基于S变换的多分量LFM信号参数估计
发布时间：2021-06-09 22:11
线性调频（LFM）信号是一种在电子对抗、水声探测、地震勘探、机械故障检测等领域中广泛应用的非平稳信号。对LFM信号进行参数估计可以描述该信号频率随时间变化的关系,从而得到目标相关的参数信息进行研究分析。而在实际的应用中,LFM信号往往不以单一分量的形式存在,因此对多分量LFM信号进行参数估计的研究更加具有现实意义。时频分析是处理LFM信号的重要手段之一,S变换是使用灵活且应用广泛的时频分析方法,近十几年来一直是相关领域研究的热点。因此,本文以S变换为基础,通过结合其他方法改进S变换的性能,将其应用于估计多分量LFM信号的参数。本文的主要研究内容如下:1)详细研究了S变换的定义和性质。S变换具有线性性质且完全可逆,因此在处理多分量LFM信号时拥有不受交叉项影响的优势。同时,S变换的高斯窗函数使得它拥有可变的时间和频率分辨率,处理信号更加的灵活。2)S变换时频聚集性不够高,这会导致得到的LFM信号的时频分布具有大量的模糊能量,将严重影响参数估计的结果。针对这个问题,将S变换和同步提取变换相结合,推导出了同步提取S变换,大大地提高了原始S变换的时频聚集性。然后通过同步提取S变换,去除了时频域...
【文章来源】：长春理工大学吉林省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
高斯窗STFT的时频分布
第2章S变换的基本理论11为了更清楚地展示WT的效果，这里选择Morlet小波函数来做进一步的说明。Morlet小波的时域和频域形式分别如下式（2-10）和（2-11）所示：()2200,0tjtteeωω=≥（2-10）()(0)22eωωωπΦ=（2-11）将Morlet母小波函数进行伸缩和平移可以得到的小波基函数如下：()2012,1tbtbjaaabteeaωπ=（2-12）从式（2-12）可以得到其中心频率为0aωω=。那么，结合式（2-6）和式（2-12），可以得到Morlet母小波函数的CWT公式如下：()()20121,tbtbjaaxCWTabxteedtaωπ+∞∞=（2-13）在仿真实验中，如果设采样时间间隔为T，并令b=pT，t=qT。那么可以得到这种CWT的离散形式如下：()()201201,qpTqpNjTaaxqCWTabxqTeeaωπ==（2-14）那么从滤波器的角度来分析可知，上式（2-14）中的(,)xCWTaq可以理解为待分析信号通过中心频率是0ω=ω/a的带通滤波器后的结果。下图2.2是对一个双分量LFM信号信号进行WT的仿真结果，包含的两个分量分别是()21x=expj2π300tπ200t和()22x=expj2π100tπ50t。采用的母小波是Morlet小波，在无噪声环境下，采样频率为1000Hz，采样时间为1s。图2.2Morlet小波变换时频分布从图2.2中可以看出，经过WT所得的时频分布在高频区域的频率分辨率要好于低频区域，而与之相反地，在低频区域的时间分辨率要好于高频区域，这符合WT的
应”的调节，那么，时频分辨率也会随着 f 的变化而变化，这种变化关系赋予了 S 变换多分辨率的优势。 下图 2.3 展示了双分量 LFM 信号的 S 变换的仿真结果。该信号两个分量分别是( )21x =exp j2π 300 t π 200 t 和 ( )22x =exp j2π 100 t π 50 t 。在无噪声环境下，采样频率为 1000Hz，采样时间为 1s。从图 2.3 中可以看出，在处理双分量 LFM 信号时，S 变换的结果不存在交叉项，这符合之前的分析。同时还可以看出，得益于可变窗宽的高斯窗函数，S 变换所得时频分布在低频区域的频率分辨率和高频区域的时间分辨率都比较好，展现了 S 变换多分辨率的优势。但是，显而易见，S 变换的时频聚集性还有很大的提升空间，所得的时频谱上的模糊能量比较多，这在一定程度上限制了其在信号参数精确估计方面的应用，所以需要进一步的改进。
【参考文献】：
期刊论文
