时频方法随机信号检测

SHM 中常用的信号处理方式一、 信号处理方法时频分析方法时频分析最早是从傅里叶变换开始，傅里叶变换提供了信号从时域到频域的变换，从而得知信号的频率信息。

由于傅里叶频谱只有频率信息，没有时间信息，因此只适用于时不变信号，也即平稳信号，平稳信号指的是在不同时间进行采样，其统计信号不变，比如典型的正弦函数信号。

自然界的信号几乎都是时变信号，也即非平稳信号。

随机信号多半是时变信号，对于时变信号，传统的傅里叶变换已经无法满足分析的需求。

因而先后发明了短时傅里叶变换，小波变换，小波包变换，希尔伯特黄变换等进阶的时频分析方法。

1) 小波分析（wavelet transform ）原始信号被分解为多个分量的叠加：3123=+++S A D D D ，若分解层数为n ，则分解的子信号个数等于n+1。

小波变换可以实现全局范围内，时频分辨率的变化，具体来说，在低频范围内，提高频率分辨率，在高频范围内提高时间分辨率，但是仍然收到测不准原理的制约。

基函数需要人为选择。

2) 小波包分析（wavelet packet transform ）小波包分析与小波变换的区别在于：小波包分解，高频分量在每一级也进行分解。

若分解层数为n ，则分解的子信号个数等于2的n 次方。

3)短时傅里叶变换（short-time Fourier transform）STFT可以体现信号频率随时间变换的关系，但是时间分辨率和频率分辨率二者不可兼得。

在全局范围内，STFT的时频分辨率是相等的。

4)分数阶傅里叶变换（Fractional Fourier transform）分数阶傅里叶变换与傅里叶变换的区别：傅里叶变换是将对信号的观察角度从时域转换到频域，分数阶傅里叶变换是将时频面转动一个角度，再观察频域信息，旋转角度以分数表示，取值在0-1，若取为1，则等于传统的傅里叶变换。

5)希尔伯特黄变换（Hilbert Huang transform，HHT）希尔伯特黄变换是基于希尔伯特变换的基础上提出的，经验模态分解(EMD)或者先给信号加白噪声再经验模态分解（EEMD）之后进行希尔伯特变换就是希尔伯特黄变换。

设计与应用计算机自动测量与控制.2001.9(4)　Computer Autom ated Measurement &Control 收稿日期:2000212215。

作者简介:刘林(1973-),男,江西省赣州市人,硕士研究生,主要从事故障诊断、信号处理、计算机应用方面的研究。

文章编号:1007-0257(2001)04-0044-02 中图分类号:TN91117 文献标识码:A时频分析理论和应用刘　林,郝保国(北京科技大学环境工程系,北京,100083)摘要:介绍了时频分析理论及常用的时频分析方法,概述了时频分析的应用和研究状况。

关键词:信号处理;时频分析;小波变换Theory and Application of Time -Frequency AnalysisL IU Lin ,HAO Bao 2guo(Department of Environmental Engineering ,Beijing University of Science and Technology ,Beijing 100083,China )Abstract :The theory of Time -Frequency Analycis and general method of Time -Frequency Analysis are introduced.The situation of application and research of Time -Frequency Analysis is described.K ey w ords :signal processing ;time -frequency analysis ;wavelet transform 在工程实践中,需要传递各种数据,其目的是把某些信息借一定的信号传递出去。

