用零点预处理法实现强干扰背景下弱信号测向

合集下载

高斯约束强干扰背景下微弱语音信号的提取

关键词：高斯约束；强干扰；微弱信号；语音信号；同步累加；提取
ＥｘｔｒａｃｔｉｏｎｏｆｗｅａｋｖｏｉｃｅｓｉｇｎａｌｗｉｔｈＧａｕｓｓｉａｎｃｏｎｓｔｒａｉｎｅｄｓｔｒｏｎｇｉｎｔｅｒｆｅｒｅｎｃｅＸＵＦａｎｙｕｎ，ＺＨＡＮＧＺｅｈａｏ，ＳＯＮＧＫａｉ
ｖａｉｒｏｕｓｔｙｐｅｓｏｆｅｌｅｃｔｒｏｍａｇｎｅｔｉｃｉｎｔｅｆｒｅｒｅｎｃｅ．ｃｏｕｐｌｅｄｗｉｔｈｔｈｅｎｏｉｓｅａｔｔｈｅｓｏｕｎｄｓｏｕｒｃｅａｎｄａｍｐｌｉｉｆｃａｔｉｏｎ．Ｅｖｅｎｎｏｎ－ｃｏｏｐ — ｅｒａｔｉｖｅｓｉｇｎａｌｅｘｔｒａｃｔｉｏｎｉｎｔｈｅｍｉｌｉｔａｒｙｉｆｅｌｄ，ｖｏｉｃｅｗｉｔｈｉｆｏｎｒｍａｔｉｏｎｏｔｆｅｎｂｅｓｕｂｍｅｒｇｅｄｕｎｄｅｒｔｈｅｂａｃｋｇｒｏｕｎｄｏｆｓｔｒｏｎｇｉｎ —
ＸＵＦａｎｙｕｎ，ＺＨＡＮＧＺｅｈａｏ，ＳＯＮＧＫａｉ．ＥｘｔｒａｃｔｉｏｎｏｆｗｅａｋｖｏｉｃｅｓｉｇｎａｌｗｉｔｈＧａｕｓｓｉａｎｃｏｎｓｔｒａｉｎｅｄｓｔｒｏｎｇｉｎｔｅｆｒｅｒｅｎｃｅ

一种有效的用于雷达弱目标检测的算法

雷达技术在现代军事、航空航天、气象预测等领域具有广泛的应用，但在检测弱目标时存在一定困难。

因为雷达回波受到噪声干扰、地球曲率衰减等因素的影响，导致弱目标的回波信号非常微弱，很难被准确检测和识别。

为了解决这一问题，科研人员提出了一种有效的用于雷达弱目标检测的算法。

一、算法原理该算法基于多普勒雷达信号处理理论和自适应信号处理方法，通过对雷达回波信号进行分析和处理，提取出弱目标的回波信号，实现对弱目标的高效检测。

1. 信号预处理首先对雷达接收到的信号进行预处理，去除噪声、消除地球曲率衰减等干扰因素，保留目标回波信号的有效信息。

2. 多普勒处理利用多普勒效应对目标的回波信号进行处理，提取出目标运动的特征参数，包括速度、加速度等信息。

3. 自适应滤波采用自适应滤波技术对目标信号进行增强和突出，同时抑制干扰信号，提高目标信号的信噪比，从而实现对弱目标的有效检测。

二、算法特点该算法具有如下特点：1. 高效性：采用了多普勒雷达信号处理理论和自适应信号处理方法，能够高效地提取出弱目标的回波信号，实现对弱目标的快速检测。

2. 稳健性：对于不同环境下的雷达信号，算法能够有效地适应和处理，具有较强的稳健性和抗干扰能力。

3. 精准性：通过对目标信号的分析和处理，能够准确提取出目标的特征参数，实现对弱目标的精准检测和识别。

三、应用前景该算法在军事侦察、空中交通管制、天气预测等领域具有广泛的应用前景。

尤其是在军事侦察中，对于隐身飞行器、导弹等弱目标的检测和跟踪具有重要意义。

总结：以上所述的算法是一种有效的用于雷达弱目标检测的算法，通过对雷达回波信号的处理，能够高效、稳健、精准地实现对弱目标的检测和识别。

该算法的应用前景广泛，对于提高雷达系统的检测能力，具有重要的意义。

随着科技的不断发展，相信该算法在未来会得到进一步的完善和应用。

四、算法优化虽然上述算法在雷达弱目标检测方面已经取得了显著的效果，但在实际应用中仍存在一些问题和不足，需要进一步优化和改进。

微弱信号检测的基本理论和技术

微弱信号检测的基本理论和技术微弱信号检测的基本理论和技术微弱信号检测技术是采用电子学、信息论、计算机和物理学的方法，分析噪声产生的原因和规律，研究被测信号的特点和相关性，检测被噪声淹没的微弱有用信号。

