CN117556246B - 一种从载波混合信号中分离出单波信号的方法 - Google Patents

一种从载波混合信号中分离出单波信号的方法 Download PDF

Info

Publication number
CN117556246B
CN117556246B CN202410028205.4A CN202410028205A CN117556246B CN 117556246 B CN117556246 B CN 117556246B CN 202410028205 A CN202410028205 A CN 202410028205A CN 117556246 B CN117556246 B CN 117556246B
Authority
CN
China
Prior art keywords
wave
point
interval
band
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.)
Active
Application number
CN202410028205.4A
Other languages
English (en)
Other versions
CN117556246A (zh
Inventor
熊东
冯浩
杨健
雷红海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fifth Research Institute Of Telecommunications Technology Co ltd
Original Assignee
Fifth Research Institute Of Telecommunications Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fifth Research Institute Of Telecommunications Technology Co ltd filed Critical Fifth Research Institute Of Telecommunications Technology Co ltd
Priority to CN202410028205.4A priority Critical patent/CN117556246B/zh
Publication of CN117556246A publication Critical patent/CN117556246A/zh
Application granted granted Critical
Publication of CN117556246B publication Critical patent/CN117556246B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/10Pre-processing; Data cleansing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02Preprocessing
    • G06F2218/04Denoising
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08Feature extraction
    • G06F2218/10Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种从载波混合信号中分离出单波信号的方法,属于信号处理技术领域,包括:输入合波数据并根据预设参数对合波数据进行区间划分,将合波数据根据区间波长宽度划分为若干个有序区间,并通过噪点阈值对噪点波段进行过滤,输出处理完成的区间集合数据;创建一个空的待分析区间,检测区间集合是否存在区间数据后,检测待分析区间是否存在有效单波,如果存在有效单波则进行有效单波提取,如果不存在有效单波则进行参数校验;输出有效单波并进行展示。本发明不需要对数据进行预处理,极大地提高了效率,减少了人力成本,而且计算资源更少,降低了硬件成本和能效消耗。

