基于广义S变换的通信信号分析方法研究

摘要

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Renyi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。

目录

声明

摘要

第1章绪论

1．1研究背景与意义

1．2国内外研究现状

1．2．1时频分析方法研究现状

1．2．2信号检测的研究现状

1．2．3信号滤波方法的研究现状

1．2．4信号调制类型识别的研究现状

1．3论文结构安排

第2章常见的时频分析方法

2．1短时傅里叶变换

2．2魏格纳威利分布

2．3 S变换及广义S变换

2．3．1 S变换

2．3．2广义S变换

2．4基于改进遗传算法的GST窗函数优化

2．4．1时频分析评价标准

2．4．2遗传算法

2．4．3算法验证

2．4．4仿真分析

2．5本章小结

第3章基于广义S变换的信号检测

3．1时频检测理论基础

3．2高斯白噪声的统计特性

3．3基于广义S变换的恒虚警率检测

3．4本章小结

第4章基于广义S变换的滤波和瞬时频率提取

4．1基于自适应恒虚警率检测的滤波方法

4．2基于奇异值分解的时频滤波

4．2．1奇异值分解降噪方法

4．2．2有效奇异值的选择方法

4．2．3高斯白噪声的滤波方法

4．2．4仿真分析

4．3基于图像处理的时频滤波

4．3．1时频图像处理

4．3．2滤波及结果分析

4．4基于广义S变换的瞬时频率提取

4．4．1基于脊线提取的瞬时频率提取方法

4．4．2基于图像处理的瞬时频率提取方法

4．5本章小结

第5章基于广义S变换的通信信号识别

5．1不同信号的瞬时频率特征

5．1．1线性调频信号

5．1．2正弦调频信号

5．1．3二进制相位编码信号

5．1．4二进制频率编码信号

5．2基于广义S变换瞬时率特性的信号识别算法

5．2．1算法流程

5．2．2人工神经网络分类器

5．3仿真结果

5．4本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