[1]基于S变换的高速列车小幅蛇行识别方法[J]. 宁静,冉伟,种传杰,陈春俊. 中国机械工程. 2019(09)
[2]同步挤压广义S变换在南海油气识别中的应用[J]. 严海滔,黄饶,周怀来,牛聪,邬蒙蒙. 地球物理学进展. 2019(03)
[3]分数傅里叶变换理论及其应用研究进展[J]. 马金铭,苗红霞,苏新华,高畅,康学净,陶然. 光电工程. 2018(06)
[4]基于小波理论的RV减速器振动信号分析[J]. 陈李果,汪久根,张靖. 机械传动. 2018(05)
[5]基于VMD和Wigner-Ville分布的局放信号时频分析[J]. 贾亚飞,朱永利,王刘旺. 系统仿真学报. 2018(02)
[6]广义S变换多分量LFM信号检测及参数估计[J]. 李燕,何怡刚,于文新,尹柏强. 电子测量与仪器学报. 2017(12)
[7]基于同步挤压S变换的地震信号时频分析[J]. 刘晗,张建中,黄忠来. 石油地球物理勘探. 2017(04)
[8]The concise fractional Fourier transform and its application in detection and parameter estimation of the linear frequency-modulated signal[J]. CHEN Yanli,GUO Lianghao,GONG Zaixiao. Chinese Journal of Acoustics. 2017(01)
[9]α稳定分布噪声下基于稳健S变换的LFM信号参数估计[J]. 金艳,高舵,姬红兵. 系统工程与电子技术. 2017(04)
[10]广义S变换时频谱SVD降噪的滚动轴承故障冲击特征提取方法[J]. 朱怡,蒋思源. 轴承. 2016(11)
博士论文
[1]挖掘机振声信号时频分析研究与应用[D]. 于刚.山东大学 2016
硕士论文
[1]同步提取变换的改进算法研究及其在地震储层识别中的应用[D]. 周心悦.成都理工大学 2019
[2]基于同步压缩S变换的非平稳信号分析[D]. 肖瑞.西安电子科技大学 2019
[3]基于时频同步压缩变换的多分量信号分离研究[D]. 韩红霞.西安电子科技大学 2018
[4]同步提取变换算法的改进研究及其在地震信号分析中的应用[D]. 康佳星.成都理工大学 2018
[5]基于时频分析的信号检测与参数估计方法研究[D]. 崔光辉.哈尔滨工程大学 2015
[6]时频分布与地震信号谱分析研究[D]. 陈学华.成都理工大学 2006
本文编号：3221409
【文章来源】：长春理工大学吉林省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
高斯窗STFT的时频分布
第2章S变换的基本理论11为了更清楚地展示WT的效果，这里选择Morlet小波函数来做进一步的说明。Morlet小波的时域和频域形式分别如下式（2-10）和（2-11）所示：()2200,0tjtteeωω=≥（2-10）()(0)22eωωωπΦ=（2-11）将Morlet母小波函数进行伸缩和平移可以得到的小波基函数如下：()2012,1tbtbjaaabteeaωπ=（2-12）从式（2-12）可以得到其中心频率为0aωω=。那么，结合式（2-6）和式（2-12），可以得到Morlet母小波函数的CWT公式如下：()()20121,tbtbjaaxCWTabxteedtaωπ+∞∞=（2-13）在仿真实验中，如果设采样时间间隔为T，并令b=pT，t=qT。那么可以得到这种CWT的离散形式如下：()()201201,qpTqpNjTaaxqCWTabxqTeeaωπ==（2-14）那么从滤波器的角度来分析可知，上式（2-14）中的(,)xCWTaq可以理解为待分析信号通过中心频率是0ω=ω/a的带通滤波器后的结果。下图2.2是对一个双分量LFM信号信号进行WT的仿真结果，包含的两个分量分别是()21x=expj2π300tπ200t和()22x=expj2π100tπ50t。采用的母小波是Morlet小波，在无噪声环境下，采样频率为1000Hz，采样时间为1s。图2.2Morlet小波变换时频分布从图2.2中可以看出，经过WT所得的时频分布在高频区域的频率分辨率要好于低频区域，而与之相反地，在低频区域的时间分辨率要好于高频区域，这符合WT的
