈一条斜线,而非频率调制信号的Hilbert谱呈一条有少许跳变的平行于时间轴的直线;
步骤6:对于非频率调制信号重新进行一次希尔伯特-黄变换后提取其瞬时相位图,ASK信号的瞬时相位图呈规律的波动,而PSK信号、QAM信号的瞬时相位图会在相位变换处有跳变,利用上述三种数字信号瞬时相位图识别出ASK信号;
对于ASK信号,用希尔伯特-黄变换提取信号瞬时幅度,2ASK信号瞬时幅度图呈二阶阶梯状分布,4ASK信号瞬时幅度图呈四阶阶梯状分布,根据2ASK信号和4ASK信号的瞬时幅度图完成分类;
对于PSK信号和QAM信号,用希尔伯特-黄变换提取其瞬时幅度图,8QAM信号瞬时幅度图为2种不同幅度的正弦波交替,16QAM信号瞬时幅度图为3种不同幅度的正弦波交替,PSK信号的瞬时幅度图为一条有无规律跳变的波浪线,根据上述三种数字信号的瞬时幅度图将QAM信号识别并完成分类,其中,对于PSK信号,设信号为:其中t为时间,A(t)为信号幅值,为信号相位,对应的小波基函数为其中t为时间,g(t)为母小波函数,其中a和b分别是伸缩因子和平移因子,且则s(t)的小波变换表示为:
其中,A为信号幅度,a是伸缩因子,b是平移因子,是信号相位,为信号频率,ξ为小波基载频,表示对g做傅里叶变换,ε(b,ξ)是信号小波变换产生的校正项;
当时,小波变换的模|WS(b,a)取得极大值,取得极大值的点(b,ξ(b))称为小波脊点,所有时刻小波模极大值构成的点的连线称为小波脊线,小波脊线反映了信号的瞬时频率特征;
步骤7:利用连续小波分析,画出PSK信号的小波基线图,BPSK信号的小波脊线图呈现三阶阶梯状分布,QPSK信号的小波脊线图呈现五阶阶梯阶状分布,利用BPSK信号和QPSK信号的小波脊线图对PSK信号完成分类。
本发明的详细流程如图1所示:
(1)现有一待检测信号为x(t),应用经验模态分解对该未知信号进行分解,可得其中ci为信号的IMF分量,rn为残余量。
(2)对信号的每个固有模态函数分量进行Hilbert变换,对任意一个IMF分量cj(t),其Hilbert变换为:其中P为柯西主值。由cj(t)和可以构成一个解析信号zj(t):
其中,瞬时幅度为瞬时相位为瞬时频率为
(3)该信号可表示为:
其中Re表示取实部,进一步可得该信号的时间、幅值、频率构成的三维图。
如图2所示,该信号Hilbert谱为一有少许波动的直线,判定该信号不是频率调制信号,必定是PSK、QAM、ASK中的某一种。
(4)进一步求该信号的瞬时相位,如图3所示,该信号瞬时相位图有很多跳变,即图3中矩形选中的部分,可以排除ASK信号,判断该信号是QAM信号或PSK信号中的某一种。
(5)求该信号瞬时幅度,如图4所示,该信号瞬时幅度图为为一条有无规律跳变的波浪线,排除QAM信号,判断该信号是PSK信号。
(6)最后对该信号应用小波变换,并求小波脊线,如图5所示,该信号小波脊线图呈现五阶阶梯状分布,判断该信号是QPSK信号。
Claims (1)
1.一种基于希尔伯特-黄变换和小波脊线的信号联合分类方法,其特征在于包括下述步骤:
步骤1:令接收信号为x(t),应用经验模态分解对接收信号进行分解,可得:
其中ci为信号x(t)的IMF分量,rn为残余量;
步骤2:对信号x(t)的每个IMF分量ci进行Hilbert变换,忽略残余量,对任意一个IMF分量cj(t)进行Hilbert变换得到为:
其中P为柯西主值;
步骤3:由x(t)的任意一个IMF分量cj(t)和其对应的Hilbert变换构成一个解析信号zj(t):
其中,瞬时幅度为瞬时相位为瞬时频率为
步骤4:信号x(t)表示为:
其中Re表示取实部;以时间t为X轴,以信号频率为Y轴,以不同颜色表示信号幅值x(t),从而构成三维图,这种信号幅值的时频分布便称为Hilbert幅值谱,简称Hilbert谱;
步骤5:根据信号的Hilbert谱图辨别频率调制信号(2FSK信号、4FSK信号、LFM信号)和非频率调制信号(PSK信号、QAM信号、ASK信号),其中,2FSK信号Hilbert谱呈二阶阶梯状分布,4FSK信号Hilbert谱呈四阶阶梯状分布,LFM信号的Hilbert谱呈一条斜线,而非频率调制信号的Hilbert谱呈一条有少许跳变的平行于时间轴的直线;
步骤6:对于非频率调制信号重新进行一次希尔伯特-黄变换后提取其瞬时相位图,ASK信号的瞬时相位图呈规律的波动,而PSK信号、QAM信号的瞬时相位图会在相位变换处有跳变,利用上述三种数字信号瞬时相位图识别出ASK信号;
对于ASK信号,用希尔伯特-黄变换提取信号瞬时幅度,2ASK信号瞬时幅度图呈二阶阶梯状分布,4ASK信号瞬时幅度图呈四阶阶梯状分布,根据2ASK信号和4ASK信号的瞬时幅度图完成分类;
