CN114584432A - 基于改进平滑周期图算法的信号检测方法 - Google Patents
基于改进平滑周期图算法的信号检测方法 Download PDFInfo
- Publication number
- CN114584432A CN114584432A CN202210049771.4A CN202210049771A CN114584432A CN 114584432 A CN114584432 A CN 114584432A CN 202210049771 A CN202210049771 A CN 202210049771A CN 114584432 A CN114584432 A CN 114584432A
- Authority
- CN
- China
- Prior art keywords
- data
- periodogram
- signal
- detection method
- calculation
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/022—Channel estimation of frequency response
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- G06F2218/04—Denoising
-
- 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)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开一种基于改进平滑周期图算法的信号检测方法,包括以下步骤:步骤1:首先将待检测的回波信号分段,每段M个数据;步骤2:对步骤1中分段后的第i组(1≤i≤L)数据进行加窗处理,进而对每一段加窗处理后的数据做DFT计算并取模的平方,求出其周期图值;步骤3:对步骤2中k组的周期图值(k=1,2,3…,i‑1)乘相应的权重αk‑1求取第k组数据的功率谱;步骤4:重复步骤3,直至将所分的L组数据全部计算完毕,并进行归一化处理,计算结束。本发明解决了现有技术中存在的频率估计计算量大、抗噪性较差的问题。
Description
技术领域
本发明属于无线传感装置信号处理技术领域,涉及一种基于改进平滑周期图算法(改进Welch算法)的信号检测方法。
背景技术
传感器技术,作为高新技术之一,发展迅猛。传统的有线传感器成本高、易老化、安全性较低,导致传感器的安装和长期使用中出现重大问题。有源传感器无法满足在一些极端温度、高速旋转、密闭空间等恶劣环境的测量需求。所以基于SAW技术的无线无源传感器受到广泛关注,在过去的30年中取得了丰硕的研究成果。由于声表面波传感器卓越的性能,其能在易燃、易爆、高温、强电磁场、强加速度等极端环境中应用。通过对声表面波传感器谐振回波信号频率的提取能实现远距离无线无源参数的测量。
目前,频率估计算法大致可分为两大类:时域法和频域法。最典型的频域分析方法是离散傅里叶变换法(discrete Fourier transform,DFT),其非常适用于确定性的平稳信号,在对非线性、非平稳过程的处理上,离散傅里叶变换法存在着一定的不足;时域分析法能获得更高的分辨率,例如多重信号分类法(multiple signal classification,MUSIC)和谐波分解(Pisarenko harmonic decomposition,PHD)方法等,但是计算量大,抗噪性较差,对于非平稳信号,测量效果也并不理想。现代谱分析中的Welch方法通过对几个快速傅立叶变换包进行平均来改进标准周期图频谱估计。其可在较低信噪比条件下检测信号,并可以达到较好的分辨率和方差性能。
Welch算法使用算术平均实现了两个重要的目标:1)信噪比的提高:对样本进行算术平均可以降低噪声功率水平,提高期望信号的信噪比。2)精确估计:利用过去的FFT样本,可以更精确地估计每个频率分量。然而,在利用Welch算法对声表面波回波信号进行频率估计时会存在以下问题:所有之前的样本采用的都是相同系数加权。而声表面波回波信号是由一段等幅值的正弦信号和一段指数衰减正弦信号组成的混合信号,采用相同的系数进行加权将导致等幅值的正弦信号的特征没有充分利用。
发明内容
本发明的目的是提供一种基于改进平滑周期图算法的信号检测方法,解决了现有技术中存在的频率估计计算量大、抗噪性较差的问题。
本发明所采用的技术方案是:
基于改进平滑周期图算法的信号检测方法,包括以下步骤:
步骤1:首先将待检测的回波信号分段,每段M个数据;
步骤2:对步骤1中分段后的第i组(1≤i≤L)数据进行加窗处理,进而对每一段加窗处理后的数据做DFT计算并取模的平方,求出其周期图值;
步骤3:对步骤2中k组的周期图值(k=1,2,3…,i-1)乘相应的权重αk-1求取第k组数据的功率谱:
步骤4:重复步骤3,直至将所分的L组数据全部计算完毕,并进行归一化处理,计算结束。
步骤1具体的为:首先将观测数据x(n)分段,每段M个数据,分为L段,每段V个数据重叠,即:
x1={x(1),x(2),x(3)...x(M)}
x2={x(M-V+1),x(M-V+2),x(M-V+3)...x(2M-V)}
x3={x(2M-V+1),x(2M-V+2),x(2M-V+3)...x(3M-V)}
...