Description

一种从载波混合信号中分离出单波信号的方法
技术领域
本发明涉及信号处理技术领域,尤其涉及一种从载波混合信号中分离出单波信号的方法。
背景技术
目前,从合波中分割出不同的单波信号的现有技术通常分为以下五个步骤:1、预处理:对采集到的信号进行预处理,包括去噪、滤波和采样等操作,以准备好进行进一步的分析;2、对信号进行分析:一般是使用时域或者频域分析来识别不同频率成分的信号和信号的周期性及特征;3、对信号进行分离:对信号进行分离通常采用聚类算法,首先根据已知的信号特性调研几种合适的聚类算法如K均值聚类、层次聚类、DBSCAN等,然后为使用的算法准备样本数据、构建模型、训练模型,再比对训练结果定一下种要使用的算法;然后对信号进行聚类将相似的单波信号分组在一起形成簇,然后对分好组的信号进行簇分离,根据簇内信号的特性选择特定的分离算法,如滤波、解调、调制识别等,最终达到信号分离的目的;4、将分离好的信号进行可视化输出,将信号以图形或者数据形式进行可视化,以便进一步分析或存储;5、根据获取的信息对使用的参数、算法进行调整,提高信号分割的准确性和性能。
虽然现有的方法能够实现对合波的分割,但是却存在以下缺点:1、现有技术需要对采集到的信号进行大量预处理操作,用来形成标准的样本,预处理过程需要大量人工参与,耗时长且准确率得不到保证;2、信号分析的过程操作复杂且需要耗费大量的时间和人力,还需要专业的人员来辅助进行分析;3、信号分离过程中的聚类方法效果取决于所选择的特征、算法和参数配置,不同的信号可能需要不同的方法和策略,因此通常需要对实际数据进行大量的实验和调试,以找到最适合特定信号的分离方法,并且算法的决策内部不可见。
发明内容
本发明的目的在于克服现有技术的缺点,提供了一种从载波混合信号中分离出单波信号的方法,解决了现有方法的不足。
本发明的目的通过以下技术方案来实现:一种从载波混合信号中分离出单波信号的方法,所述方法包括:
预处理:输入合波数据并根据预设参数对合波数据进行区间划分,将合波数据根据区间波长宽度划分为若干个有序区间,并通过噪点阈值对噪点波段进行过滤,输出处理完成的区间集合数据;
信号分离:创建一个空的待分析区间,检测区间集合是否存在区间数据后,检测待分析区间是否存在有效单波,如果存在有效单波则进行有效单波提取,如果不存在有效单波则进行参数校验;
输出展示:输出有效单波并进行展示。
所述检测区间集合是否存在区间数据包括:
如果区间集合存在区间数据,则移除当前集合中第一个区间,并追加到待分析区间后检测待分析区间是否存在有效单波;
如果区间集合不存在区间数据,则直接使用待分析区间检测待分析区间是否存在有效单波。
在进行有效单波提取后,还需要使用提取完后的冗余波段作为一个区间创建新的待分析区间,并再次检测区间集合是否存在区间数据。
所述参数校验包括:
检测区间集合是否还存在区间,如果不存在,则判断截取的有效单波波段数量是否大于0,如果是,则输出并展示有效单波,否则结束;
如果检测区间集合还存在区间,则检测当前待分析区间数是否大于1,如果大于1,则取出待分析区间中最后添加的一个区间并以其创建新的待分析区间,并再次检测区间集合存在区间数据;
如果当前待分析区间集合不大于1,则说明当前待分析区间可以继续追加,则再次检测区间集合存在区间数据。
所述有效单波提取包括:
创建一个为空的单波载体,从单波左侧波谷进行探索,判断目标单波左侧是否为空;
如果目标单波左侧为空,则结束,如果目标单波左侧不为空,则继续从单波右侧波谷进行探索,并判断目标单波右侧是否为空;
如果目标单波右侧为空,则结束,如果目标单波右侧不为空,则拼接左侧和右侧为一个完整的单波,并输出单波。
所述从单波左侧波谷进行探索包括:
开始寻找目标波段的左侧波段,获取当前有效波段中的最高点并预判为目标波段的顶点;
截取最高点左侧波段信息预判为目标波段的左侧,并开始遍历目标波段的左侧波段;
如果不存在未被获取的点且左侧波段长度不大于0,则结束,如果不存在未被获取的点,但是左侧波段长度大于0,则开始寻找右侧波段;
如果存在未被获取的点,则开始进行遍历,获取一个点作为当前点,并从目标波段中移除;
如果当前点不是呈现上升趋势,则下行波动高度增加,如果当前点呈现上升趋势,则下行波动高度清空,上行波动高度增加;
如果下行波动不大于上升波形乘以波动范围,则将当前点加入左侧波段并重新获取一个点作为当前点;