对于PSK信号和QAM信号,用希尔伯特-黄变换提取其瞬时幅度图,8QAM信号瞬时幅度图为2种不同幅度的正弦波交替,16QAM信号瞬时幅度图为3种不同幅度的正弦波交替,PSK信号的瞬时幅度图为一条有无规律跳变的波浪线,根据上述三种数字信号的瞬时幅度图将QAM信号识别并完成分类,其中,对于PSK信号,设信号为:其中t为时间,A(t)为信号幅值,为信号相位,对应的小波基函数为其中t为时间,g(t)为母小波函数,其中a和b分别是伸缩因子和平移因子,且则s(t)的小波变换表示为:
其中,A为信号幅度,a是伸缩因子,b是平移因子,是信号相位,为信号频率,ξ为小波基载频,表示对g做傅里叶变换,ε(b,ξ)是信号小波变换产生的校正项;
当时,小波变换的模|WS(b,a)取得极大值,取得极大值的点(b,ξ(b))称为小波脊点,所有时刻小波模极大值构成的点的连线称为小波脊线,小波脊线反映了信号的瞬时频率特征;
步骤7:利用连续小波分析,画出PSK信号的小波基线图,BPSK信号的小波脊线图呈现三阶阶梯状分布,QPSK信号的小波脊线图呈现五阶阶梯阶状分布,利用BPSK信号和QPSK信号的小波脊线图对PSK信号完成分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811500689.9A CN109359633B (zh) | 2018-12-10 | 2018-12-10 | 基于希尔伯特-黄变换和小波脊线的信号联合分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811500689.9A CN109359633B (zh) | 2018-12-10 | 2018-12-10 | 基于希尔伯特-黄变换和小波脊线的信号联合分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359633A true CN109359633A (zh) | 2019-02-19 |
CN109359633B CN109359633B (zh) | 2021-12-07 |
Family
ID=65331991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811500689.9A Active CN109359633B (zh) | 2018-12-10 | 2018-12-10 | 基于希尔伯特-黄变换和小波脊线的信号联合分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359633B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444805A (zh) * | 2020-03-19 | 2020-07-24 | 哈尔滨工程大学 | 一种基于改进的多尺度小波熵数字信号调制识别方法 |
CN113405823A (zh) * | 2021-05-17 | 2021-09-17 | 同济大学 | 一种基于迭代扩展本征模态分解的旋转机械故障诊断方法 |
CN114355298A (zh) * | 2022-01-04 | 2022-04-15 | 中国电子科技集团公司第十研究所 | 一种雷达复合调制脉冲信号识别方法 |
CN117914661A (zh) * | 2024-03-20 | 2024-04-19 | 长春通视光电技术股份有限公司 | 一种基于瞬时特征值的信号识别系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1819572A (zh) * | 2006-03-23 | 2006-08-16 | 上海交通大学 | 基于希尔伯特-黄变换的二进制频移键控系统解调方法 |
US20090110101A1 (en) * | 2002-09-25 | 2009-04-30 | Panasonic Corporation | Communication apparatus |
CN101510263A (zh) * | 2009-03-26 | 2009-08-19 | 上海交通大学 | 基于时间和空间域导向波模式的识别方法 |
CN101988935A (zh) * | 2009-12-18 | 2011-03-23 | 西安电子科技大学 | 基于数字下变频—希尔伯特黄变换的瞬时频率测量方法 |
CN103962888A (zh) * | 2014-05-12 | 2014-08-06 | 西北工业大学 | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 |
WO2015047466A2 (en) * | 2013-06-05 | 2015-04-02 | Innersense, Inc. | Bi-phasic applications of real & imaginary separation, and reintegration in the time domain |