微弱信号检测的宗旨是研究如何从强噪声中提取有用信号，任务是研究微弱信号检测的理论、探索新方法和新技术，从而将其应用于各个学科领域当中。

在微弱信号检测中，总是伴随着噪声，噪声属于电路中的随机扰动，它可能来自电路中元器件中的电子热运动，或者是半导体器件中载流子的不规则运动。

噪声是限制信号检测系统性能的决定性因素，因此它是信号检测中的不利因素。

对于微弱信号检测来说，如能有效克服噪声，就可以提高信号检测的灵敏度。

电路中噪声是一种连续型随机变量，即它在某一时刻可能出现各种可能数值。

电路处于稳定状态时，噪声的方差和数学期望一般不再随时间变化，这时噪声电压称为广义平稳随机过程。

若噪声的概率分布密度不随时间变化，则称为狭义平稳随机过程(或严格平稳随机过程)。

显然，一个严格平稳随机过程一定为广义平稳随机过程，反之则不然。

1.滤波器被噪声污染的信号波形恢复称为滤波。

这是信号处理中经常采用的主要方法之一，具有十分重要的应用价值。

现在，在各种信号检测仪器中均离不开各种滤波器，它起到了排除干扰，分出信号的功能。

常用的滤波器是采用电感、电容等分立元件构成(例如，RC低通滤波器、LC谐振回路等)，它对于滤去某些干扰谱线(例如，电源50Mz滤波，收音机、电视机中干扰的滤波)，有较好的效果。

对于混在随机信号中的噪声滤波，这种简单的滤波器就不是最佳的滤波电路。

这是因为信号与噪声均可能具有连续的功率谱。

因此需要寻找一种使误差最小的最佳滤波方法，有称为最小最佳滤波准则。

维纳线性滤波理论就是一种在最小均方误差准则下的最佳线性滤波方法。

出于维纳滤波器电路实现上的困难，在维纳滤波基础上发展了一种基于状态空间方法的最佳线性递推滤波方法，称为卡尔曼滤波。

微弱信号的检测方法

微弱信号的检测方法微弱信号的检测是指在噪声背景下，检测和提取出非常弱的信号。

这是许多领域中重要的问题，如无线通信、雷达、天文学和生物医学等。

由于微弱信号可能与噪声相似，因此检测方法需要对噪声进行有效的抑制，并提高信号的可观测性。

本文将介绍一些常用的微弱信号检测方法，并对其原理和应用进行详细讨论。

一、相关检测方法相关检测方法是一种常见的微弱信号检测方法。

它基于信号和噪声之间的相关性，通过计算信号与预先定义的模板之间的相关度来判断是否存在微弱信号。

相关检测方法的主要步骤包括预处理、相关运算和判决。

预处理阶段通常包括滤波、降噪和增强信号质量等操作，以提高信号的可观测性。

相关运算阶段使用相关函数来衡量信号和模板之间的相似度。

最后，在判决阶段根据相关度的阈值来判断是否存在微弱信号。

二、统计检测方法统计检测方法是基于概率统计理论的一种微弱信号检测方法。

根据噪声和信号的统计特性，通过建立适当的统计模型来描述信号和噪声之间的差异，并利用统计推断方法进行信号检测。

常用的统计检测方法包括最大似然检测、Neyman-Pearson检测和贝叶斯检测等。

最大似然检测通过计算信号和噪声模型的似然函数来估计信号存在的概率。

Neyman-Pearson检测通过设置假设和备择假设来最小化错误检测概率。

贝叶斯检测方法则利用贝叶斯公式，结合先验概率和后验概率来判断信号是否存在。

三、小波变换方法小波变换是一种多尺度分析方法，可以将信号分解成不同频率的子信号。

因此，它在微弱信号检测中具有广泛的应用。

通过对信号进行小波变换，可以将微弱信号从噪声中分离出来。

小波变换方法包括连续小波变换和离散小波变换。

连续小波变换是通过对信号应用一组连续小波基函数来分析信号的频谱特性。

离散小波变换则是对信号进行离散化处理，以在有限的时间和频率分辨率下进行分析。

小波变换方法具有时频局部化的性质，能够有效地检测和提取微弱信号。

四、自适应滤波方法自适应滤波是一种广泛应用于微弱信号检测的方法。

微弱信号检测技术

微弱信号检测技术科学技术发展到现阶段，极端条件下的物理实验已成为深化认识自然的重要手段．这些实验中要测量的物理量往往都是一些非常弱的量，如弱光、弱磁、弱声、微小位移、徽温差、微电导及微弱振动等等。

