CN109361376A - 一种高阶累积量的高精度时延估计方法 - Google Patents
一种高阶累积量的高精度时延估计方法 Download PDFInfo
- Publication number
- CN109361376A CN109361376A CN201811409336.8A CN201811409336A CN109361376A CN 109361376 A CN109361376 A CN 109361376A CN 201811409336 A CN201811409336 A CN 201811409336A CN 109361376 A CN109361376 A CN 109361376A
- Authority
- CN
- China
- Prior art keywords
- correlation
- cross
- signal
- auto
- time
- 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
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H9/00—Networks comprising electromechanical or electro-acoustic devices; Electromechanical resonators
- H03H9/30—Time-delay networks
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种高阶累积量的高精度时延估计方法,属于信号处理领域。本发明包括以下步骤:对两路接收信号进行互相关处理和自相关处理;对自相关处理和互相关处理的输出做高阶累积量一维切片运算;将高阶累积量一维切片中相对应的两个变量设置为零并将另外一个对应的变量当做时间,获得两个时域信号;对两个时域信号做互相关运算,获得时延信息;对上一步互相关运算的输出做希尔伯特变换并取绝对值;锐化相关峰;进行峰值检测,得到高精度时延信息。本方法通过对噪声的多级抑制,有效地抑制了高斯白噪声、相关噪声及非高斯色噪声等多种噪声,提高接收信号的信噪比,非常适用于多种噪声存在的背景下低信噪比信号的高精度时延估计。
Description
技术领域
本发明属于信号处理领域,具体涉及一种高阶累积量的高精度时延估计方法。
背景技术
时延估计技术一直是信号处理领域的一个重要研究课题。已有许多时延估计技术被提出,如广义相关法、自适应法、多重信号分类法、期望最大化算法、WRELAX法和借助旋转不变技术的信号参数时延估计技术等,这些时延估计技术性能各异,分别适用于不同的应用要求。
高精度时延估计技术可以利用二次相关方法予以实现,但仅采用二次相关技术由于无法对非高斯色噪声进行有效抑制,从而降低时延估计精度;由于存在相关噪声及部分非高斯噪声的干扰,经典的广义相关法并不适合对其进行处理;尽管高阶累积量可以完全描述非高斯随机信号概率特征的性质,且非常适用于非平稳随机信号的处理,但其计算量较大,在实际应用中无法对数据进行实时处理,因此其仅限于理论研究,无法真正应用于工程实践;虽然自适应时延估计技术将时延估计问题转换为对滤波器系数的估计问题,可通过滤波器自身参数的调整来适应环境的变换,但当滤波器参数设置不合理时,自适应时延估计算法存在收敛慢甚至不收敛的问题,在探测数据量少时,自适应时延估计技术的误差较大。现有的时延估计方法存在诸多缺陷使其对接收信号时延估计的精度不高。
本发明将二次相关和高阶累积量一维切片相结合时延估计技术SecondCorrelation-High Order Cumulant Slice继承了二次相关法和高阶累积量一维切片法的优势,其先对接收信号进行相关预处理,抑制高斯噪声,在一定程度上初步提高信噪比;接着利用高阶累积量法进一步抑制高斯噪声、非高斯色噪声及相关噪声,进一步提高信噪比,此时的信噪比相比于初始信号有了较大提高;最后,结合希尔伯特变换法对相关峰进行锐化,提高时延估计精度。SC-HOCS时延估计技术能够在复杂噪声背景下通过多级降噪抑制多种噪声,提高信噪比和时延估计精度,且计算量与相关法是一个量级,更能适应实际应用中复杂环境下的时延估计的精度要求和实时处理数据的要求。本发明充分利用高阶累积量和二次相关压制高斯噪声、相关噪声和非高斯色噪声的特性,联合希尔伯特变换技术,在复杂噪声环境下实现接收信号的高精度时延估计。
发明内容
本发明的目的在于提供一种高阶累积量的高精度时延估计方法,该方法通过多级降噪抑制多种噪声、提高信噪比,在复杂环境下进行高精度时延估计,特别适合于在复杂噪声环境下实现接收信号的高精度时延估计,较传统方法可进一步提高信号的时延估计精度,本发明方法首先通过对接收信号的自相关与互相关预处理抑制高斯白噪声,接着通过高阶累积量运算进一步抑制高斯噪声、相关噪声及非高斯色噪声,提高接收信号的信噪比,非常适用于多种噪声存在的背景下低信噪比信号的高精度时延估计。
