水下目标回波与混响的时频形态特征域盲分离

水下沉底或掩埋目标识别受海底混响干扰严重,并且目标回波与混响在时-频域上均存在混叠,增大了对目标回波与混响的分离难度。根据目标回波与混响的产生机理差异,将图像形态学与时频分析相结合的盲分离算法用于目标回波与混响的分离。推导了目标几何声散射成分与混响在Wigner-Ville时频面的形态特征表达式,利用图像形态学滤波去除Wigner-Ville时频面中的混响及刚性亮点之间交叉项,在时频形态特征域获取解混矩阵,实现了目标回波和混响的分离。仿真与实验数据处理结果表明,结合图像形态学的时频域盲分离算法提高了目标回波信号的信混比。      

一种用于分析多频率分量信号时频分布的方法

文章介绍了一种适合于分析多频率成分信号时频分布的方法,介于维格纳分布（Wigner Distribution WD）和频谱图二者之间,它不仅能够有效地抑制WD处理多参量信号时所产生的交叉项干扰,而且还能克服了加窗处理对频谱图的影响。此外,文章提出的算法具有较强的抗噪声干扰的能力。文章利用WD和文中提出的方法分别对一组线性调频信号进行仿真处理。结果表明,利用本文介绍的方法可以完全抑制多参量信号的交叉项干扰,得到“干净的”多参量信号瞬时频率分布。     

水下线谱噪声源识别的波束域时频分析方法研究

从联合空时频三维信息从发, 提出了波束域时频分析识别水下运动航行器低频线谱噪声源位置的方法. 首先, 利用小孔径圆环阵的超指向性波束形成, 将各线谱噪声源匀速通过正横位置附近时产生的多普勒信号在时域上分离. 其次, 分别使用伪Wigner-Ville分布和调频小波变换两种时频分析方法对波束输出的信号进行处理, 得到各噪声源信号的时频图像. 最后, 转换时间坐标到空间并参考配置信标, 即可识别低频线谱噪声源在水下航行器上的位置. 该方法解决了阵列识别水下低频噪声源的孔径受限问题, 同时对处理同频相干噪声源也适用. 仿真试验结果表明: 两种波束域时频分析方法都能较精确地识别低频线谱噪声源的位置; 在测量系统信息的配合下, 波束域调频小波变换的识别效果更优.     

时频-Radon变换在激光微多普勒效应特征提取中的应用

鉴于激光微多普勒效应探测运动目标复合振动的重要性,利用离散小波多分辨分析对激光微多普勒效应探测运动目标复合振动的实验数据进行分解,研究不同尺度下的信号特征。将Radon变换与时频分析结合在一起,对实验所得信号在时频域中进行分析,结果表明:时频-Radon变换适合于微多普勒信号的识别,应用该方法能够抑制多分量信号时频分布产生的交叉项干扰,有效地提取微动目标的特征,为目标特征的识别、分类和探测提供了便利。     

水声JANUS信号的分数低阶时频谱迁移学习识别方法

非合作第三方水下标准协议信号识别在水声通信信号识别中具有重要研究意义。针对浅海水声JANUS信号的特征提取因易受脉冲噪声和多径效应等复杂水声环境影响而导致识别率低下的问题,提出一种分数低阶时频谱和ResNet18 （Residual Network 18）相结合的迁移学习识别方法。首先,选取JANUS固定前导作为识别对象,设计分数低阶傅里叶同步压缩变换（FLOFSST）,以分数低阶操作抑制脉冲噪声,以时频重排特性增强时频集中性。其次,将基于ImageNet的ResNet18预训练模型微调,迁移至JANUS信号和常见水声信号时频图集。仿真表明所提算法在信噪比为-10 dB时JANUS信号的识别率为96.15%,能够有效抑制脉冲噪声并减小多径效应影响,比传统算法识别性能好。海试中JANUS信号识别率达90.00%,证明算法识别准确率和网络的泛化性较高。      

超声兰姆波的时频分析

声-超声方法在被测板件厚度较小时,板中传播的超声波模式主要是多模式的兰姆波。由于兰姆波的复杂性,声-超声方法回避了对信号进行进一步深入的分析,而采用所谓“应力波因子”对材料中能量耗散进行相对度量。当多模式与频散同时存在时,信号的识别异常困难,本文采用时-频分析的方法对声-超声信号进行了分离,只需一次测量就可满足分析要求。通过对兰姆波信号的伪Wigner-Ville分布进行时频重排和图像特征提取,能够精确地获得兰姆波的局部群速度频散曲线。     

抵消Wigner-Ville分布交叉项的窄带运动声源无源测速

利用声波的多普勒频移可以对窄带运动声源进行单传感器无源测速,其性能很大程度上取决于能否精确地估计出声波的瞬时频率.Wigner-Ville分布虽然时频分辨率高,但存在交叉项干扰,很少被直接用于瞬时频率估计。对此,提出了抵消Wigner-Ville分布交叉项的单传感器窄带声源无源测速方法。利用交叉项与声源速度的关系构造一个抵消项,引入到Wigner-Ville分布中,通过对声源速度估计值进行迭代更新,使抵消项与交叉项相位相反,从而约掉交叉项。经实测噪声数据验证,对一辆以6.07 m/s匀速运动的卡车(信噪比约为29 dB)测速误差为0.1 m/s,运行时间为4.6 s,对一架以28.90 m/s匀速运动的直升机(信噪比约为16 dB)测速误差为0.46 m/s,运行时间为1.2 s,均优于匹配Wigner变换和多普勒线性调频小波变换测速方法.      