CN105158799A (zh) * | 2015-08-31 | 2015-12-16 | 武汉市工程科学技术研究院 | 基于相位准则的物理探测回波信号识别与提取方法 |
CN106771678A (zh) * | 2016-12-14 | 2017-05-31 | 国网江苏省电力公司检修分公司 | 一种基于希尔伯特‑黄变换和专家系统的鉴相方法及装置 |
CN107607065A (zh) * | 2017-09-22 | 2018-01-19 | 河海大学 | 一种基于变分模态分解的冲击回波信号分析方法 |
-
2018
- 2018-12-10 CN CN201811500689.9A patent/CN109359633B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090110101A1 (en) * | 2002-09-25 | 2009-04-30 | Panasonic Corporation | Communication apparatus |
CN1819572A (zh) * | 2006-03-23 | 2006-08-16 | 上海交通大学 | 基于希尔伯特-黄变换的二进制频移键控系统解调方法 |
CN101510263A (zh) * | 2009-03-26 | 2009-08-19 | 上海交通大学 | 基于时间和空间域导向波模式的识别方法 |
CN101988935A (zh) * | 2009-12-18 | 2011-03-23 | 西安电子科技大学 | 基于数字下变频—希尔伯特黄变换的瞬时频率测量方法 |
WO2015047466A2 (en) * | 2013-06-05 | 2015-04-02 | Innersense, Inc. | Bi-phasic applications of real & imaginary separation, and reintegration in the time domain |
CN103962888A (zh) * | 2014-05-12 | 2014-08-06 | 西北工业大学 | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 |
CN105158799A (zh) * | 2015-08-31 | 2015-12-16 | 武汉市工程科学技术研究院 | 基于相位准则的物理探测回波信号识别与提取方法 |
CN106771678A (zh) * | 2016-12-14 | 2017-05-31 | 国网江苏省电力公司检修分公司 | 一种基于希尔伯特‑黄变换和专家系统的鉴相方法及装置 |
CN107607065A (zh) * | 2017-09-22 | 2018-01-19 | 河海大学 | 一种基于变分模态分解的冲击回波信号分析方法 |
Non-Patent Citations (4)
Title |
---|
GUIDO BURESTI,ET AL.: "On the analysis of fluctuating velocity signals through methods based on the wavelet and Hilbert transforms", 《CHAOS, SOLITONS AND FRACTALS》 * |
YI QIN,ET AL.: "Adaptive signal decomposition based on wavelet ridge and its application", 《SIGNAL PROCESSING》 * |
杨宏: "经验模态分解及其在水声信号处理中的应用", 《中国博士学位论文全文数据库 信息科技辑》 * |
王锋 等: "希尔伯特变换在雷达信号幅度和瞬时特征提取中的应用", 《中国电子学会雷达分会雷达系统专业委员会"现代雷达面临的电子对抗威胁"学术研讨论文集》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444805A (zh) * | 2020-03-19 | 2020-07-24 | 哈尔滨工程大学 | 一种基于改进的多尺度小波熵数字信号调制识别方法 |
CN111444805B (zh) * | 2020-03-19 | 2023-03-17 | 哈尔滨工程大学 | 一种基于改进的多尺度小波熵数字信号调制识别方法 |
CN113405823A (zh) * | 2021-05-17 | 2021-09-17 | 同济大学 | 一种基于迭代扩展本征模态分解的旋转机械故障诊断方法 |