xL={x((L-1)M-(L-1)V+1),x(x((L-1)M-(L-1)V+2))...x(x(LM-(L-1)V))} (1)
其中xi={xi(1),xi(2),xi(3)...xi(M)}表示第i个窗口,L为计算中涉及的窗口个数。
步骤2具体的为:对步骤1中分段后的第i组(1≤i≤L)数据进行加窗处理,进而对每一段加窗处理后的数据做DFT计算并取模的平方,求出其周期图值,公式为:
式中:ω={ω(1),ω(2),ω(3)...ω(M)}为加窗向量,相应的窗函数有矩形窗、Hanning窗、Hamming窗、Blackman窗、Bartlett窗等;NDFT为DFT点数。
步骤3具体的为:对步骤2中k组的周期图值(k=1,2,3…,i-1)乘相应的权重αk-1求取第k组数据的功率谱值:
其中α为相应的指数权重,且0≤α≤1;
步骤4具体的为:直至i=L,所有分组都进行了计算,最后进行归一化处理:
本发明的有益效果是:
本发明方法通过对观测数据分段;再对分段后的数据进行加窗处理,进而对每一段加窗处理后的数据做DFT计算并取模的平方,求出其周期图值;再对不同组的周期图值赋予以α为底,组数减1为指数的权值进行功率谱的求取。最后进行归一化处理。通过改变α参数就可改变输入信号的信噪比,且α参数越接近于1,该发明方法对于输入信号信噪比的提高越明显。本发明能够赋予声表面波回波信号中等幅值正弦信号尽可能多的权重,使其频谱中的回波频率成分得到充分保留、利用;尽可能提高输出信号信噪比,提升阅读器接收链路能够识别的回波信号最小功率Pmin,以增大系统传感距离。经过本发明方法对于输入信号的处理之后,在输入信号信噪比较低的情况下,信号功率谱的主峰信号仍然高于噪声信号功率谱,进而能在较低信噪比条件下检测出噪声背景下的回波信号。
附图说明
图1本发明基于改进平滑周期图算法的信号检测方法的方法流程框图;
图2是算数平均下的信噪比提升性能波形图;
图3是加权平均下的信噪比提升性能波形图;
图4是实施例1中当SNR=-5dB时,本发明方法与Welch信号谱估计方法性能对比图;
图5是实施例1中当SNR=-10dB时,本发明方法与Welch信号谱估计方法性能对比图;
图6是实施例1中当SNR=-15dB时,本发明方法与Welch信号谱估计方法性能对比图;
图7是实施例1中当SNR=-20dB时,本发明方法与Welch信号谱估计方法性能对比图;
图8是实施例1中当SNR=-25dB时,本发明方法与Welch信号谱估计方法性能对比图;
图9是实施例1中当SNR=-29dB时,Welch信号谱估计方法性能图;
图10是实施例1中当SNR=-29dB时,本发明方法信号谱估计性能图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明针对声表面波谐振器(SAW)非平稳的回波信号,以及采用Welch算法进行声表面波回波信号频率估计时等幅值的正弦信号特征没有充分利用的特点,提出一种改进平滑周期图算法的信号检测方法,如图1,包括以下步骤:
步骤1:首先将待检测的回波信号分段,每段M个数据;
步骤2:对步骤1中分段后的第i组(1≤i≤L)数据进行加窗处理,进而对每一段加窗处理后的数据做DFT计算并取模的平方,求出其周期图值;
步骤3:对步骤2中k组的周期图值(k=1,2,3…,i-1)乘相应的权重αk-1求取第k组数据的功率谱;
步骤4:重复步骤3,直至将所分的L组数据全部计算完毕,并进行归一化处理,计算结束。
其中步骤1具体的为:首先将观测数据x(n)分段,每段M个数据,分为L段,每段V个数据重叠。即:
x1={x(1),x(2),x(3)...x(M)}
x2={x(M-V+1),x(M-V+2),x(M-V+3)...x(2M-V)}
x3={x(2M-V+1),x(2M-V+2),x(2M-V+3)...x(3M-V)}
...
