CN110060700A - 基于参数谱估计的短序列音频分析方法 - Google Patents
基于参数谱估计的短序列音频分析方法 Download PDFInfo
- Publication number
- CN110060700A CN110060700A CN201910185751.8A CN201910185751A CN110060700A CN 110060700 A CN110060700 A CN 110060700A CN 201910185751 A CN201910185751 A CN 201910185751A CN 110060700 A CN110060700 A CN 110060700A
- Authority
- CN
- China
- Prior art keywords
- signal
- matrix
- mode
- noise
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 230000003595 spectral effect Effects 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 230000005236 sound signal Effects 0.000 claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 238000013507 mapping Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于参数谱估计的短序列音频分析方法,包括:建立音频信号x(n)的数学表达公式;利用信号构造Hankel矩阵Y;计算Y的协方差矩阵R,并将R做奇异值分解得到酉矩阵U、V和奇异值矩阵∑;利用矩阵∑中奇异值计算信号的奇异熵增量,从而判别信号模态阶数g;根据模态阶数将矩阵V划分成信号空间V1和噪声空间V2,并从信号空间中取出两个子矩阵V3和V4;求解V3和V4间的映射关系ψ;根据矩阵ψ计算信号x(n)的频率分量和对应的幅度、相位;估计信号噪声功率;计算信号信纳比、失真度。本发明结合基于奇异熵的信号模态阶数识别算法分离信号空间,计算各模态的频率、幅度、相位信息和信号噪声功率,而计算信纳比、失真度,测量精度高。
Description
技术领域
本发明属于通信测试领域,尤其涉及到一种基于参数谱估计的短序列音频分析方法,可用于便携式无线电综合测试仪对音频信号的测量分析。
背景技术
在通信测试中,通常采样导频频率、导频频偏、发音频谐波失真等指标衡量发射机性能,采用模拟灵敏度、收音频谐波失真等指标衡量接收机性能。上述指标的测量过程分别依赖于对音频信号频率、功率、信纳比、失真度等参数的测量,即音频分析。在传统测试系统中,多采用无线电综合测试仪的音频分析功能实现这部分测试需求,然而随着通信测试领域的不断细分,出现的一些现场级测试以及快速维修保障需求在设备的便携性和经济性方面对测试仪器提出了更高要求,此时笨重而昂贵的无线电综合测试仪不在成为首选。因此越来越多的方案更倾向于采用信号采集卡配合便携式计算机搭建测试系统,而音频分析工作则全权交由软件负责。
音频分析技术是一种通过波形分析方法测量音频信号各正弦分量频率、功率、相位以及电平值、信纳比、失真度、信噪比等特征的技术,目前大多采用基于FFT的方法实现。该类方法简单且计算代价较小,够能实现对整周期单音信号的高精度分析。然而由于离散傅里叶变换存在显著的频谱泄露和栅栏效应,该类方法在测量存在多次间谐波的复杂信号时精度大幅下降。另一方面,基于FFT的参数估计方法受到不确定原理的傅里叶分辨率的限制,而实际应用场景中常出现频率靠近基波的谐波分量,受限于常用音频采集卡的采样长度,基于FFT的方法往往无法分辨这类信号。
发明内容
本发明的目的是克服已有音频分析方法中测量精度和频率分辨率受限于采样序列长度的缺点,突破普通音频采集卡连续采样时长的限制,提出一种基于参数谱估计的短序列音频分析方法。
为实现上述目的,本发明根据如下所述技术方案实现:
基于参数谱估计的短序列音频分析方法,其特征在于,包含以下步骤:
步骤S1:信号采集卡输入或软解调器输出音频信号有如下表示形式:
其中K为信号总正弦分量数,第i次谐波的幅度、频率、相位分别由ai、ωi,表示,e(n)表示零均值的高斯白噪声;
步骤S2:引入1×m维向量Y′,并由X(n)构造Hankel矩阵Y:
Y′(n)=[x(n),x(n+1),…,x(n+m-1)]
Y=[Y′(0),Y′(1),…,Y′(L)]T
其中M=N-L;
步骤S3:计算Y的协方差矩阵R,并将方阵R(N-L)×(L+1)做奇异值分解:
R=YYT
R=U∑VT
其中对角阵∑为方阵R的奇异值矩阵,其对角元素dii为R的第i个奇异值,其中1≤i≤h,h=min(N-L,L+1);
步骤S4:计算信号的模态阶数,由奇异值矩阵∑计算奇异熵ΔEi:
以ΔEi拐点对应的阶数g作为信号的模态阶数,该拐点的识别方法为计算ΔEi的微分ΔEi′,并将满足ΔEi′≥Threshould的最大i值作为信号的模态阶数;