由于这些微弱的物理量一般都是通过各种传感器进行电量转换．使检测的弱物理量变换成电学量。

但由于弱物理量本身的涨落、传感器的本底和测量仪器的噪声的影响，被测的有用的电信号往往是淹没在数千倍甚至数十万倍的噪声中的微弱信号．为了要得到这一有用的微弱电信号，就产生了微弱信号检测技术。

因此．微弱信号检测技术是一种与噪声作斗争的技术．它利用了物理学、电子学和信息论的方法．分析噪声的原因和规律．研究信号的特征及相关性．采用必要的手段和方法将淹没在噪声中有用的微弱信号检测出来．目前．微弱信号检测主要有以下几种方法：‘1、相干检测相干检测是频域信号的窄带化处理方法．是一种积分过程的相关测量．它利用信号和外加参考信号的相干特性，而这种特性是随机噪声所不具备的，典型的仪器是以相敏检波器(PSD)为核心的锁相放大器。

2、重复信号的时域平均这种方法适用于信号波形的恢复测量。

利用取样技术．在重复信号出现的期间取样．并重复n次，则测量结果的信噪比可改善n倍。

代表性的仪器有Boccar 平均器或称同步(取样)积分器，这类仪器取样效率低，不利低重复率的信号的恢复．随着微型计算机的应用发展．出现了信号多点数字平均技术，可最大限度地抑制噪声和节约时间，并能完成多种模式的平均功能．3、离散信号的统计处理在微弱光检测中，由于微弱光的量子化，光子流具有离散信号的特征．使得利用离散信息处理方法检测微弱光信号成为可能。

微弱光检测又分为单道(Single-Channel)和多道(MuIti．-Channel)两类。

前者是以具有单电子峰的光电倍增管作传感器，采用脉冲甄别和计数技术的光子计数器；后者是用光导摄象管或光电二极管列阵等多路转换器件作传感嚣．采用多道技术的光学多道分析器(OMA)。

强目标掩盖下雷达微弱目标检测算法

摘要：在雷达多目标检测时，弱目标由于其能量低，容易被・临近的强目标掩盖，严重影响了弱目标的检测。针对
强弱目标并存的情况，提出了一种新的雷达微弱目标检测算法。首先联舍Ｋｅｙｓｔｏｎｅ变换和最小二乘Ｆ１Ｒ滤波器原理，实现了强目标相参积累并估计了其回波幅值，从而重构出强目标回波信号，并将其从原始回波中消除。通过对余下信号
Ｊａｎｕａｒｙ２０１７网址：ｗｗｗ．ｓｙｓ — ｅｌｅ．Ｃｏｒｎ
强目标掩盖下雷达微弱目标检测算法
田瑞琦，林财永，鲍庆龙，陈曾平
（国防科学技术大学自动目标识别重点实验室，湖南长沙４１００７３）
ｅｃｈｏｉｓｉｎｔｅｇｒａｔｅｄｃｏｈｅｒｅｎｔｌｙｆｏｒｔｈｅｄｅｔｅｃｔｉｏｎｏｆｗｅａｋｔａｒｇｅｔｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｖａｌｉｄａｔｅｔｈｅｅｆｆｅｃｔｉｖｅ —
ＤｅｆｅｎｓｅＴｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｓｈａ４１００７３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎｒａｄａｒｍｕｌｔｉ — ｔａｒｇｅｔｄｅｔｅｃｔｉｏｎ，ｔｈｅｗｅａｋｔａｒｇｅｔｉｓａｌｍｏｓｔｃｏｖｅｒｅｄｂｙｔｈｅｓｔｒｏｎｇｔａｒｇｅｔｎｅａｒｂｙｂｅ —