信号是信息的表现形式,信息则是信号的具体内容。

信息的利用程度和信号与信息处理技术的发展紧密相关。

随机信号分析与处理技术研究随机信号是不可预测的、随机变化的信号，具有不规则的波形和不确定的频谱。

在实际应用中，我们常常需要对随机信号进行信号处理，以提取出有用的信息。

随机信号分析与处理技术是研究如何对随机信号进行处理和分析的方法和技术。

本文将主要从如下几个方面来探讨随机信号分析与处理技术。

一、随机过程的基本概念和特征在随机信号分析与处理中，随机过程是一种最基本的数学模型之一。

随机过程是一个函数族，它是描述随机信号随时间变化的一种方式。

根据随机过程的不同性质，我们可以将其分为宽平稳随机过程和窄平稳随机过程两种。

宽平稳随机过程是指其相邻的任意时间区间的统计特性相同，具有均值和自相关函数。

窄平稳随机过程则是指其在任意时间点处的统计性质都相同。

二、随机信号的特殊形式在随机信号分析与处理中，还有一些特殊形式的随机信号需要特别关注，比如高斯随机过程、白噪声、随机游走等。

高斯随机过程是一种均值和自相关函数均为常数的随机过程。

它具有非常重要的统计学特性，在通信、控制等领域中非常常见。

白噪声是一种特殊的随机信号，其功率谱在所有频带上都是均匀分布的。

它通常被用作噪声信号的基准。

随机游走是指一种随机过程，它在每个时间步长上增加或减少一个独立同分布的随机变量。

随机游走在金融、经济等领域中非常重要。

三、随机过程的时频分析对于随机过程，我们需要采用时频分析技术来研究它的时间和频率特性。

其中，最常用的方法是谱分析技术。

谱分析技术包括周期图、自谱和互谱等，它们可以用来分析各种类型的随机信号。

其中，自谱是一种衡量随机过程功率谱密度的方法，而互谱则可以用来分析两个随机过程之间的相互影响。

四、随机过程的滤波和降噪在实际应用中，随机信号往往受到各种干扰、噪声的影响，因此需要进行滤波和降噪处理。

常用的滤波方法包括低通滤波、高通滤波、带通滤波等。

同时，还可以采用数字信号处理技术，如小波变换、小波包分析等来进行降噪处理。

五、随机信号的特征提取在一些具体应用场景中，我们需要从随机信号中提取出一些特定的特征信息，如频率、幅值、相位等。

液压传动系统的故障分析与诊断方法【摘要】液压传动系统是各类机械设备应用中保证其高效稳定运行的关键部分，也是保证各类生产企业实际工作效率和质量的基础。

但液压传动系统常因为各种主客观因素的影响而出现各种故障。

本文作者重点分析了液压传动系统的故障原因，并提出了相应的诊断方法。

【关键词】液压传动系统；故障分析；诊断方法引言液压传动系统所具有的广泛的工艺适应性、紧凑性、灵活性、响应快速性、可控性使得它在在现代化工生产、工程建设等行业中得到越来越广泛的运用。

液压传动系统是机床、起重机、钻机等机械设备中常用的一种控制方式，也是保证动力有效传输的关键部分。

但是液压传动系统常会因为各种内外部原因而发生故障，并且不容易从外部或声响中判断出发生故障的部位和原因，因此迅速并准确的找出液压传动系统故障发生的部位和原因，及时排除，对保证液压传动系统的正常运行具有重要意义。

一、液压传动系统的故障分析1.1液压传动系统压力不足或完全没压力液压系统运行过程中最主要的问题就是液压传动系统压力不足。

系统的压力油路和回油路短接或者较为严重的泄漏是产生这种故障的主要原因。

还有一种可能会产生这种故障，那就是油箱中的油没有进入到液压系统中或电动机的功率不足。

对这种故障的诊断方法如下：首先检查液压泵是否有流量，若没有油液输出，可能是因为液压泵的转向不对、零件磨损严重或吸油阻力过大等原因造成泵不能排除油液；若液压泵的油液可以输出，就应该检查各段回路的元件或管道，找出使油液短路或泄漏的部位。

1.2液压系统工作机构的运动速度不够或完全不动液压传动系统工作机构的速度异常是液压系统常见的故障之一。

产生这种故障的原因很多，主要有以下几个方面：首先，油泵转向不对或油泵量吸油量不够，这样会导致油面受到的压力因为吸油管阻力过大，油箱中的油量低等原因而低于正常的压力，而油温过低很电动机转速太低会使得辅助泵的供油量不足；其次，油泵里面发生严重泄漏，使得压油腔和吸油腔连通起来，导致液压设备运动速度减慢；再次，压力油路处的管路接头和各种阀的泄漏，如执行元件内的密封装置损坏导致内泄严重。