如果下行波动大于上升波形乘以波动范围,则将上行波动高度清空并找到当前上行波动开始的点作为切点;
如果切点右侧不存在更高点,则左侧波段清空,并重新获取一个点作为当前点;
如果切点右侧存在更高点,但是下行波动不大于噪点阈值,则左侧波段清空,并重新获取一个点作为当前点;
如果切点右侧存储更高点且下行波动大于噪点阈值,则开始判断绝对下行高度是否大于左侧振幅乘以波动范围或相对下行高度是否大于左侧振幅乘以波动范围;
如果绝对下行高度不大于左侧振幅乘以波动范围且相对下行高度不大于左侧振幅乘以波动范围,则左侧波段清空,并重新获取一个点作为当前点;
如果绝对下行高度大于左侧振幅乘以波动范围或相对下行高度大于左侧振幅乘以波动范围,则清空创建的目标波段并获取切点左侧波段最高点预判为目标波段的顶点,并重新获取一个点作为当前点。
所述从单波右侧波谷进行探索包括:
开始寻找目标波段的右侧波段,获取左侧波段开始点和整个波段最高点;
计算相对高度阈值,从当前目标波段的顶点开始遍历剩下的有效波段;
如果存在未被获取的点,则获取一个点作为当前点,并从目标波段中移除;
如果当前点呈现上升趋势,则上行波动高度增加,然后判断上波波段高度是否大于相对高度阈值,如果当前点不呈现上升趋势,则直接判断上行波动高度是否大于相对高度阈值;
如果上行波动高度大于相对高度阈值,则说明找到右侧底,将当前点加入右侧波段,并重新判断是否存在未被获取的点;
如果上行波动高度不大于相对高度阈值,则当前点加入右侧波段,并重新判断是否存在未被获取的点;
如果不存在未被获取的点,则检测是否找大右侧底;
如果找到右侧底,则判断右侧波段长度是否大于0,如果右侧波段长度大于0,则移除右侧上翘的波段并拼接左侧波段和右侧波段为目标波段,如果右侧波段不大于0,则结束;
如果没有找大右侧底,则检测当前区间数是否大于1,如果大于1,则重新判断右侧波段长度是否大于0,如果当前区间数不大于1,则为当前目标波段新增一个区间的数据,然后对新的目标波段进行有效单波波段提取。
本发明具有以下优点:一种从载波混合信号中分离出单波信号的方法,使用者可以根据应用原理和较少的预设参数动态调整输出结果,以满足不同信号分离的需求,去掉了繁杂的调研、比对过程,不需要对数据进行预处理,极大地提高了效率,减少了人力成本,而且计算资源更少,降低了硬件成本和能效消耗。
附图说明
图1 为本发明的流程示意图;
图2 为有效单波提取的流程示意图;
图3 为单波左侧探索的流程示意图;
图4 为单波左侧探索过程的波形计算示意图;
图5 为单波右侧探索的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
如图1所示,本发明具体涉及一种从载波混合信号中分离出单波信号的方法,通过不停地寻找合波中最左侧的单波并不停地分割的方式,从左到右依次分割得到每个单波,具体包括以下内容:
S1、输入合波数据;
S2、处理合波数据:利用表1预设参数将合波数据进行区间划分,将合波数据根据区间波长宽度划分成若干个有序区间,并利用噪点阈值对噪点波段进行过滤。区间波长宽度的计算方式为(一个波波长的最大宽度+一个波波长的最小宽度)/2。
其中,区间划分是指,将整个大区间划分为若干个小区间:例如区间总宽度1000,划分为1000/((100+15)/2)约等于18个区间,区间划分成若干区间的目的是便于遍历整个大区间。
表1、参数配置表
预设参数 初始值
噪点阈值(dBm) 1
一个波波长的最大宽度(nm) 100
一个波波长的最小宽度(nm) 15
波动范围 10%
S3、输出处理完成的集合数据;
S4、创建一个空的待分析区间;
S5、检测区间集合是否为空,如果不为空移除当前集合中第一个区间,并追加到待分析区间,如果为空就直接使用待分析区间进行后续操作。
S6、如果待分析区间存在有效波段,则进行有效波段提取并使用提取完后的冗余波段创建新的待分析区间,并回到S5。
其中,有效波段检测方法为,利用噪点阈值检测该波段最大振幅是否超过噪点阈值的方式。
S7、如果待分析区间不存在有效波段,则检测区间集合是否还存在区间;
S8、如果区间集合为空,则继续检测当前待分析区间数是否大于1;
S9、如果当前待分析区间不大于1,则说明当前区间数可以继续追加,则返回S5,如果当前待分析区间大于1,则说明当前按区间数已有2个,则移除先添加进去的区间,以后面添加进去的区间创建新的待分析区间,再返回S5;