本发明的目的是这样实现的:
一种高阶累积量的高精度时延估计方法,包括以下步骤:
(1)对两路接收信号x1(n)和x2(n)做互相关运算,对接收信号x1(n)做自相关运算;
(2)对x1(n)的自相关运算结果做自四阶累积量一维切片运算,对x1(n)自相关运算结果和x1(n)与x2(n)的互相关运算结果做互四阶累积量一维切片运算;
(3)将四阶累积量一维切片中相对应的两个变量设置为零并将另外一个对应的变量当做时间,获得两个时域信号;
(4)对两个时域信号做互相关处理,得到自四阶累积量一维切片与互四阶累积量一维切片的互相关函数R3,获得时延信息;
(5)对自四阶累积量一维切片与互四阶累积量一维切片的互相关函数R3做希尔伯特变换得到并取绝对值得到
(6)将步骤(4)的输出与步骤(5)的输出相减,锐化相关峰:
(7)进行峰值检测,得到高精度时延信息。
所述的步骤(2)对自相关运算结果做自四阶累积量一维切片运算,对x1(n)的自相关运算结果做自四阶累积量一维切片运算具体为:
对x1(n)自相关运算结果和x1(n)与x2(n)的互相关运算结果做互四阶累积量一维切片运算具体为:
其中,R11(n)为接收信号x1(n)的自相关函数的时域表示,R12(n)为两接收信号x1(n)和x2(n)的互相关函数的时域表示,为接收信号自相关函数的自四阶累积量,为两接收信号自相关函数和互相关函数的互四阶累积量。
本发明的有益效果在于:
本发明采用了SC-HOCS时延估计技术,在自相关与互相关预处理的基础上,充分利用高阶累积量可以完全描述非高斯随机噪声的特性,抑制高斯噪声、相关噪声及非高斯色噪声,提高了接收信号的信噪比,并且结合希尔伯特变换技术进一步提高时延估计精度。由于高阶累积量一维切片算法只计算高阶累积量的一个维度的数据,计算量小,可以工程实时实现。本发明通过多级降噪提高信噪比,可在多种噪声存在的复杂环境下进行高精度时延估计,因此本发明特别适用于实际情况下回波信号的检测。
附图说明
图1是一种高阶累积量的高精度时延估计方法流程图;
图2(a)为一通道接收信号时域波形;
图2(b)为二通道接收信号时域波形;
图3实线为广义相关法时延估计的输出,虚线为锐化后的广义相关法时延估计的输出;
图4(a)是非相关高斯噪声下本发明方法SC-HOCS法与广义相关法、二次相关法及高阶累积量一维切片法的均方根误差时延估计性能对比图;
图4(b)是弱相关高斯噪声下本发明方法SC-HOCS法与广义相关法、二次相关法及高阶累积量一维切片法的均方根误差时延估计性能对比图;
图4(c)是强相关高斯噪声下本发明方法SC-HOCS法与广义相关法、二次相关法及高阶累积量一维切片法的均方根误差时延估计性能对比图;
图4(d)是拉普拉斯噪声下本发明方法SC-HOCS法与广义相关法、二次相关法及高阶累积量一维切片法的均方根误差时延估计性能对比图;
图5(a)是用广义相关法对水池实验数据进行处理的输出;
图5(b)是用本发明方法SC-HOCS法对水池实验数据进行处理的输出。
具体实施方式
下面结合附图对本发明的具体实施方式作更详细的描述。
本发明涉及一种高阶累积量的高精度时延估计方法,方法实现的算法流程如图1所示,整个流程分解为以下7个步骤完成:
(1)对两路接收信号进行互相关处理和自相关处理,初步抑制高斯白噪声;
(2)对自相关处理和互相关处理的输出做高阶累积量一维切片运算,抑制非高斯色噪声、相关噪声并进一步抑制高斯白噪声;
(3)将高阶累积量一维切片中相对应的两个变量设置为零并将另外一个对应的变量当做时间,获得两个时域信号;
(4)对两个时域信号做互相关处理,获得时延信息;
(5)对步骤(4)的输出做希尔伯特变换并取绝对值;
(6)将步骤(4)的输出与步骤(5)的输出相减,锐化相关峰;
(7)进行峰值检测,得到高精度时延信息。
步骤(1)根据公式R12(τ)=E(x1(n)x2(n+τ))对两路接收信号分别做互相关处理和自相关处理,初步抑制高斯噪声,提高信噪比,用于高阶累积量一维切片处理的两个输入信号;
步骤(2)对自相关处理和互相关处理的输出分别做自四阶累积量一维切片和互四阶累积量一维切片运算,获取其自四阶累积量一维切片和互四阶累积量一维切片,可抑制高斯噪声、相关噪声和非高斯色噪声,进一步提高信噪比;
步骤(3)将自四阶累积量一维切片和互四阶累积量一维切片中相对应的两个变量设置为零并将另外一个对应的变量当做时间,获得两个时域信号。这是因为高阶累积量一维切片中包含了时延信息,想要提取时延信息,就需要取其一个维度的信息,获得两个时域信号,在提取时延信息;