随机信号分析随机信号是在时间或空间上具有随机性质的信号，其数学模型采用随机过程来描述。

随机信号的分析是信号与系统理论中的重要内容，其应用广泛涉及通信、控制、电力系统等领域。

本文将从随机信号的基本特性、常见的随机过程以及随机信号分析的方法等方面进行阐述。

随机信号的基本特性包括：平均性、相关性和功率谱密度。

首先，平均性是指随机信号的统计平均等于其数学期望值。

随机信号的平均性是通过计算信号在一定时间或空间范围内的平均值来描述的。

其次，相关性是指随机信号在不同时刻或不同空间位置上的取值之间存在一定程度的相关性。

相关性可以描述信号之间的相似度和相关程度，常用相关函数来表示。

最后，功率谱密度是用来描述信号在频域上的分布特性，它表示了随机信号在不同频率上所占的功率份额。

随机信号的常见模型主要有白噪声、随机行走、随机震荡等。

其中，白噪声是指功率谱密度在整个频率范围内均匀分布的信号，其在通信领域中应用广泛。

随机行走模型是一种随机过程，它描述了随机信号在不同时刻之间的步长是独立同分布的。

随机震荡模型是一种具有振荡特性的随机过程，常用于描述具有周期性或周期性变化的信号。

对于随机信号的分析方法，主要包括时间域分析和频域分析两种。

时间域分析是通过观察信号在时间上的波形和变化规律来分析随机信号的特性，常用的方法有自相关函数和互相关函数等。

频域分析是将信号转换为频率域上的功率谱密度来分析信号的频谱特性，常用的方法有傅里叶变换和功率谱估计等。

在实际应用中，随机信号的分析对于信号处理和系统设计具有重要意义。

在通信系统中，随机信号的噪声特性是衡量系统性能的关键因素之一，因此通过对随机信号的分析可以有效地优化通信系统的传输质量。

此外，在控制系统和电力系统中，随机信号的分析也能帮助我们进行系统建模和性能预测，从而实现系统的稳定性和可靠性。

综上所述，随机信号的分析是信号与系统理论中的重要内容，其对于各个领域的应用具有重要的意义。

通过对随机信号的基本特性、常见的随机过程以及分析方法的了解，可以为我们深入理解和应用随机信号提供帮助。

第21卷第5期信息工程大学学报Vol.21No.52020年10月Journal of Information Engineering UniversityOct.2020㊀㊀收稿日期:2020-06-17;修回日期:2020-07-14㊀㊀作者简介:孙㊀伟(1994-),男,硕士生,主要研究方向为智能信号处理㊂DOI :10.3969/j.issn.1671-0673.2020.05.006基于时频图像处理的宽带特定信号检测方法孙㊀伟,彭㊀华,李天昀,许漫坤,陈㊀洋(信息工程大学,河南郑州450001)摘要:针对短波超短波宽频带环境下的特定信号检测问题,传统的处理方法主要分为以人工参与为主的宽带侦察和宽带检测㊁窄带处理两种,存在侦察效率低㊁自动化处理水平不高等问题㊂针对此问题,提出了一种基于时频图模板匹配和峰值搜索的宽带特定信号检测方法,通过预先构建特定信号的时频图模板,逐点滑动求时频图模板与宽带数据时频图的相关系数,对相关系数进行阈值判决和峰值搜索,完成特定信号的初步检测㊂该方法直接在宽带接收数据中进行特定信号的搜索检测,不仅能提高特定信号检测速度,还能节约窄带接收机资源㊂通过仿真实验,验证了该方法的有效性㊂关键词:时频图像处理;模板匹配;特定信号检测;宽带数据预处理中图分类号:TN918.1㊀㊀㊀文献标识码:A文章编号:1671-0673(2020)05-0545-07Broadband Specific Signal Detection Method Based onTime-Frequency Image ProcessingSUN Wei,PENG Hua,LI Tianyun,XU Mankun,CHEN Yang(Information Engineering University,Zhengzhou 450001,China)Abstract :In view of the specific signal detection problem in HF /UHF broadband environment,thetraditional processing methods are mainly divided into two types:broadband reconnaissance based onmanual participation,broadband detection and narrow-band processing.There are some problems such as low efficiency of reconnaissance and low level of automatic processing.In order to solve these problems,this paper proposes a broadband specific signal detection method based on time-fre-quency map template matching and peak search.By preconstructing the time-frequency map tem-plate of a specific signal,the correlation coefficient