時(shí)頻域多分量信號(hào)分析識(shí)別研究.pdf

1、在過去的幾十年里，隨著電磁設(shè)備研發(fā)的多樣性及應(yīng)用的廣泛性，采集到的信號(hào)形式與種類也越來越復(fù)雜，分布越來越密集，在同一信道中存在多個(gè)信號(hào)的情況變得越來越普遍，這種情況為后續(xù)的信號(hào)處理研究增加了一些新的問題。由于廣泛的應(yīng)用背景和巨大的現(xiàn)實(shí)意義，盡管時(shí)頻域多分量信號(hào)的分析識(shí)別問題是一個(gè)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(duì)生電、機(jī)械振動(dòng)、語音等自然信號(hào)和雷達(dá)、通信等人工信號(hào)的分析識(shí)別問題，分別

2、定義了確定性信號(hào)模型、非平穩(wěn)信號(hào)模型、非線性時(shí)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(shí)頻變換方法、矩陣分解方法和參數(shù)估計(jì)重構(gòu)方法。但歸根結(jié)底，所有這些研究都是針對(duì)特定的應(yīng)用場景的，而在更為復(fù)雜的情況下或者更為廣泛的應(yīng)用背景下常常存在失效的問題。針對(duì)這些問題，本文在前人現(xiàn)有研究成果的基礎(chǔ)上，對(duì)時(shí)頻域多分量信號(hào)的分析識(shí)別問題進(jìn)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(jìn)而擴(kuò)展了這個(gè)方向上的研究內(nèi)容，具體包括：
　　

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

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

5、于修正后的最優(yōu)旋轉(zhuǎn)高斯窗的參數(shù)選擇，從而定義了基于分?jǐn)?shù)階傅里葉譜峭度的自適應(yīng)短時(shí)分?jǐn)?shù)階傅里葉變換新算法；在此基礎(chǔ)上，將基于分?jǐn)?shù)階傅里葉譜峭度的時(shí)頻分割算法用于時(shí)頻變換后對(duì)多個(gè)非線性調(diào)頻信號(hào)的盲檢測提取之中。最后，理論分析和仿真結(jié)果驗(yàn)證了所提算法的時(shí)頻聚焦性優(yōu)于其它算法，因此可以識(shí)別非常接近的多個(gè)非線性調(diào)頻信號(hào)；
　　3.針對(duì)全盲條件下多個(gè)非平穩(wěn)非線性時(shí)間序列的分析識(shí)別問題，將高階統(tǒng)計(jì)技術(shù)和非平穩(wěn)分割技術(shù)、相空間重構(gòu)技術(shù)以及單通道獨(dú)

6、立分量分析算法相結(jié)合，在現(xiàn)有研究的基礎(chǔ)上提出了基于高階單通道獨(dú)立分量分析的變換新算法，并將其應(yīng)用于多個(gè)非平穩(wěn)非線性時(shí)間序列的全盲分離識(shí)別之中。該算法主要分為三個(gè)步驟：首先通過應(yīng)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(shí)間子序列；然后通過選取合適的重構(gòu)參數(shù)將分割后的非線性時(shí)間子序列有效重構(gòu)為多維軌跡矩陣，并應(yīng)用基于高階奇異值分解的坐標(biāo)變換方法將該矩陣轉(zhuǎn)換成偽多通道的瞬時(shí)線性混合模型；最后應(yīng)用盲源分離方法將其中感興趣的

7、信號(hào)分量分離并提取出來。理論分析和仿真顯示都驗(yàn)證了所提算法不僅可以有效分離多個(gè)非平穩(wěn)非線性時(shí)間序列，而且對(duì)噪聲和重構(gòu)參數(shù)的魯棒性也優(yōu)于傳統(tǒng)的單通道獨(dú)立分量分析算法；
　　4.針對(duì)數(shù)字通信中多個(gè)相位調(diào)制信號(hào)的共信道盲分析識(shí)別問題，在現(xiàn)有研究的基礎(chǔ)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(yīng)用于共信道碼速率不同的多個(gè)數(shù)字相位調(diào)制信號(hào)的分離估計(jì)之中。該算法首先通過過采樣和矩陣重排將多個(gè)數(shù)字相位調(diào)制信號(hào)的盲分析識(shí)別問題轉(zhuǎn)化成相位變