提高采样频率实现随机共振用于高频信号检测
基于自适应随机共振理论的太赫兹雷达信号检测方法

基于自适应随机共振理论的太赫兹雷达信号检测方法王珊;王辅忠【摘要】太赫兹雷达系统在差频信号频谱分析过程中,干扰噪声影响其测距能力.针对上述问题,提出基于自适应随机共振理论的太赫兹雷达信号检测方法,通过对含噪差频信号进行二次采样,利用自适应随机共振系统提取信号,进行尺度恢复完成测距计算.实验数据显示,不同测量距离时,相较于快速傅里叶变换法,输出信噪比的平均增益为9.684 dB,其中测量距离为1000 mm处,差频信号初始频谱值提高了64.1倍,系统信噪比增益为11.761 dB;相较于滤波法,在测量距离为1000 mm处信噪比增益最大,提高了70.56%;输入噪声强度为1—5 V之间时,输出信噪比曲线的曲率相对于滤波法降低了86.5%,其中噪声强度为5 V时信噪比增益最大,为14.018 dB.实验表明太赫兹雷达系统的测距能力大幅提高.【期刊名称】《物理学报》【年(卷),期】2018(067)016【总页数】8页(P80-87)【关键词】太赫兹雷达测距;差频信号;自适应随机共振【作者】王珊;王辅忠【作者单位】天津工业大学理学院, 天津 300378;天津工业大学理学院, 天津300378【正文语种】中文1 引言近年来,随着太赫兹技术的发展,太赫兹雷达的研究已经广泛开展[1−3].太赫兹波是指频率波段为0.1—10 THz的电磁波,与微波、毫米波相比,其波长短且带宽大,应用于雷达方面具有无测量盲区、低功率及低截获率等众多优势[4,5].一般来说,太赫兹雷达的回波信号为带噪信号,因此在差频信号频谱分析过程中,需对其进行去噪检测.目前雷达信号常用的处理方法为快速傅里叶变换法(fast fourier transform,FFT)[6]和滤波法[7−9].直接FFT法由于存在噪声干扰,影响信号频率估计能力.滤波法从消除噪声的角度来检测信号,但降噪的同时也削弱了有用的特征信号,模糊了信号的位置信息,影响太赫兹雷达的检测能力.而随机共振(stochastic resonance,SR)系统能够利用噪声能量,放大弱信号而抑制噪声[10−12].本文根据差频信号的特点,提出基于自适应随机共振理论的太赫兹雷达信号检测方法.以太赫兹雷达的差频信号为研究对象,采用二次采样算法,通过自适应随机共振系统,进行信号的提取及尺度恢复,自动检测差频信号,提高太赫兹雷达测距能力.2 太赫兹信号的自适应SR检测理论2.1 太赫兹雷达测距基本原理太赫兹线性调频连续雷达系统发射的是经线性调频的连续波,通过分析发出的电磁波与目标反射的回波做混频,从而得到差频信号,通过差频信号的主频来提取距离信息,得出目标的状态.其发射信号公式表示如下[13,14]:(1)式中A为发射信号的幅度值;f0为起始频率;k是调频斜率,其中k=BW/T.BW为信号带宽,即起始频率的差值;T为脉冲带宽(调频时间).发射信号的最大频率为:fmax=f0+kT=f0+BW.雷达发射信号辐射出去之后,遇到目标,目标反射回信号.接收信号表达式为(2)式中,t0=2R/C为延迟时间,R是目标与雷达之间的距离,C是光速.反射信号被接收之后,与接收机的发射信号进行混频,混频会产生两项的和与差.发射信号与接收信号的差值即为差频频率fb,与目标距离成正比.距离值由下式给出:则延迟时间t0可表达为混频之后,得到所需要的差频信号,其表达式如下:由(4)式和(5)式可得差频信号的表达式为通过对时域差频信号进行FFT之后,可以在频率中找到差频产生的峰值.此频率峰值可以转换成距离值.因此测距系统的关键在于检测差频信号.在带宽B和周期T一定的条件下,得到差频信号fb,便可计算距离R.所以差频信号的检测能力直接影响测距的能力.由于信号在传播过程中能量损耗,再叠加上空域中其他杂波以及噪声信号,接收机接收到的信号从时域上已经无法辨别出所需要的信息,利用传统的去噪方法,噪声虽然去除了,但同时对于其中的雷达信号也产生了影响,甚至损坏雷达信号,造成分析错误甚至误判,对于测距能力而言是十分不利的.而随机共振的特性决定了它在雷达信号检测方面的广泛应用[15].2.2 太赫兹信号的随机共振原理非线性双稳系统的动力学方程可用Langevin方程[16−18]表示:式中a,b为非线性双稳系数;x(t)是双稳系统输出信号;n(t)是强度为D的加性高斯白噪声;s(t)为待测输入信号.太赫兹雷达系统发射信号为线性调频连续波,信号在接收和传输过程中信号受到噪声的污染,混频之后,得到待测含噪差频信号表达式为当差频信号sb(t)和噪声n(t)通过双稳态非线性系统,调节参数a,b,使信号、噪声及非线性系统之间达到匹配,一部分噪声能量将转化到信号身上,从而发生随机共振,提取出被噪声淹没的差频信号,计算出测量距离.3 太赫兹信号的自适应SR检测系统设计3.1 自适应SR系统设计自适应算法公式[19,20]为式中,SNR为信噪比,SNRm为最大信噪比,Ac为临界幅值,Acmin为最小临界幅值.系统采用最小均方误差法(LMS)确定最小临界幅值,即给定参数a,b的循环步长和先后顺序,每固定一个b值,调节a值,计算系统输出的信噪比并存入矩阵;a循环完毕,计算最大信噪比与其对应的临界幅值,将信噪比与临界幅值分别存入列向量中;b循环时,比较列向量中临界幅值的大小,得到系统最小临界幅值Acmin.系统根据Acmin,采用逆向定位法[21]确定最优参数a1,b1和信噪比SNR1.根据数值相同,确定Acmin在Ac列向量中的位置;根据行位置相同,得到SNRm列向量的数值,即为SNR1;由行位置相同,且满足与SNR1数值相同,确定SNR1在SNR矩阵中的位置;由行列位置均相同,得到a1,b1在ab矩阵中的位置.具体流程如图1所示.图1 自适应随机共振程序流程图Fig.1.Program tree of adaptive SR system. 图1中a,b为双稳系统的参数;n1,n2分别为参数a,b的循环次数,矩阵形式为(n1,n2);SNR是信噪比,矩阵形式为(n1,n2);SNRm为矩阵SNR的行最大值,矩阵形式为(n2,1)的列向量;Ac是临界幅值,矩阵形式为(n2,1)的列向量.经过自适应系统后,最后系统输出参数a1,b1,SNR1,Acmin.3.2 太赫兹信号的自适应SR检测流程设计太赫兹差频信号的频率范围为0.1—10 THz,频率不满足绝热近似条件,无法通过双稳态非线性系统达到随机共振.因此,本文先通过二次采样算法[22−24],将信号的频率范围线性压缩到0—1 Hz,然后再通过自适应随机共振得到最优输出信号,其实现流程如图2所示.本文对含噪的差频信号进行二次采样,输入自适应随机共振系统中,以最优频谱值作为高信噪比的评价标准,同时结合临界幅值,在满足较大信噪比与较小临界幅值的条件下,采用逆向定位法确定自动获得最优参数,实现最优随机共振.然后将含噪差频信号重新经过自适应随机共振系统,经尺度恢复后实现太赫兹雷达信号的自适应SR检测.图2 自适应SR太赫兹信号检测流程图Fig.2.Processing chart of terahertz signal detection with adaptive SR system.4 实验结果与分析本文在Matlab中进行仿真验证,实验设定相关参数:发射信号为线性调频连续波s0(t)=Acos(2πf0t+πkt2),其中信号幅度A=0.3 V[25],初始频率f0=10 GHz,周期为T=2×10−5s,带宽BW=3 GHz.含噪差频信号为S(t)=sb(t)+n(t),其中噪声强度D=2 V.设定采样频率fs1=5×107Hz,二次采样频率fs2=5 Hz,最优系统参数参数范围a(0,0.5),b(0,0.5),自适应系统的循环步长U1=0.002,U2=0.002.取测量距离R=1000 mm处的差频信号,其理论对应的差频信号频率fb=1×105Hz.将含噪差频信号输入自适应随机共振系统,得到最优参数a=0.002,b=0.012.含噪差频信号与其经过自适应SR系统的频谱图如图3(a)与图3(b)所示.对比图3(a)与图3(b)的波形,图3(a)波形振荡较图3(b)剧烈,波形存在许多高频小毛刺,待测的差频信号频谱值很低.而经过自适应随机共振系统后,噪声能量向差频信号发生了转移,差频信号能量被增强,质量得到很大改善,初始频谱值由110.1上升到7172,提高了64.1倍.整个系统的初始信噪比由−11.94 dB提高到−0.179 dB,信噪比增益为11.761 dB,表明太赫兹雷达信号的检测能力得到提升.图3 (a)含噪差频信号的时域图、频域图与二次采样频域图;(b)含噪差频信号经过自适应SR系统的时域图、频域图与尺度恢复频域图Fig.3.