基于经验模态分解的多分量信号分析方法研究

发布时间：2017-10-21 12:17

  本文关键词：基于经验模态分解的多分量信号分析方法研究

  更多相关文章： 经验模态分解 希尔伯特变换 高斯滤波 多分量信号 时频分析

【摘要】：现在战场电磁环境日渐复杂,对辐射源信号进行被动截获、分析,提取其关键的脉内调制参数,进而实现对辐射源目标的识别、干扰、攻击,对获得战争的主动权具有重要意义。如何有效的分析出信号的形式及多样性进而估计信号的特征参数是这中间的关键步骤,影响着信号分析的有效性和可靠性。辐射源信号的多样性不仅体现在信号种类的多样性,也在于同一时间进入雷达接收机的信号分量个数。基于此,本文将重点对多分量信号进行分析,提取信号的时频分布特征,进而完成信号的关键参数提取。首先,对多分量信号的特性展开分析研究,多分量信号的形成主要是由于辐射源信号被接收机截获时在时间域上发生重叠,其可以表示成若干单分量信号混合的形式,然后通过仿真实验验证了传统的信号分析方法无法有效的处理多分量信号,不能反映信号的内部调制本质,分量类型为线性调频和正弦调频信号,信道为高斯白噪声信道。然后,经过对经验模态分解基本理论的研究,可知该算法是一种自适应的时频分析方法,针对其本身存在的问题,分析了其产生原因及具体影响,并有侧重的选择相应的方法给予解决,主要包括:利用极值点延拓的方法对端点飞翼的现象进行抑制;通过计算相关性方法对分解过程中产生的虚假分量进行剔除;针对模态混叠效应,本课题采取了集合经验模态分解的方法在一定程度上进行了改善,但此效应在噪声较大的情况下无法完全消除;最后将独立分量分析和高阶统计量相结合用于去噪操作,实验结果表明,在5d B下,基本能够保证噪声的有效抑制,不影响后续的信号分析。最后,针对Hilbert-Huang谱时频线发散的问题,采用改进Hilbert变换对去噪后的固有模态函数进行处理,使得时频线变得更加紧凑。接下来利用高斯窗中间加权大四周加权小的特点,通过多次滑窗,使时频线能量更加集中,与平滑伪魏格纳分布相比,两种算法的抗噪性能相当,但本文方法时频聚集程度更出色。在提取完时频分布的基础上,利用“幅度加权加窗K-均值聚类”方法完成时频线的提取,进而实现相应参数的估计。通过以上分析,本文算法计算量较大,但具有兼顾时频聚集性和抗噪声能力的优势。
【关键词】：经验模态分解 希尔伯特变换 高斯滤波 多分量信号 时频分析
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN911.6
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第1章 绪论9-18
• 1.1 课题来源及研究的背景和意义9-10
• 1.2 国内外研究现状及分析10-16
• 1.2.1 传统时频分析方法10-13
• 1.2.2 经验模态分解算法13-14
• 1.2.3 多分量信号时频提取研究现状14-16
• 1.3 本文主要研究内容16-18
• 第2章 信号源建模及经验模态分解基本理论18-35
• 2.1 多分量信号源建模18-22
• 2.1.1 多分量雷达辐射源信号产生原因18-19
• 2.1.2 多分量雷达辐射源信号基本模型19-22
• 2.2 EMD基本原理介绍22-25
• 2.2.1 IMF基本概念22-23
• 2.2.2 EMD算法步骤23-25
• 2.3 EMD算法主要问题25-34
• 2.4 本章小结34-35
• 第3章 多分量信号经验模态分解问题抑制35-55
• 3.1 基于极值点延拓的端点效应抑制35-38
• 3.2 基于相关处理的IMF虚假分量消除38-40
• 3.3 EEMD方法对模态混叠效应抑制40-46
• 3.3.1 产生模态混叠的原因40-41
• 3.3.2 EEMD算法原理和步骤41-44
• 3.3.3 EEMD对间断信号引起的模态混叠抑制44-46
• 3.4 独立分量分析与高阶统计量相结合的噪声抑制研究46-54
• 3.4.1 基本概念47-50
• 3.4.2 基于ICA噪声抑制基本步骤50-54
• 3.5 本章小结54-55
• 第4章 多分量信号时频线提取及参数估计55-67
• 4.1 基于改进希尔伯特变换信号时频分布提取55-58
• 4.1.1 改进希尔伯特变换55-57
• 4.1.2 时频分布提取57-58
• 4.2 高斯窗平滑滤波58-62
• 4.3 基于幅度加窗加权K-均值聚类信号时频线的提取62-66
• 4.3.1 幅度加窗加权K-均值聚类概念62-64
• 4.3.2 信号时频线的提取64-66
• 4.4 本章小结66-67
• 结论67-68
• 参考文献68-72
• 攻读硕士学位期间发表的论文及其他成果72-74
• 致谢74