步骤(4)对两个时域信号做互相关处理,获得时延信息,因为存在时间上延迟的两个信号,在做互相关运算后,将会在时延处有一个相关峰;
步骤(5)对步骤(4)的输出做希尔伯特变换并取绝对值。希尔伯特变换是把目标函数偶对称性变成奇对称性,应用于广义相关法中即将峰值检测变为过零检测,其过零点位置即广义相关法中的峰值点;
步骤(6)将步骤(4)的输出与步骤(5)的输出相减,锐化相关峰。将相关函数减去其希尔伯特变换后输出的绝对值,可保留相关峰峰值所在位置样本点的同时,使相关峰值点附近的样本值减小,从而达到锐化相关峰、提高时延估计精度的目的。
步骤(7)进行峰值检测,得到高精度时延信息。
本发明的基本原理为:首先对接收信号进行相关处理,初步压制高斯噪声,在一定程度上提高信噪比;接着进行高阶累积量运算压制非高斯色噪声、高斯噪声及相关噪声,进一步提高信噪比,此时的信噪比相比于初始信号有了较大提高;最后,结合希尔伯特变换对相关峰进行锐化,提高时延估计精度。利用高阶累积量一维切片法大大降低计算复杂程度,其计算量级与相关法是一个量级,更能适应实际应用中复杂环境下的时延估计的精度要求和实时处理数据的要求。分析得出,两个因素保证了接收信号的噪声得到有效抑制;一是对接收信号进行互相关和自相关处理,初步抑制高斯白噪声,在一定程度上提高信噪比;二是对处理后的信号进行高阶累积量运算,进一步抑制非高斯色噪声、高斯噪声及相关噪声,再次提高信噪比。
对本发明的方法不失一般性的用LFM信号进行了仿真实例,以给出更直观的描述。在不考虑信号的多途效应的情况下,空间位置不同的两个水听器接收经过海洋声信道远距离传播的信号可表示为:
x1(n)=s(n)+w1(n)
x2(n)=s(n-D)+w2(n)
其中:x1(n)和x2(n)为水听器接收声信号,s(n)为信源与声信道冲激响应卷积信号,D为两水听器接收声信号间的延迟,w1(n)和w2(n)分别为两水听器接收的噪声。
不失一般性的设定信号为声信号,其传播速度为1500m/s,两水听器接收信号之间时延差相差2500个采样点,本发明引进希尔伯特变换可有效锐化相关峰,这一点可以由图3清楚的看出来;由图4(a-d)可以看出,在非相关高斯白噪声、强相关高斯噪声、弱相关高斯噪声及拉普拉斯噪声干扰的条件下,本发明可以有效的压制噪声,提高复杂噪声情况下的信噪比,其时延估计性能均优于其他三种时延估计方法。由图5可知,本方法与广义相关时延估计技术相比有更加尖锐的相关峰,可以很好的提高时延估计精度。
本发明中的高阶累积量一维切片算法只计算高阶累积量的一个维度的数据,其计算复杂程度与互相关运算同一个量级,因此本方法是可以工程实时实现。该方法通过多级降噪来多次提高信噪比,可在复杂环境下进行高精度时延估计,因此本发明特别适合于实际环境下信号回波检测。
Claims (2)
1.一种高阶累积量的高精度时延估计方法,其特征在于,包括以下步骤:
(1)对两路接收信号x1(n)和x2(n)做互相关运算,对接收信号x1(n)做自相关运算;
(2)对x1(n)的自相关运算结果做自四阶累积量一维切片运算,对x1(n)自相关运算结果和x1(n)与x2(n)的互相关运算结果做互四阶累积量一维切片运算;
(3)将四阶累积量一维切片中相对应的两个变量设置为零并将另外一个对应的变量当做时间,获得两个时域信号;
(4)对两个时域信号做互相关处理,得到自四阶累积量一维切片与互四阶累积量一维切片的互相关函数R3,获得时延信息;
(5)对自四阶累积量一维切片与互四阶累积量一维切片的互相关函数R3做希尔伯特变换得到并取绝对值得到
(6)将步骤(4)的输出与步骤(5)的输出相减,锐化相关峰:
(7)进行峰值检测,得到高精度时延信息。
2.根据权利要求1所述的一种高阶累积量的高精度时延估计方法,其特征在于,所述的步骤(2)对自相关运算结果做自四阶累积量一维切片运算,对x1(n)的自相关运算结果做自四阶累积量一维切片运算具体为:
对x1(n)自相关运算结果和x1(n)与x2(n)的互相关运算结果做互四阶累积量一维切片运算具体为:
其中,R11(n)为接收信号x1(n)的自相关函数的时域表示,R12(n)为两接收信号x1(n)和x2(n)的互相关函数的时域表示,为接收信号自相关函数的自四阶累积量,为两接收信号自相关函数和互相关函数的互四阶累积量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811409336.8A CN109361376A (zh) | 2018-11-23 | 2018-11-23 | 一种高阶累积量的高精度时延估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811409336.8A CN109361376A (zh) | 2018-11-23 | 2018-11-23 | 一种高阶累积量的高精度时延估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109361376A true CN109361376A (zh) | 2019-02-19 |