(a)The time domain graph and the spectrum chart of the noised different-frequency signal and it’s twice sampling spectrum chart;(b)t he time domain graph and the spectrum chart of the noised differentfrequency and it’s scale recovery spectrum chart after the adaptive SR system.取测距范围R为1—9 m之间的9个测量点.设定采样频率fs1=5×107Hz,二次采样频率fs2=5 Hz.将含噪差频信号输入自适应随机共振系统,得到距离测距能力如表1所列.表1显示了经过自适应随机共振系统后,太赫兹雷达系统的差频信号在不同距离上的信噪比与信噪比增益.在9个测量点上,随着测量距离的减小,差频信号频率随之减小,经过自适应随机共振系统后信号信噪比增大,信噪比增益同步增大,其中测量距离R=1000 mm时信噪比增益最大,为11.761 dB.由此可见,本文方法提高了太赫兹雷达的测距能力,平均信噪比增益为9.684 dB.表1 差频信号在不同距离处的测量对比Table parison of the different-frequency signal’s details at different me asuring distance.测量距离R/mm 系统参数1000 2000 3000 4000 5000 6000 7000 8000 9000 平均值fb/Hz1×105 2×105 3×105 4×105 5×105 6×105 7×105 8×105 9×105 a 0.002 0.002 0.002 0.002 0.002 0.002 0.002 0.002 0.002 b 0.012 0.018 0.024 0.028 0.030 0.06 0.88 0.98 0.98 SNR/dB −0.179 −1.152 −1.823 −1.998 −2.384−2.650 −2.931 −3.443 −3.741 SNR增益/dB 11.761 10.788 10.117 9.9429.555 9.289 9.009 8.496 8.199 9.684图4 三种方法在不同距离上的信噪比Fig.4.The output SNR graph of three methods at different measuring distances.图5 三种方法在不同强度噪声下的输出信噪比Fig.5.The output SNR graph of three methods under different intensity noise.图4为不同的测量距离时,分别采用直接FFT方法、滤波方法和自适应随机共振模型的输出信噪比对比图.对不同的测量距离,本文方法的输出信噪比均优于直接FFT 法和滤波法,其中在R=1000 mm处滤波法的信噪比增益为6.485 dB,采用本文方法信噪比增益为11.061 dB,信噪比增益最大提高了70.56%.表明对不同测量距离,相对于传统方法,含噪太赫兹差频信号经过本文所提系统得到了更好的恢复.图5为在不同的噪声强度背景下,分别采用直接FFT法、滤波法和自适应随机共振模型的输出信噪比曲线.从图5中可以看出系统的输出信噪比随着输入噪声强度的增加而减小.系统输入的噪声强度在0.5—1 V之间时,自适应SR系统输出的信噪比大于传统滤波系统的输出信噪比,但增益幅度不大,最大信噪比增益为2.148 dB.系统输入的噪声强度在1—5 V之间时,自适应SR系统输出的信噪比明显大于滤波系统,在D=5 V处信噪比增益最大,为14.018 dB.同时,采用自适应SR系统输出的信噪比曲线下降幅度趋于平滑,曲率为0.507,而滤波模型的信噪比曲率为3.765,降低了86.5%.此结果表明在强噪声背景下,利用自适应随机共振方法提取太赫兹信号获得信息的能力优于传统方法.5 结论本文提出了一种基于自适应随机共振理论的太赫兹雷达信号检测方法,提高了太赫兹雷达系统的测距能力.对含有噪声的太赫兹差频信号进行二次采样后输入自适应随机共振系统,经优化自动得到最优参数进行信号的提取,对输出信号进行尺度恢复,从噪声中提取出有用的差频信号.实验仿真表明:经过自适应随机共振系统后,测量距离为1000 mm处,差频信号初始频谱值提高了64.1倍,系统信噪比增益为11.761 dB;不同测量距离时,输出信噪比的平均增益为9.6843 dB,相对于滤波法,在测量距离为1000 mm处信噪比增益最大,提高了70.56%;输入噪声强度为1—5 V之间时,自适应SR系统输出信噪比大于传统方法的输出信噪比,输出信噪比曲线的曲率低于滤波法,降低了86.5%,其中噪声强度为5 V时信噪比增益最大,为14.018 dB.本文所提方法不但解决了差频信号中噪声对于信号的覆盖问题,而且利用共振时噪声能量向信号转移的特性,提高太赫兹差频信号系统的输出信噪比,有利于后续信号进一步处理.相对于传统方法,该系统能更有效地实现噪声中对太赫兹差频信号的提取,具有十分广阔的应用前景.参考文献【相关文献】[1]Robinson L C 1958 Australian Defence Scientific Service 1 57[2]Withayachumnankul W,Png G M,Yin X X 2007 Proc.IEEE 95 1528[3]Appleby R,Wallace H B 2007 IEEE Trans.Antennas and Propag.55 2944[4]Zhang Z Z,Li H,Cao J C 2018 Acta Phys.Sin.67 090702(in Chinese)[张真真,黎华,曹俊诚2018物理学报67 090702][5]Chai L,Niu Y,Li Y F,Hu M L,Wang Q Y 2016 Acta Phys.Sin.65 070702(in Chinese)[柴璐,牛跃,栗岩锋,胡明列,王清月2016物理学报65 070702][6]Hou M S,Zou P,Zhu Y 2009 Electron.Meas.Technol.32 9(in Chinese)[候民胜,邹平,朱莹2009电子测量技术32 9][7]Zhang C,Shi Z F,Guo W 2016 Trans.Microsyst.Technol.35 141(in Chinese)[张晨,史再峰,郭炜 2016传感器与微系统35 141][8]Chen L,Bi D P,Zhang W 2015 Electron.Opt.Control 22 107(in Chinese)[陈璐,毕大平,张伟2015电光与控制22 107][9]Wang H,Li G X 2010 Electron.Optics Control 17 33(in Chinese)[王虹,李国兴 2010电光与控制 17 33][10]Benzi R,Sutera A,Vulpiana A 1981 J.Phys.A 14 453[11]Leng Y G,Lai Z H 2014 Acta Phys.Sin.63 020502(in Chinese)[冷永刚,赖志慧 2014物理学报 63 020502][12]Yang D X,Hu Z,Yang Y M 2012 Acta Phys.Sin.61 08050(in Chinese)[杨定新,胡政,杨拥民2012物理学报61 08050][13]Li J 2011 M.S.Dissertation(Chengdu:University of Electronic Science and Technology)(in Chinese)[李晋2011硕士学位论文(成都:电子科技大学)][14]Shen C 2013 M.S.Dissertation(Chengdu:University of Electronic Science and Technology)(in Chinese)[申辰2013硕士学位论文(成都:电子科技大学)][15]Liu J J,Leng Y G,Lai Z H,Tan D 2016 Acta Phys.Sin.65 220501(in Chinese)[刘进军,冷永刚,赖志慧,谭丹2016物理学报65 220501][16]Zou H L,Zheng L Q,Liu C J 2013 Imag.Signal Process.(CISP)6th International Congress on 2 1090[17]Xia J Z,Liu Y H,Ma Z P 2012 J.Vib.Shock 31 132(in Chinese)[夏均忠,刘远宏,马宗坡2012振动与冲击31 132][18]Zhang G L,Wang F Z 2009 put.Theor.Nanosci.6 676[19]Wang S,Wang F Z,Wang S,Li G J 2018 Chin.J.Phys.56 3[20]Gao Y X,Wang F Z 2013 put.Theor.Nanosci.0 1[21]Leng Y G,Wang T Y 2003 Acta Phys.Sin.52 2432(in Chinese)[冷永刚,王太勇 2003物理学报 52 2432][22]Reko ffJr M G 1985 IEEE Trans.Syst.18 244[23]Leng Y G,Wang T Y,Qin X D,Li R X,Guo Y 2004 Acta Phys.Sin.53 717(in Chinese)[冷永刚,王太勇,秦旭达,李瑞欣,郭焱2004物理学报53 717][24]Leng Y G,Wang T Y 2003 Acta Phys.Sin.52 2432(in Chinese)[冷永刚,王太勇 2003物理学报 52 2432][25]Qin G R,Gong D C,Hu G,Wen X D 1992 Acta Phys.Sin.41 3(in Chinese)[秦光戎,龚德纯,胡岗,温孝东1992物理学报41 3]。