S10、如果当前区间集合不存在区间,则继续检测截取的有效波段数量是否大于0;
S11、如果当前截取的有效波段数量不大于0,则直接结束,如果当前截取的有效波段数量大于0,则输出并展示有效单波后结束。
如图2所示,有效单波提取主要描述如何从一个待分析区间中获取一个完整的单波,具体包括以下内容:
创建一个为空的单波载体,从单波左侧波谷进行探索,判断目标单波左侧是否为空;
如果目标单波左侧为空,则结束,如果目标单波左侧不为空,则继续从单波右侧波谷进行探索,并判断目标单波右侧是否为空;
如果目标单波右侧为空,则结束,如果目标单波右侧不为空,则拼接左侧和右侧为一个完整的单波,并输出单波。
如图3和图4所示,单波左侧波谷探测流程如下:
A1、开始寻找目标波段的左侧波段。
A2、获取当前有效波段中的最高点,并预判为目标波段的顶点。
A3、截取最高点左侧波段信息预判为目标波段的左侧。
A4、开始遍历目标波段的左侧波段。
A5、如果不存在未被获取的点并且左侧波段长度不大于0,则退出程序,如果不存在未被获取的点但是左侧波段长度大于0,则开始寻找右侧波段。
A6、如果存在未被获取的点,开始进行遍历。
A7、获取一个点作为当前点,并从目标波段中移除。
A8、如果当前点不是呈现上升趋势,则下行波动高度增加。
A9、如果当前点是呈现上升趋势,则下行波动高度清空,上行波动高度增加。
A10、如果下行波动不大于上升波形乘以波动范围,则将当前点加入左侧波段并重新开始执行A7。
A11、如果下行波动大于上升波形乘以波动范围,则将上行波动高度清空并找到当前上行波动开始的点作为切点。
A12、如果切点右侧不存在更高点,则左侧波段清空并重新开始执行A7。
A13、如果切点右侧存在更高点,但是下行波动不大于噪点阈值,则左侧波段清空并重新开始执行A7。
A14、如果切点右侧存在更高点并且下行波动大于噪点阈值则开始新的校验。
A15、绝对下行高度不大于左侧振幅乘以波动范围(计算方式详见图2和表2)并且相对下行高度不大于左侧振幅乘以波动范围(计算方式详见图2和表2),则左侧波段清空并重新开始执行A7。
A16、绝对下行高度大于左侧振幅乘以波动范围或相对下行高度大于左侧振幅乘以波动范围,则清空创建的目标波段并获取切点左侧波段最高点预判为目标波段的顶点然后重新执行A7。
表2、计算方式表
名称 以下值均取绝对值
相对底 (左侧底点的Y值+右侧底点的Y值)/2
下行波动 (左侧顶点的Y值-相对底的Y值)-(切点的Y值-相对底的Y值)
绝对下行高度 下行波动
相对下行高度 左侧顶点的Y值-右侧底点Y值
左侧振幅 左侧顶点的Y值-相对底的Y值
如图5所示,单波右侧波谷探索的流程如下:
B1、开始寻找目标波段的右侧波段。
B2、获取左侧波段开始点。
B3、获取整个波段最高点。
B4、计算相对高度阈值,计算方式为:相对高度阈值=(目标波段的最高点-目标波段的左侧谷底)×波动范围。
B5、从当前目标波段的顶点开始遍历剩下的有效波段。
B6、如果存在未被获取的点,开始进行遍历。
B7、获取一个点作为当前点,并从目标波段中移除。
B8、如果当前点是呈现上升趋势,则上行波动高度增加,然后判断上行波动高度是否大于相对高度阈值。
B9、如果当前点不是呈现上升趋势,则判断上行波动高度是否大于相对高度阈值。
B10、如果上行波动高度是大于相对高度阈值,则表明找到了右侧底,将当前点加入右侧波段,然后重新执行B6。
B11、如果上行波动高度不是大于相对高度阈值则当前点加入右侧波段,然后重新执行B6。
B12、如果不存在未被获取的点,检测是否找到右侧底。
B13、如果找到了右侧底,则判断右侧波段长度是否大于0。
B14、如果右侧波段长度大于0,则移除右侧上翘的波段并且拼接左侧波段和右侧波段为目标波段。
B15、如果右侧波段长度不大于0则退出程序。
B16、如果没有找到右侧底,检测当前区间数是否大于1,如果大于1则进行B13。
B17、如果没有找到右侧底,检测当前区间数是否大于1,如果不大于1则为当前目标波段新增一个区间的数据然后对新的目标波段进行有效单波波段提取。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和完善,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。

