CN109871509B - 一种基于ar算法的瞬态信号高分辨检测方法 - Google Patents
一种基于ar算法的瞬态信号高分辨检测方法 Download PDFInfo
- Publication number
- CN109871509B CN109871509B CN201910124472.0A CN201910124472A CN109871509B CN 109871509 B CN109871509 B CN 109871509B CN 201910124472 A CN201910124472 A CN 201910124472A CN 109871509 B CN109871509 B CN 109871509B
- Authority
- CN
- China
- Prior art keywords
- detection
- signal
- algorithm
- transient
- prediction error
- 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
Links
Images
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出了一种基于AR算法的瞬态信号高分辨检测方法,属于非稳态信号高分辨检测技术领域,目的在于区分多个发生时间接近的瞬态噪声信号。本发明利用AR算法的外推特性,实现瞬态噪声信号的高分辨检测,对待检测序列进行取包络、降采样、分段处理,得到新的序列组,利用AR参数计算及时域后项预测得到后项预测值,同时通过将预测值与真实值比较得到后项预测误差功率,取后项预测误差功率平方作为检测统计量,将理论后项预测误差功率的k倍作为检测门限。当检测统计量大于检测门限时认为有瞬态噪声发生。
Description
技术领域
本发明属于非稳态信号高分辨检测技术领域,具体涉及一种基于AR算法的瞬态信号高分辨检测方法。
背景技术
瞬态噪声发生时间非常短,但噪声能量非常大且不易消除,其产生的原因一般是由于状态改变所引起的,在保证舰船正常运转的情况下是很难消除的。在时域上瞬态噪声持续时间一般在几百毫秒到几秒之间,对于水下武器空投入水、舱门的开闭产生的冲击型瞬态噪声一般持续时间在几百毫秒,对于其他的舰船和水下武器状态改变信号,持续时间为整个状态改变过程所经过的时间。在频域上瞬态噪声的频域一般比较集中在某个频段上,这与瞬态噪声的来源有关。
随着减振降噪技术的不断发展,机械制作吻合度加大和对瞬态噪声的研究的深入,对于科研人员来说,关注的不仅仅是瞬态噪声的有无,还包括瞬态信号发生的个数。瞬态信号的高分辨检测能力变得越来越重要。对于水下瞬态噪声的高分辨检测,尤其是对水下武器空投入水等瞬态噪声发生的个数检测尤其重要。当有两个以上目标入水信号发生时,传统的检测方法无法区分信号发生的个数,本发明研究的基于AR模型的高分辨瞬态噪声检测,突破了传统信号对于信号发生时间比较接近时无法区分的束缚。对于多个瞬态噪声发生时间接近情况下,有较好的检测效果,实现瞬态信号的高分辨检测。
发明内容
本发明的目的在于提供一种可区分多个发生时间接近的瞬态噪声信号的基于AR算法的瞬态信号高分辨检测方法。
本发明的目的是这样实现的:
本发明提出了一种基于AR算法的瞬态信号高分辨检测方法,利用AR算法的外推特性,实现瞬态噪声信号的高分辨检测;具体包括以下步骤:
(1)对待检测序列进行取包络、降采样、分段处理,得到新的序列组;
(2)对每个新序列组分别求AR参数及预测误差功率;
(3)通过AR参数对数据进行后项预测,并与实际后项结果进行比较,得到后项预测误差功率;
(4)设检测统计量Tx,自适应检测门限λ;
(5)将检测统计量Tx与自适应检测门限λ对比,若Tx>λ,认为出现非稳态信号,有瞬态噪声发生。
优选的,步骤(1)中对信号取包络过程为:
y=|HT(x)|
其中,x为原序列,HT为希尔伯特变换。
优选的,步骤(1)中所述的降采样为将信号的每16个点的平均值作为新的序列的一个点,将原序列的采样频率降低16倍。
优选的,所述的步骤(1)中通过加窗分段实现对序列的分段处理。
优选的,步骤(4)中所述的Tx=|e(n)|2,其中,e(n)为后项预测误差功率。
优选的,步骤(4)中所述的自适应检测门限λ为k倍的理论后项预测误差功率,其中k为自适应检测门限系数,所述的理论后项预测误差功率通过AR算法计算得出。
优选的,所述的加窗分段中窗函数长度为20。
优选的,所述的自适应检测门限系数k取值为30~34。