均匀采样的信号频率检测方法及其实现

华中科技大学博士学位论文基于非均匀采样的信号频率检测方法及其实现姓名:***申请学位级别:博士专业:通信与信息系统指导教师:***20040620摘要随着计算机技术和数字信号处理技术在工程应用中的速度发展信号采样和信号处理的研究成为目前科学研究的一个重点对非均匀采样信号的研究成为信号处理领域的一个重要的研究内容提出两种非均匀信号的采样方法和两种非均匀采样信号的处理方法本文首先介绍了非均匀的采样方法非均匀采样信号的傅里叶变换分析根据非均匀采样信号的特点提出本文的研究内容使得采用低采样频率系统可以检测到高频率的信号使得非均匀采样的抗噪性能较低首次提出一种基于信号幅值的非均匀采样方法设置采样阈值抛弃被噪声影响较大的信号相当于提高了采样的抗噪性能可以检测出淹没在噪声中的微弱信号15dB的信号从而降低了混叠信号频谱的大小都出现一定幅度的频谱噪声非均匀采样引起的频谱噪声将淹没信号中的小信号的频谱本文提出了两种方法解决非均匀采样小信号的检测问题该方法在一个周期内进行非均匀采样非均匀周期采样介于均匀采样和完全非均匀采样之间又具有均匀采样的频谱特性可以检测出幅度相差10倍以上的两个信号成分从非均匀采样的信号处理算法上首次将陷波方法应用于非均匀采样应用陷波器抑制某个特定频率的信号采用陷波方法抑制大信号的频谱由于大信号引起的混叠频谱也将随之降低使用该方法可以有效检测出幅度相差100倍以上的两个信号成分但傅里叶变换方法在所有频率段上具有同样的频率分辨率为了解决傅里叶变换出现的问题给出变换函数关系使得非均匀采样信号满足小波变换的两个基本条件以非均匀小波分析非均匀采样信号文中还说明了非均匀小波变换的抗混叠的原理以及对信号频谱的检测方法验证了所提出方法的正确性该非均匀采样系统以数字信号处理器为核心该时钟控制模数转换器件采样非均匀采样信号送到数字信号处理器进行算法分析该结果通过USB接口传送到计算机进行分析保存以及传输验证了基于信号幅值的非均匀采样方法及其信号处理方法最后对本文的主要研究成果进行了概括关键词非均匀采样非均匀周期采样小波变换 AbstractWith the development of computer and signal processing technical, digital instruments has been used in more and more fields, it has been attached more importance to signal sampling and signal processing. The nonuniformly sampled signal is an importance research component of digital signal sampling and processing subject. This thesis studies some key issue of nonuniformly signal sampling theory and its application. The main contributions of this thesis are given as follows:The theory of nonuniformly sampling can process signals with components whose frequencies exceed the Nyquist limit. The disadvantage of nonuniformly sampling is there exists the noise in spectrum analysis. A novel method for nonuniform sampling based on amplitude of signals is proposed in this thesis. This new method combines sampling rate with amplitude of signals. It make the most of some special samples that it is help to process signal so it is very effective to suppress noise. It is an effective signal processing method for weak signal detection and it can estimate exactly the frequency of sinusoidal signal hidden beneath the noise when Signal-to-Noise Ratio (SNR) is below -15dB.The disadvantage of nonuniformly sampling is there exists the noise in spectrum analysis, so it’s difficult to detect the low amplitude signals. Two methods have been studied in this thesis. Firstly, a novel nonuniform periodically sampling method is proposed in this thesis. The samples are uniform in one period, but the samples are nonuniform in different periods, so these samples posses the merits of uniform and nonuniform sampling. It can estimate exactly the frequencies of sinusoidal signals when the ratio of amplitude of signal exceeds 10.A novel notch filter method for nonuniform sampling is studied in chapter 5 of this thesis. This method is very effective to suppress noise of spectrum by filtering the signal with the maximal amplitude so that it can detect the low amplitude signal. The fundamental of notch filter and threshold filtering are introduced, the characteristics of the notch filter are analyzed, and the processing procedure of notch filter is presented. It can estimate exactly the frequencies of sinusoidal signals when the ratio of amplitude of signalexceeds 100.A novel nonuniform sampling digital spectrum processing method based on wavelet transform is studied in chapter 6 of this thesis. The fundamental principle of nonuniform sampling wavelet transform