Family
ID=65338582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811409336.8A Pending CN109361376A (zh) | 2018-11-23 | 2018-11-23 | 一种高阶累积量的高精度时延估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109361376A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210081A (zh) * | 2019-05-17 | 2019-09-06 | 武汉理工大学 | 一种SS-OCT系统k-clock延时校正算法 |
CN110939874A (zh) * | 2019-12-16 | 2020-03-31 | 重庆邮电大学 | 基于四阶累积量的管道泄漏振动信号自适应时延估计方法 |
CN111447009A (zh) * | 2020-03-23 | 2020-07-24 | 西安理工大学 | 一种基于高阶统计分析的信号自适应处理方法 |
CN112924831A (zh) * | 2021-03-05 | 2021-06-08 | 国网山东省电力公司电力科学研究院 | 一种特高频局部放电定位时延估计方法 |
US11960654B2 (en) | 2022-04-09 | 2024-04-16 | Tata Consultancy Services Limited | Acoustic system and method based gesture detection using spiking neural networks |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100228530A1 (en) * | 2009-01-05 | 2010-09-09 | Schlumberger Technology Corporation | Processing time series data embedded in high noise |
CN105609112A (zh) * | 2016-01-15 | 2016-05-25 | 苏州宾果智能科技有限公司 | 一种声源定位方法和装置及其时延估计方法和装置 |
CN107894595A (zh) * | 2017-11-06 | 2018-04-10 | 上海航天测控通信研究所 | 一种非高斯SaS冲击噪声环境下的时延估计方法 |
CN108303622A (zh) * | 2017-12-29 | 2018-07-20 | 国网北京市电力公司 | 时延估计方法及装置 |
-
2018
- 2018-11-23 CN CN201811409336.8A patent/CN109361376A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100228530A1 (en) * | 2009-01-05 | 2010-09-09 | Schlumberger Technology Corporation | Processing time series data embedded in high noise |
CN105609112A (zh) * | 2016-01-15 | 2016-05-25 | 苏州宾果智能科技有限公司 | 一种声源定位方法和装置及其时延估计方法和装置 |
CN107894595A (zh) * | 2017-11-06 | 2018-04-10 | 上海航天测控通信研究所 | 一种非高斯SaS冲击噪声环境下的时延估计方法 |
CN108303622A (zh) * | 2017-12-29 | 2018-07-20 | 国网北京市电力公司 | 时延估计方法及装置 |
Non-Patent Citations (2)
Title |
---|
金留念: "基于二次相关的时延估计方法研究", 《电子信息对抗技术》 * |