本发明的有益效果在于:本发明提出的一种基于AR算法的瞬态信号高分辨检测方法,能准确识别瞬态噪声,突破了传统信号对于信号发生时间比较接近时无法区分的束缚,对于多个瞬态噪声发生时间接近情况下,有较好的检测效果,实现瞬态信号的高分辨检测。
附图说明
图1为本发明中AR模型检测过程分析图;
图2为本发明中基于AR算法的瞬态信号高分辨检测方法流程图;
图3为本发明中两个有重叠的瞬态噪声时域图;
图4为本发明中两个有重叠的瞬态噪声包络图;
图5为本发明中信号降采样后时域图;
图6为本发明中实际估计误差的平方;
图7为本发明中理论估计误差功率;
图8为本发明中AR检测效果图;
图9为本发明中不同降采样因子AR检测效果图;(a)为4倍降采样AR检测效果图;(b)为8倍降采样AR检测效果图;(c)为12倍降采样AR检测效果图;(d)16倍降采样AR检测效果图;
图10为本发明中不同降采样因子100次试验出现的虚警次数;
图11为本发明中不同窗函数长度AR检测效果图;(a)为窗函数长度为10;(b)为窗函数长度为20;(c)为窗函数长度为30;(d)为窗函数长度为40;
图12为本发明中不同阶数AR检测效果图;(a)为阶数为5AR检测效果图;(b)阶数为10AR检测效果图;(c)阶数为15AR检测效果图;(d)阶数为20AR检测效果图;
图13为本发明中不同检测门限系数AR检测效果图;(a)k=10AR检测效果图;(b)k=20AR检测效果图;(c)k=30AR检测效果图;(d)k=40AR检测效果图;
图14为本发明中AR检测效果受k的影响变化趋势;
图15为本发明中AR检测效果受信噪比的影响变化趋势。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明的目的在于提供一种瞬态信号的高分辨检测算法,对于区分多个发生时间接近的瞬态信号进行检测。本发明经过对AR算法的研究,结合瞬态信号的特点提出了本发明的方法。根据AR算法可以进行信号外推的特点,通过信号包络检测、AR参数计算及时域后项预测得到后项预测值,同时通过将预测值与真实值比较得到预测误差,取预测误差平方作为检测统计量,将理论后项预测误差功率的k倍作为检测门限。当检测统计量大于检测门限时认为有瞬态噪声发生。
本发明涉及的主要步骤包括:
(1)将待检测序列经过取包络、降采样、加窗分段等处理后得到新的序列组。
(2)对其中每组序列分别求AR参数及预测误差功率。
(3)通过AR参数对数据进行后项预测,并与实际值进行比较得到预测误差。
(4)将实际预测误差的功率作为检测统计量,将理论预测误差功率的k倍作为自适应检测门限。
(5)将检测统计量与自适应检测门限比较得到检测结果。
AR模型通常作为稳态信号的分析工具,可以实现时域、自相关信号的外推。根据这一特点,可以通过信号包络检测、AR参数计算及时域后项预测得到后项预测值,同时通过将预测值与真实值比较得到预测误差,取预测误差平方作为检测统计量,将理论后项预测误差功率的k倍作为检测门限。当检测统计量大于检测门限时认为有瞬态噪声发生。如公式1所示。
其中,e(n)代表预测误差,Tx表示检测统计量,当检测统计量大于自适应门限值λ时,表示有瞬态噪声发生,否则表示无瞬态噪声发生。
如图1所示,瞬态信号发生在a2区域内,当信号分别在a1、a2、a3区域内进行估计时,由于AR模型的预测特点,信号估计误差不会大于检测统计量,当信号在a1和a2的边缘时即用a1的结尾估计a2的开头,由于AR模型做稳态估计,所以信号的估计误差e(n)会大幅度变大,当计算区间跨过a1和a2的分界线,信号中会出现较大的突变,因此信号的预测误差功率会变大,同时自适应检测门限就会提高,这时检测统计量就会小于检测门限。由于瞬态噪声在信号区间内呈衰减状态,在a2和a3的分界线上并没有发生突变,因此不会出现检测统计量大于检测门限的情况,所以当有一个瞬态噪声发生时,有且只有一个时间点出现检测统计量大于检测门限的情况,此时处于瞬态噪声发生的开始阶段。
(1)检测过程
如图2为AR检测流程图,将待检测序列经过取包络、降采样、加窗分段等处理后得到新的序列组,并对其中每组序列分别求AR参数及预测误差功率。通过AR参数对数据进行后项预测,并与实际值进行比较得到预测误差,将预测误差的平方作为检测统计量。将理论预测误差功率的k倍作为自适应检测门限,将检测统计量与自适应检测门限比较得到检测结果。
如图3所示为两个有重叠的瞬态噪声,该瞬态噪声为冲击型瞬态噪声,两个瞬态噪声的发生时间间隔为0.02s。图4为图3所示噪声信号通过希尔伯特变换得到的信号包络。
对信号取包络过程如公式2所示:
y=|HT(x)| 2
其中x为原序列,HT为希尔伯特变换,将序列进行希尔伯特变换得到解析信号,将解析信号的模作为序列的包络。对信号取包络是为了减少相位对信号检测时的影响。图5为图4所示的包络信号进行16倍降采样得到信号。
