下载文档原格式
目录摘要 (1)第一章分数傅立叶变换 (3)1.1 引言 (3)1.2 国内外的研究现状 (3)第二章分数傅立叶变换 (5)2.1分数傅立叶变换的定义 (5)2.2 分数傅立叶变换的性质 (7)2.2.1主要性质 (7)2.2.2 不确定性原理 (8)2.3 信号处理中的应用 (9)2.3.1 信号的检测和参数的估计 (9)2.3.2 神经网络............................................................................. 错误！未定义书签。
2.3.3 图像处理 (9)第三章盲信号分离 (10)3.1 盲分离的原理 (10)3.2 优化准则 (11)第四章基于分数傅立叶变换的信号盲分离 (12)4.1分析方法 (12)4.2分离效果的评价 (12)第五章仿真与实例分析 (14)第六章结论 (18)总结与展望 (19)参考文献 (20)论文翻译 (22)基于SHIBBS/SJAD 停止阈值算法，快速的信噪比盲源分离。
(22)摘要 (22)1 引言 (22)2 美白过程和累积量方法算法 (23)2.1 美白过程 (23)2.2累积量算法教学 (24)3 SHIBBS/SJAD 算法 (25)3.1 收敛停止规则 (25)4 实验对比 (27)5 结论 (30)摘要分数傅立叶变换是对经典傅立叶变换的推广。
最早由Namias 以数学形式提出，并且很快在光学领域得到了广泛应用。
而其在信号处理领域的潜力直到20世纪90年代中期才逐步得到发掘。
尽管分数傅立叶变换的定义直观上看仅是chirp基分解，而实际上分数傅立叶变换更具有时频旋转的特性，它是一种统一的时频变换，随着变换阶数从0连续增长到1而展示出信号从时域逐步变化到频域的所有特征。
从信号处理角度对分数傅立叶变换的研究进展作比较全面的总结和系统的归纳。
LFM信号在某个阶次的分数阶傅里叶域中具有能量聚集性，根据这一特性本文运用了基于分数阶傅里叶变换的多个未知任何先验参数的LFM 信号分离技术，通过在分数阶傅里叶域搜索峰值点来检测出并分离出LFM信号，并用相关系数对分离效果进行了评价。
时-频分析算法在通信信号调制识别中的应用
周琳;杨绍全
【期刊名称】《航天电子对抗》
【年(卷),期】2002(000)005
【摘要】在通信情报侦察系统中,对通信信号的识别和参数估计,是一项关键的技术.主要针对通信系统中最典型的几种信号调制类型,如:PSK,FSK,线性FM,采用了最近受到普遍关注的时频分析算法(STFT和WVD)和小波变换,进行了调制类型的识别仿真.并介绍了这几种方法的基本原理和各自的性能.
【总页数】6页(P40-45)
【作者】周琳;杨绍全
【作者单位】西安电子科技大学,电子工程学院,西安,710071;西安电子科技大学,电子工程学院,西安,710071
【正文语种】中文
【中图分类】TN975
【相关文献】
1.基于谱分析的通信信号调制识别算法的研究
2.小波变换在通信信号调制识别中的应用
3.一种基于时–空–频联合选择与相关向量机的运动想象脑电信号分析算法
4.基于半监督生成对抗网络的通信信号调制识别算法
5.基于反向阴阳对的BP神经网络及其在通信信号调制识别中的应用
因版权原因，仅展示原文概要，查看原文内容请购买。
基于国产DSP的低时延盲源分离抗干扰技术目录1. 内容简述 (2)1.1 研究背景 (2)1.2 研究意义 (3)1.3 研究内容与目标 (4)2. 相关理论基础 (5)3. 低时延盲源分离算法 (6)3.1 算法原理 (6)3.2 基于DSP的优化设计 (8)3.3 时序分析与性能优化 (8)4. 抗干扰技术与策略 (10)4.1 干扰类型分析 (11)4.2 抗干扰算法设计 (12)4.3 抗干扰性能评估 (12)5. 基于国产DSP的低时延盲源分离系统实现 (14)5.1 系统架构设计 (15)5.2 中断管理与多任务调度 (16)5.3 硬件资源优化利用 (18)6. 实验验证与性能评估 (19)6.1 实验环境与仪器 (20)6.2 实验数据采集 (20)6.3 低时延与抗干扰性能评估 (21)7. 系统优化与应用案例研究 (22)7.1 系统优化方法 (23)7.2 应用案例分析 (25)7.3 实际应用的效果评估 (26)8. 结论与未来工作 (27)8.1 研究总结 (28)8.2 面临的主要挑战 (29)8.3 未来研究方向 (30)1. 内容简述本文档旨在探讨和分析基于国产数字信号处理器的低时延盲源分离抗干扰技术的应用、实现和性能评估。