between the time-frequency map template and the broadband data time-frequency map is obtained point by point,and the threshold judgment andpeak search of the correlation coefficient are carried out to complete the preliminary detection of the specific signal.This method can not only improve the detection speed of specific signal,but also save the resources of narrow-band receiver.The effectiveness of the proposed method is verified bysimulation experiments.Key words :time frequency image processing;template matching;specific signal detection;broad-band data preprocessing546㊀信息工程大学学报㊀2020年㊀㊀㊀随着无线电技术的发展和软硬件设备性能的提升,短波㊁超短波宽带侦察成为国内外的研究热点㊂宽带侦察的发展提高了侦察效率,但仍有很大的发展空间㊂针对短波超短波宽频带环境下的特定信号检测问题,传统的处理方法主要分为以人工参与为主的宽带侦察和宽带检测㊁窄带处理两种㊂目前,宽带接收机的接收带宽通常为1~30MHz,短波㊁超短波信号的带宽一般为3~30kHz㊂以人工参与为主的宽带侦察,要求侦察人员从含有成千上万信号的宽频带中检测目标信号,一方面存在较多的漏检错检,另一方面耗时耗力㊁效率低下㊂而宽带检测㊁窄带处理的模式,先进行宽带的多信号检测,再对中心频率㊁带宽等调制参数进行估计,而后进行窄带识别㊂在这种模式下,信号的检测和分类是分离的,整体的性能受限,并且在处理特定信号的检测问题中,不能充分的过滤无用数据,造成窄带处理压力较大㊂这就必然要求提高宽带侦察的自动化处理能力,而提高自动化处理能力的关键在于从宽带中有效检测出目标信号,这也成为当前的研究热点㊂传统的宽带侦察方式主要依靠人工监视宽带时频图㊂据初步统计,在合适的分辨率下,通过视觉观察,人眼能够识别超过90%的信号㊂实际上,人眼识别信号的过程就是一个图像处理和模板匹配的过程,人眼通过观察时频图,形成信号的模板,再次观察信号时,会将观察到的信号与脑海中的信号模板进行匹配,从而识别信号㊂该过程启利用图像处理的方法研究特定信号检测是可行的㊂因此,本文将以宽带时频图为研究对象,从图像处理的角度探讨特定信号的检测㊂目前图像处理方法在通信信号处理领域得到了广泛的应用㊂文献[1]通过图像处理方法提取图像特征,完成雷达信号的识别,并通过形态学处理等方法提高算法的稳定性,将信号识别和图像结合在一起,为信号识别问题提供了新思路㊂文献[2]针对跳频检测问题,提出了基于边缘检测的检测方法㊂文献[3]在文献[2]的基础上,提出了基于图像分割和模板匹配的算法㊂图像处理在跳频检测领域的广泛应用,进一步说明图像处理方法应用于通信信号处理领域的可行性㊂文献[4]提出了图像匹配最大互相关算法及其工程实现,减轻了图像匹配算法的计算量,为图像处理在信号识别领域的应用奠定了硬件基础㊂文献[5]将时频图像和深度学习相结合,提出了一种新的特定信号识别方法㊂文献[6]结合时频分析和形态学处理,提出了信号检测识别的新算法㊂目前,图像处理技术已经比较成熟,再加上硬件基础和相关算法的发展,通过图像处理解决信号检测问题具有一定的可行性㊂通过图像处理解决信号检测问题,需要考虑分辨率㊁相关系数阈值等参数的选取以及模板范围的选择㊁峰值检测等问题㊂将信号表示成像素点构成的图像时,分辨率过低时会丧失信号的基本特征,分辨率过高时会使得运算量过大,因此,选取合适的分辨率是一个关键㊂固定阈值的判决方法鲁棒性差,存在较大的漏检或者虚警,根据相关系数的分布合理选取阈值,减少虚警和漏检也是需要解决的问题㊂不同信号的视觉特性差异较大,只有合理选取特定信号的模板,才能充分体现信号特征㊂相关系数并不会出现峰值孤点,而是呈现片状的区域,如何对此进行峰值检测,判断信号有无,也需要有效得解决㊂针对以上这些问题,本文提出了一种基于时频图模板匹配和峰值搜索的宽带特定信号检测方法,通过预先构建特定信号的时频图模板,逐点滑动求时频图模板与宽带数据时频图的相关系数,对相关系数进行阈值判决和峰值搜索,完成特定信号的初步检测㊂通过仿真实验,该方法适用于多种典型特定信号的宽带检测,并且具有较强的抗噪性能㊂本文方法作为一种宽带预处理手段,能够针对性地检测特定目标信号,过滤无用数据,具有一定的工程应用价值㊂1㊀特定信号的视觉特性随着通信技术的发展,通信信号种类越来越多,不同调制方式㊁不同规格的信号通过时频谱图呈现出不同的视觉特性㊂本文所研究的特定信号是指,由于在传输结构中含有特定帧结构[7](报头帧,如同步头㊁相位参考和起始码等)而在时频谱图上具备独特视觉特性的信号,如图1所示,其传输报文结构一般由报头帧和数据帧构成㊂这些报头帧,即特定帧结构,具有一定的规律,一般位于信号头部,起到多普勒校正㊁符号同步㊁帧同步㊁相位参考等作用[5],在短波㊁超短波㊁微波㊁卫星通信中,这种特定信号非常普遍㊂图1㊀传输报文结构㊀第5期孙㊀伟,等:基于时频图像处理的宽带特定信号检测方法547㊀㊀㊀目前时频分析的方法有很多,短时傅里叶变换是常用的时频分析工具㊂离散时间序列的短时傅里叶变换[8](Short-Time