降采样是将信号的每16个点的平均值作为新的序列的一个点,将原序列的采样频率降低16倍。降采样一方面可以减少信号采样率过高带来的计算时间长的影响,另一方面可以减少噪声对AR检测的干扰。
采用加窗分段的方法对信号进行分段,图6和图7分别是窗函数长度为25,各段之间重叠的点数为24,AR阶数为10的各段的实际估计误差的平方和理论估计误差功率图。
将图6所示各段信号的估计误差的平方作为检测统计量,将图7所示的理论估计误差功率的k倍作为自适应检测门限。图8为k=25时,各段的检测结果。
(2)参数讨论
1、降采样因子:降采样是降低信号的采样率的过程,通常用于降低数据传输速率或者数据大小。降采样因子(常用表示符号为M)一般是大于1的整数或有理数。这个因子表达了采样周期变成原来的几倍,或者等价地表示采样率变成原来的几分之一。对序列进行降采样,一方面不仅可以降低计算时间,另一方面也可以滤除掉大部分噪声的干扰,减小虚警的概率。噪声的存在会使AR模型的估计受到严重的影响,因为当噪声的频带比较宽,由于噪声的存在此时系统的模型已经不再是全极点模型了,这时会导致预测误差变大,产生虚警。若M选取过大,相当于高倍降采样,会影响到检测分辨率和检测信号发生时间的准确度,若M选取过小,噪声抑制不明显,对检测的虚警抑制效果也不明显。图9为对图3所示的信号不同程度降采样,并通过AR检测得到的检测效果图,(a)为4倍降采样AR检测效果图;(b)为8倍降采样AR检测效果图;(c)为12倍降采样AR检测效果图;(d)16倍降采样AR检测效果图。
从图9中可以看出,随着信号降采样因子的增大,信号的虚警概率会减小,图10列出了不同包络步长的进行100次试验的虚警出现的虚警次数。
图10进一步表示出了降采样因子对虚警概率的影响,从图10中可以看出降采样因子大于16时,检测的虚警概率已经减小到0。
2、窗函数长度:窗函数长度为信号分段进行AR估计时的每一段的长度,当窗函数长度增大时会增加计算时间,同时降低检测门限,使得信号发生过程中产生的时域信号变化被误认为是新的信号发生,从而产生虚警。当窗函数长度过短时会产生较大的计算误差。窗函数长度的选取与降采样因子有关,窗函数长度与降采样因子的乘积要满足至少包括信号的一个周期。AR检测法检测瞬态信号时的分辨率也为窗函数长度与降采样因子的乘积。图11为对图3的信号不同窗函数长度的AR检测效果图,(a)为窗函数长度为10;(b)为窗函数长度为20;(c)为窗函数长度为30;(d)为窗函数长度为40。
从图11中可以看出窗函数长度为10时出现了信号漏检的现象,窗函数长度为30和40时出现了不同程度的虚警现象。当窗函数长度较短时,阶数受到限制,理论估计误差和实际估计误差都会很大,导致检测的效果不理想,窗函数长度很大时不仅虚警的概率特别高而且信号的检测精度会受到影响,所以信号的窗函数长度为20左右时效果最好。
3、阶数:阶数为AR估计模型进行外推计算时的AR模型阶数。阶数选取过小估计误差会增大,同时检测门限会提高,增大信号检测的错误率。阶数除了影响信号的漏检和虚警的概率外还受窗函数长度的限制,一般阶数不要超过窗函数长度的1/2。图12为对图3所示的信号不同阶数的AR检测效果图,(a)为阶数为5AR检测效果图;(b)阶数为10AR检测效果图;(c)阶数为15AR检测效果图;(d)阶数为20AR检测效果图。
从图12可以看出AR模型的阶数对检测效果的影响并不大,只有在阶数比较高时会出现轻微的虚警现象。这是因为信号检测的自适应性使得统计量和检测门限同时变化,所以从检测结果来看差异并不大。但是阶数的选择并不是随意的,过大和过小在不同类型的瞬态信号检测时都会产生相应的误差,通过实验验证选择阶数的一半作为AR检测的阶数为最佳。
4、自适应检测门限系数:预测误差功率的k倍作为自适应检测门限。k作为自适应检测门限系数,k的取值会直接影响到检测的灵敏度和信号的虚警、漏报概率。图6、图7分别为图3信号的AR检测的检测统计量即实际的检测误差功率和理论的检测误差功率。
从图6和图7中可以看出,理论的检测误差功率和实际的误差检测功率有相同的变化趋势,选取理论的检测误差功率的k倍作为检测的自适应门限可以有效的检测出瞬态噪声的发生。图13为对图3所示的信号不同自适应检测门限系数的AR检测效果图,(a)k=10AR检测效果图;(b)k=20AR检测效果图;(c)k=30AR检测效果图;(d)k=40AR检测效果图。
自适应检测门限系数k是影响检测效果的最直接因素也是最重要的参数,其他参数选取的不当可以通过更改自适应检测门限系数来弥补。从图13中可以看出自适应检测门限系数k选取过小会引起虚警现象,自适应检测门限系数k选取过大会引起漏报现象,在30左右时检测效果最好。图14为不同k值的情况下检测图3所示信号的虚警和漏报的概率。