马文强等: "一种新的基于四阶累积量一维切片的干扰抑制方案", 《2003年通信理论与信号处理年会论文集》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210081A (zh) * | 2019-05-17 | 2019-09-06 | 武汉理工大学 | 一种SS-OCT系统k-clock延时校正算法 |
CN110939874A (zh) * | 2019-12-16 | 2020-03-31 | 重庆邮电大学 | 基于四阶累积量的管道泄漏振动信号自适应时延估计方法 |
CN111447009A (zh) * | 2020-03-23 | 2020-07-24 | 西安理工大学 | 一种基于高阶统计分析的信号自适应处理方法 |
CN111447009B (zh) * | 2020-03-23 | 2023-08-08 | 赛尔通信服务技术股份有限公司 | 一种基于高阶统计分析的信号自适应处理方法 |
CN112924831A (zh) * | 2021-03-05 | 2021-06-08 | 国网山东省电力公司电力科学研究院 | 一种特高频局部放电定位时延估计方法 |
CN112924831B (zh) * | 2021-03-05 | 2022-06-10 | 国网山东省电力公司电力科学研究院 | 一种特高频局部放电定位时延估计方法 |
US11960654B2 (en) | 2022-04-09 | 2024-04-16 | Tata Consultancy Services Limited | Acoustic system and method based gesture detection using spiking neural networks |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109361376A (zh) | 一种高阶累积量的高精度时延估计方法 | |
CN108872962B (zh) | 基于分数阶傅里叶变换的激光雷达微弱信号提取和分解方法 | |
CN106597408B (zh) | 基于时频分析和瞬时频率曲线拟合的高阶pps信号参数估计方法 | |
CN107368799B (zh) | 基于多特征和自适应时延估计的泄漏检测与定位方法 | |
CN109581516B (zh) | 曲波域统计量自适应阈值探地雷达数据去噪方法及系统 | |
CN108270543A (zh) | 一种基于小波空域相关法的侧信道攻击预处理方法 | |
CN108333568B (zh) | 冲击噪声环境下基于Sigmoid变换的宽带回波Doppler和时延估计方法 | |
CN110554428A (zh) | 一种基于变分模态分解的地震波低频能量变化率提取方法 | |
CN107329115B (zh) | 基于gcrbf网络的lfm信号参数估计方法 | |
CN110196407B (zh) | 一种基于频率预估的单矢量水听器信号来波方向估计方法 | |
CN111159888A (zh) | 一种基于互相关函数的协方差矩阵稀疏迭代时延估计方法 | |
CN108983158B (zh) | 一种基于Hankel矩阵奇异值分解的探地雷达噪声抑制方法 | |
CN109584256A (zh) | 一种基于霍夫直线检测的脉冲星dm估计算法 | |
CN107635181B (zh) | 一种基于信道学习的多址感知源反馈优化方法 | |
CN111650655B (zh) | 一种非负矩阵分解的有监督瞬变电磁信号降噪方法 | |
CN108957416A (zh) | 脉冲噪声环境下基于分数阶功率谱密度的线性调频信号参数估计方法 | |
CN110275150B (zh) | 基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法 | |
CN113822363B (zh) | 一种基于二次有理核函数的卷积神经网络时延估计方法 | |
CN110133628A (zh) | 一种短时强干扰下lfm信号的恢复方法 | |
CN110673118A (zh) | 一种主动声纳单频脉冲串波形设计及检测算法 | |
CN113708860B (zh) | 一种lfm信号多径时延的估计方法及装置 | |
CN110426711B (zh) | 一种基于极性零点检测的时延估计方法及系统 | |
CN113156514B (zh) | 基于主频波数域均值滤波的地震数据去噪方法及系统 | |
CN111352158B (zh) | 地震信号增强方法及装置 | |
CN103901470B (zh) | 一种海底沉积层反射强度及时延估计方法 |
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: 20190219 |