基于时频分帧能量熵的陶瓷制品敲击声波信号特征识别

针对现有陶瓷制品敲击声波信号特征提取方法中提取的特征代表性降低的问题,该文提出结合最大重叠离散小波包变换(MODWPT)和时频分帧能量熵的特征提取方法。首先采用MODWPT将信号分解为4层,再对每个节点的子信号分帧后计算各个节点的时频分帧能量熵,然后根据能量分布特征选择了前6个节点的时频分帧能量熵特征,最后构建随机森林分类器完成识别。将该方法和MODWPT时频分段能量熵、MODWPT归一化能量特征两种方法进行比较。实验结果表明,相比MODWPT时频分段能量熵、MODWPT归一化能量两种特征提取方法,MODWPT时频分帧能量熵能提升特征的代表性,具有更优的陶瓷制品敲击声波信号特征识别性能,其识别的F₁值达到了98.46%,相比上述两种方法分别提升F₁值3.22%、1.86%。     

水下目标声散射信号的时频域盲抽取

目标声散射机理及其散射特性为识别目标的物理依据.针对水下目标声散射成分在时-频域存在相互混叠干扰,造成目标弹性声散射特征不稳定的问题,提出一种适合在欠定问题下分离目标声散射成分的时频域盲抽取方法.研究声散射成分的时频特征差异,构造目标回波单源自项的空间时频分布矩阵,通过对其进行特征值分解抽取相应的声散射成分,建立描述目标声散射物理特性的信号模型.抽取出的目标各弹性波分量与以表面环绕波产生理论计算结果相符.仿真与消声水池实验数据处理结果表明,该算法可以分离出目标回波的各个声散射成分,提高了分离信号的输出信噪比,为水下目标识别提供稳定和可靠的特征.     

扩展性微动目标回波模拟与特征参数提取研究

研究了微动目标的多普勒回波模拟及特征参数提取技术. 提出了一种基于物理光学法和等效电磁流法的扩展性微动目标回波模拟方法. 将在目标坐标系下计算得到的后向散射场通过坐标转换, 成为雷达坐标系下的目标回波, 通过与解析信号模型对比验证方法的正确性. 分析了圆锥与带翼弹头的进动特性, 为获得较好的时频聚集性同时避免交叉项采用S-method方法对获取的回波信号进行时频分析, 分析了不同雷达波入射角度, 不同运动状态及不同几何外形的时频分布特点. 对时频分布图进行逆Radon变换, 将正弦曲线映射到参数空间, 从而获取目标的微动参数. 该研究结合电磁散射与信号处理技术, 通过对典型弹道目标的仿真, 获得一些不同于传统微动模型的结果, 结合电磁散射理论, 对这些现象进行了解释分析. 该研究成果在弹道目标的探测识别领域具有重要的理论与应用价值.     

Signal Analysis by Time-Frequency Distributions–Applications to Impulse Radar Scattering Echoes of Plate and Dihedral Corner

The scattering phenomenology of the plate and the dihedral corner are investigated using the time-frequency processing of simulated data. The FDTD method is applied to carry out the simulated data. The simulated data are next analyzed in joint time-frequency plane by using the STFT (short time Fourier transformation) technology to provide further insight into the scattering phenomenology. In addition, the time-frequency distribution series, which improves the resolution of the STFT while overcoming the cross-term interference problem of the Wigner-Ville distribution, is applied to better identify back scattering returns that are difficult to resolve in the joint time-frequency plane.     

Nonlinear real-life signal detection with a supervised principal components analysis

A novel strategy named supervised principal components analysis for the detection of a target signal of interest embedded in an unknown noisy environment has been investigated. There are two channels in our detection scheme. Each channel consists of a nonlinear phase-space reconstructor (for embedding a data matrix using the received time series) and a principal components analyzer (for feature extraction), respectively. The output error time series, which results from the difference of both eigenvectors of the correlation data matrices from these two channels, is then analyzed using time-frequency tools, for example, frequency spectrum or Wigner-Ville distribution. Experimental results based on real-life electromagnetic data are presented to demonstrate the detection performance of our algorithm. It is found that weak signals hidden beneath the noise floor can be detected. Furthermore, the robustness of the detection performance clearly illustrated that signal frequencies can be extracted when the signal power is not too low.     