and the processing procedure from the uniform wavelet to nonuniform wavelet is presented. The nonuniform sampling wavelet transform method is applied to the frequency detection.The results of the experiments of every method have been given in this thesis according to different signal, the results show that these methods are effective methods for nonuniform sampling signal detection and it can exactly estimate the frequencies of sinusoidal signals and rectangular signal.A real time nonuniform sampling and signal processing system based on a digital signal processor is developed in this thesis. This system includes a Tms320C6211 digital signal processor (DSP), an analog signal input and analog to digital converter (AD) part, a nonuniform clock generator, a data transfer part, etc. We use a complex programmable logic device (CPLD) to generate the nonuniform clock for AD, then AD sampling the signal according to this clock. The sampled data are processed by DSP used the nonuniform sampling algorithm.The method of nonuniform sampling based on amplitude of signals is tested in this system. It can estimate exactly the frequency of signal hidden beneath the noise when Signal-to-Noise Ratio (SNR) is below -15dB. The system can detect the signal above 18MHz at the maximal sampling of 1.5MHz, achieving 24 times the bandwidth of a classic uniformly digital signal processing (DSP) system that only can detect the signal above 0.75MHz at the sampling of 1.5MHz. This system process signals in real time, and the system is small-sized because it adopts a DSP.Finally, the main contributions in this thesis are summarized and some suggestions and directions for the future work in this field are given.Keywords: Signal processing, Nonuniform sampling, Fourier transform, Nonuniform periodically sampling, Notch, Wavelet transform独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果除文中已经标明引用的内容外对本文的研究做出贡献的个人和集体本人完全意识到本声明的法律结果由本人承担汪安民日期使用学位论文的规定学校有权保留并向国家有关部门或机构送交论文的复印件和电子版本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索缩印或扫描等复制手段保存和汇编本学位论文本论文属于不保密学位论文作者签名王殊日期 2004 年 4 月 26 日1 绪言1.1 引言随着计算机技术的发展并形成了具有强大生命力的学科首要问题就是对连续信号进行采样得到数字信号就是按照一定的时间间隔t∆获取连续时间信号)f的一系列采(t f∆n⋅模拟样值)(t信号/数字信号A/D输出的数字信号提供给数字信号处理单元进行统计处理以及显示一个典型的信号处理过程如下图1.1所示一个完整的A/D转换器包含以下三个部分采样将连续时间信号转变成采样信号幅值量化即数字量化其中幅值量化决定着A/D的数据位数采样是其中关键的环节采样理论和技术是信号处理理论的基础1.2 均匀采样和非均匀采样从采样时间间隔角度上可以将采样分成均匀采样和非均匀采样两种均匀采样的采样时间间隔是完全相等完全随机实际中由于采样设备和被采样信号的限制但随着电子技术的发展虽然仍然存在采样时间间隔的不等这些微小的时间误差在一般的工业应用中将不再影响信号处理的结果均匀采样是在时域上均匀抽取连续信号的值并且在硬件上很容易实现此外均匀采样可以使信号频谱完全显示香农采样定理是均匀采样的基础[1]ÒѾ-³¬¹ý°ë¸öÊÀ¼ÍÉè)(t f 是一个带限信号即当m ωω>时如果ms ωω2>那么)(t f 就唯一的由其采样点)(t n f ∆⋅),,2,1,0(±∞±±=L n 所确定t ∆为采样时间间隔香农采样定理的数学表达式为1.11.1ºóÀ´ÓÖ³öÏÖÁËÒ»ÖÖ½áºÏÎïÀí¸ÅÄîµÄÊýѧ֤Ã÷·½·¨采样定理的重要性在于它在连续时间信号和离散时间信号之间所起的桥梁作用使用信号的离散时间信号来表示该连续时间信号1.2.2 非均匀采样问题的提出非均匀采样是相对于均匀采样的一种采样方法在实际应用中总是存在采样时间误差由于采样速率的提高多路A/D技术是采用多个A/D分时采样以实现高速采样图1.2 m路A/D交替采样框图1t⋅秒m∆/(假设各路A/D的采样速率均为)⋅秒内m∆/(1t那么m路A/D的采样时刻将等间隔的分布在)1t∆秒的高则相当于一路采样速率为)/(速A/D¼´Ê¹ÊÇͬһ¸öÐÍºÅµÄÆ÷¼þËùÒÔ很多特殊的应用场合也存在非均匀采样情况例如雷达对空间反射波的测量由于不同空间的大气密度其反射波数据的采集一般为非均匀采样[3]ÀýÈçµØÃæ¶ÔÆøºòµÄÓ°ÏìÆä¶ÔÆøºòÓ°ÏìµÄЧӦµÄÊýֵģÄâÒ²±ØÐëÊǷǾùÔÈÊý¾Ý[4]·Ç¾ùÔȲÉÑùµÄÇé¿öÒ²ÊÇÊ®·ÖÆÕ±éÒª¶Ô¹¤³§³£ÄêÔËתµÄ´óÅú¹Ø¼üµÄÖØÒªÉ豸µÄ״̬½øÐмà²âÔ¤±¨´Ó¶ø»ñµÃµÄÿ̨É豸µÄ״̬²ÎÊýÐòÁÐÎÞÒɲ»¿ÉÄÜ×öµ½µÈ¼ä¸ô¶Ô·É»ú·¢¶¯»úµÄÄ¥Ëð״̬½øÐмà²âÔ¤±¨ÏÔÈ»ÓÉÓÚÖÖÖÖÔ-Òò传统的均匀采样受限于采样定理在客观上一定程度要求在采样时段内进行非均匀采样以减小数据冗余度降低采样频率从而可以实时快速的满足特定场合的要求如各种声音信号和二维的图像信号等对特定的信号均匀采样受限于A/D器件的速率而非均匀采样不受限于采样定理此外非均匀采样信号和均匀采样信号相比1.3 