自适应时频同步压缩算法研究
发布时间：2021-11-13 09:13
提高时频分辨率对多分量非平稳信号的分析与重建具有至关重要的作用。传统的时频分析方法由于窗口固定,分析频率变化较快的信号时存在时频聚集性不高的问题,无法自适应分辨多分量信号。该文针对频率快速变化信号,利用信号的局部信息特征,提出一种自适应的时频同步压缩变换算法。该方法有效提升了已有同步压缩变换时频分辨率,特别适用于频率接近且快速变换的多分量信号。同时,利用可分性条件,该文提出利用局部瑞利熵值对自适应窗口参数进行估计。最后,通过对合成信号和实测信号分析,证明了所提方法的可行性,对分析和重建复杂非平稳信号具有重要意义。
【文章来源】：电子与信息学报. 2020,42(02)北大核心EICSCD
【文章页数】：7 页
【部分图文】：
图1两分量线性调频信号的各种时频处理结果图
图1(c)为WVD时频图；图1(d)—图1(f)分别为自适应STFT、自适应FSST和自适应2阶FSST时频图。可以看出，自适应STFT具有时变的分辨特性，自适应FSST和自适应2阶FSST均比固定参数下的FSST能量聚集程度高，且自适应2阶FSST效果最佳。而WVD虽可以提高能量聚集性，但是存在交叉项干扰。图2(a)为由本文时频参数估计算法的处理结果，与图1(d)—图1(f)的结果相对应。观察图2(a)，可以发现，窗口参数与时间呈负相关关系，即窗口在频率低的部分长，在频率高的部分短，实现了自适应分析信号。同时，为了进一步说明提出方法的可靠性，给信号加入不同强度的噪声，信噪比分别为0dB,5dB,10dB,15dB,20dB和25dB。对比不同信噪比环境下各方法的全局瑞利熵值，其结果如图2(b)所示。可以看出，本文提出的自适应同步压缩算法具有较高的能量聚集性。4.2实测信号分析为了验证方法的普适性，本文将其应用于实测信号—蝙蝠回波信号[15]。该信号包含400个数据采样点，采样间隔为7ms，总采样时间为2.8ms，波形如图3(a)所示，频谱如图3(b)所示。可以看出，蝙蝠回波信号频带较宽，无法从频谱图中得知信号频率随时间的变化关系。图3(c)—图3(f)为采用不同方法对蝙蝠回波信号的分析结果。可以看出，蝙蝠回波信号是一个多分量信号，包含4个非线性图2两分量线性调频信号的处理结果图图3蝙蝠回波信号的处理结果图442电子与信息学报第42卷
图1(c)为WVD时频图；图1(d)—图1(f)分别为自适应STFT、自适应FSST和自适应2阶FSST时频图。可以看出，自适应STFT具有时变的分辨特性，自适应FSST和自适应2阶FSST均比固定参数下的FSST能量聚集程度高，且自适应2阶FSST效果最佳。而WVD虽可以提高能量聚集性，但是存在交叉项干扰。图2(a)为由本文时频参数估计算法的处理结果，与图1(d)—图1(f)的结果相对应。观察图2(a)，可以发现，窗口参数与时间呈负相关关系，即窗口在频率低的部分长，在频率高的部分短，实现了自适应分析信号。同时，为了进一步说明提出方法的可靠性，给信号加入不同强度的噪声，信噪比分别为0dB,5dB,10dB,15dB,20dB和25dB。对比不同信噪比环境下各方法的全局瑞利熵值，其结果如图2(b)所示。可以看出，本文提出的自适应同步压缩算法具有较高的能量聚集性。4.2实测信号分析为了验证方法的普适性，本文将其应用于实测信号—蝙蝠回波信号[15]。该信号包含400个数据采样点，采样间隔为7ms，总采样时间为2.8ms，波形如图3(a)所示，频谱如图3(b)所示。可以看出，蝙蝠回波信号频带较宽，无法从频谱图中得知信号频率随时间的变化关系。图3(c)—图3(f)为采用不同方法对蝙蝠回波信号的分析结果。可以看出，蝙蝠回波信号是一个多分量信号，包含4个非线性图2两分量线性调频信号的处理结果图图3蝙蝠回波信号的处理结果图442电子与信息学报第42卷