基于心音窗函数的心音图形化处理方法的研究

心音分析与识别目前主要局限在一维信号处理方面, 为了获得心音信号更直观特征表现形式, 提高分类识别效果, 拓展心音识别研究领域, 提出了一种将心音与图像处理技术相结合、基于心音窗函数的心音纹理图特征提取与识别算法. 本文首先给出心音的模型, 定义心音时频图和心音纹理图, 然后讨论如何利用心音窗函数和短时傅里叶变换获取二维心音时频图, 并且针对心音的特点, 重点研究了心音窗函数的构造原则和实现方法, 最后通过改进的脉冲耦合神经网络模型实现了对心音纹理图的特征提取与身份识别. 仿真实验表明, 心音窗函数与传统窗函数相比较, 所获得的心音时频图具有第一、第二心音纹理更加清晰, 噪声纹理得到较好抑制的优点, 并且改进的脉冲耦合神经网络模型具有更低的计算成本, 与3种典型识别方法相比较, 呈现更高的识别率, 因而基于图像处理技术对心音进行特征提取与身份识别是一种行之有效的方法.     

圈养瓶鼻海豚通讯信号分析及融合分类方法

针对圈养条件下瓶鼻海豚通讯信号（whistle）分类时混叠大量回声定位信号（click）导致分类正确率降低的问题,提出了一种基于机器学习的融合分类方法。分别提取whistle信号的时频分布特征训练随机森林分类器,梅尔时频图特征训练卷积神经网络分类器,在此基础上设计融合判决器对混叠whistle信号进行分类识别。对圈养海豚声信号采集实验数据的分类识别结果表明,融合分类方法具有更好的分类性能,对混叠whistle信号分类正确率大于94%,优于时频分布特征分类器和梅尔时频图特征分类器,能够提高混叠信号的分类能力。      

针对磁共振射频脉冲的时频域分析方法比较研究

射频脉冲可实现样本自旋体系的精确操控,进而产生预期的核磁共振(NMR)信号,在NMR信号产生过程中扮演重要角色.该文分别采用短时傅里叶变换(STFT)、连续小波变换(CWT)和维格纳-威利分布(WVD)几种时频域分析方法对射频脉冲(优化形状脉冲)进行特性分析和比较.结果表明,三种方法各自具有优缺点,结合各自优势对射频脉冲进行各种方法分析,可以更好地理解复杂脉冲的幅度、相位特性在时频域的分布情况.该文的研究方法将为直观理解复杂射频脉冲对自旋体系的作用机制提供参考.     

时频谱图和数据增强的水声信号深度学习目标识别方法*

水声目标识别一直是水声领域研究的重点问题之一,深度学习方法可以有效地解决目标识别问题,然而,水声样本的稀少限制了该方法的应用。该文 提出一种基于数据增强的水声信号深度学习目标识别方法,该方法以Mel功率谱作为网络的输入特征,通过对原始信号在时域和时频域的拉伸和掩蔽等变换,实现数据扩展和增加泛化性能的目的,最后,利用改进的VGG网络模型实现目标分类。实验结果表明,该文方法得到的水下目标识别准确率(95.2%) 要优于其他4种对比方法,证明了该文提出的网络模型和数据增强方法均有助于提高目标分类性能。     

Feature extraction for rolling element bearing fault diagnosis utilizing generalized S transform and two-dimensional non-negative matrix factorization

This paper presents a novel feature extraction scheme for roller bearing fault diagnosis utilizing generalized S transform and two-dimensional non-negative matrix factorization (2DNMF). The generalized S transform, which can make up the poor energy concentration of the standard S transform, is introduced to generate the time-frequency representation (TFR). Experiment results on simulated signal and vibration signals measured from rolling element bearings have revealed that the generalized S transform can obtain a more satisfactory TFR than other similar techniques. Furthermore, a new technique called two-dimensional non-negative matrix factorization (2DNMF), which can reduce the computation cost and preserve more structure information hiding in original 2D matrices compared to the NMF, is developed to extract more informative features from the time-frequency matrixes for accurate fault classification. Experimental results on bearing faults classification have demonstrated that the proposed feature extraction scheme has an advantage over other similar feature extraction approaches.     

基于伪Wigner-Ville分布和Rnyi熵的显著图目标检测

在复杂背景中,往往难以实现目标的自动检测,依据Wigner-Ville分布能够对图像在空间域/空间频率域上联合表示的特性.研究了图像经伪Wigner-Ville分布后Rnyi熵的统计特性,分析了人造目标的出现会引起自然场景中Rnyi熵统计特性的变化,并在此基础上提出了一种新的基于伪Wigner-Ville分布和Rnyi熵的显著图生成方法.之后对显著图进行简便的阈值分割,完成目标检测.实验结果表明,所提出的方法能够有效地检测复杂地面背景中的军用车辆.