Claims (7)

1.一种从载波混合信号中分离出单波信号的方法,其特征在于:所述方法包括:
预处理:输入合波数据并根据预设参数对合波数据进行区间划分,将合波数据根据区间波长宽度划分为若干个有序区间,并通过噪点阈值对噪点波段进行过滤,输出处理完成的区间集合数据;
信号分离:创建一个空的待分析区间,检测区间集合是否存在区间数据后,检测待分析区间是否存在有效单波,如果存在有效单波则进行有效单波提取,如果不存在有效单波则进行参数校验;
输出展示:输出有效单波并进行展示。
2.根据权利要求1所述的一种从载波混合信号中分离出单波信号的方法,其特征在于:所述检测区间集合是否存在区间数据包括:
如果区间集合存在区间数据,则移除当前集合中第一个区间,并追加到待分析区间后检测待分析区间是否存在有效单波;
如果区间集合不存在区间数据,则直接使用待分析区间检测待分析区间是否存在有效单波。
3.根据权利要求1所述的一种从载波混合信号中分离出单波信号的方法,其特征在于:在进行有效单波提取后,还需要使用提取完后的冗余波段作为一个区间创建新的待分析区间,并再次检测区间集合是否存在区间数据。
4.根据权利要求1所述的一种从载波混合信号中分离出单波信号的方法,其特征在于:所述参数校验包括:
检测区间集合是否还存在区间,如果不存在,则判断截取的有效单波波段数量是否大于0,如果是,则输出并展示有效单波,否则结束;
如果检测区间集合还存在区间,则检测当前待分析区间数是否大于1,如果大于1,则取出待分析区间中最后添加的一个区间并以其创建新的待分析区间,并再次检测区间集合存在区间数据;
如果当前待分析区间集合不大于1,则说明当前待分析区间能继续追加,则再次检测区间集合存在区间数据。
5.根据权利要求1所述的一种从载波混合信号中分离出单波信号的方法,其特征在于:所述有效单波提取包括:
创建一个为空的单波载体,从单波左侧波谷进行探索,判断目标单波左侧是否为空;
如果目标单波左侧为空,则结束,如果目标单波左侧不为空,则继续从单波右侧波谷进行探索,并判断目标单波右侧是否为空;
如果目标单波右侧为空,则结束,如果目标单波右侧不为空,则拼接左侧和右侧为一个完整的单波,并输出单波。
6.根据权利要求5所述的一种从载波混合信号中分离出单波信号的方法,其特征在于:所述从单波左侧波谷进行探索包括:
开始寻找目标波段的左侧波段,获取当前有效波段中的最高点并预判为目标波段的顶点;
截取最高点左侧波段信息预判为目标波段的左侧,并开始遍历目标波段的左侧波段;
如果不存在未被获取的点且左侧波段长度不大于0,则结束,如果不存在未被获取的点,但是左侧波段长度大于0,则开始寻找右侧波段;
如果存在未被获取的点,则开始进行遍历,获取一个点作为当前点,并从目标波段中移除;
如果当前点不是呈现上升趋势,则下行波动高度增加,如果当前点呈现上升趋势,则下行波动高度清空,上行波动高度增加;
如果下行波动不大于上升波形乘以波动范围,则将当前点加入左侧波段并重新获取一个点作为当前点;
如果下行波动大于上升波形乘以波动范围,则将上行波动高度清空并找到当前上行波动开始的点作为切点;
如果切点右侧不存在更高点,则左侧波段清空,并重新获取一个点作为当前点;
如果切点右侧存在更高点,但是下行波动不大于噪点阈值,则左侧波段清空,并重新获取一个点作为当前点;
如果切点右侧存储更高点且下行波动大于噪点阈值,则开始判断绝对下行高度是否大于左侧振幅乘以波动范围或相对下行高度是否大于左侧振幅乘以波动范围;
如果绝对下行高度不大于左侧振幅乘以波动范围且相对下行高度不大于左侧振幅乘以波动范围,则左侧波段清空,并重新获取一个点作为当前点;
如果绝对下行高度大于左侧振幅乘以波动范围或相对下行高度大于左侧振幅乘以波动范围,则清空创建的目标波段并获取切点左侧波段最高点预判为目标波段的顶点,并重新获取一个点作为当前点。
7.根据权利要求5所述的一种从载波混合信号中分离出单波信号的方法,其特征在于:所述从单波右侧波谷进行探索包括:
开始寻找目标波段的右侧波段,获取左侧波段开始点和整个波段最高点;
计算相对高度阈值,从当前目标波段的顶点开始遍历剩下的有效波段;
如果存在未被获取的点,则获取一个点作为当前点,并从目标波段中移除;
如果当前点呈现上升趋势,则上行波动高度增加,然后判断上波波段高度是否大于相对高度阈值,如果当前点不呈现上升趋势,则直接判断上行波动高度是否大于相对高度阈值;
如果上行波动高度大于相对高度阈值,则说明找到右侧底,将当前点加入右侧波段,并重新判断是否存在未被获取的点;
如果上行波动高度不大于相对高度阈值,则当前点加入右侧波段,并重新判断是否存在未被获取的点;
如果不存在未被获取的点,则检测是否找大右侧底;
如果找到右侧底,则判断右侧波段长度是否大于0,如果右侧波段长度大于0,则移除右侧上翘的波段并拼接左侧波段和右侧波段为目标波段,如果右侧波段不大于0,则结束;
如果没有找大右侧底,则检测当前区间数是否大于1,如果大于1,则重新判断右侧波段长度是否大于0,如果当前区间数不大于1,则为当前目标波段新增一个区间的数据,然后对新的目标波段进行有效单波波段提取。
CN202410028205.4A 2024-01-09 2024-01-09 一种从载波混合信号中分离出单波信号的方法 Active CN117556246B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410028205.4A CN117556246B (zh) 2024-01-09 2024-01-09 一种从载波混合信号中分离出单波信号的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410028205.4A CN117556246B (zh) 2024-01-09 2024-01-09 一种从载波混合信号中分离出单波信号的方法