xL={x((L-1)M-(L-1)V+1),x(x((L-1)M-(L-1)V+2))...x(x(LM-(L-1)V))} (1)
其中xi={xi(1),xi(2),xi(3)...xi(M)}表示第i个窗口,L为计算中涉及的窗口个数。
其中步骤2:对步骤1中分段后的第i组(1≤i≤L)数据进行加窗处理,进而对每一段加窗处理后的数据做DFT计算并取模的平方,求出其周期图值,公式为:
式中:ω={ω(1),ω(2),ω(3)...ω(M)}为加窗向量,相应的窗函数有矩形窗、Hanning窗、Hamming窗、Blackman窗、Bartlett窗等;NDFT为DFT点数。
步骤3具体的为:对步骤2中k组的周期图值(k=1,2,3…,i-1)乘相应的权重αk-1求取第k组数据的功率谱值:
其中α为相应的指数权重,且0≤α≤1;
步骤4具体的为:直至i=L,所有分组都进行了计算,最后进行归一化处理:
其具体计算公式如下:
本发明方法的原理为:
对于信号:r(t)=s(t)+n(t),其中s(t)为信号,n(t)为高斯白噪声信号。根据信噪比定义:其中,Ps和Pn分别为输入信号和高斯白噪声功率。对信号r(t)进行N次独立测量:ri(t)=si(t)+ni(t),t∈[0,t],i=1,2…N。则对于有用信号s(t):t∈[0,T]时,对于噪声信号n(t),假设其为零均值高斯白噪声,谱密度为σ2/2,带宽[-W,W]。则:则信号s(t)的信噪比为:本发明方法对信噪比影响:
为了更好地理解本发明与Welch算法对信噪比的提高性能的不同。
首先,在回波信号上加入信噪比为5dB的高斯白噪声;然后,系统尝试通过两种不同的平均方式来提高信噪比。图2显示了传统Welch算法对信噪比的提高性能的不同。很明显,增加N阶可以获得更多的SNRAverage。在图3中显示了本发明改进Welch算法不同α参数加权平均后的SNR′Average的输出结果。可以看出,α=0.99的加权平均可以提高约20dB的信噪比。
由图2,图3所示。在加权平均中α=0.99时的信噪比提升量相当于N=100阶的算术平均。一般取α=0.99即可满足计算要求。
实施例1
执行上述步骤1,将数据进行分组,其中观测长度取60000,采样频率为20000HZ,nfft点数为2048,重叠点数410。
执行步骤2,其中窗函数选择Blackman窗;
执行步骤3~4,其中指数权α取0.99。
本发明分别在较低信噪比-5dB、-10dB、-15dB、-20dB、-25dB条件下,按照本发明方法通过MATLAB仿真验证信号的功率谱性能。并与Welch算法功率谱性能进行对比。信号谱估计性能对比结果如图4,图5,图6,图7,图8所示。
在低信噪比下对Welch算法与本发明方法功率谱估计性能对比:仿真验证在信噪比为-29dB条件下,如图9所示,传统Welch算法谱峰位置出现在5775Hz,有效信号完全淹没在噪声中。但如图10所示,本发明方法利用改进Welch算法进行信号功率谱估计时,虽然信号的功率谱方差性能较差,但信号功率谱高于噪声的功率谱,可以检测出信号。
Claims (5)
1.基于改进平滑周期图算法的信号检测方法,其特征在于,包括以下步骤:
步骤1:首先将待检测的回波信号分段,每段M个数据;
步骤2:对步骤1中分段后的第i组数据进行加窗处理,进而对每一段加窗处理后的数据做DFT计算并取模的平方,求出其周期图值;
步骤3:对步骤2中k组的周期图值乘相应的权重αk-1求取第k组数据的功率谱值;
步骤4:重复步骤3,直至将所分的L组数据全部计算完毕,并进行归一化处理,计算结束。
2.如权利要求1所述的基于改进平滑周期图算法的信号检测方法,其特征在于,所述步骤1具体的为:首先将观测数据x(n)分段,每段M个数据,分为L段,每段V个数据重叠,即:
x1={x(1),x(2),x(3)...x(M)}
x2={x(M-V+1),x(M-V+2),x(M-V+3)...x(2M-V)}
x3={x(2M-V+1),x(2M-V+2),x(2M-V+3)...x(3M-V)}
...
