CN114519364A - 一种基于统计特征的信号检测识别方法 - Google Patents
一种基于统计特征的信号检测识别方法 Download PDFInfo
- Publication number
- CN114519364A CN114519364A CN202011275303.6A CN202011275303A CN114519364A CN 114519364 A CN114519364 A CN 114519364A CN 202011275303 A CN202011275303 A CN 202011275303A CN 114519364 A CN114519364 A CN 114519364A
- Authority
- CN
- China
- Prior art keywords
- signal
- detection
- data segment
- sequence
- target
- 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
Images
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
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/18—Classification; Matching by matching signal segments by plotting the signal segments against each other, e.g. analysing scattergrams
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种基于信号统计特征的目标信号检测识别方法。对待检测信号数据序列进行归一化处理,然后使其通过取自特征数据库的高信噪比信号特征向量构成的多分支并行FIR特征滤波器组,对滤波器组的每个并行分支的输出数据序列进行恒虚警检测,若某个分支或者多个分支的滤波输出数据超过预设门限,则表明输入信号中含有与特征数据库中的确知信号类型匹配的一种或多种信号成份,最后输出该检测识别结果。本发明可在强噪声环境中对低信噪比信号进行检测与识别,特别是具备对复杂环境中的多源同频混合信号进行检测与分选识别的能力,且工程实现复杂度低。
Description
技术领域
本发明涉及信号处理中的信号检测识别技术,具体涉及一种基于统计特征的信号检测识别方法。
背景技术
信号检测与识别技术广泛应用于雷达、勘探、卫星通讯等领域,是无线电通信、雷达、目标探测领域的重点研究内容之一。
经典的信号检测方法有:能量检测法、匹配滤波法、功率谱法。这些方法有各自的优点和应用限制,如能量检测法是一种非相关检测方法,在检测信号是高信噪比的情况下,具有复杂度低、简单易行的特点。但对于低信噪比信号则该方法的检测漏警率高、信号识别率低。匹配滤波器是一种基于输出功率最大准则的线性时不变滤波器,该方法在背景噪声为高斯白噪声且目标信号的时域波形固定的情况下具有良好的检测性能,但在实际应用中,绝大多数目标信号是随机信号,不具备固定不变的时域波形,当待检信号包含多种信号成份时,检测与识别难度大,使得该方法在复杂环境中泛化能力差,同时其计算量也偏大。功率谱法是一种常用的频域检测方法,通常由快速傅里叶变换和窄带滤波器实现,其在复杂信号环境中检测识别出多个非同频目标信号的能力较强,但该方法无法对同频混合信号进行准确检测识别,且其检测概率与功率谱的频率分辨率有关,信号采样序列越长则检测效果越好。
综上,现在常用的信号检测方法主要存在的问题有:强噪声环境中对低信噪比信号检测性能差,复杂环境中若待检信号包含多种类型信号成份则无法有效检测与识别。此外,在实际工程应用中,这些方法还存在泛化能力低、计算复杂度高等缺陷,不难全面满足应用需求。
发明内容
本发明针对现有信号检测方法在强噪声环境中对低信噪比信号检测概率低,复杂环境下待检信号为同频多源混合信号时检测识别下降,工程应用泛化能力差、计算复杂度高、实时性不强等问题,提出了一种基于统计特征的信号检测识别方法。本发明包括以下步骤:
步骤2,令归一化信号数据序列x(n),n=0,1...,N-1通过一个由M个FIR 滤波器组成的并行滤波器组。该滤波器组的每个并行分支均是一个K阶 FIR滤波器,其抽头系数m=1,2,...,M取自目标信号特征数据库A。
步骤3,对每个并行分支滤波器的输出序列 y(1)(n),y(2)(n),...,y(m)(n),...,y(M)(n),0≤n≤N-1,进行恒虚警检测。若第m个并行滤波分支的恒虚警检测结果超过预设的门限值,则判断待检测接收信号中含有第m个目标信号,并输出检测识别结果。