应”的调节，那么，时频分辨率也会随着 f 的变化而变化，这种变化关系赋予了 S 变换多分辨率的优势。 下图 2.3 展示了双分量 LFM 信号的 S 变换的仿真结果。该信号两个分量分别是( )21x =exp j2π 300 t π 200 t 和 ( )22x =exp j2π 100 t π 50 t 。在无噪声环境下，采样频率为 1000Hz，采样时间为 1s。从图 2.3 中可以看出，在处理双分量 LFM 信号时，S 变换的结果不存在交叉项，这符合之前的分析。同时还可以看出，得益于可变窗宽的高斯窗函数，S 变换所得时频分布在低频区域的频率分辨率和高频区域的时间分辨率都比较好，展现了 S 变换多分辨率的优势。但是，显而易见，S 变换的时频聚集性还有很大的提升空间，所得的时频谱上的模糊能量比较多，这在一定程度上限制了其在信号参数精确估计方面的应用，所以需要进一步的改进。
【参考文献】：
期刊论文
[1]基于S变换的高速列车小幅蛇行识别方法[J]. 宁静,冉伟,种传杰,陈春俊. 中国机械工程. 2019(09)
[2]同步挤压广义S变换在南海油气识别中的应用[J]. 严海滔,黄饶,周怀来,牛聪,邬蒙蒙. 地球物理学进展. 2019(03)
[3]分数傅里叶变换理论及其应用研究进展[J]. 马金铭,苗红霞,苏新华,高畅,康学净,陶然. 光电工程. 2018(06)
[4]基于小波理论的RV减速器振动信号分析[J]. 陈李果,汪久根,张靖. 机械传动. 2018(05)
[5]基于VMD和Wigner-Ville分布的局放信号时频分析[J]. 贾亚飞,朱永利,王刘旺. 系统仿真学报. 2018(02)
[6]广义S变换多分量LFM信号检测及参数估计[J]. 李燕,何怡刚,于文新,尹柏强. 电子测量与仪器学报. 2017(12)
[7]基于同步挤压S变换的地震信号时频分析[J]. 刘晗,张建中,黄忠来. 石油地球物理勘探. 2017(04)
[8]The concise fractional Fourier transform and its application in detection and parameter estimation of the linear frequency-modulated signal[J]. CHEN Yanli,GUO Lianghao,GONG Zaixiao. Chinese Journal of Acoustics. 2017(01)
[9]α稳定分布噪声下基于稳健S变换的LFM信号参数估计[J]. 金艳,高舵,姬红兵. 系统工程与电子技术. 2017(04)
[10]广义S变换时频谱SVD降噪的滚动轴承故障冲击特征提取方法[J]. 朱怡,蒋思源. 轴承. 2016(11)
博士论文
[1]挖掘机振声信号时频分析研究与应用[D]. 于刚.山东大学 2016
硕士论文
[1]同步提取变换的改进算法研究及其在地震储层识别中的应用[D]. 周心悦.成都理工大学 2019
[2]基于同步压缩S变换的非平稳信号分析[D]. 肖瑞.西安电子科技大学 2019
[3]基于时频同步压缩变换的多分量信号分离研究[D]. 韩红霞.西安电子科技大学 2018
[4]同步提取变换算法的改进研究及其在地震信号分析中的应用[D]. 康佳星.成都理工大学 2018
[5]基于时频分析的信号检测与参数估计方法研究[D]. 崔光辉.哈尔滨工程大学 2015
[6]时频分布与地震信号谱分析研究[D]. 陈学华.成都理工大学 2006
本文编号：3221409
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3221409.html