本文编号：3492753
【文章来源】：电子与信息学报. 2020,42(02)北大核心EICSCD
【文章页数】：7 页
【部分图文】：
图1两分量线性调频信号的各种时频处理结果图
图1(c)为WVD时频图；图1(d)—图1(f)分别为自适应STFT、自适应FSST和自适应2阶FSST时频图。可以看出，自适应STFT具有时变的分辨特性，自适应FSST和自适应2阶FSST均比固定参数下的FSST能量聚集程度高，且自适应2阶FSST效果最佳。而WVD虽可以提高能量聚集性，但是存在交叉项干扰。图2(a)为由本文时频参数估计算法的处理结果，与图1(d)—图1(f)的结果相对应。观察图2(a)，可以发现，窗口参数与时间呈负相关关系，即窗口在频率低的部分长，在频率高的部分短，实现了自适应分析信号。同时，为了进一步说明提出方法的可靠性，给信号加入不同强度的噪声，信噪比分别为0dB,5dB,10dB,15dB,20dB和25dB。对比不同信噪比环境下各方法的全局瑞利熵值，其结果如图2(b)所示。可以看出，本文提出的自适应同步压缩算法具有较高的能量聚集性。4.2实测信号分析为了验证方法的普适性，本文将其应用于实测信号—蝙蝠回波信号[15]。该信号包含400个数据采样点，采样间隔为7ms，总采样时间为2.8ms，波形如图3(a)所示，频谱如图3(b)所示。可以看出，蝙蝠回波信号频带较宽，无法从频谱图中得知信号频率随时间的变化关系。图3(c)—图3(f)为采用不同方法对蝙蝠回波信号的分析结果。可以看出，蝙蝠回波信号是一个多分量信号，包含4个非线性图2两分量线性调频信号的处理结果图图3蝙蝠回波信号的处理结果图442电子与信息学报第42卷
图1(c)为WVD时频图；图1(d)—图1(f)分别为自适应STFT、自适应FSST和自适应2阶FSST时频图。可以看出，自适应STFT具有时变的分辨特性，自适应FSST和自适应2阶FSST均比固定参数下的FSST能量聚集程度高，且自适应2阶FSST效果最佳。而WVD虽可以提高能量聚集性，但是存在交叉项干扰。图2(a)为由本文时频参数估计算法的处理结果，与图1(d)—图1(f)的结果相对应。观察图2(a)，可以发现，窗口参数与时间呈负相关关系，即窗口在频率低的部分长，在频率高的部分短，实现了自适应分析信号。同时，为了进一步说明提出方法的可靠性，给信号加入不同强度的噪声，信噪比分别为0dB,5dB,10dB,15dB,20dB和25dB。对比不同信噪比环境下各方法的全局瑞利熵值，其结果如图2(b)所示。可以看出，本文提出的自适应同步压缩算法具有较高的能量聚集性。4.2实测信号分析为了验证方法的普适性，本文将其应用于实测信号—蝙蝠回波信号[15]。该信号包含400个数据采样点，采样间隔为7ms，总采样时间为2.8ms，波形如图3(a)所示，频谱如图3(b)所示。可以看出，蝙蝠回波信号频带较宽，无法从频谱图中得知信号频率随时间的变化关系。图3(c)—图3(f)为采用不同方法对蝙蝠回波信号的分析结果。可以看出，蝙蝠回波信号是一个多分量信号，包含4个非线性图2两分量线性调频信号的处理结果图图3蝙蝠回波信号的处理结果图442电子与信息学报第42卷
本文编号：3492753
本文链接：https://www.wllwen.com/kejilunwen/wltx/3492753.html