xL={x((L-1)M-(L-1)V+1),x(x((L-1)M-(L-1)V+2))...x(x(LM-(L-1)V))} (1)
其中xi={xi(1),xi(2),xi(3)...xi(M)}表示第i个窗口,L为计算中涉及的窗口个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049771.4A CN114584432B (zh) | 2022-01-17 | 2022-01-17 | 基于改进平滑周期图算法的信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049771.4A CN114584432B (zh) | 2022-01-17 | 2022-01-17 | 基于改进平滑周期图算法的信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114584432A true CN114584432A (zh) | 2022-06-03 |
CN114584432B CN114584432B (zh) | 2023-08-22 |
Family
ID=81769622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210049771.4A Active CN114584432B (zh) | 2022-01-17 | 2022-01-17 | 基于改进平滑周期图算法的信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114584432B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5257211A (en) * | 1991-05-20 | 1993-10-26 | The United States Of America As Represented By The Secretary Of The Air Force | Adjustable bandwidth concept (ABC) signal energy detector |
CN102571237A (zh) * | 2011-12-31 | 2012-07-11 | 中国科学技术大学 | 一种基于周期图的无线信号检测方法 |
CN103811016A (zh) * | 2014-01-16 | 2014-05-21 | 浙江工业大学 | 一种基于周期图法的冲床噪声功率谱估计改进方法 |
CN103811017A (zh) * | 2014-01-16 | 2014-05-21 | 浙江工业大学 | 一种基于Welch法的冲床噪声功率谱估计改进方法 |
CN105137498A (zh) * | 2015-09-17 | 2015-12-09 | 鲁东大学 | 一种基于特征融合的地下目标探测识别系统及方法 |
CN109004996A (zh) * | 2018-08-13 | 2018-12-14 | 哈尔滨工业大学 | 基于多正弦窗功率谱峰值的信号检测方法 |
CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
CN111147168A (zh) * | 2019-12-27 | 2020-05-12 | 中国航天科工集团八五一一研究所 | 一种功率谱和统计融合的信号检测方法 |
CN112924749A (zh) * | 2021-02-04 | 2021-06-08 | 西安电子科技大学 | 无监督对抗学习电磁频谱异常信号检测方法 |
US20210255059A1 (en) * | 2020-02-19 | 2021-08-19 | Beijing University Of Chemical Technology | Fault diagnosis method of reciprocating machinery based on keyphasor-free complete-cycle signal |
CN113702703A (zh) * | 2021-08-27 | 2021-11-26 | 天津光电通信技术有限公司 | 一种微弱信号检测识别方法及系统 |
-
2022
- 2022-01-17 CN CN202210049771.4A patent/CN114584432B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5257211A (en) * | 1991-05-20 | 1993-10-26 | The United States Of America As Represented By The Secretary Of The Air Force | Adjustable bandwidth concept (ABC) signal energy detector |
CN102571237A (zh) * | 2011-12-31 | 2012-07-11 | 中国科学技术大学 | 一种基于周期图的无线信号检测方法 |
CN103811016A (zh) * | 2014-01-16 | 2014-05-21 | 浙江工业大学 | 一种基于周期图法的冲床噪声功率谱估计改进方法 |
CN103811017A (zh) * | 2014-01-16 | 2014-05-21 | 浙江工业大学 | 一种基于Welch法的冲床噪声功率谱估计改进方法 |