随着信息技术的飞速发展，尤其是在无线通信、雷达系统、生物医学信号处理等领域，对低时延、高效率的数字信号处理算法的需求日益增长。
国产作为一种高性能的数字信号处理平台，具有良好的计算能力和较低的功耗，特别适合于在这些领域中实现实时信号处理任务。
本文首先将介绍数字信号处理的基本概念、盲源分离的技术背景以及抗干扰技术的基本原理。
然后，结合国产的特点，详细阐述低时延盲源分离算法的设计思路和方法，包括算法的理论分析和优化策略。
接着，通过仿真和实验数据，验证算法的有效性和实时性，展示所提出算法在实际应用中的性能。
对算法的未来发展和潜在挑战进行展望，为相关领域的研究和应用提供参考和指引。
一种新的卫星通信信号快速盲检测方法
苏琳
【期刊名称】《电讯技术》
【年(卷),期】2011(51)5
【摘要】提出了一种卫星通信信号快速盲检测算法,该算法能够适应频谱不重叠的多信号环境,并能准确估计信号的数量、中心频率及带宽等参数.算法既高效又简单,所需数据量少且适应低信噪比条件,适于在星载设备上实现.理论分析和仿真及测试结果证明了算法的有效性.
【总页数】5页(P51-55)
【作者】苏琳
【作者单位】中国西南电子技术研究所,成都,610036
【正文语种】中文
【中图分类】TN911.7
【相关文献】
1.双通道卫星通信信号快速盲检测 [J], 彭耿;黄知涛;陆凤波;姜文利
2.基于特征值分析的通信信号快速盲检测方法 [J], 彭耿;黄知涛;陆凤波;姜文利
3.一种改进的DSSS通信信号盲检测方法研究 [J], 郭微光;陈恺;王鹏程;朱荣
4.一种低信噪比OFDM信号盲检测方法的研究 [J], 胥桓;熊刚
5.一种基于阵列信号处理的跳频信号盲检测方法 [J], 朱文贵;谢立允;徐佩霞
因版权原因，仅展示原文概要，查看原文内容请购买。
doi :10.3969/j.issn.1001-893x.2021.05.013引用格式:王明,苏伍各,张明,等.一种TDMA 信号用户盲分离方法[J].电讯技术,2021,61(5):608-613.[WANG Ming,SU Wuge,ZHANG Ming,et al.A blind user separation method for TDMA signals[J].Telecommunication Engineering,2021,61(5):608-613.]一种TDMA 信号用户盲分离方法∗王㊀明,苏伍各∗∗,张㊀明,郑㊀超,黄炳刚,彭㊀强(西南电子电信研究所,成都610041)摘㊀要:时分多址(Time Division Multiple Access ,TDMA )信号用户分离作为TDMA 信号第三方侦收的重要环节,是后续用户内涵信息解译组报㊁目标测向定位的前提条件㊂在未知网台规格情况下,无法通过解译用户ID 或网控信令的方式对多用户进行分离㊂基于TDMA 信号物理层特征,提出了一种基于DBSCAN (Ddensity -based Spatial Clustering of Applications with Noise )聚类算法的TDMA 信号用户盲分离方法㊂通过对TDMA 信号的时频域特征进行提取和聚类,实现对多用户突发时隙进行分离,并利用仿真数据和实际网台数据进行了算法验证㊂该算法具有良好的抗噪声性能和较高的正确分选率㊂关键词:TDMA ;用户分离;信号特征;DBSCAN开放科学(资源服务)标识码(OSID):微信扫描二维码听独家语音释文与作者在线交流享本刊专属服务中图分类号:TN911㊀㊀文献标志码:A㊀㊀文章编号:1001-893X (2021)05-0608-06A Blind User Separation Method for TDMA SignalsWANG Ming,SU Wuge,ZHANG Ming,ZHENG Chao,HUANG Binggang,PENG Qiang(Southwest Electronic and Telecommunication Technology Research Institute,Chengdu 610041,China)Abstract :Time division multiple access(TDMA)signal user separation is an important part of the third party s TDMA signal detection and reception,and it is the prerequisite