Publications (2)

Publication Number Publication Date
CN117556246A CN117556246A (zh) 2024-02-13
CN117556246B true CN117556246B (zh) 2024-03-19

Family

ID=89813141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410028205.4A Active CN117556246B (zh) 2024-01-09 2024-01-09 一种从载波混合信号中分离出单波信号的方法

Country Status (1)

Country Link
CN (1) CN117556246B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1874197A (zh) * 2006-05-08 2006-12-06 沈红 多路xdsl信号波分复用光纤接入方法
CN101047464A (zh) * 2006-06-05 2007-10-03 华为技术有限公司 一种用于波分复用无源光网络的受控组播方法和系统
CN101715153A (zh) * 2009-12-02 2010-05-26 华中科技大学 混合波分时分复用无源传感光网络
CN104270328A (zh) * 2014-10-29 2015-01-07 中国工程物理研究院电子工程研究所 一种信噪比实时估计方法
CN114200588A (zh) * 2021-11-16 2022-03-18 武汉光迅科技股份有限公司 一种光解复用组件结构和封装方法
CN114296035A (zh) * 2021-12-31 2022-04-08 清华大学 探测通信一体化共享波形的设计方法、装置、设备及介质
CN115694630A (zh) * 2021-07-28 2023-02-03 上海华为技术有限公司 光信号处理方法和网络设备
CN116388733A (zh) * 2023-05-26 2023-07-04 奥谱天成(厦门)光电有限公司 一种适用于近红外水果无损检测的光谱预处理方法及装置
CN116992259A (zh) * 2023-09-28 2023-11-03 奥谱天成(厦门)光电有限公司 适用于生物品质检测的光谱特征提取方法、检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI429165B (zh) * 2011-02-01 2014-03-01 Fu Da Tong Technology Co Ltd Method of data transmission in high power induction power supply
KR102267848B1 (ko) * 2013-02-22 2021-06-23 오시아 인크. 집중형 데이터 통신을 위한 방법 및 장치