强杂波背景红外弱小目标检测算法

法。
１方法原理
红外图像空间模型通常由３个分量组成ｎ］：目标图像、背景图像、噪声图像，可表示为
／ ’ （ｚ，Ｙ，ｋ）一ｆ（，，ｋ）＋ｆ２（ｚ，Ｙ，ｋ）４－ｆ。（，Ｙ，ｋ）（１）
第２７卷第４期
２０１５年４月
强激光与粒子束
ＨＩＧＨＰＯＷＥＲＬＡＳＥＲＡＮＤＰＡＲＴ１ＣＬＥＢＥＡＭＳ
Ｖｏ１．２７，ＮＯ．４
Ａｐｒ．，２０１５
强杂波背景红外弱小目标检测算法
概率不低于０．７５，虚警率不高于１次／１ＯＯ帧。
关键词：红外；弱小信号检测；自适应滤波；虚假目标删除；检测概率
中图分类号：ＴＰ３９１文献标志码：Ａｄｏｉ：１０．１１８８４／ＨＰＬＰＢ２０１５２７．０４１００４
取出弱小信号目标，必须过滤图像中存在的背景和噪声信息。算法流程如图１所示。
武自刚，彭真明。，张萍
（１．九洲电器集团有限责任公司，四川绵阳６２１０００；２．电子科技大学光电信息学院，成都６１００５４）
摘要：针对强杂波背景远距离红外弱小信号目标的特点，提出了一种基于自适应滤波的红外弱小信号检测方法。算法首先对图像进行消噪声处理，其次运用自适应滤波方式消除背景增强目标信号，最后进行基于点源目标（试验采集）成像信号特性的判决法则删除虚假目标，算法有效解决了光电探测设备高检测概率与低虚警率的矛盾。实验结果表明：该方法能够在单帧图像上有效提取出小区域信噪比为４的弱小信号目标，检测

一种强噪声背景下的微弱信号检测的新方法

覆盖了输入信号的整个频带, 并且由于小波变换的
线性特点, 即一个多分量信号的小波变换等于各个
分量的小波变换之和。使输呻信号 x ( k ) 与期望信
号 d( k ) 的小波分解的各相应子带均有相同的带宽。
Mallat 的小波分解公式为:
E cjn =
2-
1 2
c h j+ 1 k k- 2n
k
( 3)
收稿日期: 2005-04-01; 修回日期: 2005-06-15 基金项目: 国家自然科学基金( 59977024) 作者简介: 张威( 1972- ) , 男, 辽宁鞍山人, 东北大学博士研究生, 主要从事信号处理张威等: 一种强噪声背景下的微弱信号检测的新方法
号的信噪比。对微弱信号检测理论与方法的研究, 是目前检测领域的一个热点。前人已经提出不少检测算法, 并不断加以改进, 但检测精度和速度的提高不显著[ 1] 。
用小波进行信号的消噪可以很好地保存有用信号中的尖峰部分和突变部分。而用傅里叶分析进行滤波时, 由于信号集中在低频部分, 噪声分布在高频部分, 所以, 可用低通滤波器进行滤波, 但是, 它不能将有用信号的高频部分和由噪声引起的高频干扰加
2-
1 2
c h j+ 1 k k- 2n
k
同样, 记算子 G: l 2 y l 2, 其运算意义如式( 3) 的
第 º 式所示, 即
72
计量学报
2007 年 1 月
E ( GCj+ 1 ) n =
2-
1 2
c g j+ 1 k k- 2n
k
用采样算子表示后, 式( 4) 所表明的分解算法结
构如图 2 所示:
2 算法描述