在步骤2中,目标特征信号数据库A是事先建立的高信噪比(例如,信噪比为30dB或以上)多类型确知信号z(1),z(2),...,z(m),...,z(M)的特征信息集,这些特征信息包括各确知信号z(m)的特征向量、带宽、调制方式等信息,其中z(m)代表数据库中第m种确知信号。
在步骤2中,归一化信号数据序列x(n),n=0,1...,N-1,通过由M个FIR 滤波器构成的并行滤波器组,每个FIR滤波器的抽头系数m=1,2,...,M,就是目标信号特征数据库A中第m个确知信号的特征向量。
在步骤2中,目标特征信号数据库A中存储的各确知信号的特征向量的计算步骤包括:
1),将事先采集得到的M种高信噪比信号z(m),m=1,2,...,M,均划分为互不重叠且长度均为K的L个数据段:i=1,2...,L;m=1,2,...,M,其中,表示第m种信号z(m)的第i个数据段矢量。
2),计算每个数据段的信号能量:i=1,2...L,其中,符号||·||2表示计算矢量的l2模,根据数据段矢量的能量值来对数据段的有效性进行筛选:计算全部L个数据段的能量平均值若第i个数据段的能量值接近整体平均能量值即其中ε为一个小的正数,则将该数据段作为有效数据段予以保留,否则删除该数据段。
3),对第m种高信噪比信号,利用保留下来的Im个有效数据段计算自相关矩阵估计值:对其进行特征分解从矩阵Qm中得到最大特征值所对应的特征向量后进行归一化处理,并取共轭得到然后将其存储在本地特征数据库A中,作为z(m),m=1,2,...,M信号的特征向量
在步骤3中,输出序列y(1)(n),y(2)(n),...,y(m)(n),...,y(M)(n),0≤n≤N-1中的 y(m)(n)是归一化信号x(n)通过第m分支滤波器的输出序列:n=1,2,...,N-1,滤波器抽头系数是特征数据库中信号z(m)对应的特征向量。
在步骤3中,将输出序列y(1)(n),y(2)(n),...,y(m)(n),...,y(M)(n),0≤n≤N-1,取模后得到|y(m)(n)|,m=1,2,...,M,送入到恒虚警检测器(例如,单元平均恒虚警检测器)中进行过门限检测,若第m个滤波分支输出序列的恒虚警检测结果超过预设门限值,则判断待检测接收信号中含有第m个目标信号,并输出检测识别结果。特别地,若在m1,m2,..mi,1≤i≤M滤波分支上都出现超过门限的检测结果,则判断接收信号是含有第m1,m2,..mi个目标信号的多源混合信号。
本发明所构思的以上技术方案与现有技术相比,其技术特征及优点在于:
1)通过建立高信噪比确知信号的特征信息数据库,使得本发明可以在不同场景中对多种类型目标信号进行流水线式检测与识别,提高了实际工程应用中的信号检测识别技术的场景迁移和泛化能力。
2)授权者不需要掌握有关信号的先验知识,将待检测信号送入到由目标信号特征库构建的多分支并行FIR特征滤波器组中,进行特征滤波和流水线式恒虚警检测与识别,使用简单,实时性良好。
3)FIR特征滤波器的抽头系数是取自于目标信号特征信息库中存储的高信噪比信号对应的特征向量。若待检测信号中含有目标信号数据库中存储的一种或多种信号成份,则将其通过以这些信号成份的特征向量作为抽头系数的特征滤波器后信噪比可以得到明显改善,显著提高了后续的恒虚警检测识别概率。使得本发明能够在强噪声环境中对低信噪比信号进行检测;复杂环境下可利用构建的特征滤波器组输出结果达到对多源同频混合信号进行识别与分选的目的。特别地,特征滤波器具备实现简单,计算复杂度低、流水线式实时处理等特点,能比较好地满足工程应用之需求。
综上,本发明与现有方法相比,其优点是可在强噪声复杂信号环境中对低信噪比同频多源混合信号进行检测与识别,且工程泛化能力强,实时性好,计算复杂度低。
附图说明
图1是本发明对单一目标信号进行实时处理的流程框图。
图2是本发明对多个目标信号进行并行实时处理的流程框图。
图3是本发明计算目标信号特征库中的特征向量的处理流程图。
具体实施过程
图1是本发明对单一目标信号进行实时处理的流程框图,图2是本发明对多个目标信号进行并性化实时处理得流程框图。以待检测信号是长度为32768个采样点的IQ数据序列为例,具体检测步骤如下:
步骤1,利用信号特征信息库A构建M通道FIR特征滤波器组,具体构建方法如下:提取库中存储的目标信号z(m)的特征向量将其作为第m分支FIR特征滤波器的横向抽头系数,滤波器阶数K等于特征向量的维数。并行滤波通道的数量M可以按照实际应用中所需检测的目标信号的种类个数来确定。例如,构建如图1所示的单一目标信号特征滤波通道,对一种目标信号进行检测;或者利用特征信息库A中m种目标信号构建图2所示的多目标信号特征滤波器组,来对多种目标信号进行并行化检测与识别。构建特征滤波器组的核心是提取信号特征信息库A中的特征向量作为横向滤波器的抽头系数。根据图3所示的处理流程,以特征信息库A中采集的高信噪比确知信号 z(1),z(2),...,z(m),...,z(M)是长度为32768个采样点的IQ数据序列为例,对特征向量的计算方法进行详细说明:
1),将事先采集得到的M种高信噪比确知信号z(m),m=1,2,...,M,均划分为互不重叠且长度均为K=256的数据段,数据段个数L=128:i=1,2...,128;m=1,2,...,M,其中,表示第m 种确知信号z(m)的第i个数据段矢量,其中,对高信噪比信号z(m)划分的段数越多,则在下一步计算协方差矩阵时数值越稳定。
2),计算每个数据段的信号能量:i=1,2...128,根据数据段矢量的能量值来对各个数据段的有效性进行筛选:计算全部128个数据段的能量平均值若第i个数据段的能量值接近整体平均能量值即其中ε为一个小的正数,则将该数据段作为有效数据段予以保留,否则删除该数据段。
3),将M种高信噪比确知信号经过上述数据段筛选之后保留下来的数据段送入到特征向量计算单元:首先,对应于每个确知信号类型保留下来的数据段,计算各信号的自相关矩阵:m=1,2,...,M,对它们进行特征分解:从矩阵Qm中提取对应于最大特征值的那个特征向量,然后对其进行归一化处理并取共轭得到m=1,2,...,M,将其作为目标信号z(m)的特征向量,并与该确知信号的带宽、调制方法等信息一起存储在于特征信息数据库A 中。在进行信号检测时,则利用上述已存储的特征向量构建阶数K均等于 256的M个FIR滤波器,形成特征滤波器组。
步骤3,令归一化信号数据序列x(n),n=0,1...,32677通过步骤1中构建的并行FIR滤波器组,输出序列y(1)(n),y(2)(n),...,y(m)(n),...,y(M)(n),0≤n≤32767。其中,y(m)(n)是归一化信号x(n)通过第m分支滤波器的输出序列,如图1 的单通道单目标信号检测识别流程: n=1,2,...,32678;m=1,2,...,M,将其取模后得到|y(m)(n)|,m=1,2,...,M,送入到恒虚警检测器(例如,单元平均恒虚警检测器)中进行过门限检测,若其超过预设的门限值,则判断待检测接收信号中含有第m个目标信号,并输出检测识别结果。特别地,在图2的多通道多目标信号检测识别流程图中,若在多个滤波分支上都出现超过门限的检测结果,则可判断接收信号中含有多个目标信号成份,是一个多源混合信号,最后输出检测识别结果。
以上内容本领域的技术人员容易理解,以上所述仅为本发明的实施例流程,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于信号统计特征的信号检测识别方法,包括以下步骤:
3.根据权利要求1所述的方法,其特征在于步骤2中目标特征信号数据库A是事先建立的高信噪比(例如,信噪比为30dB或以上)多类型确知信号z(1),z(2),...,z(m),...,z(M)的特征信息集,这些特征信息包括各确知信号z(m)的特征向量、带宽、调制方式等信息。其中,z(m)代表数据库中第m种确知信号。
5.根据权利要求1所述的方法,其特征在于步骤2中目标特征信号数据库A中存储的各确知信号的特征向量的计算步骤包括:
步骤2,计算每个数据段的信号能量:其中,符号||·||2表示计算矢量的l2模,根据数据段矢量的能量值来对数据段的有效性进行筛选:若能量值Pi (m)大于阈值则此数据段为有效数据段,并将该段数据予以保留,否则删除该数据段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011275303.6A CN114519364A (zh) | 2020-11-16 | 2020-11-16 | 一种基于统计特征的信号检测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011275303.6A CN114519364A (zh) | 2020-11-16 | 2020-11-16 | 一种基于统计特征的信号检测识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114519364A true CN114519364A (zh) | 2022-05-20 |
Family
ID=81595404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011275303.6A Pending CN114519364A (zh) | 2020-11-16 | 2020-11-16 | 一种基于统计特征的信号检测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114519364A (zh) |