Fourier Transform,STFT)定义为STFT (m ,n )=ðɕk =-ɕz (k )ω∗(kT -mT )e -2πjnFk (1)式中:z (k )为离散时间序列;T 为时间采样周期;F 为频域采样周期;ω(k )为离散分析窗㊂时频谱图[9](简称谱图)定义为STFT 模的平方,即SPEC (m ,n )=STFT (m ,n )2(2)采用谱图对信号进行分析,以此描述信号强度和分布随时间和频率的变化,能直观地呈现出信号的时频特性㊂对于本文选取的特定信号,其特定帧结构在时频谱图上具有独特的视觉特性,不同信号具备不同的帧结构,因此也会呈现出不同的视觉特性㊂下面以Link4a 为例来说明其独特的视觉特性㊂Link4a 信号[10](又称TADIL-C),主要用于空对空㊁空对地㊁地对空的战术通信,其传输报文结构如图2所示㊂其中同步脉冲串占8个时隙,由高低电平组成㊂保护性间隔占4个时隙,全部为0电平㊂起始位占1个时隙,为1电平㊂数据段为发送或者接收的数据信息,发送信息时占56个时隙,接收信息时占42个时隙㊂发射非键控位占1个时隙,为0电平㊂无论是发射控制报文还是应答报文,在传输结构的头部都有同步脉冲串㊁保护性间隔和起始位3部分㊂图2㊀Link4a 报文结构㊀㊀图3为Link4a 信号的时频谱图㊂从图中可以看到,信号的头部(即特定帧结构)呈现出不同于后面部分(数据帧结构)的视觉特性,每个Link4a 信号都有相同的特定帧结构,而其他信号不具备这一特征㊂利用这一特定帧结构,再结合模板匹配方法,就能够在宽带时频图像上进行Link4a 信号的检测㊂图3㊀Link4a 信号的谱图在时频分析方法中,Wigner-Ville 分布[11](Wigner-Ville Distribution,WVD)变换具有严重的交叉项干扰,而小波变换计算复杂度过高㊂相对而言,STFT 更为常用,尤其是在干扰㊁混叠等复杂信道情况下,信号的视觉特性也能得到很好地体现㊂因此,本文应用短时傅里叶变换方法呈现特定信号不同的视觉特性,利用时频谱图上的这种视觉特性实现宽带特定信号检测㊂2㊀基于时频图像处理的检测方法2.1㊀算法思想首先针对特定信号在时频图上呈现出的特定帧结构,构建标准模板,或者截取数据样本,构建样本模板㊂然后根据宽带时频图的时频参数,调整模板的时频分辨率参数,使之相匹配㊂接着将时频图模板逐点滑动与宽带时频谱图进行匹配,得到归一化互相关系数矩阵㊂最后对归一化互相关系数矩阵进行阈值判决和峰值搜索,得到宽带时频图中特定信号的时频分布,算法流程如图4所示㊂2.2㊀二维相关信号可以用其统计特性作描述,这些统计特性可以分为一阶㊁二阶和高阶统计特性㊂相关函数㊁协方差函数与功率谱密度是描述平稳随机信号统计特性最常用的二阶统计量[11]㊂图4㊀算法流程㊀㊀对于一维序列来说,自相关函数反映了同一序列不同时刻的相关性,互相关函数反映了序列间的548㊀信息工程大学学报㊀2020年㊀相关性,相关系数值越高,说明相关性越高㊂以此类推,对于二维矩阵而言,二维自相关矩阵反映了同一矩阵不同位置的相关性,二维互相关矩阵反映了矩阵间的相关性,相关系数矩阵取值越高,说明矩阵的相关性越高㊂对于离散随机信号序列x(n)㊁y(n),互相关函数为Rx,y(m)=E(x(n)y(n+m))=lim Nңɕ1NðN-1n=0x(n)y(n+m)(3)互协方差函数为Cx,y(m)=E((x(n)-μx)(y(n+m)-μy))(4)式中,μx,μy分别为离散随机信号序列x(n)㊁y(n)的均值㊂利用互协方差函数,可以定义互相关系数为ρxy(m)=Cx,y(m)Cx,x(0)C y,y(0)=E((x(n)-μx)(y(n+m)-μy)) E((x(n)-μx)2)E((y(n+m)-μy)2)(5)对于二维矩阵A㊁B,互相关函数矩阵为RA,B(m,n)=E(A(i,j)B(i+m,j+n))(6)互协方差函数矩阵为CA,B(m,n)=E((A(i,j)-μA)(B(i+m,j+n)-μB))(7)式中,μA,μB分别为离散随机信号序列矩阵A㊁B 的均值㊂利用互协方差函数,可以定义互相关系数矩阵为ρAB(m,n)=CA,B(m,n)CA,A(0,0)C B,B(0,0)=E((A(m,n)-μA)(B(i+m,j+n)-μB))E((A(m,n)-μA)2)E((B(i+m,j+n)-μB)2)(8)2.3㊀模板匹配目前,模板匹配[12]方法广泛应用于精确制导㊁三维重建㊁视觉导航㊁数字视频稳像㊁数据融合㊁运动估计和变化检测等领域㊂实际上,模板匹配可通过提取图像间的特征,计算匹配误差或者相关度,体现图像的相似程度,匹配误差越小,相关度越高,代表模板匹配程度越好㊂设当前有两个图像,图像矩阵分别用A㊁B表示,矩阵A大小为MˑN,矩阵B大小为mˑn,在矩阵A中匹配出与矩阵B相似度高的子矩阵㊂用S x,y 表示矩阵A中以位置(x,y)为左上角点与矩阵B大小相同的子矩阵,即Sx,y(i,j)=f(x+i-1,y+j-1)i=1,2,3 m;j=1,2,3 n(9)Sx,y和B是大小相等的矩阵,利用2.2节中的结论,求出S