for the subsequent user connotation information interpretation,grouping and target lateral positioning.In the case of unknown network specifica-tions,it is impossible to separate multiple users by interpreting user IDs or network control signaling.Based on the physical layer characteristics of TDMA signals,this paper proposes a blind separation method for TD-MA signal users based on density -based spatial clustering of applications with noise(DBSCAN)clustering algorithm.By extracting and clustering the time -frequency domain features of TDMA signals,the multi -user burst slots are separated,and the algorithm is validated by using the simulation data and the actual network data.The proposed method is featured by good anti -noise performance and high correct sorting rate.Key words :TDMA;user separation;signal characteristic;density -based spatial clustering of applications with noise(DBSCAN)0㊀引㊀言时分多址(Time Division Multiple Access,TDMA)作为一种多用户的复用方式,具有单载频复用㊁频谱利用率高㊁通信配置灵活㊁适用处理突发业务等特点,是卫星通信的关键技术之一[1-2]㊂由于TDMA 信号中的载频可以承载多个用户,每个用户通过分配的时隙进行突发通信㊂在第三方侦收过程中,对同一用户时隙进行提取分类,再进行后续信息获取,能避免其他用户带来的交叉干扰㊂尤其在目标测向定位中,多用户之间的干扰严重影响定位性能㊂㊃806㊃第61卷第5期2021年5月电讯技术Telecommunication EngineeringVol.61,No.5May,2021∗∗∗收稿日期:2020-06-28;修回日期:2020-09-04通信作者:suwuge_zhanlang@无先验知识情况下的TDMA 用户盲分离,首先要进行突发信号检测,准确检测出突发时隙的起始位置[3-4]㊂由于卫星接收站和卫星之间的相对运动,导致接收信号含有较大的多普勒频偏[5],因而对TDMA 信号频偏估计具有较高的要求㊂鉴于能量检测算法具有较好的抗频偏性能,本文采用双滑动窗口检测算法[6]㊂本文根据提取的TDMA 信号特征信息采用聚类的方法将信号用户分离㊂然而在实际TDMA 信号处理过程中,由于很难确定TDMA 的用户数量,常用的特征聚类算法[7-8]虽能够较好地进行特征分类,但是较大程度地依赖于数据先验信息,并受噪声干扰影响较大㊂由于DBSCAN(Ddensity -based Spa-tial Clustering of Applications with Noise)[9-11]聚类算法无需确定聚类的个数,并且对噪声适应性较好,因此本文提出基于信号特征的DBSCAN 用户分离方法㊂该算法能够适应不同的用户特征,同时具有良好的抗噪声性能和较高的正确分选率㊂1㊀TDMA 信号特征提取1.1㊀信号模型TDMA 信号模型可以表示调制信号与多个矩形脉冲串的乘积,信号可以理想表示为x (t )=u (t )㊃s (t )+ε(t )=ðNn =1rect(t -nT r -T w /2T w)㊃s (t )+ε(t )㊂(1)式中:u (t )表示为矩形脉冲门函数;T r 为帧长度,T w为包含保护间隙的每一突发宽度,即时隙长度;n 表示为帧号;s (t )为已调信号;ε(t )表示加性高斯白噪声㊂本文中s (t )为数字调制信号,其模型为s (t )=r (t )cos(2πf c t +ϕ0)㊂(2)式中:r (t )=ð+ɕn =-ɕa n q (t -nT 0),a n 为第n 个符号的星座,q (t )为成形脉冲,脉冲宽度为T 0,一般采用根升余弦成形脉冲;f c 为信号的载频;ϕ0为信号的初始相位㊂1.2㊀TDMA 突发双滑动窗口检测双滑动窗口检测原理如图1所示㊂双滑动检测算法采用了长度相等的相邻两个窗W 1和W 2,定义窗W 1能量为W 1,n =ðL -1m =0r n -m r ∗n -m =ðL -1m =0r n -m 2,窗W 2的能量为W 2,n =ðLk =1r n +k r ∗n +k=ðLk =1r n +k 2,其中L 为窗口的长度㊂图1㊀双滑动窗检测原理两个窗逐点向右滑动,当两个窗口都只包含噪声时,因理想情况下噪声能量相等,故窗内信号能量平稳在较小的值㊂当在t 1时刻有突发信号进入窗W 1和W 2内时,W 1中的能量逐步增加㊂当信号充满整个窗口时,信号能量在t 2时刻达到最大值㊂定义判决变量Th (n )=W 1,n W 2,n,在图中该位置为取样时刻,随着信号的增加,W 2中的能量开始增加在t 3时刻噪声开始进入窗体,W 1中信号能量开始减小,直到突发信号在t 4时刻完全移动到窗外㊂该时刻能量最小,并等待到下一突发信号的进入㊂由图1中可看出Th (n )的峰值点为当W 1的值为信号能量和噪声能量之和,而W 2的值等于噪声能量时刻时,因此Th (n )的取值与信噪比有关系,并与窗口长度和每次移动的点数相关,这些参数决定了双窗滑动窗口检测算法的计算量㊂双滑动窗检测流程如图2所示㊂图2㊀双滑动窗检测流程1.3㊀TDMA 信号特征提取流程1.3.1㊀幅度特征设模采信号为x (n ),本文模采信号通指将模拟信号采样得到的数字信号,采样率f s ,中频f c ,信号带宽bw ㊂信号瞬时幅度A (n )的求取如图3所示㊂㊃906㊃第61卷王明,苏伍各,张明,等:一种TDMA 信号用户盲分离方法第5期图3㊀求取信号幅度流程获得信号幅度A (n )后,可求取幅度K 特征:K =E[u 2(n )]/(E[u (n )])2-2㊂式中:u (n )为信号幅度的平方㊂幅度包络平坦度,即幅度抖动的期望值的求解方法如下:先求幅度A (n )的包络ξa (n ),将A (n )作Hilbert 变换,得到解析信号,然后取模:ξa (n )=abs(Hilbert(A (n ))),(3)再对ξa (n )求平坦度R a =var[ξa (n )]/(E[ξa (n )])2㊂(4)零中心归一化幅度谱密度最大值r max =max DFT(A cn (i ))2/N ㊂(5)式中:A cn =A n (i )-1是归一化中心瞬时幅度,A n (i )=A (i )/m a ,而m a =1N ðN i =1A (i )㊂令T L 为时间窗的长度,定义短时极值差为在特定短暂时间窗内信号的最大值与最小值之差:c 1(t )=max{x (t -T L 2:t +T L 2)}-min{x (t -T L 2:t +T L2)};(6)短时方差是指在特定的短暂时间窗内信号幅值的方差或功率:c 2(t )=var{x (t -T L 2:t +T L2)};(7)短时电平和是指在特定的短暂时间窗内信号幅值之和:c 3(t )=sum{|x (t -T L /2:t +T L /2)|}㊂(8)1.3.2㊀频率特征信号瞬时频率的求取如图4所示㊂图4㊀求取信号频率流程非弱频率标准差:调制信号一般都占有一定的带宽,而连续波(Continuous Wave,CW)信号只有一个频率分量,频率标准差是表征信号带宽的一个量,其定义为σf =std(f (n ))㊂频率包络平坦度,即频率抖动的期望值:先求频率f (n )的包络ξf (n ),将f (n )作Hilbert 变换,得到解析信号,然后取模:ξf (n )=abs(Hilbert(f (n ))),(9)再对ξf (n )求平坦度:R f =var[ξf (n )]/(E[ξf (n )])2㊂(10)频偏ΔV f =f c ᶄ-f c ,其中f c ᶄ为真实频率的估计,f c为通信双方设定的载频㊂2㊀基于特征聚类的TDMA 信号分离DBSCAN 算法将数据化分为基于半径Eps 领域的所有点的集合㊂Eps 领域定义为与某一点p 的距离小于等于Eps 点的集合㊂定义数据点个数MinPts ,算法基于半径Eps ,将在半径Eps 内含有超过MinPts 