非均匀采样理论国内外研究概况国内外对非均匀采样信号的研究可以追溯到二十世纪五十年代它提出了非均匀采样时信号重建的条件和可能性即如果信号是一个随时间变化的幅值函数如果时间可分为以t∆秒为宽度的若干相等区域且在每个区域中采样点以任意方式排列情况下当每个区域的采样点数为N时原信号可以被唯一确定当采样点小于N时此时只有在附加条件的情况下当采样点超过N时信号不能被任意赋值1973年对非均匀采样信号重建的几种常用技术进行了系统的分析低通滤波器样条函数Yen内插等美国科学家Higgins用抽象数学研究了非均匀采样序列集合的结构[8]¼´ÔڷǾùÔȲÉÑùÇé¿öÏÂÒ»¸öÊǵ¥Î»Âö³å的变换集1977年显然从理论上说但文献[9]中并没有给出如何应用的说明19世纪90年代输出多路复用技术1988年Jenq[11]首先提出了分析方法这样一来从而求出了被采样信号的模拟频谱与该信号经非均匀采样后近年来随着计算机技术和集成电路技术的发展国内外已经有很多这一方面的报道[12国内外对非均匀采样理论研究的主要内容包括如下几个方面116由于非均匀采样引起的不利因素很容易被人们所认识这样滤波技术都可以直接移植到非均匀采样理论上即波形重建公式实现对波形函数的重建这类研究也取得很大的成果域序列变换方法的非均匀时序信号分析[1119ƵÓòÈçºÎ½«Ê±ÓòµÄ·Ç¾ùÔȲÉÑùÐźÅת»»µ½ÆäËûÓòµÄ·½·¨×ÔÈ»³ÉΪ·Ç¾ùÔȲÉÑùÀíÂÛÑо¿µÄÒ»¸öÖØµãÀëÉ¢ÓàÏұ任ÒÔ¼°Ð¡²¨±ä»»µÈ傅里叶变换快速傅里叶变换均匀采样算法向非均匀采样算法的转换[2123ÕâЩËã·¨°üÀ¨³£ÓõÄÂ˲¨¼¼Êõϵͳ±æÊ¶ÒÔ¼°Êý¾Ý±àÂëºÍѹËõµÈ2628]非均匀采样的采样策略主要是研究如何采样采用一些特殊的采样策略还可以提高可测信号的带宽非均匀采样过程的参数估计和建模[2931ÌÖÂÛÁ˵¥±äÁ¿ºÍ¶à±äÁ¿ÏµÍ³µÄ¸÷ÖÖÇé¿ö抖动采样的信号分析与处理[3335°üÀ¨ÏµÍ³Îó²îºÍËæ»úÎó²îÐÅºÅÆµÆ×µÄÒ»°ãÐÔ¹«Ê½¹¦ÂÊÆ×ÃܶÈÒÔ¼°¶ÔÕýÏÒÐźŷùÖµºÍÏàλ²âÁ¿µÄÓ°ÏìµÈ抖动采样的信号分析与处理方法适用于对信号波形多次测量的情况抖动采样的信号分析与处理方法可以归纳为两点一种是使用SVT方法测量信号瞬时值学术界对它们的研究方向大致可以分成两个方面主要研究其对正弦信号测量的影响Signal noise rate则又可再细分为利用输入已知频率正弦校准信号以及对被测信号进行补偿和信号重建面并进行相应的补偿对采样仪器进行采样时间偏差估计利用非均匀采样数据序列重建原始信号73840]伪非均匀采样又称伪随机采样实际中但在均匀采样基础上随机延迟或者超前采样时间伪随机采样有很多优点消除系统误差包括光谱减少量化比特误差消除寄生频率滤除相应的系统带宽内的频率加强宽带信号模数转换的分辨率等使得非均匀采样理论得到实际应用所以伪非均匀采样可以使用低速的采样速率检测到高速的信号雷达信号以及高速的宽谱信号而均匀采样必须提高采样设备的采样速率在现代数字信号处理中伪非均匀采样在高速信号的应用前景十分广阔非均匀采样理论和技术是一个非常庞大而复杂的研究领域非线性理论空间变换理论由于计算机技术的迅速发展以及人们对信息处理技术越来越高的要求到目前或者在一定条件下具有无限非均匀采样点的非均匀采样理论已经建立另外由非均匀采样的离散信号重构模拟信号问题对这些问题进行广泛无论在理论上还是在实际应用上都具有重大而深远的意义研究了非均匀采样信号的频谱分析并研究了非均匀采样信号的陷波方法和小波变换方法研究的主要研究内容如下1该方法针对微弱信号的特点根据采样阈值尽可能多的采样被噪声影响较小的信号检测出淹没在噪声中的微弱信号15dB的信号2该方法在一个周期内进行非均匀采样非均匀周期采样介于均匀采样和完全非均匀采样之间又具有均匀采样的频谱特性3该方法可以根据需要如果信号中存在幅度不等的两个信号很难直接检测出来从而准确的检测出小信号提出非均匀采样信号的小波变换方法并将小波变换方法应用于非均匀采样信号的频谱检测5该系统采用可编程逻辑器件产生非均匀采样时钟实现非均匀采样验证了基于信号幅值的非均匀采样方法及其信号处理方法本文的结构安排如下第2章介绍非均匀采样信号的傅里叶变换方法以及信号的频谱第4章提出一种非均匀周期采样方法第6章提出非均匀采样信号的小波变换方法第8章对本文的主要研究成果进行了总结本文的课题研究来源于国家863计划项目2002AA312200DWDM±¾ÂÛÎÄÑо¿ÆäÊý¾Ý²É¼¯ÓëÐźŴ¦Àíͨ¹ý¹âÏ˵ĹâÖÜÆÚÐÔµÄͨ¹ýÒ»¸ö·Ö¹â¾µ·Ö¹â¾µ·ÖÀëºóµÄ¹â¾-¹ýÒ»¸ö¹â̽²âÆ÷½«¹âÐźÅת±ä³É0Êý¾Ý²É¼¯²¿·Ö¶Ô¸ÃµçÐźŽøÐвɼ¯数字信号处理器处理PC¹©×ÔÊÊÓ¦Ãܼ¯²¨·Ö¸´Óõ÷ÕûϵͳµÄÏÂÒ»¸öµ¥ÔªÊ¹ÓÃÔÚÕâÒ»ÖܵÄ360度内这样在分光镜旋转一周的时间内其他的时间做信号处理部和数据上传在一次处理过程中考虑到实际情况AD转换器在光信号产生之前开始采样我们初步确定采样时间为25ms¸ÃÏîÄ¿µÄÆäËû²¿·ÖÕýÔÚ½øÐÐÖÐ2 非均匀采样信号的频谱分析采样是数字信号处理的基础就不可更改的固定下来如果采样后的数据存在问题因此采样过程非常重要不得不进行非均匀采样天文数据的观测另外在网络传输中即使在接收端均匀采样实际上仍然是进行了非均匀采样然后就如何消除频谱混叠现象研究由于采样方法的改变对数字信号频谱的影响实际的采样过程可以看成是脉冲调幅过程4244]图2.1中是连续信号图2.1是调幅脉冲载波信号)(t p Âö¿íΪ0µÄÖÜÆÚÐÔÂö³åc理想情况下的采样脉冲序列就是冲激函数∑∞−∞=−=n nT t t p )()(δ采样输出函数)(ˆt f 为2.2nT 时刻取值2.2∑∞−∞=−⋅=n nT t nT f t f )()()(ˆδ将)(t p 进行傅里叶级数展开∑∑∞−∞=Ω∞−∞==−=r tjr rn s ec nT t t p )()(δ式中系数r c 为2.52.52.4∑∞−∞=Ω=r t jr se Tt p 1)()(t p 的傅里叶变换为2.7可以得到理想采样信号)(ˆt f 的频谱为2.82.8²ÉÑùÐÅºÅµÄÆµÆ×)(ˆΩj F是模拟信号频谱)(Ωj F 的周期延拓也就是说这些频谱都要乘上系数T1ab图2.2 原始信号和采样信号的频谱如果原始信号是最高频率为0Ω的带限信号当<Ωs 20Ω时混叠部分的频率成分的幅值与原始信号不同c如果原始信号不是带限信号在理想情况下必须要求采样频率足够高均匀采样存在一定的限制条件来实现对信号频率的检测根据香农采样定理的限制此外尤其是带限周期信号但实际上各种信号都含有噪声以及高频谐波分量信号的检测变得复杂设置均匀采样的采样频率为1024Hz²ÉÑùʱ¼äÈçÏÂʽ2.92.91024时的采样时间和采样点数之间的对应关系均匀采样的采样点数和采样时间成单调线性关系图中直线的斜率随之变化采样时间函数的数学表达式为2.10如果设置N则上式变为2.112.11´ÓͼÖпÉÒÔ¿´³ö图2.4 非线性采样时间和采样点数为了直观的查看非线性采样时间对信号频谱的检测结果)2sin()(0t f t f π=式中0f 按照式定义的非线性时间函数对上述信号采样频谱分析结果如图2.5所示非均匀采样信号的频谱分析采用非均匀傅里叶变换方法这里为了说明非线性采样时间对信号频谱检测的影响只给出频谱分析的结果图中功率谱的单位为在单位时间内单位电阻上通过的功率幅度谱和功率谱的单位没有实际的意义也为了说明的方便图2.5中有三个较大的频谱成分542Hz和820HzÆäƵÆ×·ùֵΪ1VÆäÖÐ542 Hz和820Hz是采样引起的混叠信号如果采用式定义的均匀采样图中有两个幅值接近的频率成分其中884Hz为混叠信号的频谱均匀采样的混叠信号和真实信号的频谱幅值十分接近所以香农采样定理要求采样频率为信号的两倍以上根据采样定理的要求所以图2.6中的884Hz的信号被排除以下为了说明的方便检测出信号频谱真实信号频谱的相对幅值大于混叠信号的相对幅值实际中混叠信号总是出现率而改变的如果继续将1000Hz以上的频率的频谱描绘出混叠信号是周期出现的这和采样定理的描述一致信号频率为0f0f f n s ±⋅ ±∞±±±=,,3,2,1L n从式可以看出则混叠信号的频率将随之改变每个采样频率采样512点真实信号不会由于采样频率的不同而变换都含有真实信号的信息而对于混叠信号所以对于每个混叠信号只有512个采样点含有混叠信号为了验证以上的说明定义如下采样时间函数2.142.14´ÓͼÖпÉÒÔ¿´³ö图2.7 三折线时间函数采样时间和采样点数根据式定义的采样时间对式的信号进行采样得到频谱结果如图2.8所示分别为140Hz652Hz 和884HzÆä·ùֵΪ1V1t 采样时间段对应的采样频率为512Hz652Hz 和884Hz 2.13140512652Hz 512884 Hz图中未能显示所以它们的频谱幅值为0.25V2t 采样时间段对应的采样频率为1024Hz ¼´1024884Hz 2t 采样时间段的采样点数为256点1t 和2t 采样时间的双重作用3t 采样时间段产生的混叠信号频率都超过1000Hz以上分析表明混叠频谱的幅值将进一步降低混叠频谱的幅值将降低到最低ran n n t +=)( N n ,,3,2,1L =式中ran是均匀分布在1由于ran的引入以下的实验结果都是选择式中时间变化ran为均匀分布的情况得到的实验结果和均匀分布的结果大致相同 2.15图2.9 非均匀采样时间和采样点数和图2.3相比从而使得采样频率时时变化 