x,y与B的相关系数ρ(x,y):ρ(x,y)=CS x,y,BCS x,y,S x,yCB,B(10)随着x㊁y变化,S x,y取得矩阵A中不同位置固定尺寸的矩阵,ρ(x,y)为不同位置的矩阵与矩阵B的相关系数,ρ=ρ(x,y)x (1, ,M-m+1),y(1, ,N-n+1),那么ρ即为(M-m+1)ˑ(N-n+1)的归一化相关系数矩阵㊂模板匹配能够通过提取图像间的特征,计算匹配误差或者相关度,体现图像的相似程度㊂本文所研究的特定信号在时频图上呈现独特的视觉特性,利用该特性,结合模板匹配方法,将信号检测问题转化成图像模板匹配问题,就能实现特定信号的宽带检测㊂2.4㊀基于阈值判决的区域峰值搜索方法在前述过程得到归一化二维互相关系数矩阵后,还需要对该矩阵进一步处理,主要包括阈值选取㊁区域搜索和位置对应㊂矩阵的幅值反映了以当前位置为端点的区域与模板的相关程度,在检测到目标信号的时频位置出现峰值㊂信噪比影响阈值的设置,信噪比低时,整体的相关系数矩阵幅值较小,信噪比高时,整体的相关系数矩阵幅值较大,固定阈值的方法适用性差㊂由于目标信号存在的时频位置附近会出现一个峰值区域,为避免同一信号重复检测问题,需根据信号区域排除多余峰值㊂在得到目标信号最大峰值后,根据时频分辨率,计算目标信号所在的时间频率位置㊂针对这些问题,本文提出一种基于阈值判决的区域峰值搜索方法,具体实现流程如下㊂归一化相关系数矩阵的幅值范围为[0,1],假定当相关系数大于H时,判定目标信号必然存在,相关系数低于L时,则目标信号必然不存在㊂将区间[L,H]以δ为间隔,分成H-Lδ()个区间,分别以(L+δ∗i)作为阈值,大于该阈值,认为信号存在,否则,信号不存在㊂由于按点滑动的二维相关具有连续性,信号存在的区域不会呈现峰值孤点,而是连续的峰值区域㊂利用信号区域的大小匹配峰值区域,消除同一信号重复检测的点,从而得到准确的信号个数㊂通过对阈值判决㊁区域搜索的结果进行统计,随着(L+δ∗i)中i值的增大,统计量呈现㊀第5期孙㊀伟,等:基于时频图像处理的宽带特定信号检测方法549㊀先下降再达到基本稳定最后趋于零的特点㊂当统计量达到基本稳定时,选取该阈值作为最优阈值㊂最后利用区域内的最大值点,根据时频分辨率的换算关系,即可得到目标信号时频坐标准确的起止位置㊂3㊀实验及性能分析本文针对短波超短波的宽带特定信号检测方法进行仿真实验,选取了Link4a㊁DQpsk㊁Link11-clew㊁Ask㊁Qpsk㊁110A 39Tones 等6种典型信号作为目标信号㊂实验使用Matlab 软件,仿真信号的规格参数根据特定信号协议实现,目标信号时频图及模板如图5所示㊂图5㊀特定信号的谱图考虑到短波㊁超短波信道的复杂性,在宽带时频谱图中随机地(即水平位置和垂直位置随机)产生信号并且增加了随机的信道干扰,添加效果如图6所示㊂图6㊀信道影响效果图为了探讨算法在不同信噪比(Es /N 0)下的检测性能㊂在信噪比范围为[-10dB,12dB]的范围内,每隔2dB 产生100个特定信号谱图㊂由图7(a)可以看出,随着信噪比的增加,算法的正确检测率在提升,并且算法对不同信号的检测性能有较大差异㊂其中,Link11-clew㊁Qpsk㊁110A 39Tones 信号的检测效果较好,Link4a 信号的检测效果较差㊂以Link11-clew 信号为例,Es /N 0为-8db 时达到100%的检测率㊂这是由于不同信号头部特定帧结构不同,呈现在时频图上的视觉特性不同,Link11-clew 信号具有特定的帧结构,带内能量分布不均匀,多普勒音和同步音幅值相差4倍,呈现在时频谱图上像素点的幅值差距很大,即使信噪比非常低,时频图中帧头部分的单音结构仍然非常明显,使得该信号的检测效果较好㊂而对于Link4a 信号,其模板结构差异性不如其它信号明显,因此检测率低,但其在5dB 时仍能达到100%的检测率㊂由此可见,该算法针对低信噪比条件下的部分特定信号具有较好的检测性能㊂图7㊀信噪比对算法性能的影响为了进一步验证本文方法的抗噪声性能,在同样的实验条件下将主成分分析[13]和独立成分分析[14]两种方法进行了对比㊂两种方法特征提取数为100,以支持向量机为分类器㊂图7(b)为这3种方法在不同信噪比下对上述几类特定信号的平均检测率对比图㊂由图中可以看出,本文方法的性能相对其他两种方法有一定的提升㊂当信噪比大于5dB 时,本文方法平均检测率达到100%,当信噪比达到0dB 时,平均检测率仍能达到88%㊂这是因为本文方法隐含地提取了特定信号时频图中特定的帧结构特征,如能量㊁分布等,在信噪比较低时,信号在时频图上的能量分布并不均匀,部分特征仍然能够清晰可辨,如Link11-clew 信号的多普550㊀信息工程大学学报㊀2020年㊀勒音,所以本文方法总体性能相对另外两种方法要好㊂模板选取的大小对此算法的有效性影响较大㊂模板选择过大或过小,都容易造成对特定信号的检测不敏感,增加漏检概率㊂本实验以Link11-clew 信号为例,选取模板时根据信号特定帧结构的分布,设置图8所示3种模板,模板1由目标信号的报头帧和部分数据帧构成,模板2对模板1拓展5个像素点,模板3只由多普勒音和同步音的帧结构部分构成㊂通过相关系数矩阵三维图像比较3种模板的优劣,其中,Es /N 0取0dB㊂三幅图像的峰值分别为0.6119,0.46,0.636㊂结合图9中3种模板产生的相关系数矩阵三维图像和峰值进行比较,模板3的检测性能最好㊂模板1增加的数据帧部分,能量相对比较均匀,不能提高检测性能,反而会增加计算量㊂模板2相对模板1增加了较多的噪声区域,这些区域不具备相关性,因此会降低相关系数的幅值㊂模板3性能最好,这是因为Link11-clew 