CN113405823B (zh) * | 2021-05-17 | 2022-05-20 | 同济大学 | 一种基于迭代扩展本征模态分解的旋转机械故障诊断方法 |
CN114355298A (zh) * | 2022-01-04 | 2022-04-15 | 中国电子科技集团公司第十研究所 | 一种雷达复合调制脉冲信号识别方法 |
CN114355298B (zh) * | 2022-01-04 | 2023-08-18 | 中国电子科技集团公司第十研究所 | 一种雷达复合调制脉冲信号识别方法 |
CN117914661A (zh) * | 2024-03-20 | 2024-04-19 | 长春通视光电技术股份有限公司 | 一种基于瞬时特征值的信号识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109359633B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359633A (zh) | 基于希尔伯特-黄变换和小波脊线的信号联合分类方法 | |
CN107576943B (zh) | 基于瑞利熵的自适应时频同步压缩方法 | |
Mei et al. | Research on the application of 4-weighted fractional Fourier transform in communication system | |
CN107340055B (zh) | 一种基于多测度融合的随机共振微弱信号检测方法 | |
CN103529436A (zh) | 基于hht的无接触生命探测中呼吸和心跳信号的分离及时频分析方法 | |
CN110764067A (zh) | 傅里叶变换的lfm-bpsk复合调制雷达信号参数估计方法 | |
CN110187313B (zh) | 基于分数阶Fourier变换的雷达信号分选识别方法及装置 | |
CN106209701B (zh) | Alpha稳定分布噪声环境下MFSK信号符号速率估计方法及装置 | |
CN110133632B (zh) | 一种基于cwd时频分析的复合调制信号识别方法 | |
Yang et al. | Ship recognition via its radiated sound: The fractal based approaches | |
CN104202273A (zh) | 一种基于相位的频率估计插值方向判断方法 | |
CN108008187A (zh) | 基于变分模态分解的电网谐波检测方法 | |
CN109104215A (zh) | 一种基于小波变换的跳频信号码元速率盲估计方法 | |
CN108761202A (zh) | 极点对称模态分解和希尔伯特变换相结合的谐波检测方法 | |
CN102629879A (zh) | 一种基于模式调频的水声通信方法 | |
Boudraa | Instantaneous frequency estimation of fm signals by ψb-energy operator | |
CN106936469A (zh) | 一种抗单音干扰的统一载波测控信号捕获方法 | |
CN105405444B (zh) | 一种在Odd-DFT域对含噪正弦信号进行参数估计的方法 | |
CN106301464B (zh) | 一种针对chirp信号的信噪比估计方法 | |
Wang et al. | A novel signal detection scheme based on wavelet packet denoising and cyclic spectrum theory | |
CN108768452B (zh) | 一种电力线双向工频通信的检测方法 | |
Shi et al. | A new recognition and classification algorithm of underwater acoustic signals based on multi-domain features combination | |
Zhang et al. | Multi-label algorithm based on rough set of fractal dimension attribute | |
CN115015682B (zh) | 一种电能质量实时在线监测方法 | |
Zhao et al. | A Deep Learning Approach to Estimate Channel Information in Passive Bistatic Radar Using DRM Broadcast |
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 |