步骤S5:根据确定的模态阶数g将矩阵V划分成两个子空间:
V=[V1 V2]
其中V1 M×2g为信号子空间,V2 M×(M-2g)为噪声子空间,利用下面关系式在V1中找出两个旋转子矩阵V3和V4:
V3=[IM-101]·V1
V4=[01IM-1]·V1
其中IM-1为(M-1)×(M-1)的单位矩阵,01为(M-1)×1全零列向量;
步骤S6:根据移不变性质,有:
V4=V3·ψ
求解ψ矩阵:
ψ=(V3 HV3)-1V3 HV4;
步骤S7:计算输入信号的频率分量以及对应的幅度和相位;
步骤S8:根据各模态的频率、幅度、相位值拟合原始输入信号x(n),得到:
计算x′(n)和x(n)的均方误差e′2作为对噪声e(n)功率估计;
步骤S9:计算输入信号信纳比为:
计算输入信号失真度为:
其中a′max=max{a′i|i=1,2,…,P}。
上述技术方案中,通过输入信号构造矩阵Y的方式。
上述技术方案中,计算奇异熵并将奇异熵拐点的阶数作为对输入信号的模态阶数,模态阶数判别时的阈值决定了信号子空间和噪声子空间的分割。
上述技术方案中,利用已经求得的各模态频率、幅度、相位重构输入信号x(n),并将重构信号和原始信号间的均方误差值作为对噪声功率的估计。
上述技术方案中,步骤S7中,信号的频率分量由下式计算:
其中λk为矩阵ψ的第p个特征值,fp正负成对出现,剔除负频率后即所求信号频率分量,
各频率分量对应的幅度和相位计算方法如下,首先构造矩阵Λ:
Λ=[λψ 0,λψ 1,…,λψ N-1]T
其中λψ m=[λ1 m,λ2 m,…,λP m],λ1,λ2,…,λP为矩阵ψ的P个特征值,复数域模态系数Ak满足:
ΛA=X
其中1≤k≤P,A=[A1,A2,…,AP]T,X=[x(0),x(1),…,x(N-1)]T,各频率分量的幅度和相位由下式计算:
a′p=2|Ap|,p=1,2,…,P
与现有技术相比,本发明具有如下的有益效果:
本发明提出的基于参数谱估计的短序列音频分析方法通过算法推导和工程实现验证过的,可以有效分析较短的音频数据片段,计算其基波和各次谐波频率、功率、相位以及音频信纳比、失真度等信息,且具有较高的分析精度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明中音频信号的时域波形图;
图2为本发明的音频分析方法流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
在模拟通信系统中,调制信号经过信道传输和调制解调后,往往会引入多种噪声与失真,而这些噪声与失真最终将表现在解调输出的音频信号上。因此通信测试时,常见的做法是由测试设备发生一单音调制信号输入待测接收机,通过观测其解调输出的音频信号基波频率、基波功率、信纳比、失真度等参数来衡量待测接收机性能指标;或者反向地,通过待测发射机发生一单音调制信号输入测试设备,通过观测测试设备解调输出的音频信号基波频率、基波功率、信纳比、失真度等参数来衡量待测发射机性能指标。当然,上述测试用例仅仅是本发明的一部分实施例,而不是全部实施例。
图1为本发明的音频信号的时域波形图,图2为本发明的音频分析流程图,如图2所示,本发明的基于参数谱估计的短序列音频分析方法,包含以下步骤:
步骤S1:信号采集卡输入或软解调器输出音频信号有如下表示形式:
其中K为信号总正弦分量数,第i次谐波的幅度、频率、相位分别由ai、ωi,表示,e(n)表示零均值的高斯白噪声;
步骤S2:引入1×m维向量Y′,并由X(n)构造Hankel矩阵Y:
Y′(n)=[x(n),x(n+1),…,x(n+m-1)]
Y=[Y′(0),Y′(1),…,Y′(L)]T
其中M=N-L;
步骤S3:计算Y的协方差矩阵R,并将方阵R(N-L)×(L+1)做奇异值分解:
R=YYT
R=U∑VT
其中对角阵∑为方阵R的奇异值矩阵,其对角元素dii为R的第i个奇异值,其中1≤i≤h,h=min(N-L,L+1);
步骤S4:计算信号的模态阶数,由奇异值矩阵∑计算奇异熵ΔEi:
以ΔEi拐点对应的阶数g作为信号的模态阶数,该拐点的识别方法为计算ΔEi的微分ΔEi′,并将满足ΔEi′≥Threshould的最大i值作为信号的模态阶数;
步骤S5:根据确定的模态阶数g将矩阵V划分成两个子空间:
V=[V1 V2]
其中V1 M×2g为信号子空间,V2 M×(M-2g)为噪声子空间,利用下面关系式在V1中找出两个旋转子矩阵V3和V4:
V3=[IM-101]·V1
V4=[01IM-1]·V1
其中IM-1为(M-1)×(M-1)的单位矩阵,01为(M-1)×1全零列向量;
步骤S6:根据移不变性质,有:
V4=V3·ψ
求解ψ矩阵:
ψ=(V3 HV3)-1V3 HV4;
步骤S7:计算输入信号的频率分量以及对应的幅度和相位;
步骤S8:根据各模态的频率、幅度、相位值拟合原始输入信号x(n),得到:
计算x′(n)和x(n)的均方误差e′2作为对噪声e(n)功率估计;信号的频率分量由下式计算:
其中λk为矩阵ψ的第p个特征值,fp正负成对出现,剔除负频率后即所求信号频率分量,