从图14可以看出k的取值在34附近时虚警和漏报的概率比较小,AR检测信号的虚警和漏报的概率除了和k值有关还和信号的类型相关。
(3)噪声影响
由于AR模型是全极点模型,所以AR模型谱估计受噪声影响较大,同样AR模型的外推计算时也会较大程度受到影响。信噪比是衡量信号能量与噪声能量大小关系的参数,本发明所述的信噪比是先验信噪比即在信号发生时间内的能量与等时间长度的没有信号发生时的能量比。图15为图3所示信号在不同信噪比情况下虚警和漏报的概率。
从图15可以看出AR检测效果在高信噪比的情况下很好,随着信噪比的降低信号的检测效果在下降。由于瞬态辐射噪声的能量比较大,是属于高信噪比的信号,在一般的预警过程中AR检测可以起到很好的效果。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于AR算法的瞬态信号高分辨检测方法,其特征在于,利用AR算法的外推特性,实现瞬态噪声信号的高分辨检测;具体包括以下步骤:
(1)对待检测序列进行取包络、降采样、分段处理,得到新的序列组;
(2)对每个新序列组分别求AR参数及预测误差功率;
(3)通过AR参数对数据进行后项预测,并与实际后项结果进行比较,得到后项预测误差功率;
(4)设检测统计量Tx,自适应检测门限λ;
(5)将检测统计量Tx与自适应检测门限λ对比,若Tx>λ,认为出现非稳态信号,有瞬态噪声发生。
2.根据权利要求1所述的一种基于AR算法的瞬态信号高分辨检测方法,其特征在于,步骤(1)中对信号取包络过程为:
y=|HT(x)|
其中,x为原序列,HT为希尔伯特变换。
3.根据权利要求1所述的一种基于AR算法的瞬态信号高分辨检测方法,其特征在于:步骤(1)中所述的降采样为将信号的每16个点的平均值作为新的序列的一个点,将原序列的采样频率降低16倍。
4.根据权利要求1所述的一种基于AR算法的瞬态信号高分辨检测方法,其特征在于:所述的步骤(1)中通过加窗分段实现对序列的分段处理。
5.根据权利要求1所述的一种基于AR算法的瞬态信号高分辨检测方法,其特征在于:步骤(4)中所述的Tx=|e(n)|2,其中,e(n)为后项预测误差功率。
6.根据权利要求1所述的一种基于AR算法的瞬态信号高分辨检测方法,其特征在于:步骤(4)中所述的自适应检测门限λ为k倍的理论后项预测误差功率,其中k为自适应检测门限系数,所述的理论后项预测误差功率通过AR算法计算得出。
7.根据权利要求4所述的一种基于AR算法的瞬态信号高分辨检测方法,其特征在于:所述的加窗分段中窗函数长度为20。
8.根据权利要求6所述的一种基于AR算法的瞬态信号高分辨检测方法,其特征在于:所述的自适应检测门限系数k取值为30~34。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910124472.0A CN109871509B (zh) | 2019-02-19 | 2019-02-19 | 一种基于ar算法的瞬态信号高分辨检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910124472.0A CN109871509B (zh) | 2019-02-19 | 2019-02-19 | 一种基于ar算法的瞬态信号高分辨检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871509A CN109871509A (zh) | 2019-06-11 |
CN109871509B true CN109871509B (zh) | 2022-11-01 |
Family
ID=66918874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910124472.0A Active CN109871509B (zh) | 2019-02-19 | 2019-02-19 | 一种基于ar算法的瞬态信号高分辨检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871509B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597225B (zh) * | 2020-04-21 | 2023-10-27 | 杭州安脉盛智能技术有限公司 | 一种基于分段瞬态识别的自适应数据缩减方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101295999B (zh) * | 2008-06-27 | 2014-02-19 | 中兴通讯股份有限公司 | 一种随机接入前导的检测方法 |