【相似文献】

中国期刊全文数据库 前10条

1 王秋生;段丹辉;;经验模态分解的边界效应处理技术[J];计算机测量与控制;2006年12期

2 冯志华;朱忠奎;刘刚;伍小燕;;经验模态分解方法的小波消失现象[J];数据采集与处理;2006年04期

3 宋立新;王祁;王玉静;梁X;;具有间断事件检测和分离的经验模态分解方法[J];哈尔滨工程大学学报;2007年02期

4 刘小峰;秦树人;柏林;;基于小波包的经验模态分解法的研究及应用[J];中国机械工程;2007年10期

5 胡维平;莫家玲;龚英姬;赵方伟;杜明辉;;经验模态分解中多种边界处理方法的比较研究[J];电子与信息学报;2007年06期

6 胡维平;杜明辉;;信号采样率对经验模态分解的影响研究[J];信号处理;2007年04期

7 杨智春;谭光辉;;一种基于样条插值的经验模态分解改进算法[J];西北工业大学学报;2007年05期

8 杨彩红;张郁山;;基于折线包络的经验模态分解方法[J];国际地震动态;2008年11期

9 张西良;万学功;李萍萍;张建;徐云峰;;动态称量经验模态分解数据处理方法[J];江苏大学学报(自然科学版);2008年06期

10 李洪;郝豪豪;孙云莲;;具有独立分量的经验模态分解算法研究[J];哈尔滨工业大学学报;2009年07期

中国重要会议论文全文数据库 前10条

1 秦毅;秦树人;毛永芳;;正交经验模态分解及其快速实现[A];第九届全国振动理论及应用学术会议论文摘要集[C];2007年

2 秦毅;秦树人;毛永芳;;正交经验模态分解及其快速实现[A];第九届全国振动理论及应用学术会议论文集[C];2007年

3 杨永锋;;经验模态分解与非线性分析的协同研究[A];第四届全国动力学与控制青年学者研讨会论文摘要集[C];2010年

4 侯文文;邹俊忠;刘未来;;基于经验模态分解的眼电伪差去除研究[A];上海市化学化工学会2010年度学术年会论文集（自动化专题）[C];2010年

5 李关防;许春雷;惠俊英;;基于经验模态分解的特征提取算法研究[A];中国造船工程学会电子技术学术委员会2011年海战场电子信息技术学术年会论文集[C];2011年

6 薛志宏;李广云;周蓉;;一种基于经验模态分解的信号降噪方法[A];全国工程测量2012技术研讨交流会论文集[C];2012年

7 张飞涟;刘严萍;;经验模态分解与神经网络方法在降水预测领域的应用研究[A];中国系统工程学会第十八届学术年会论文集——A01系统工程[C];2014年

8 康春玉;章新华;;一种基于经验模态分解的信号降噪方法[A];中国声学学会2007年青年学术会议论文集（下）[C];2007年

9 辛鹏;辛雷;蔡国伟;李晓琦;;一种基于经验模态分解与支持向量机的电力系统短期负荷预测新方法[A];第十一届全国电工数学学术年会论文集[C];2007年

10 郝文峰;骆英;顾建祖;;基于经验模态分解-支持向量机的玻璃幕墙开胶损伤预测研究[A];中国力学学会学术大会'2009论文摘要集[C];2009年

中国博士学位论文全文数据库 前10条

1 黎恒;经验模态分解中关键问题的优化理论与方法研究[D];西安电子科技大学;2016年

2 葛光涛;二维经验模态分解研究及其在图像处理中的应用[D];哈尔滨工程大学;2009年

3 孙晖;经验模态分解理论与应用研究[D];浙江大学;2005年

4 张继红;经验模态分解及径向基函数的一些应用研究[D];大连理工大学;2012年

5 熊卫华;经验模态分解方法及其在变压器状态监测中的应用研究[D];浙江大学;2006年

6 杨贤昭;基于经验模态分解的故障诊断方法研究[D];武汉科技大学;2012年

7 高静;经验模态分解的改进方法及应用研究[D];北京理工大学;2014年

8 陈志刚;经验模态分解与Savitzky-Golay方法的自适应遥感影像融合[D];华东师范大学;2010年

9 周义;快速二维经验模态分解和相位追踪方法及其在导波无损检测中的应用[D];上海交通大学;2014年

10 石志晓;时频联合分析方法在参数识别中的应用[D];大连理工大学;2005年

中国硕士学位论文全文数据库 前10条

1 史玉君;基于经验模态分解的眼电伪迹去除方法的研究[D];兰州大学;2015年

2 梁江海;基于经验模态分解的通信信号细微特征分析[D];国防科学技术大学;2013年

3 赵强;基于EMD的齿轮故障诊断技术研究[D];东北石油大学;2015年

4 熊伟;试车台振动测试系统的关键技术研究[D];河南工业大学;2015年

5 陈凯;快速非平稳信号分析诊断与应用[D];上海交通大学;2015年

6 杨U唝~;基于经验模态分解的城市供水水质异常事件检测方法研究[D];浙江大学;2016年

7 郭学雯;利用经验模态分解方法研究新型热中子探测器数据周期性[D];河北师范大学;2016年

8 杨勤甜;基于经验模态分解和粗糙集属性约简的超声缺陷信号分类识别研究[D];南昌航空大学;2016年

9 李超;透平机组故障特征提取技术研究与系统开发[D];天津工业大学;2016年

10 卢丹丹;基于EEMD的CPI与PPI关系的结构分析及传导机制研究[D];暨南大学;2016年

，

本文编号：1073307