各频率分量对应的幅度和相位计算方法如下,首先构造矩阵Λ:
Λ=[λψ 0,λψ 1,…,λψ N-1]T
其中λψ m=[λ1 m,λ2 m,…,λP m],λ1,λ2,…,λP为矩阵ψ的P个特征值,复数域模态系数Ak满足:
ΛA=X
其中1≤k≤P,A=[A1,A2,…,AP]T,X=[x(0),x(1),…,x(N-1)]T,各频率分量的幅度和相位由下式计算:
a′p=2|Ap|,p=1,2,…,P
步骤S9:计算输入信号信纳比为:
计算输入信号失真度为:
其中a′max=max{a′i|i=1,2,…,P}。
上述技术方案中,通过输入信号构造矩阵Y的方式,L的取值范围在N/4到N/3之间。
上述技术方案中,计算奇异熵并将奇异熵拐点的阶数作为对输入信号的模态阶数,模态阶数判别时的阈值决定了信号子空间和噪声子空间的分割。
上述技术方案中,利用已经求得的各模态频率、幅度、相位重构输入信号x(n),并将重构信号和原始信号间的均方误差值作为对噪声功率的估计。
本发明基于参数谱估计的算法思想,结合基于奇异熵的信号模态阶数识别算法分离信号空间,计算各模态的频率、幅度、相位信息和信号噪声功率,从而计算信纳比、失真度,测量精度高,无分辨率限制,可适用于短序列音频信号分析。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (5)
1.基于参数谱估计的短序列音频分析方法,其特征在于,包含以下步骤:
步骤S1:信号采集卡输入或软解调器输出音频信号有如下表示形式:
其中K为信号总正弦分量数,第i次谐波的幅度、频率、相位分别由ai、ωi,表示,e(n)表示零均值的高斯白噪声;
步骤S2:引入1×m维向量Y′,并由X(n)构造Hankel矩阵Y:
Y′(n)=[x(n),x(n+1),…,x(n+m-1)]
Y=[Y′(0),Y′(1),…,Y′(L)]T
其中M=N-L;
步骤S3:计算Y的协方差矩阵R,并将方阵R(N-L)×(L+1)做奇异值分解:
R=YYT
R=U∑VT
其中对角阵∑为方阵R的奇异值矩阵,其对角元素dii为R的第i个奇异值,其中1≤i≤h,h=min(N-L,L+1);
步骤S4:计算信号的模态阶数,由奇异值矩阵∑计算奇异熵ΔEi:
以ΔEi拐点对应的阶数g作为信号的模态阶数,该拐点的识别方法为计算ΔEi的微分ΔEi′,并将满足ΔEi′≥Threshould的最大i值作为信号的模态阶数;
步骤S5:根据确定的模态阶数g将矩阵V划分成两个子空间:
V=[V1 V2]
其中V1 M×2g为信号子空间,V2 M×(M-2g)为噪声子空间,利用下面关系式在V1中找出两个旋转子矩阵V3和V4:
V3=[IM-1O1]·V1
V4=[O1IM-1]·V1
其中IM-1为(M-1)×(M-1)的单位矩阵,O1为(M-1)×1全零列向量;
步骤S6:根据移不变性质,有:
V4=V3·ψ
求解ψ矩阵:
ψ=(V3 HV3)-1V3 HV4;
步骤S7:计算输入信号的频率分量以及对应的幅度和相位;
步骤S8:根据各模态的频率、幅度、相位值拟合原始输入信号x(n),得到:
计算x′(n)和x(n)的均方误差e′2作为对噪声e(n)功率估计;
步骤S9:计算输入信号信纳比为:
计算输入信号失真度为:
其中a′max=max{a′i|i=1,2,…,P}。
2.根据权利要求1所述的基于参数谱估计的短序列音频分析方法,其特征在于,步骤S2中,通过输入信号构造矩阵Y的方式。
3.根据权利要求1所述的基于参数谱估计的短序列音频分析方法,其特征在于,步骤S4中,计算奇异熵并将奇异熵拐点的阶数作为对输入信号的模态阶数,模态阶数判别时的阈值决定了信号子空间和噪声子空间的分割。
4.根据权利要求1所述的基于参数谱估计的短序列音频分析方法,其特征在于,步骤S8中,利用已经求得的各模态频率、幅度、相位重构输入信号x(n),并将重构信号和原始信号间的均方误差值作为对噪声功率的估计。
5.根据权利要求1所述的基于参数谱估计的短序列音频分析方法,其特征在于,步骤S7中,信号的频率分量由下式计算:
其中λk为矩阵ψ的第p个特征值,fp正负成对出现,剔除负频率后即所求信号频率分量,
各频率分量对应的幅度和相位计算方法如下,首先构造矩阵Λ:
Λ=[λψ 0,λψ 1,…,λψ N-1]T
其中λψ m=[λ1 m,λ2 m,…,λP m],λ1,λ2,…,λP为矩阵ψ的P个特征值,复数域模态系数Ak满足:
ΛA=X
其中1≤k≤P,A=[A1,A2,…,AP]T,X=[x(0),x(1),…,x(N-1)]T,各频率分量的幅度和相位由下式计算:
a′p=2|Ap|,p=1,2,…,P
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185751.8A CN110060700B (zh) | 2019-03-12 | 2019-03-12 | 基于参数谱估计的短序列音频分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185751.8A CN110060700B (zh) | 2019-03-12 | 2019-03-12 | 基于参数谱估计的短序列音频分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110060700A true CN110060700A (zh) | 2019-07-26 |