信号的多普勒音和同步音是其特有的帧结构,所选区域最能体现信号的独特性㊂在实际工程应用中,应结合目标信号的帧结构特征,选取最显著的结构作为模板㊂图8㊀不同大小的模板类型图9㊀相关系数矩阵三维图像㊀㊀对信号做STFT 进行分析时,通常采用固定尺寸的窗函数截取信号,分区间对信号进行分析,从而形成信号的时频谱图㊂窗的形状㊁长短影响信号的时间分辨率和频率分辨率㊂同时,步进值也会影响时频谱图的细节,步进值越小,时频谱图的视觉细节呈现就越丰富㊂实现特定信号的检测,需要综合考虑时间分辨率和频率分辨率㊂为了使得特定信号样本和宽带待检测数据的时频谱图相匹配,要求二者的时频谱图具有相同的时间分辨率和频率分辨率㊂本实验以Link11-clew 信号为例,选取模板时根据信号特定帧结构的分布情况,分别以图10所示3种分布的区域作为模板,模板1为目标信号的报头帧和部分数据帧,模板2对模板1进行2倍抽取,模板3对模板1进行4倍抽取㊂通过相关系数矩阵三维图像比较3种模板的优劣㊂其中,Es /N 0取0dB㊂图10㊀不同分辨率的模板类型三幅图像的峰值分别为0.5661,0.4926,0.5703㊂结合图11的相关系数矩阵三维图像和峰值进行比较,模板1的检测性能最好,模板2的检测性能有一定的下降,但同时也降低了复杂度,模板3无法检测出信号㊂显而易见,模板分辨率越高,信号特征表示越为精细,检测性能越好,但同时也会增加计算量㊂在实际工程应用中,算法分辨率的选择需要结合实际信号具体分析,降低分辨率能够减少算法复杂度,但是也会降低正确检测率,反之亦然㊂在实际应用场景中,针对新信号的检测往往具有重要的意义,而新信号的协议特征并不能完全掌握,即不能仿真构建信号的模板㊂但可以通过数据样本获取新信号的语谱图㊂应用前述基于时频图像处理的特定信号检测方法,能够快速对目标信号进行时频定位,对于新信号的数据采集和进一步分析处理具有重要意义㊂本文仿真宽带场景,假设Link11-clew 信号为新信号,分别以截取的信号语图和仿真构建的语图作为模板,通过模板匹配对信号进行检测,检测结果如图12所示㊂图中截取信号模板的方法虽然总体性能有所下降,但还是保持较高的检测识别率㊂由此说明,截取信号样本构建模板再应用本文方法㊀第5期孙㊀伟,等:基于时频图像处理的宽带特定信号检测方法551㊀实现特定信号检测是可行的㊂图11㊀相关系数矩阵三维图像图12㊀模板来源对算法性能的影响4㊀结束语针对短波超短波宽频带环境下的特定信号检测问题,传统的处理方法存在检测和分类分离㊁依赖较多的窄带资源㊁效率低等问题,本文提出了一种基于时频图像处理的宽带特定信号检测方法㊂通过仿真实验,本文算法相比其他算法检测性能有一定的提升㊂作为一种宽带数据预处理方法,本文方法能够节约窄带接收机资源,减轻数据压力㊂下一步将针对特定信号的协议结构,对预处理的结果进行校验,形成一套快速高效的宽带特定信号检测流程㊂参考文献:[1]朱健东,张玉灵,赵拥军.基于时频图像处理提取瞬时频率的雷达信号识别[J].系统仿真学报,2014,26(4):864-868.[2]陈硕,李天昀,葛临东.一种基于边缘检测的跳频检测算法研究[J].信息工程大学学报,2006,7(3): 264-266.[3]李琰,李天昀,葛临东.一种基于图像分割和模板匹配的短波跳频信号盲检测算法[J].信息工程大学学报, 2010,11(6):756-761.[4]张遂南,黄士坦.图像匹配最大互相关算法的专用ASIC硬件实现方法研究[J].电子技术应用,2001 (7):69-71.[5]杨司韩,彭华,许漫坤,等.基于卷积神经网络的超短波特定信号谱图识别[J].系统工程与电子技术, 2019,41(4):744-751.[6]王青媛,张更新,胡婧,等.一种基于时频分析的信号检测算法[J].无线电通信技术,2016,(1):38-42.[7]李佳佳,孙浩,陈远知.Link4A与Link11信号仿真研究[C]//全国第二届信号处理与应用学术会议专刊.中国高科技产业化研究会,2008:155-158. [8]NAWAB S H,QUATIERI T F.Short-time fourier trans-form[M].Englewood diffs,NJ:Prentice Hall,1988.[9]王旌阳,张潇,朱俊敏,等.基于时频谱图的脉冲噪声抑制方法[J].振动与冲击,2010,29(2):149-153, 192,227.[10]唐力强,卫超.基于时频特征的Link4A和Link11信号检测方法研究[J].计算机与数字工程,2017(2):218-222.[11]张贤达.现代信号处理[M].3版.北京:清华大学出版社,2015.[12]董晶.模板图像快速可靠匹配技术研究[D].长沙:国防科技大学,2015.[13]GULUM T O.Autonomous Non-Linear Classification ofLPI Radar Signal Modulations[J].Monterey californianaval postgraduate school,2007,6(3):337-351. [14]王立东,张晓林,孔挺.基于ICA和SVM的混合通信信号调制方式识别[J].仪器仪表用户,2011,18(2):62-65.(编辑:高明霞)。