2.12µÃµ½ÆµÆ×·ÖÎö½á¹ûÈçÏÂͼ2.10所示从图2.10可以看出为真实信号频谱幅值的1/10µ«·Ç¾ùÔȲÉÑùÔÚËùÓÐµÄÆµÂʶζ¼³öÏÖÒ»¶¨·ùÖµµÄƵÆ×ÔëÉùÕâЩƵÆ×ÔëÉù½«ÑÍûСÐÅºÅµÄÆµÆ×±¾ÂÛÎĺóÐøÕ½ھÍÈçºÎ¼ì²â·Ç¾ùÔȲÉÑùµÄСÐźÅÌá³öרÃŵĴ¦Àí·½·¨´Óʱ¼äÓòÒ²¿ÉÒÔ¿´µ½²ÉÑùÒýÆðµÄ»ìµþÏÖÏóÈçͼ2.11和图2.12所示图中黑点表示采样点图中黑实线和其他信号也完全吻合图中只显示了两个这样的信号它们之间有式所确定的关系图2.12中黑点表示采样点由于非均匀采样而是随机摆动所以采样点很难落到均匀采样中出现的混叠信号上实际中只要满足非均匀取样线与该周期信号的基波不成整数倍关系图2.12 非均匀采样时间域的混叠信号图2.11和图2.12以单正弦信号为例图中的混叠信号和真实信号具有相同的幅值对于时间域来说这些信号也会产生一些混叠现象导致非均匀采样中存在很多小的频谱混叠这些混叠信号由于采样的周期性傅里叶变换不能显示出这些频谱非均匀采样为了便于说明非均匀采样下低速AD采样高速信号的原理信号频率为1000Hz为例进行说明由于是等间隔采样每次采样点的幅值完全一样没有任何意义经过若干个周期后这是因为使得采样数据必然存在周期性非均匀采样虽然在1个信号周期内采样一个点由于采样多个周期虽然非均匀采样在1个周期只采样一个点通过时间的非均匀弥补丢失的信号信息2.3 非均匀采样信号的傅里叶变换非均匀采样信号的傅里叶变换和均匀采样信号的傅里叶变换的区别主要在于积分时间上的不同[5153]¾ùÔȲÉÑùÐźŵĸµÀïÒ¶±ä»»ÒÔDFT表示Nonuniform Discrete Fourier Transform假设)(t x 为有限带通信号T 为采样时间间隔NT 为总的采样时间∞=,,3,2,1L n)(f X D 为非均匀采样信号的傅里叶变换结果∫−⋅=NTC dt ft j t x f X 0)2exp()()(π均匀采样信号的离散傅里叶变换就是将式的积分换成求和累加的形式也就是每个采样时间段的宽度相等∑=⋅−⋅=Nn C n f j n x f X 1)2exp()()(π类似∑−=+−⋅−=111))(2exp()()(N n n n n D t t t f j n x f X πNDFT 和DFT 的区别在于NDFT 每个采样时间段的积分区间的宽度不等求和区间为等间隔T在计算频谱时是否引入常数T 都不影响频谱的检测求和区间为不等间隔如式中的)(1n n t t −+↵⊃®™⊇∝∉√↵ ⊄∧÷∝ℵ ®∂±™≈≈⊇≠∝℘•∩ ™∪↵⊄∧÷∝ℵ ®∂±™≈≈≡⇐⊗∇√±©⊇∝∉√∪≈≡⌠™∧ ∠∠↵⊄∧÷∝ℵ®∂±™≈≈⊇∩⊗↵∩°∇∠ ↵∝⊗•∩™∪″⊃∇↵⊄∧÷∝ℵ®∂±™≈↓∇∠↵∝⊗®≈÷√¬∝©∈⊗∉⋅[542.4 本章小结本章首先介绍了均匀采样信号及其频谱然后介绍非线性采样信号和的非均匀采样信号的频谱最后介绍非均匀采样信号的傅里叶变换方法3 基于信号幅值的非均匀采样方法非均匀采样和均匀采样相比但设置非均匀采样间隔的方法有很多种信号处理的要求采样设备等各种因素而有很多种非均匀采样方法文中给出了一种针对无限带宽信号的非均匀采样时间函数文献[63]提出一种最优化的子Nyquist非均匀采样方法以及信号重构方法更多的非均匀采样方法的研究可以参考文献[64随着非均匀采样方法的发展从经典的滤波方法[70傅里叶变换[72]谱分析[74]以及非均匀采样和其他各种算法的融和[75非均匀采样理论的应用也涉及到语音[79]本章提出一种基于信号幅值的非均匀采样方法可以有效抑制信号中的噪声检测到低于3.1 微弱信号检测微弱信号检测作为一门学科已经在物理天文医学以及多种工程应用领域得到了相当广泛的应用精密加工和制造另一方面宏观上对天体空间的测量以及微观上在纳米级的测量这使得微弱信号检测在国内外越来越得到重视总是为了解决实际的问题而提出相应的解决方法但有一点共同的认识是弱光小位移等等使检测对象转变成电量信号由于其测量信号的幅值较小表现出的总体效果都是有用的被测信号被大量的噪声和干扰所淹没因此具体到信噪比上82]一个方向主要是从时域上分析信号应用场合包括波形去噪微弱信号检测在时域上的方法主要有以下几种方法[83ͨ¹ý×ÔÏà¹Ø»òÕß»¥Ïà¹Ø·ÖÎöÐźŵÄһЩʱÓòÉϵÄÌØÕ÷¿ÉÒÔÕÒµ½ÐźŵÄһЩÖ÷ÒªµÄÌØÕ÷Êä³öµÄÐźÅÖ»ÊÇ´ú±í΢ÈõÐźŵķùÖµºÍÏàλÐÅÏ¢µÄÖ±Á÷µçѹÏÖÔÚÕâÖÖ·½·¨µÄʹÓÃÒѾ-²»¶à压缩带宽法强行将一些信号带完全抑制其缺点在抑制噪声的同时有用信号也基本丧失Array基于四阶累积量矩和最小范数TLS方法可以有效地抑制各信道间互不相关的和相关的噪声一般需要秒级甚至更长时间的采样导致适用场合十分有限时域上的微弱信号检测方法还有同步迭加法和混沌理论的方法等应用场合包括频率检测微弱信号检测在频域上的方法主要有以下几种方法神经网络遗传算法通过对信号的训练识别后进行频域滤波处理其局限性在于只适合低频率的信号检测使得算法的实时性降低其BP遗传算法需要的时间增大现代互谱Levinson方法和Pisarenko方法以及Music方法[87现代互谱Levinson方法比之传统的FFT方法和互周期图法能更有效地提高互谱估计的谱分辨率和谱光滑性互谱MUSIC方法有优良的谱估计的分辨率和谱估计的稳定性,而且随着信噪比的下降不大但对于相关噪声抑制能力很差窄带滤波法对一些确定性的噪声对白噪声有一定的滤波效果计算时间比较长靠近信号频率成分的谐波对信号检测影响较大可以方便的提高频率分辨率等优点为了检测含有噪声的信号下面提出一种基于信号幅值的非均匀采样方法不再仅仅是基于时间的随机采样在信号幅值大的情况下采样点相应增加在信号幅值小的情况下采样点相应减少使得在同样的采样点数下检测出有用信号设正弦s的振幅为A B>A信号)(tt s=x+t)()()(tnnx≥s对于所有B()(t需要从)(tx中检测出)s引起噪声幅值增强的采样x′是由于)(t(n的采样点显然)(ts有相同的周期3.3所示x′和)(n点使得)A B设置幅值门限为10V。
基于调制随机共振的微弱信号频率检测方法

基于调制随机共振的微弱信号频率检测方法李忠虎;蔡志全【摘要】以工程实践中被强噪声淹没的微弱信号检测为背景,提出了一种基于调制随机共振的微弱信号频率检测方法.针对常用的随机共振系统检测受到信号的小频率和小幅值的约束,采用调制随机共振检测,进而使大频率信号变为适宜随机共振处理的小频率信号.在Matlab平台上对微弱正弦信号检测进行了仿真研究,实验结果表明该方法能够有效地检测出微弱信号的频率.文中最后给出了调制随机共振实现电路.【期刊名称】《仪表技术与传感器》【年(卷),期】2014(000)008【总页数】3页(P104-106)【关键词】微弱信号检测;强噪声;调制随机共振;频率检测【作者】李忠虎;蔡志全【作者单位】内蒙古科技大学信息工程学院,内蒙古包头014010;内蒙古科技大学信息工程学院,内蒙古包头014010【正文语种】中文【中图分类】TP2160 引言从工业现场采集到的信号被强噪声淹没,信号相对于噪声显得极其微弱,信噪比很低[1]。
传统的信号处理方法主要是通过滤波等方法去除和抑制噪声,进而实现对微弱信号的检测,但是在去噪的过程中,信号本身受到了损失。
通过随机共振的概念可知,随机共振是利用噪声而非抑制噪声。
随机共振的绝热近似理论与线性响应理论对研究对象有着很强的限制条件,只有在低频、小信号时利用随机共振检测才有很明显的优势[2]。
实际检测的微弱信号频率不可能远远小于1 Hz,一般在几十甚至数百Hz,因此在较高频率下实现微弱信号检测成为随机共振研究的一个关键。
1 双稳态系统的随机共振随机共振模型一般包括3个基本要素:微弱的输入信号、噪声、用于信号处理的非线性系统。
双稳态系统的随机共振模型如图1所示。
图1 双稳随机共振模型随机共振的双稳态系统由Langevin方程描述:=ax-bx3+Acos(2πf0t)+n(t)(1)f(x)=ax-bx3式中:a>0,b>0;Acos(2πf0t)为被测信号;n(t)为强度为D、零均值的高斯白噪声,且E[n(t)n(t+τ)]=2Dδ(τ);f(x)为非线性外力场,f(x)具有双势阱。
小信号检测中的自适应随机共振技术

小信号检测中的自适应随机共振技术一、简介小信号检测是一种重要的技术,应用于信号处理、测量以及控制等方面。
在实际应用中,许多小信号需要使用低噪声、高精度的检测系统进行监测和分析,但是小信号极易受到环境噪声、器件噪声等干扰。
为了解决这个问题,人们发明了自适应随机共振技术(ASR)。
二、ASR技术的基本原理ASR技术的基本原理是将一个小信号与一个大信号混合在一起,利用一个随机共振回路来提取小信号。
随机共振回路是一种带有噪声源的电路,它具有对于特定频率的共振特性,且在共振频率处的噪声增益比较大。
当一个小信号经过放大后加入到随机共振回路中时,如果小信号的频率与共振频率相同,那么经过放大后的小信号就会被共振回路增强,进而得到显著的增益。
同时,由于随机共振回路还有抑制非共振信号的特性,因此它可以削弱杂音、干扰等非共振信号的干扰效果,提高小信号检测的精度和稳定性。