CN110060700B CN110060700B (zh) | 2021-07-30 |
Family
ID=67316786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910185751.8A Active CN110060700B (zh) | 2019-03-12 | 2019-03-12 | 基于参数谱估计的短序列音频分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110060700B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259942A (zh) * | 2020-01-10 | 2020-06-09 | 西北工业大学 | 一种水中弱目标检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140200881A1 (en) * | 2013-01-15 | 2014-07-17 | Intel Mobile Communications GmbH | Noise reduction devices and noise reduction methods |
CN103944174A (zh) * | 2014-04-28 | 2014-07-23 | 四川大学 | 基于互相关函数滤噪算法的低频振荡在线辨识方法 |
US9159336B1 (en) * | 2013-01-21 | 2015-10-13 | Rawles Llc | Cross-domain filtering for audio noise reduction |
US9245516B2 (en) * | 2012-09-20 | 2016-01-26 | Aisin Seiki Kabushiki Kaisha | Noise removal device |
CN105529037A (zh) * | 2015-12-04 | 2016-04-27 | 中国电子科技集团公司第五十研究所 | 通信设备语音质量评价测试系统及测试方法 |
CN105788611A (zh) * | 2016-02-25 | 2016-07-20 | 成都普创通信技术股份有限公司 | 一种音频质量在线监测系统 |
CN108344895A (zh) * | 2018-02-22 | 2018-07-31 | 国网辽宁省电力有限公司电力科学研究院 | 信号检测方法及装置 |
CN108735213A (zh) * | 2018-05-29 | 2018-11-02 | 太原理工大学 | 一种基于相位补偿的语音增强方法及系统 |
CN108831494A (zh) * | 2018-05-29 | 2018-11-16 | 平安科技(深圳)有限公司 | 语音增强方法、装置、计算机设备及存储介质 |
CN109302660A (zh) * | 2017-07-24 | 2019-02-01 | 华为技术有限公司 | 音频信号的补偿方法、装置及系统 |
-
2019
- 2019-03-12 CN CN201910185751.8A patent/CN110060700B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9245516B2 (en) * | 2012-09-20 | 2016-01-26 | Aisin Seiki Kabushiki Kaisha | Noise removal device |
US20140200881A1 (en) * | 2013-01-15 | 2014-07-17 | Intel Mobile Communications GmbH | Noise reduction devices and noise reduction methods |
US9159336B1 (en) * | 2013-01-21 | 2015-10-13 | Rawles Llc | Cross-domain filtering for audio noise reduction |
CN103944174A (zh) * | 2014-04-28 | 2014-07-23 | 四川大学 | 基于互相关函数滤噪算法的低频振荡在线辨识方法 |
CN105529037A (zh) * | 2015-12-04 | 2016-04-27 | 中国电子科技集团公司第五十研究所 | 通信设备语音质量评价测试系统及测试方法 |
CN105788611A (zh) * | 2016-02-25 | 2016-07-20 | 成都普创通信技术股份有限公司 | 一种音频质量在线监测系统 |