微弱信号处理分析方法的探讨作者：代洪林来源：《科学导报·学术》2020年第69期【摘要】近年来，微弱信号处理的研究已经是一个比较热门受欢迎的领域，大致表现在对微弱信号处理分析方法的寻找和对微弱信号检测处理系统的规划及对微弱信号处理仪器的探讨。

本文主要对微弱信号的定义和微弱信号的研究背景进行了概述，详细地分析了微弱信号的线性和非线性处理方法及其优缺点及应用。

【关键词】信号处理;分析;探讨;微弱信号;线性;非线性1.引言1.1微弱信号的背景微弱信号检测并不是一门新的技术学科，从一台锁定放大器于1962年问世以来，微弱信号检测技术就已经开始进入应用层面。

微弱信号的检测与提取一直得到国内外学者的重视并且也一直是研究的重点和难点。

微弱信号检测的实质是了解并掌握信号产生的原因以及信号的特点，根据已知被测的微弱信号的一些特征和一些相关性。

当然，要想从强噪声下检测出被测得微弱信号，还需要一些适当的方法。

微弱信号检测的主要任务就是不断发展微弱信号检测理论，从而探寻出一些新的理论和方法，研发出一些新的检测设备并能够准确有效地检测出微弱信号，以便满足现代科学技术研究在各个学科领域中得到广泛关注和应用。

1.2微弱信号的两大类别微弱信号的微弱特征大致可以从两个方面学习：一个方面指检测的是微伏、納伏甚至是皮伏级的电压信号，他们的信号幅度都很小;另一个方面是与噪声信号相比较，研究者们想要的是幅度较小的信号。

这两个方面不相同而又有紧密联系的。

本文所涉及的在强噪声背景下微弱信号的处理。

一般来说，噪声就是对人们想要得到信号的干扰，也是一种随机信号，没有确定的数学表达式，即在任意时刻都无法知道其准确度。

此外，不管是在信息传输前，信息传输时，还是信息接收时的检测，都不可避免噪声的存在。

若有用信息本身太微弱或者噪声存在的强度太大，都会出现有用信息被噪声覆盖的情况。

噪声产生的主要的原因有：传输时外界的干扰、有用信息本身的不稳定及对微弱信号处理仪器本身产生的噪声。

随机信号分析与处理第一讲目录一、内容概述 (2)1. 课程介绍与背景 (2)2. 课程内容及结构介绍 (3)二、随机信号概述 (4)1. 随机信号定义与分类 (5)2. 随机信号的基本特性 (5)三、随机过程基础 (7)1. 随机过程的概念与分类 (8)2. 随机过程的数学描述方法 (9)3. 概率分布与统计特征 (10)四、随机信号分析方法和工具 (11)1. 随机信号的统计特性分析方法 (12)2. 随机信号的信号处理工具介绍 (13)3. 频谱分析与信号处理工具箱的应用 (14)五、随机信号处理基础 (15)1. 随机信号处理概述 (16)2. 信号滤波与平滑处理 (18)3. 信号检测与估计理论 (20)六、应用实例与案例分析 (21)1. 通信系统中的随机信号处理应用实例 (22)2. 图像处理中的随机信号处理案例分析 (23)3. 控制系统中的随机信号处理案例分析 (24)七、课程展望与复习要点 (25)一、内容概述随机信号分析与处理是通信、电子、信息等工程领域中不可或缺的核心理论基础。

本课程将带领同学们系统地探索随机信号的生成原理、特性分析方法以及处理技术。

从基础的随机过程概念入手，逐步深入到信号的分解、估计与滤波，最终实现信号的重建与识别。

通过本讲的学习，同学们将能够掌握随机信号分析与处理的基本框架和思路，为后续的专业学习和工作实践奠定坚实的基础。

1. 课程介绍与背景随着信息技术的迅猛发展，信号处理作为通信、电子、计算机等学科的核心基础，其在现代科学实验和工程技术中的应用日益广泛。

而随机信号作为信号处理领域的一个重要分支，其分析方法与处理技术对于揭示信号的内在规律、提高信号处理性能具有重要意义。

本门课程《随机信号分析与处理》旨在系统介绍随机信号的基本理论、分析方法以及处理技术。

课程内容涵盖了随机信号的建模、统计特性分析、功率谱估计、滤波器设计、信号分解与重构等多个方面。

通过本课程的学习，学生将能够掌握随机信号处理的基本原理和方法，为在通信、雷达、声纳、生物医学工程等领域中的应用打下坚实基础。