時頻域多分量信號分析識別研究.pdf

1、在過去的幾十年里，隨著電磁設備研發(fā)的多樣性及應用的廣泛性，采集到的信號形式與種類也越來越復雜，分布越來越密集，在同一信道中存在多個信號的情況變得越來越普遍，這種情況為后續(xù)的信號處理研究增加了一些新的問題。由于廣泛的應用背景和巨大的現(xiàn)實意義，盡管時頻域多分量信號的分析識別問題是一個極端欠定的病態(tài)問題，但仍然得到了很多研究人員的青睞和投入。盡管在研究過程中，研究人員針對生電、機械振動、語音等自然信號和雷達、通信等人工信號的分析識別問題，分別

2、定義了確定性信號模型、非平穩(wěn)信號模型、非線性時間序列模型和狀態(tài)空間模型等等各種模型，提出了各種時頻變換方法、矩陣分解方法和參數(shù)估計重構方法。但歸根結底，所有這些研究都是針對特定的應用場景的，而在更為復雜的情況下或者更為廣泛的應用背景下常常存在失效的問題。針對這些問題，本文在前人現(xiàn)有研究成果的基礎上，對時頻域多分量信號的分析識別問題進行了更加深入地研究和探討，提出了一些新的思路和算法，進而擴展了這個方向上的研究內(nèi)容，具體包括：
　　

3、1.針對在多個線性調(diào)頻信號的全盲分析識別中對較弱分量信號的檢測失效問題，本文將譜峭度的盲檢測技術和分數(shù)階傅里葉變換算法相結合，在現(xiàn)有研究的基礎上提出了基于分數(shù)階傅里葉譜峭度的變換新算法，并將其應用于較低信噪比下對多個非等功率分量信號的檢測估計之中。該算法首先討論了分數(shù)階傅里葉變換的圓特性，然后將譜峭度的盲檢測技術引入分數(shù)階傅里葉域，定義了分數(shù)階傅里葉譜峭度的概念并推導了它的一些特性，進而將這些特性用于多個線性調(diào)頻信號的盲的分析識別中。最

4、后，理論分析和仿真結果都驗證了所提算法在較低信噪比下對較弱分量信號的檢測性能優(yōu)于其它算法；
　　2.針對在多個非線性調(diào)頻信號的全盲分析識別中對多個相近分量信號的檢測失效問題，將分數(shù)階傅里葉譜峭度和短時分數(shù)階傅里葉變換算法相結合，在現(xiàn)有研究的基礎上提出了基于分數(shù)階傅里葉譜峭度的自適應短時分數(shù)階傅里葉變換新算法，并將其用于多個相近非線性調(diào)頻信號的檢測估計之中。該算法首先推導了高斯旋轉窗的譜密度和非圓特性，并將分數(shù)階傅里葉譜峭度的特性用

5、于修正后的最優(yōu)旋轉高斯窗的參數(shù)選擇，從而定義了基于分數(shù)階傅里葉譜峭度的自適應短時分數(shù)階傅里葉變換新算法；在此基礎上，將基于分數(shù)階傅里葉譜峭度的時頻分割算法用于時頻變換后對多個非線性調(diào)頻信號的盲檢測提取之中。最后，理論分析和仿真結果驗證了所提算法的時頻聚焦性優(yōu)于其它算法，因此可以識別非常接近的多個非線性調(diào)頻信號；
　　3.針對全盲條件下多個非平穩(wěn)非線性時間序列的分析識別問題，將高階統(tǒng)計技術和非平穩(wěn)分割技術、相空間重構技術以及單通道獨

6、立分量分析算法相結合，在現(xiàn)有研究的基礎上提出了基于高階單通道獨立分量分析的變換新算法，并將其應用于多個非平穩(wěn)非線性時間序列的全盲分離識別之中。該算法主要分為三個步驟：首先通過應用基于高階啟發(fā)式的非平穩(wěn)檢測和分割算法成功得到高階平穩(wěn)的非線性時間子序列；然后通過選取合適的重構參數(shù)將分割后的非線性時間子序列有效重構為多維軌跡矩陣，并應用基于高階奇異值分解的坐標變換方法將該矩陣轉換成偽多通道的瞬時線性混合模型；最后應用盲源分離方法將其中感興趣的

7、信號分量分離并提取出來。理論分析和仿真顯示都驗證了所提算法不僅可以有效分離多個非平穩(wěn)非線性時間序列，而且對噪聲和重構參數(shù)的魯棒性也優(yōu)于傳統(tǒng)的單通道獨立分量分析算法；
　　4.針對數(shù)字通信中多個相位調(diào)制信號的共信道盲分析識別問題，在現(xiàn)有研究的基礎上提出了基于高階奇異值分解的盲源分離新算法，并將其應用于共信道碼速率不同的多個數(shù)字相位調(diào)制信號的分離估計之中。該算法首先通過過采樣和矩陣重排將多個數(shù)字相位調(diào)制信號的盲分析識別問題轉化成相位變