-
2020
- 2020-11-16 CN CN202011275303.6A patent/CN114519364A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111722188B (zh) | 基于stft预分选的pri变换雷达信号分选方法 | |
EP1582888B1 (fr) | Procédé de localisation aveugle large bande d'un ou plusieurs émetteurs à partir d'un porteur défilant | |
Lopez-Risueno et al. | Atomic decomposition-based radar complex signal interception | |
US4408284A (en) | Signal processing system | |
KR20180034216A (ko) | 다른 신호의 스펙트럼을 검사하기 위한 신호 제거 | |
CN107392123B (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 | |
CN111050315B (zh) | 一种基于多核双路网络的无线发射机识别方法 | |
Conning et al. | Analysis of measured radar data for specific emitter identification | |
Liu et al. | A fusion of principal component analysis and singular value decomposition based multivariate denoising algorithm for free induction decay transversal data | |
Soman et al. | Recursive variational mode decomposition algorithm for real time power signal decomposition | |
CN112764003A (zh) | 一种雷达辐射源信号时频特征识别方法、装置及存储介质 | |
CN115508799A (zh) | 一种基于矩空间的分布式被动雷达目标检测方法 | |
CN105866748B (zh) | 一种基于检测先验的固定窗长恒虚警检测方法 | |
CN105721090B (zh) | 一种非法调频广播电台的检测和识别方法 | |
CN114519364A (zh) | 一种基于统计特征的信号检测识别方法 | |
Berezowski et al. | Identification of fast-changing signals by means of adaptive chaotic transformations | |
CN114598577B (zh) | 一种5g通信系统多频段信号融合过滤方法 | |
CN105959035B (zh) | 一种直扩信号截获检测方法 | |
CN112213698B (zh) | 一种基于稀疏表示分类的欺骗干扰识别方法 | |
Zhuo et al. | A subbandadaptive filter for DTV based passive radar | |
Luong et al. | Classifying Linear Frequency Modulated Radar Signals Using Matched Filters | |
CN110531321A (zh) | 基于特征值的动态信道化子带频谱检测方法 | |
Young et al. | Machine learning approach to chirp rate estimation of linear frequency modulated radars | |
CN113093097B (zh) | 一种使用互质阵列的概率假设密度doa跟踪的方法 | |
Zhao et al. | Enhanced Graph-based Detection for Moving Targets in Sea Clutter |
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 |