数目的点定义为核心点,数目小于MinPts 但落在核心点的领域内的点定义为边界点,除此之外剩余的点为噪声点㊂DBSCAN 算法实现过程如图5所示,其通过检查数据集中的Eps 领域来搜索簇,如果点p 的Eps 邻域包含的点多于MinPts 个,则创建一个以p 为核心对象的簇,以该核心对象为出发点,DBSCAN 迭代地聚集从这些核心对象直接密度可达的样本生成聚类簇,直到所有核心对象被访问过为止㊂如图5所示,黑色点为所有数据点,红色点为核心点,圆圈定义为半径Eps 领域,绿色箭头表示为密度可达生成聚类簇的过程㊂从图5可见算法能发现任意形状的聚类簇,能较好地排除噪声的干扰,聚类结果不受输入序列的影响㊂图5㊀密度可达生成聚类簇示意图DBSCAN 算法需要确定两个重要的参数Eps 领域和MinPts [12],参数的选取不同会导致不同的聚类结果㊂MinPts 不能选择过大,否则会导致将领域点的数据误判为噪声;也不能选择过小,否则会导致核心点数量过多,从而将噪声误判为簇类里数据㊂同样Eps 领域决定了噪声在聚类簇中的归属,本文采用绘制降序k -距离图的方法估计参数Eps ,再根据每个点的领域对象数量来确定MinPts [4,12]㊂本文基于特征聚类的TDMA 信号用户分离的算法流程如图6所示㊂㊃016㊃ 电讯技术㊀㊀㊀㊀2021年图6㊀基于特征聚类的TDMA 信号用户分离算法流程3㊀仿真实验结果3.1㊀仿真数据仿真实验条件设置为:信号调制方式为QPSK,分别包含5个用户和10个用户,用户时隙长约0.586ms,采样率f s =12.56MHz,码元速率f d =1.024MHz,载频f c =3MHz㊂分别测试0dB 和10dB 信噪比条件下的TDMA 突发检测㊁用户分离算法性能㊂图7为0dB 信噪比条件下的时域波形,其中横轴代表归一化时间,纵轴为信号幅度㊂由于噪声较高,突发时隙难以分辨,导致低信噪比突发时隙漏检较高㊂图7㊀信噪比为0dB 时TDMA 仿真信号时域波形图从图7的时域波形图中可以看出,在低信噪比下,人肉眼也不容易区分出突发信号,该实验中信号总突发数为3495,采用双窗能量检测算法检测的突发数为1316,能部分检测出突发信号㊂采用载波频偏和突发功率特征值,图8(a)为5个用户的突发检测分离结果,其中2个低功率用户突发没有被检测出,功率较大的3个用户能成功分离㊂图8(b)为10个用户的突发检测分离结果,其中5个低功率用户突发没有被检测出,功率较大的5个用户能成功分离㊂该实验证明在低信噪比下双窗能量检测算法不能完全检测出突发信号,但聚类算法能对检测的结果进行正确分离,从分离结果中可看出,该方法能标记出噪声点㊁核心点和边缘点,具备较好的分离性能㊂(a)5个用户的信号分离结果(b)10个用户的信号分离结果图8㊀信噪比为0dB 时TDMA 信号用户分离结果图9为10dB 信噪比条件下的时域波形,从该时域波形上能直接分辨出用户突发时隙㊂采用双窗能量检测算法检测的突发数为3494,只漏检1个突发㊂图9㊀信噪比为10dB 时TDMA 仿真信号时域波形图同样采用载波频偏和突发功率特征值进行用户聚类,图10(a)和图10(b)给出了用户的分离结果,可看出正确分离出了5个用户和10个用户,验证了算法的有效性㊂通过分离后的用户时隙与实际用户㊃116㊃第61卷王明,苏伍各,张明,等:一种TDMA 信号用户盲分离方法第5期时隙对比验证,分离准确率大于96%㊂(a)5个用户的信号分离结果(b)10个用户的信号分离结果图10㊀信噪比为10dB 时TDMA 信号用户分离结果3.2㊀实际信号数据实验采用某方向实际接收的卫星TDMA 网台数据进行验证,该网台包含5个频点TDMA 信号,共约12150个突发,突发信噪比在3~8dB 之间,信号的时域波形如图11所示㊂图11㊀TDMA 实际信号时域波形图考虑到不同频点之间带来的特征差异,这里分别对每个频点进行突发检测和用户分离验证㊂共提取频域和时域10维特征,采用分离度较好的突发功率和载波频偏特征进行聚类,并将数据归一化处理后的分离结果如图12所示㊂结果表明,各频点用户数为4~5个,用户突发时隙能够成功分离,采用主站网控信令时隙分配信息进行对比验证,各频点分离准确性大于90%㊂图12㊀TDMA 实际信号用户分离结果4㊀结㊀论本文主要探讨了基于TDMA 信号特征进行用户聚类的信号分选方法,对TDMA 信号的检测和特征提取进行了深入的研究,并基于DBSCAN 算法,针对无先验知识的TDMA 信号提出了基于特征聚类的用户分选方法㊂在实验中,首先利用仿真实验㊃216㊃ 电讯技术㊀㊀㊀㊀2021年验证了该方法的正确性,并利用实际数据验证了该方法在实际网台的有效性,仿真实验结果表明该方法能够有效检测TDMA信号,能够正确提取信号特征,实现有效的信号用户分选㊂参考文献:[1]㊀张炬.TDMA和CDMA通信系统关键技术研究[D].