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

参数估计受强干扰影响远大于其对强干扰的影响，因此在估计弱信号参数时先消除强干扰可以提高弱信号的可估计性。消除强干扰通常有两种思路，种是作减法一
运算，估计出强干扰的相关参数，复强干扰，恢并
ＡｂｔａｔＴｅｃａｓｃｌｓａｉｌｓｅｔｕｅｔｍａｉｎａｇｒｔｍｓｃｎ’ ｓｉｔａｉｎｓ’ ｄｒｃｓｒｃ：ｈｌｓｉａｐｔａｐｃｒｍｓｉｔｏｈａｔｅｔｍａｅｗｅｋｓｇａｏｌｉｌｉ — ｅ
代表性的算法就是Ｒｌａｏ．ａｄ２』法，核ｅｘｔｎＢｓ＿’方ａｉｅ３其
０引言
当空间同时存在有强干扰（率远大于信号）功
心思想是依次估计当前功率最强信号作为干扰，估计其角度和强度，构造其协方差矩阵，从接收信
苏成晓罗景青
（电子工程学院，合肥２０３）３０７
摘要常规空间谱估计算法在强干扰背景下对弱信号不能正确测向。文章利用零点预
处理算法，过构造零点加权矩阵对强干扰进行抑制，进行弱信号的ＤＡ估计，高了通再Ｏ提
弱信号的测向成功概率。最后计算机仿真实验验证了方法的有效性和正确性。
关键词预处理零点加权矩阵弱信号测向
ＤＯＡｔｍａｉｎｏｅｋＳｇａｓｉｈｅｅｃｆＳｒｎＥｓｉｔｏｆＷａｉｎｌｎｔｅＰｒｓｎｅｏｔｏｇ
收稿日期：０９年１月２日２０１７
点加权矩阵的构造方法，零点加权矩阵对阵列用
ＪｍｍｉｇｖａＮｕｌＰｅｒｃｓｉｇＡｌｏｉｍａｎｉｌｒｐｏｅｓｎｇｒｔｈ
ＳｅｇｉｏＬｉｇｉｇｕＣｈｎｘａｕｏＪｎｑｎ
（ｌｃｒｎｃＥｇｎｅｎｎｔｕｅＥｅｔｉｎｉｅｒｇＩｓｉｔ，Ｈｅｅ２０３ｏｉｔｆｉ３０７，Ｃｉａｈｎ）
ｎｌｗｉｈｉｇｍａｒｏｓｐｒｓｔｎａｍｉｇｎｈｎｅｔａｅｗａｉａｓｉｃｉｎ．Ｔｅｕｌｅｇｔｔｘｔｕｐｅｓｓｒｇｊｍｎ，ａｄｔｅｓｍｔｅｋｓｌ’ｄｒｔｎｉｏｉｎｇｅｏｈ
ｐｏａｉｉｆｃｒｅｔｅｔｍａｉｎｏａｉｎｌａｅｎｉｒｖｄ．Ｉｆｃｉｅｅｓａｄｃｒｅｔｅｓｒｂｂｌｙｏｏｒｃｓｉｔｆｗｅｋｓｇａｓｈｓｂｅｍｐｏｅｔｏｔｅｆｔｎｓｎｏｃｎｓｓｅｖｈｖｅｎｖｒｆｄｂｏｕｅｉｌｔｏｓａａｔａｅｂｅｅｉｙｃｍｐｔｒｓｍｕａｉｎｔｌ．ｉｅｓＫｅｗｏｄ：ｐｅｒｃｓｉｇ；ｎｌｗｅｇｔｇｍａｒｘ；ｗｅｋｓｇａ；ＤＯＡｓｉｔｎｙｒｓｒｐｏｅｓｎｕｌｉｈｉｔｎｉａｉｎｌｅｔｍａｉｏ
号协方差矩阵中减去该信号，依次处理其它干再扰。另一种就是作乘法运算，设计加权矩阵，权加
和弱信号，特别是强干扰与弱信号角度相隔较近时，采用常规空问谱估计算法，信号的谱峰通常弱
被强干扰的谱峰所遮盖，会严重影响弱信号的这检测与方向估计＿。信号角度估计呈现出弱信号ｌＪ
矩阵与强干扰方向向量正交，用在于抑制强干作扰通过，而接收信号经过加权矩阵输出后不存进在强干扰分量。文献［４—６都属于此类方法，］只是加权矩阵的构造方式不同。
零点预处理算法＿是一种根据需要预先设置７Ｊ
ｔｎｃｒｃｌｅｐｅｅｃｆｓｏｇｊｍｍｉｇｓｎｕｌｒｐｏｅｓｇａｇｒｈｆｓｃｎｔｃａｉｏｒｔｉｔｒｓｎｅｏｒｎｏｅｙｎｈｔａｎ．Ｕｉｇｎｌｐｅｒｅｓｉｌｏｔｍ，ｒｔｏｓｒｔｎｉｉｕ
空间零点的预处理类算法，用于相干信号的可
ＤＡ估计中。本文将零点预处理算法运用到强Ｏ干扰背景下弱信号的ＤＡ估计中，出了三种零Ｏ给
从接收信号或其协方差矩阵中减去强干扰分量。
２１００年第３期
２Ｏ．ｏ．Ｏ１Ｎ３
电
子
Hale Waihona Puke 对抗总第１２期３
ＳｒｓＮｏ．３ｅｉｅ１２
ＥＣＲＯＮＩＷＡＲＦＥＩＴＣＡＲ
・
学术论文与技术报告・
用零点预处理法实现强干扰背景下弱信号测向