CN109302660A (zh) * | 2017-07-24 | 2019-02-01 | 华为技术有限公司 | 音频信号的补偿方法、装置及系统 |
CN108344895A (zh) * | 2018-02-22 | 2018-07-31 | 国网辽宁省电力有限公司电力科学研究院 | 信号检测方法及装置 |
CN108735213A (zh) * | 2018-05-29 | 2018-11-02 | 太原理工大学 | 一种基于相位补偿的语音增强方法及系统 |
CN108831494A (zh) * | 2018-05-29 | 2018-11-16 | 平安科技(深圳)有限公司 | 语音增强方法、装置、计算机设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
BALAS NATARAJAN: "Noise Estimation and Filtering Using Block-Based Singular Value Decomposition", 《IEEE TRANSACTIONS ON IMAGE PROCESSING,》 * |
李楠,等: "希尔伯特黄改进算法在语音增强中的应用", 《河南科技大学学报:自然科学版》 * |
杨汝良: "《高分辨率微波成像》", 30 November 2013, 北京国防工业出版社 * |
邹大勇,王永灿,赵建军: "色噪声环境中TLS-ESPRIT谐波谱重构语音增强研究", 《语音技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259942A (zh) * | 2020-01-10 | 2020-06-09 | 西北工业大学 | 一种水中弱目标检测方法 |
CN111259942B (zh) * | 2020-01-10 | 2022-04-26 | 西北工业大学 | 一种水中弱目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110060700B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109307862A (zh) | 一种目标辐射源个体识别方法 | |
US20160300579A1 (en) | Detecting distorted audio signals based on audio fingerprinting | |
CN107192878A (zh) | 一种基于压缩感知的电力系统谐波检测方法及装置 | |
CN103873170B (zh) | 一种在盲稀疏条件下压缩感知的频谱检测方法 | |
CN105137373B (zh) | 一种指数信号的去噪方法 | |
CN111092836A (zh) | 一种信号调制方式识别方法及装置 | |
CN111160171A (zh) | 一种联合两域多特征的辐射源信号识别方法 | |
CN107800659B (zh) | Alpha稳定分布噪声下LFM信号调制参数估计方法 | |
CN107102255A (zh) | 单一adc采集通道动态特性测试方法 | |
CN106771589B (zh) | 一种频谱分析实时瀑布图的实现方法 | |
CN101576586B (zh) | 一种基于自适应滤波的相位检测方法 | |
CN108548957A (zh) | 基于循环调制频谱和分段互相关相结合的双谱分析方法 | |
CN106845334A (zh) | 一种基于数学形态学的新型噪声提取方法 | |
CN112287796B (zh) | 基于VMD-Teager能量算子的辐射源识别方法 | |
CN107392123A (zh) | 一种基于相参积累消噪的射频指纹特征提取和识别方法 | |
CN108281961B (zh) | 一种自适应鲁棒扩展卡尔曼的参数辨识方法 | |
CN113472390A (zh) | 一种基于深度学习的跳频信号参数估计方法 | |
CN102495280B (zh) | 一种抗噪音宽带频率测量方法及锁相频率计 | |
CN110060700A (zh) | 基于参数谱估计的短序列音频分析方法 | |
CN103473491B (zh) | 基于书写过程的移动终端用户识别系统及其方法 | |
CN113241081B (zh) | 一种基于梯度反转层的远场说话人认证方法及系统 | |
CN113642417B (zh) | 一种基于改进小波算法的绝缘架空导线局部放电信号的去噪方法 | |
CN103871422A (zh) | 基于三因子迭代联合块对角化的时域混叠盲信号分离方法 | |
Mi et al. | A content-independent method for LFM signal source identification | |
CN205880195U (zh) | 无线电测向系统 |
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 |