西安:电子科技大学,2004.[2]㊀PURUSHOTHAMAN B,VEERESH A C,PRASADS V S,et al.Synchronization of TDMA bursts with short pream-ble for satellite receiver[C]//Proceedings of2017IEEEInternational Conference on Advanced Networks and Tel-ecommunications Systems.Calabria:IEEE,2017:1-6.[3]㊀季涛.TDMA信号的自动检测与时延估计研究[D].大连:大连理工大学,2004.[4]㊀陈利波,龚晓峰,雒瑞森,等.军事侦察通信系统跳频信号分选[J].计算机仿真,2019,36(2):1-5. [5]㊀ZHU J F,CHENG J,WANG Y X,et al.Research on TD-MA burst carrier synchronization based on LEO satellite[C]//Proceedings of20194th International Conferenceon Mechanical,Control and Computer Engineering(ICM-CCE).Hohhot:IEEE,2019:583-588.[6]㊀何玉红.基于双滑动窗的TDMA信号盲检测算法实现[J].通信技术,2012,45(6):70-72.[7]㊀陈利虎,张尔扬,沈荣骏.基于优化初始聚类中心K-Means算法的跳频信号分选[J].国防科技大学学报,2009,31(2):70-75.[8]㊀WU Z,LIU S,DING C,et al.Learning graph similaritywith large spectral gap[J].IEEE Transactions on Sys-tems,Man,and Cybernetics,2019,9(9):1-11. [9]㊀ESTER M,KRIEGEL H P,SANDER J,et al.A density-based algorithm for discovering clusters in large spatial da-tabase with noise[C]//Proceedings of2nd InternationalConference on Knowledge Discovery and Data Mining(KDD).Menlo Park:AAAI Press,1996:226-231.[10]㊀ESTER M,KRIEGEL H P,XU X.A density-based algo-rithm for discovering clusters in large spatial databaseswith noise[C]//Proceedings of2019International Con-ference on Knowledge Discovery and Data Mining.Rome:ACM,1996:226-231.[11]㊀KIM J H,CHOI J H,YOO K H,et al.AA-DBSCAN:anapproximate adaptive DBSCAN for finding clusters withvarying densities[J].Journal of Supercomputing,2019(1):142-169.[12]㊀JAHIRABADKAR S,KULKARNI P.Algorithm to deter-mineε-distance parameter in density based clustering[J].Expert Systems with Applications,2014,41(6):2939-2946.作者简介:王㊀明㊀男,1986年生于湖南双峰,2012年获硕士学位,现为工程师,主要研究方向为卫星通信信号处理㊂苏伍各㊀男,1986年生于四川凉山,2015年获博士学位,现为工程师,主要研究方向为雷达信号处理㊁卫星通信信号处理㊂张㊀明㊀男,1983年生于山东聊城,2009年获硕士学位,现为工程师,主要研究方向为卫星通信信号处理㊂郑㊀超㊀男,1982年生于湖北宜都,2007年获硕士学位,现为高级工程师,主要研究方向为卫星通信信号处理㊂黄炳刚㊀男,1980年生于四川叙永,2008年获博士学位,现为高级工程师,主要研究方向为卫星通信信号处理㊂彭㊀强㊀男,1987年生于云南,2013年获硕士学位,现为工程师,主要研究方向为卫星通信信号处理㊂㊃316㊃第61卷王明,苏伍各,张明,等:一种TDMA信号用户盲分离方法第5期。