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1874197A (zh) * 2006-05-08 2006-12-06 沈红 多路xdsl信号波分复用光纤接入方法
CN101047464A (zh) * 2006-06-05 2007-10-03 华为技术有限公司 一种用于波分复用无源光网络的受控组播方法和系统
CN101715153A (zh) * 2009-12-02 2010-05-26 华中科技大学 混合波分时分复用无源传感光网络
CN104270328A (zh) * 2014-10-29 2015-01-07 中国工程物理研究院电子工程研究所 一种信噪比实时估计方法
CN115694630A (zh) * 2021-07-28 2023-02-03 上海华为技术有限公司 光信号处理方法和网络设备
CN114200588A (zh) * 2021-11-16 2022-03-18 武汉光迅科技股份有限公司 一种光解复用组件结构和封装方法
CN114296035A (zh) * 2021-12-31 2022-04-08 清华大学 探测通信一体化共享波形的设计方法、装置、设备及介质
CN116388733A (zh) * 2023-05-26 2023-07-04 奥谱天成(厦门)光电有限公司 一种适用于近红外水果无损检测的光谱预处理方法及装置
CN116992259A (zh) * 2023-09-28 2023-11-03 奥谱天成(厦门)光电有限公司 适用于生物品质检测的光谱特征提取方法、检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"多波长双二进制载波抑制归零码光分组产生方法研究";贺彬彬 等;《光学学报》;20150430;第35卷(第4期);全文 *

Also Published As

Publication number Publication date
CN117556246A (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN111312256B (zh) 语音身份识别的方法、装置及计算机设备
CN105320969A (zh) 基于多尺度Renyi熵的心率变异性特征分类方法
CN105411565A (zh) 基于广义尺度小波熵的心率变异性特征分类方法
Bagheri et al. A fast machine learning approach to facilitate the detection of interictal epileptiform discharges in the scalp electroencephalogram
CN105868266A (zh) 一种基于聚类模型的高维数据流离群点检测方法
CN103020643A (zh) 基于提取核特征早期预测多变量时间序列类别的分类方法
CN108567418A (zh) 一种基于PCANet的脉搏信号亚健康检测方法及检测系统
US20220390374A1 (en) Method for extracting raman characteristic peaks employing improved principal component analysis
CN111089856A (zh) 一种拉曼光谱弱信号提取的后处理方法
CN117037834B (zh) 一种会议语音数据智能采集方法及系统
CN116309368B (zh) 一种基于深度迁移学习的肺癌病理诊断系统
Sun et al. Dynamic time warping for speech recognition with training part to reduce the computation
Tapia et al. RED: Deep recurrent neural networks for sleep EEG event detection
US7680657B2 (en) Auto segmentation based partitioning and clustering approach to robust endpointing
CN112200000B (zh) 一种焊接稳定性识别模型训练方法、焊接稳定性识别方法
CN110689885A (zh) 机器合成语音识别方法、装置、存储介质及电子设备
CN117556246B (zh) 一种从载波混合信号中分离出单波信号的方法
CN113128396B (zh) 一种电能质量复合扰动分类方法
CN117708760A (zh) 基于多模型融合的开关柜多源局放模式识别方法及系统
Prasanna Kumar et al. Single-channel speech separation using combined EMD and speech-specific information
CN110379438A (zh) 一种语音信号基频检测与提取方法及系统
CN115078616A (zh) 基于信噪比的多窗口谱峰识别方法、设备、介质及产品
CN108685561B (zh) 一种信号分析方法及装置
Yu Research on music emotion classification based on CNN-LSTM network
CN114532994A (zh) 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法

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