三、ASR技术的实现方式一般来说,ASR技术可以通过以下几种方式来实现:1.基于模拟电路的ASR技术:利用模拟电路实现自适应随机共振回路,可以实现高精度、低噪声的小信号检测。
但由于模拟电路受到器件精度、温度漂移等因素的影响,稳定性较差。
2.基于数字信号处理器(DSP)的ASR技术:利用DSP实现数字滤波,可以实现高速、高精度、低噪声的小信号检测,且稳定性较好。
3.基于深度学习的ASR技术:利用深度学习算法来训练识别小信号的神经网络,可以实现高效、高精度的小信号检测,但需要大量的数据和计算资源。
四、ASR技术的应用领域ASR技术具有广泛的应用领域,常见的应用包括:1.生物医学:用于监测心电图、脑电图等微弱信号。
2.信号处理:用于提取和分析弱信号、信号均衡、重构等。
3.网络传输:用于在中继节点处检测和补偿信号衰减。
4.机器人、物联网等领域:用于检测传感器输出的微弱信号,反馈到控制系统以进行实时调整。
总之,ASR技术作为一种小信号检测技术,在科学研究、工程应用中都具有重要的意义和应用前景。
基于随机共振技术的微弱信号检测方法

基于随机共振技术的微弱信号检测方法1. 绪论:介绍微弱信号检测的现状及其重要性,提出随机共振技术的背景、意义和历史演变。
2. 随机共振技术及其原理:阐述随机共振技术的物理原理及其在微弱信号检测中的应用,详细描述其特点、优点和缺点。
3. 随机共振技术在微弱信号检测中的应用:讨论随机共振技术在不同领域中的应用,比如生物医学、天文学和化学等领域,重点描述其检测方法、实验结果及其局限性。
4. 随机共振技术的优化和改进:探讨如何优化和改进随机共振技术,提高其灵敏度和稳定性,包括噪声预处理、信号处理和系统改进等方面。
5. 结论:总结随机共振技术在微弱信号检测中的应用和发展现状,提出未来的研究方向和展望。
同时,指出该技术的优势和局限性,为实际应用提供参考意见。
随着科技的不断发展,微弱信号检测技术在研究和应用领域中变得越来越重要。
微弱信号检测技术被广泛应用于医学、环境监测、航空航天等领域,如肿瘤早期检测、空气和水质量检测、火箭发动机性能监测等。
但是,微弱信号的检测常常面临信噪比低的问题,因此需要创新性的、高敏感度的检测方法。
其中一种被广泛研究的方法是随机共振技术。
随机共振技术是一种基于对微弱信号的非线性响应,利用外部随机噪声“刺激”系统,使系统在临界点上产生共振,从而有效地增加信号的噪声比。
这种技术不仅具有很高的敏感度,而且能够在较大的动态范围内检测微弱信号。
因此,随机共振技术成为了微弱信号检测领域的研究热点之一。
随机共振技术的发展历程可以追溯到上世纪70年代。
当时,物理学家发现在单摆系统和模拟电路中引入外部随机噪声可以激发系统的棕褐噪声,从而使系统产生非线性共振响应。
之后,该技术被逐渐应用于很多领域,例如生物医学、天文学和化学等。
实践证明,随机共振技术是一种比较有效的微弱信号检测方法,可以有效地提高信噪比。
自随机共振技术被提出以来,不断有研究者在其基础上进行改进和优化,并提出了不同的算法和模型。
例如一些研究者将自适应随机共振技术应用于人体黑色素瘤的检测中;还有一些研究者将随机共振技术和谱分析方法相结合,应用于噪声信号的分析和特征提取中。
基于小波变换的随机共振多频微弱信号检测

基于小波变换的随机共振多频微弱信号检测肖倩【摘要】针对随机共振只适用于解决单一频段信号的问题,提出了基于小波变换的随机共振多频微弱信号检测方法.对多频微弱含噪信号先进行小波变换,实现对原始含噪信号各个频段的分离,再选择各层的细节信号和逼近信号作为随机共振的输入信号,实现对多频微弱信号的检测.研究表明,基于小波变换的随机共振模型准确的检测出了多频微弱信号.【期刊名称】《沈阳大学学报》【年(卷),期】2016(028)001【总页数】5页(P51-55)【关键词】小波变换;随机共振;多频微弱信号;信噪比【作者】肖倩【作者单位】沈阳大学信息工程学院,辽宁沈阳 110044【正文语种】中文【中图分类】TP206本文作者在另一篇论文中构造了一个适用于高频信号的随机共振模型[5],在原始模型中增加一个增益,使得随机共振系统的采样时间成倍缩小,以达到高频段信号对低频段信号的映射,从而实现检测高频段信号.为了实现对多频信号的检测,在本文中,提出把小波变换引入到随机共振系统中来.小波变换具有良好的时频局域化特点,可以快速的实现多频信号的频段分离,把多频信号的不同频率分解到不同尺度中去,然后将不同的尺度信号作为随机共振的输入,并且通过调节各个参数变化,实现高低频混合输入信号的检测.小波变换(Wavelet Transform)的概念是1984年法国地球学家J.Morlet在分析处理地球物理勘探材料时提出来的,小波变换的数学基础是傅里叶变换.它的含义是:把一称为基本小波的函数ψ(t)做位移τ后,再在不同尺度a下与待分析信号x(t)做内积:1989年Mallat提出多分辨分析的概念,给出了小波变换的快速算法,即Mallat算法[6].主要利用滤波器{gk,hk}实现.快速小波分析算法的公式为重构算法公式为这样,多分辨分析将原始信号分解成不同分辨率上的两个不相关序列cj,k和dj,k.其中,cj,k和dj,k分别表示对第j次尺度系数分解成的低通逼近信号和高通细节信号,gk和hk分别表示低通滤波器和高通滤波器.随机共振包括三个基本的要素:输入的微弱信号、噪声和双稳态非线性系统.设s(t)为有用的微弱周期信号,n(t)为噪声信号,双稳态随机共振系统在s(t)和n(t)的协同作用下,输出的信号x(t)将产生随机共振现象.双稳态非线性系统可以由Langevin方程描述[7]:其中,s(t)=Asin(2πft+τ),E(n(t))=0,E[n(t)n(t-τ)]=σ2δ(t).式(1)相应的势函数为该势函数可由一双势阱图描述,如图1所示.势函数曲线[8]由两个势阱点(-xm,xm)和一个势垒点(坐标原点)组成,当输入信号幅值A和噪声强度D为零时,系统的势阱点为,势垒高为ΔU=a2/4b.该曲线描述了一个过阻尼的质点运动,当A=0时,质点在噪声驱动下在两个势阱间翻转;当A>0时,信号的周期变化与系统噪声驱动的阱间翻转有可能达到同步,从而发生随机共振现象.由绝热近似理论以及线性相应理论可知,双稳态随机共振系统仅有噪声输入时,经过双稳系统后输出的频谱能量主要集中在低频段,当信号频率落在该频段时,噪声能量就会向信号转移,从而使得周期成分凸现出来,所以原始的随机共振模型只适合处理低频段的信号.为了实现对高频段微弱信号的检测,本文选择一种针对高频信号检测的随机共振模型.在双稳态非线性系统中,令t1=Kt,可以把采样时间成倍缩小,同时可以降低信号频率,这样得到新的模型为在新的模型中,原始信号频段向低频段映射后的信号频率.所以,K的大小决定了原始信号频率f转变为低频f0的程度.适当选择K的大小,可以准确的把信号所在的高频段映射到发生随机共振的低频段.由于增益K在模型中的作用,噪声信号的采样值随之降低,但K的取值不会影响噪声信号的强度,所以,在系统参数不改变的情况下,系统仍然会产生随机共振.在积分器Integrator模块前增加一个增益,得到检测高频信号的随机共振Simulink 仿真模型如图2所示.为了实现对多频段微弱信号的检测把小波变换引入到随机共振系统中,得到基于小波变换的随机共振系统如图3所示.图3中,s(t)为多频的微弱周期信号,n(t)为白噪声信号,二者组成含噪信号,对其进行j 层小波分解,得到逼近信号cj(t)和细节信号dj(t),一般的,低频信号位于逼近信号的第j层,高频信号和高斯白噪声分布在各层的细节信号中.频率能量均匀分布的白噪声在经过随机共振系统后,频谱能量会向低频区域集中,因此,选择合适的细节信号和逼近信号作为双稳态随机共振系统的输入,可以产生随机共振现象.采用基于小波变换的随机共振系统对多频信号检测时,先检测多频信号中的低频段信号.一般的,低频段信号分布在较高层的逼近信号中,将高层逼近信号作为随机共振系统的输入,选择合适的随机共振系统参数,可以使得系统产生随机共振现象,从而可以检测出多频含噪信号中的低频信号.在检测多频信号中的高频信号时,保持系统参数不变,选择合适的K值,使得系统产生随机共振现象,此时的输出信号为低频信号,将识别到的信号频率映射到高频,可以检测出多频含噪信号中的高频信号.基于小波变换随机共振系统的Simulink模型如图4所示.对比图3中检测高频信号的随机共振模型,在该模型中,由From Workspace模块引入小波变换后的细节信号和逼近信号,通过Add模块叠加成混合输入信号,Gain 和Gain1模块为系统参数模块,Gain2模块为系统增益模块,当对低频信号检测时,K 取1.通过Add模块叠加成混合输入信号.输入信号与输出信号反馈回来的一次项、三次项叠加后经过积分器Integrator 模块后得到输出信号,由Scope模块显示出来.多频微弱信号的检测仿真可分为以下3个步骤:(1) 构造多频含噪信号.