CN101944929B (zh) * | 2009-07-06 | 2013-08-07 | 中兴通讯股份有限公司 | 基于随机接入过程的检测方法和检测装置 |
CN103209036B (zh) * | 2013-04-22 | 2015-10-14 | 哈尔滨工程大学 | 基于Hilbert-黄变换双重降噪的瞬态信号检测方法 |
-
2019
- 2019-02-19 CN CN201910124472.0A patent/CN109871509B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109871509A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101729634B1 (ko) | 키보드 타이핑 탐지 및 억제 | |
KR101871874B1 (ko) | 불균일 환경에 효과적인 적응형 cfar 처리 방법 및 시스템 | |
GB2554955A (en) | Detection of acoustic impulse events in voice applications | |
Hero et al. | A new generalized cross correlator | |
CN112180899B (zh) | 一种间歇异常测量检测下系统的状态估计方法 | |
CN111024209B (zh) | 一种适用于矢量水听器的线谱检测方法 | |
CN106054153A (zh) | 一种基于分数阶变换的海杂波区目标检测与自适应杂波抑制方法 | |
CN110085247A (zh) | 一种针对复杂噪声环境的双麦克风降噪方法 | |
CN111624573A (zh) | 一种海杂波背景下的时域自适应目标检测方法 | |
CN109871509B (zh) | 一种基于ar算法的瞬态信号高分辨检测方法 | |
Ramírez et al. | Speech/non-speech discrimination based on contextual information integrated bispectrum LRT | |
CN115032606B (zh) | 一种基于局部最小选定单元平均的恒虚警检测器 | |
CN115359771B (zh) | 一种水声信号降噪方法、系统、设备及存储介质 | |
JP4886461B2 (ja) | 異常監視装置 | |
US11610601B2 (en) | Method and apparatus for determining speech presence probability and electronic device | |
CN112462352B (zh) | 一种适用于低信噪比条件下的线谱增强方法 | |
CN109934050A (zh) | 一种改进的基于emd分解的海杂波抑制算法 | |
Tang et al. | An augmented generalized likelihood ratio test detector for signal detection in clutter and noise | |
CN112235077A (zh) | 基于高斯Copula的BPSK信号盲处理结果可信性自适应校验方法 | |
CN103078661A (zh) | 一种基于迭代门限的扩频系统干扰抑制方法 | |
Górriz et al. | Generalized LRT-based voice activity detector | |
Zhang et al. | Impulsive noise excision using robust smoothing | |
CN113258531B (zh) | 一种基于浮动门槛的解决异常大数引起保护误动的方法 | |
US20160217798A1 (en) | Method and apparatus for detecting a watermark symbol in a section of a received version of a watermarked audio signal | |
CN110572181B (zh) | 一种电力线的信道检测方法、装置及设备 |
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 |