论文部分内容阅读
在信号处理领域,时频分析一直是研究热点问题。广义S变换作为一种形式灵活、性能优良的时频分析方法,广泛应用于图像处理、信号处理、地震学、医学图像处理等领域。本文以通信信号的分析方法研究为背景,以广义S变换的理论体系为依据,重点探讨了通信信号分析过程中的检测、滤波、瞬时频率提取以及识别问题,主要研究了以下几个方面:针对广义S变换窗函数的优化问题,结合改进的遗传算法,以时频聚集性测度为准则,提出了一种新的广义S变换参数优化方法。仿真实验表明,这种优化算法得到的广义S变换大大改善了标准S变换的时频分析性能,无论在时频聚集度还是在Rényi熵测度方面,相较于其他几种经典的时频分析方法都有明显的优势。在时频检测方面,通过详细分析推导高斯白噪声在广义S谱域的统计特性,提出了一种基于广义S变换的时频检测模型,并通过消除频率对门限的影响,提出了基于广义S变换的恒虚警率(Constant False Alarm Rate,CFAR)检测模型。仿真实验证明该模型在虚警概率分别为0.01、0.005和0.001时,GST算法在信噪比大于-3dB时检测概率即可以达到80%以上,与短时傅里叶变换及S变换相比,具有最好的检测结果,更能适应低信噪比环境下的信号检测。且该模型可以应用在时频滤波方面。在时频滤波方面,用广义S变换算法和其它两种线性时频分析方法作对比,除了基于恒虚警率检测的滤波方法,还将基于图像处理的滤波方法,与奇异值分解-模糊C均值(Singular Value Decomposition and Fuzzy C-Means,SVD-FCM)聚类的时频滤波方法相比较,证明在这三种滤波方法中,基于图像处理的滤波效果在信噪比大于-7dB时优于其他两种。在信噪比等于10dB时,图像处理的滤波方法比恒虚警率滤波和奇异值分解-模糊C均值聚类滤波方法的滤波效果分别提高了1dB和6dB。在此基础上,也可以完成对信号瞬时频率的提取,仿真结果表明,基于图像处理的瞬时频率提取方法在信噪比等于-10dB时比脊线提取的方法可将提取结果的均方误差降低0.015,可以更有效地提取出信号的瞬时频率。针对信号类型识别问题,以瞬时频率为研究特征,利用误差反向传播神经网络(Back Propagation Neural Network,BPNN)分类器对四种不同的信号进行分类,并与其它时频分析方法做出对比。实验结果表明,本文所设计的基于广义S变换的BP神经网络分类器在信噪比为-2dB时,识别率可达到90%以上,低信噪比下即可实现对信号的有效分类,且分类效果优于短时傅里叶变换和S变换。