基于深度卷积神经网络的水声目标信号时频特征提取和识别摘要：随着我国军事行业的不断发展，我国对水声目标军事任务完成情况提出了更高的要求。
但是，由于海洋环境极其复杂，相关领域技术人员在利用舰船辐射噪声对水声目标进行识别的过程中，遇到了巨大的困难和挑战。
基于以上情况，本文在有效结合水声信号特点的基础上，通过利用深度卷积神经网络，对水声目标信号的时频特征进行提取和识别，确保所提取和识别数据信息的真实性、完整性和可靠性。
希望通过这次研究，为相关领域技术人员提供有效的借鉴和参考。
关键词：深度卷积神经网络；水声目标；信号时频特征；提取；识别最近几年，随着我国大数据时代的不断发展和深度学习模式的应用，传统机器学习下水声目标的识别方法已经无法满足数据时代发展的需要，在大数据深度学习模式下，图像识别、语言识别和文字识别等新型技术在水声目标识别领域中得到了广泛的应用，并取得了良好的应用效果，其中，深度卷积神经网络在处理二维网络图像方面体现出非常重要的应用价值。
不仅实现了提取过程与特征分类合二为一的发展，还充分发挥训练模型的应用价值，极大地提高了水声目标时频特征的提取效率和识别效率。
1水声目标识别网络构建1.1卷积神经网络概念卷积神经网络作为一种前馈神经网络，具有卷积计算特征和深度结构特征，因此，该网络又被称为“深度学习典型算法”。
同时，卷积神经网络具有表征学习特征，能够按照特定的层次和结构，采用平移不变的方式对输入信息进行分类处理[1]，因此，该网络又被称为“平移不便神经网络”。
通过利用卷积神经网络，可以确保水声目标时频特征提取的层次性，在网络深度不断加深的情况下，当卷积层的深度远大，图像结构就会越清晰，为相关领域技术人员更好地进行特征识别打下坚实的基础。
1.2针对线谱特性的深度卷积神经网络卷积神经网络在对水声目标时频特征进行提取的过程中，需要重点采用平移不变的方式，实现权值的共享。
时间维度滑动二维卷积核如图1所示，从图中可以明显地看出卷积神经网络在时间轴上的任何一点都具有平移不可变特征[2]，因此，从整体上看，线谱特征比较稳定。
数字信号处理学号：140808520307 学生所在学院：测试与光电工程学生姓名：黎德任课教师：李志农教师所在学院：测试与光电工程2014年10月2014级一种典型的时频分析方法—S 变换黎德测试与光电工程学院摘 要：目前提出的时频分析方法有很多，并在机械、电子、生物、医学等很多领域得到了广泛的应用。
本文主要介绍一种典型时频分析方法，S 变换。
关键词：时频分析方法；S 变换S 变换是小波变换和短时傅里叶变换结合发展起来的一种时频分析方法，它采用与频率（即尺度）有关的高斯窗函数，也即采用频率作为自变量的高斯函数，其时频分辨率随着频率的不同而变化，具有线性、多分辨率、逆变换唯一等特点，而且它获得的二维时频谱与傅里叶变换保持着直接的联系，已经在盲信号分离、医学图像处理、地震波分析、故障检测等很多领域得到了广泛应用。
信号S 变换的分辨率与频率有关,且其结果具有无损可逆性[1],然而S 变换中的基本小波函数是固定不变的,因此其在实际应用中受到了限制.高静怀等提出了根据“实际需要”恰当地选择或构造基本小波函数的广义S 变换方法[2]. Pinnegar 给出了既可调节窗口标准差又非对称的另外一种广义S 变换方法[3].Pinnegar 在研究信号频率随时间变化的问题时,提出了多尺度和非零相位复数窗的广义S 变换方法[4].S 变换方法在国内外得到了广泛的应用:在地震勘探中用于时频分析[5-6]、地震相和主频分析[8-9]、人工地震探测[9-13]、地震波的衰减分析[14]、地震层特征分析[15]和油气探测与预测[16-17]等.尤其是应用S 变换在时变滤波中去除噪声具有明显的效果。
1 S 变换的定义S 变换是Stockwell 在研究众多常用的时频分析方法的基础上提出的,它是一种随着频率发生变化,时频分辨率也会发生变化的时频分析方法[18]。
由于S 变换具有很好的时频特性，因而在很多领域中都被广泛应用[19-20]。