CN105137498A (zh) * | 2015-09-17 | 2015-12-09 | 鲁东大学 | 一种基于特征融合的地下目标探测识别系统及方法 |
CN109004996A (zh) * | 2018-08-13 | 2018-12-14 | 哈尔滨工业大学 | 基于多正弦窗功率谱峰值的信号检测方法 |
CN109571141A (zh) * | 2018-11-01 | 2019-04-05 | 北京理工大学 | 一种基于机器学习的刀具磨损状态监测方法 |
CN111147168A (zh) * | 2019-12-27 | 2020-05-12 | 中国航天科工集团八五一一研究所 | 一种功率谱和统计融合的信号检测方法 |
US20210255059A1 (en) * | 2020-02-19 | 2021-08-19 | Beijing University Of Chemical Technology | Fault diagnosis method of reciprocating machinery based on keyphasor-free complete-cycle signal |
CN112924749A (zh) * | 2021-02-04 | 2021-06-08 | 西安电子科技大学 | 无监督对抗学习电磁频谱异常信号检测方法 |
CN113702703A (zh) * | 2021-08-27 | 2021-11-26 | 天津光电通信技术有限公司 | 一种微弱信号检测识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
CHANGZHI LI; JUN LING; JIAN LI; JENSHAN LIN: "Accurate Doppler Radar Noncontact Vital Sign Detection Using the RELAX Algorithm", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT ( VOLUME: 59, ISSUE: 3, MARCH 2010)》 * |
付卫红;张云飞;韦娟;刘乃安;: "基于压缩感知的跳频信号参数盲估计算法", 《通信学报》, no. 12 * |
杨婧;程乃平;倪淑燕;: "Welch算法在弱信号检测中的性能分析", 《计算机仿真》, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN114584432B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109357749B (zh) | 一种基于dnn算法的电力设备音频信号分析方法 | |
CN113378661B (zh) | 一种基于改进小波阈值和相关检测的直流电能信号去噪方法 | |
CN105223482B (zh) | 局部放电特高频信号波形的小波分解二值去噪方法 | |
CN112395992A (zh) | 一种基于改进小波阈值的电力谐波信号去噪方法 | |
CN111059066B (zh) | 一种基于自相关谱和均衡平方包络谱的离心泵汽蚀状态判别方法 | |
CN103675617A (zh) | 一种用于高频局部放电信号检测的抗干扰方法 | |
CN105785324A (zh) | 基于mgcstft的线性调频信号参数估计方法 | |
CN114584432B (zh) | 基于改进平滑周期图算法的信号检测方法 | |
CN111490956A (zh) | 一种基于一阶循环平稳性的mfsk调制识别方法 | |
CN109752633B (zh) | 一种对变电站局部放电信号进行定位的方法及系统 | |
CN110865375A (zh) | 一种水中目标检测方法 | |
CN115632970A (zh) | 非高斯噪声下通信干扰信号带宽估计方法、设备及存储介质 | |
CN114580470A (zh) | 基于非均匀量化图特征的ofdm与ufdm多载波信号识别方法 | |
CN115047082A (zh) | 一种绝缘子裂纹声振信号的经典谱估计处理方法及系统 | |
CN115037386A (zh) | 一种仿生通讯信号模拟测试方法 | |
CN114201991A (zh) | 一种基于超声传感器阵列的局放信号检测方法和系统 | |
CN108985234B (zh) | 一种适用于非高斯信号的贝叶斯小波包降噪方法 | |
CN112507280A (zh) | 信号瞬时频率估计方法 | |
CN112883787A (zh) | 一种基于频谱匹配的短样本低频正弦信号参数估计方法 | |
CN111948451B (zh) | 一种基于互谱相位加权平均法的调频连续波信号测向方法 | |
CN113702969B (zh) | 基于自适应stft方法的微多普勒信号参数估计方法 | |
CN114580479B (zh) | 一种基于stft周期性能量峰的船舶螺旋桨转速预报方法 | |
CN112929053B (zh) | 一种跳频信号特征提取与参数估计方法 | |
CN114638262B (zh) | 基于时频二维特征学习的雷达对海杂波智能抑制方法 | |
CN114252921B (zh) | 基于Power-Law检测器的磁性异常信号检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |