倒双谱降维谱的舰船辐射噪声特性分析

海洋资源开发逐渐成为人类发展的趋势,与此同时,海洋在现代战争中的地位也越来越重要,因此,水下目标识别成为各国海洋领域研究的重点。船舶辐射噪声属于时变信号,可以利用高阶统计量抑制高斯噪声,实现信号特征分析。本文研究船舶辐射噪声的主要来源,提出基于倒双谱的降维谱舰船辐射噪声分析算法。     

单矢量水听器四阶累积量MUSIC算法对信号DOA的估计

针对传统MUSIC算法的局限性,提出了一种基于高阶累积量的单矢量水听器MUSIC算法.这里将单个矢量水听器理解为一个标量传感器阵列,按照阵列信号处理的原理对其输出的标量场和矢量场信息进行联合处理,该算法先构造四阶累积量矩阵,代替传统MUSIC算法中的阵列协方差矩阵,对四阶累积量矩阵采用MUSIC算法作方位估计.仿真结果表明,借助高阶累积量的方法,在高斯白噪声下,MUSIC算法能完全抑制高斯白噪声的影响,在高斯色噪声条件下,该方法还是能获得高分辨率的估计.湖试结果也表明,文中算法有更好的目标方位估计性能.     

基于四阶累积量的最小模DOA估计方法

高阶累积量由于对高斯噪声不敏感,在高分辨阵列信号处理中可用来提高参数估计的分辨性能。本文从一个统一的角度来研究基于高阶累积量的高分辨阵列信号处理方法,用四阶累积量构造了一个较通用的累积量矩阵,该矩阵符合最小模(M in-Norm)算法的结构,从而可进行DOA(D irection of Arrival)估计。由于四阶累积量对高斯噪声干扰不敏感,从而可提高估计的分辨性能。本文就这种方法在阵列信号处理中的应用,通过计算机仿真与基于二阶矩的M in-Norm算法进行了较全面的比较。仿真结果表明,该方法在高斯噪声中具有良好的统计性能,是实现高分辨方位估计的有效方法。     

基于EMD与三阶累积量的水声瞬态信号检测

提出了基于经验模态分解(EMD)与三阶累积量的水声瞬态信号检测方法.首先根据EMD方法的滤波器特性将待检信号在频域内分成一系列的本征模态函数(IMF)分量,并根据能量法选择信号占主导地位的IMF;然后运用高阶累积量抑制高斯信号的特性,计算IMF分量三阶累积量对角切片的短时估计,并构造检测函数,对检测函数时行包络检波,作为检测标准;最后用仿真数据对该方法进行了验证,结果表明能在较低信噪比下检测出目标信号的出现时刻和大致频率,具有一定的工程应用价值.     

海上船舶多噪声中的高阶谱特性分析

海洋环境复杂多变,并且水声信号信道非常特殊。本文利用高阶谱能够抑制高斯噪声的特性,将其应用于船舶多噪声的识别,并采集两类船舶信号进行实验。实验结果表明,本文所采用的高阶谱能够有效的识别和分离出船舶噪声。     

双谱时延估计在被动测距中的应用

时延估计是被动测距声纳实现目标精确定位的关键。本文在介绍互相关法时延估计的基础上,重点研究了双谱时延估计方法在被动测距中的应用。理论分析和仿真实验结果表明,相比互相关法时延估计,双谱法时延估计具有时延估计精度高、误差小、对高斯噪声的抑制能力强等优点。     

基于EMD和4阶累积量的船舶轴频电场线谱提取

为实现海洋环境电场背景中微弱的船舶轴频电场信号的有效检测,提出一种结合经验模态分解(Empirical Mode Decomposition,EMD)和4阶累积量对角切片功率谱的方法。首先,利用EMD方法的自适应滤波特性将信号进行分解,得到本征模态函数(Intrinsic Mode Functions,IMF),按照K-L散度准则进行有效IMF的筛选;然后利用高阶累积量抑制高斯色噪声的性质,计算各有效IMF分量4阶累积量对角切片的功率谱,并进行多子带中的线谱提取。海上实测数据的处理结果表明,该方法能够实现-15d B下的线谱提取,具有一定的实用价值。     

基于信噪峭度比的水下目标动态谱增强算法研究

根据非高斯噪声环境中水下运动目标辐射线谱信号的四阶累积量对角切片特征,定义了信噪峭度比的概念,导出了其理论计算公式.理论分析表明,在一定条件下,信噪峭度比总是大于用自相关函数定义的信噪比,提出了基于信噪峭度比分析法的水下运动目标辐射线谱信号的四阶累积量对角切片谱特征增强新算法.用水下某目标辐射线谱的实测数据,对该算法的性能进行了仿真研究.结果表明,该算法具有良好的抑制非高斯噪声能力,且不必对噪声分布作高斯性假设.因此,该算法具有重要的工程应用价值.     

一种基于小波去噪的脉冲噪声抑制方法

小波去噪是近年来兴起的信号处理领域中的高新技术,而目前许多研究方法都是以高斯噪声为背景的.在小波阈值去噪的基础上,将伪随机m序列引入小波去噪方法中,可有效去高斯噪声中掺杂的脉冲噪声.     

基于四阶累量切片的MUSIC法研究及仿真试验

波达方向估计方法中,基于子空间的多重信号分类法(MUSIC)有很高的分辨力、估计精度及稳定性,但在高斯色噪声环境下,利用自相关的特征子空间进行处理的MUSIC算法受到很大限制.而基于四阶累量切片的特征子空间的MUSIC算法可以很好地进行处理.仿真表明,该算法在高斯色噪声下,是实现高分辨方位估计的有效方法.     

基于高阶累积量的近场源三维参数估计算法

针对近场源距离、频率和到达角三维参数的联合估计问题,采用了一种基于高阶累积量理论的对对近场源三维参数联合估计算法。利用几个四阶累积量矩阵构造一个高维的累积量矩阵,然后对其进行特征分解,以求得信号子空间,最终估计出各信号源参量。算法不需要谱峰搜索,适用于任意的加性高斯噪声环境,仿真结果表明算法可以较精确的估计出两个信源的方位角、距离和频率三维参数。     

一种色噪声环境下的阵列扩展方法(英文)

An array extension method in a noisy environment was proposed to improve angular resolution and array gain. The proposed method combines the FOC (fourth-order cumulants) technique with the ETAM (extended towed array measurements) method to extend array aperture and suppress Gaussian noise. First, successive measurements of a virtual uniform linear array were constructed by applying fourth-order cumulants to measurements of uniform linear array; Gaussian noise in these measurements was also eliminated. Then, the array was extended by compensating phase differences using the ETAM method. Finally, the synthetic aperture was extended further by the fourth-order cumulants technique. The proposed FOC-ETAM-FOC method not only improves angular resolution and array gain, but also effectively suppresses Gaussian noise. Furthermore, it inherits the advantages of the ETAM method. Simulation results showed that the FOC-ETAM-FOC method achieved better angular resolution and array gain than the ETAM method. Furthermore this method outperforms the ETAM method in Gaussian noise environment.     

基于分数阶傅里叶变换的线性调频信号检测算法

针对复杂噪声背景下线性调频信号检测问题,利用分数阶Fourier变换具有解除时频耦合和信号在分数阶Fourier域呈现能量谱的高度聚集的特性,得出一种基于分数阶Fourier变换的信号检测算法,并将算法用于高斯白噪声和色噪声背景中信号检测。仿真结果表明,该算法对高斯、非高斯色噪声中的线性调频信号检测均有良好的检测性能。     

基于小波降噪的经验模式分解方法研究

通过正常工况下的转子位移信号,分析不同幅值噪声对经验模式分解(EMD)分解的影响。对于幅值较小的随机噪声,EMD分解可以自适应地将主要特征信息从噪声中分解出来。而对于幅值较大的噪声,小波降噪的EMD分解则可以有效避免模态间能量泄漏,从而得到准确的分析结果。     

直扩信号盲检测方法研究

文中应用谱相关法、倒谱法、高阶累计量法、基于特征值分析等方法对DSSS信号的盲检测进行了分析,总结了各种方法的原理及实现过程,并用Matlab对其检测性能进行了仿真分析,在相同的条件下比较各种方法的检测性能随信噪比和采样点数的变化情况。结果表明,谱相关法对低信噪比的适应能力差,要达到90%的检测概率,所需的信噪比为-6dB。倒谱法、高阶累计量法在采样点数小于4000时,二者的性能和谱相关法相当,随着仿真采样点数的增加,性能提升明显,因此实时性较差。基于特征值分析的方法各方面的性能比较均衡,可以作为一种快速通用检测算法。     

对称Alpha稳定分布噪声下的Duffing振子检测方法

Duffing振子是利用系统对与策动力同频的小信号敏感而对噪声免疫实现微弱信号检测,特定分布下的噪声激励Duffing振子系统不会发生相变是应用该方法的前提条件。文中主要研究了服从Alpha稳定分布的噪声激励Duffing振子产生相变的鲁棒性问题,研究结果表明Duffing振子相变在Alpha稳定分布源的激励下为小概率事件。为消除小概率相变的影响,利用多支路并行检测及多数判决准则对常规的Duffing振子检测方法进行改进,即将待测信号分段截短周期延拓后送入多个并行Duffing振子检测单元,若检测单元多数发生相变,必然是由于弱目标信号而非噪声激励所致,即可判定检测信号中包含目标小信号。将该方法应用于水下目标回波信号的检测中,实测数据处理结果验证了该方法是有效的。     

基于神经网络的声纳特征级信息融合中目标分类研究

声纳目标特征级融合的主要任务是实现信息压缩、目标身份确定(分类) ,以利于实时处理、决策分析。基于数学模型的各种算法,由于情况复杂,往往很难建立。而人工神经网络通过样本的学习,具有存储记忆、在相似输入下能恢复记忆等特性,从而避免了烦琐而复杂的建模。在神经网络声纳目标识别前的噪声预处理方法中,选用了功率谱特征提取、双谱特征提取算法;在研究了提取的特征后,选取反向传播神经网络(BP)模型;在此基础上构造了BP神经网络,并对网络进行训练与测试,给出识别实验结果。仿真模拟分析证明,基于神经网络的声纳特征级信息的融合,对目标分类有一定效果,为进一步实现声纳信息融合奠定了基础     

基于两级自适应线谱增强器的舰船辐射噪声线谱检测

舰船辐射噪声中的线谱成分能表征舰船的本质特征,是舰船目标识别中的主要特征矢量.因此,舰船辐射噪声线谱的准确检测在目标识别中具有十分重要的意义.针对海洋环境噪声中舰船辐射噪声线谱检测问题,提出了两级自适应线谱增强器(adaptive line enhancement,ALE)检测方法.该方法在原一级ALE检测方法的基础上,将原信号延时信号与一级ALE误差信号相减后作为第2级ALE的输入再进行1次ALE.该方法较一级ALE在输入信号信噪比较低时能准确地将线谱从宽带背景噪声中分离出来.仿真和实验结果表明该方法的有效性和准确性.