选取一频率为0.01 Hz和1 Hz的正弦叠加信号,信号振幅分别为0.3和0.5,给多频信号增加噪声强度D=0.002 4的白噪声,数值计算步长Δt=6 ms,生成的多频率含噪信号时频域谱图如图5所示.由图可见,对原始信号进行处理前,有用信号的频谱淹没在噪声频谱中难以识别.(2) 对多频含噪信号中的低频信号检测.利用db5小波对含噪多频信号进行6层小波分解,第6层逼近信号和6层细节信号如图6所示.选择对第6层逼近信号作为随机共振模型的输入信号,根据随机共振系统参数选择原则[9],选取系统参数a=0.07,b=1,系统产生随机共振得到低频信号输出时频域谱图如图7所示.由图6可见,随机共振的输出频谱图很明显的识别到周期信号,从输出频谱图中可以识别到低频信号为0.01 Hz.(3) 对多频含噪信号中的高频信号检测.把1,2层细节信号和第6层逼近信号进行叠加,作为高频信号随机共振模型的输入信号,保持系统参数不变,同时选取K=100,系统出现明显的随机共振现象.原始含噪信号和系统产生随机共振的输出时频域谱图如图8所示.在输出信号频谱图中可以识别到有用信号的映射后的频率,f0=0.01 Hz,从而计算出原始高频f=Kf0=100×0.01=1 Hz.采用小波变换把含噪信号中的高频段和低频段小波信号提取出来,再分别对高频段部分和低频段部分进行检测,随机共振模型均出现了随机共振现象.从输入信号的时域图显示出了明显的周期变化,频域图也可以明显的识别到输入信号的频率,也就证明了新模型能起到较好的检测效果.由以上仿真结果可以看出,基于小波变换的随机共振模型准确检测出了输入信号的高频段和低频段,达到了对多频微弱信号检测的目的.随机共振是强噪声控制下检测微弱信号的有力工具,但传统随机共振只适用于解决低频段信号的问题,为了实现对多频微弱信号的检测,本文把小波变换引入到随机共振系统中来.通过分析传统随机共振模型参数与输入信号幅值、噪声信号、输出信噪比的关系,在原始模型中增加一个增益项,使得随机共振系统的采样时间成倍缩小,以达到从高频段信号到低频段信号的映射,对原始多频含噪信号进行小波变换,通过选择把不同的尺度信号作为随机共振的输入信号,达到对各个频段微弱信号检测的目的.仿真结果表明,基于小波变换的随机共振模型准确的实现了对多频信号的检测.。
高频信号捕获与分析的技术与方法
高频信号捕获与分析的技术与方法随着科技的发展,高频信号越来越被广泛应用于人们的生活和工作中,如手机信号、雷达信号、无线电信号等等,这些信号的稳定性和精度不仅关系到我们的生活安全,也牵扯到科研领域的发展。
而高频信号捕获与分析的技术与方法对于在各个领域中使用高频信号的人员非常重要,因此本文将从三个方面谈谈高频信号捕获与分析的技术与方法。
一、高频信号的捕获高频信号的捕获就是获取这些信号的原始数据,它是进行信号分析的前提和基础。
高频信号的捕获技术主要包括数字信号处理技术和模拟信号处理技术两种。
数字信号处理技术:数字示波器是数字信号处理技术的重要代表。
数字示波器是指直接将模拟信号转换成数字信号后再进行处理和显示的设备。
所得到的数据是数字形式的,并具有极高的分辨率和准确性。
同时,数字示波器还具有自动测量、自动校准等功能,能够提高用户的分析效率和准确性。
模拟信号处理技术:Oscilloscope是模拟信号处理技术的代表。
它是通过电子元件将被测的信号进行放大、补偿、抑制高频噪声等处理后呈现给用户的。
与数字示波器相比,它具有频率范围宽、抗干扰性强、可靠性高等特点,深受用户的喜爱。
二、高频信号的分析高频信号的分析是对高频信号进行深入研究和加工的过程,目的是为了得到有用的信息。
高频信号的分析主要包括FFT分析、脉冲分析和眼图分析三种方式。
FFT分析:FFT分析是对高频信号的频率进行分析、信号解析、合成和显示的方法。
它是一种将信号从时域转化到频域的处理方法,可将高频信号的周期性特征清晰地呈现出来,非常准确和实用。
因此,在日常的频谱分析和无线电台的调试维护中,FFT分析技术被广泛应用。
脉冲分析:脉冲分析在高频信号处理领域是十分常见的。
脉冲分析主要是对高密度信号的研究、分析、提取有用信息的过程。
它可以提取出设备中一些暗藏的有价值的信息,帮助研究人员或工程师解决复杂的信号问题,从而快速维护设备,并达到优化、提高设备性能的效果。
基于变步长并联随机共振的微弱舰船轴频电场信号检测方法
基于变步长并联随机共振的微弱舰船轴频电场信号检测方法摘要:针对在强背景噪声中检测微弱舰船轴频电场信号的问题,提出了基于随机共振技术的检测方法。
介绍了随机共振的基本原理,在此基础上给出了微弱周期信号的检测模型。
通过调节检测模型的参数,达到了从低信噪比的实测数据中检测微弱轴频电场信号目的。
分析了系统参数对随机共振系统输出信号频谱分布的影响规律,进一步提出了一种基于变步长并联随机共振的微弱舰船轴频电场信号检测方法,结果表明该方法具有优异的检测效果。
关键词:随机共振;轴频电场;微弱信号检测;步长;功率谱;相关中图分类号:TP271 文献标志码:A0 引言舰船轴频电场[1,2]是由主轴转动调制腐蚀和防腐电流产生的以主轴转速为基频的极低频交变电场,具有传播距离远、难以消除的特点,在军事领域有广阔的应用前景。
在对舰船轴频电场进行远程探测时,环境噪声的影响构成一个在复杂噪声背景下微弱周期信号的检测问题,解决该问题常规的方法主要有FFT谱平均、小波分析、高阶谱等,这些方法都是尽量抑制噪声提高信噪比,然而信号的能量也会受到削弱。
近年来,随着非线性科学的不断发展,尤其是混沌和随机共振(stochastic resonance,SR)理论的提出为弱信号检测开创了新的思路,基于混沌理论[3]的弱信号检测方法是利用混沌振子对同频信号具有极强的敏感性和高斯白噪声极强的免疫能力来实现的,其缺点是一般只能对确定频率的信号进行检测,文献[4]将混沌振子列用于微弱轴频电场信号检测,但是其采用的待检信号只是轴频电场的仿真信号,并非实测的舰船轴频电场信号,实际上由于舰船主轴转动时的不稳定,导致舰船轴频电磁场信号的基频并非是一固定的频率值,因此若利用混沌来检测实测的轴频电磁场信号是很难以实现的。
基于随机共振[5,6]的信号处理技术是新近发展起来的一种新的信号处理技术,与各种抑制噪声的方法不同,它不是削弱噪声而是充分利用噪声来增强弱信号能量以提高信噪比达到识别弱信号。
通信信号处理中过采样技术的应用方法
通信信号处理中过采样技术的应用方法
过采样是一种信号处理技术,可以对信号进行高频采样,以便在后续的处理过程中提
供更多的信息和减少噪声。
在通信领域中,过采样技术常用于数字信号处理、数据传输和
信号重建等方面。
下面将详细介绍过采样技术的应用方法。
过采样技术在数字信号处理中的应用主要包括滤波、谱估计和系统模型等方面。
在滤波中,过采样技术可以提高滤波器的性能。
通过对信号进行过采样,可以使滤波
器的截止频率增加,从而增强滤波器的抑制能力和频谱选择性。
过采样技术还可以减小滤
波器的幅度响应波动,降低滤波器的群延迟。
在数字滤波器设计中,过采样技术被广泛应
用于信号处理和系统建模。
在谱估计中,过采样技术可以提高频谱分析的精度和分辨率。
通过对信号进行过采样,可以增加频谱采样点的数量,从而提高频谱估计的准确性。
过采样技术还可以减小频谱估
计中的泄露效应,增强频谱的动态范围和峰值值。
在错误检测中,过采样技术可以增强对传输信号中的错误比特的检测能力。
通过对接
收信号进行过采样,可以提高错误检测算法的灵敏度和正确性。
过采样技术还可以减小误
码率和比特错误率,提高数据传输的可靠性和稳定性。
过采样技术在通信信号处理中具有广泛的应用前景。
通过合理地应用过采样技术,可
以提高信号处理的效率和可靠性,提高数据传输的性能和质量。
过采样技术在通信领域的
应用越来越重要,对于改善通信系统的性能和性能优化具有重要意义。
尺度变换用于随机共振的微弱周期信号检测
尺度变换用于随机共振的微弱周期信号检测王国富;欧阳缮;张海如;张法全;叶金才【摘要】现有的随机共振系统只能应用于低频率信号检测或待测信号频率已知的高频率信号检测,这束缚了系统的实用范围.针对这个不足,本文提出一种基于尺度变换的随机共振弱信号检测方法,该方法通过引入尺度变换,消除了随机共振系统对待测信号频率的限制,实现了在绝热近似理论下,待测目标信号为大参数、多频率且频率分量的分布未知的条件下,从强噪声中提取弱目标信号的频谱.理论分析和仿真结果表明:对埋在噪声中的未知频率,采用连续的压缩或展宽算法,以获得一个适当的输入信号到随机共振体系,根据输出信号共振谐振峰的变化经反变换运算可得待测弱信号的未知频率.提出的方法自适应性强,可将随机共振的应用领域拓宽到全频段,具有较高的应用前景.【期刊名称】《桂林电子科技大学学报》【年(卷),期】2010(030)005【总页数】8页(P396-403)【关键词】随机共振;尺度变换;弱信号检测;非线性双稳系统【作者】王国富;欧阳缮;张海如;张法全;叶金才【作者单位】桂林电子科技大学,认知无线电与信息处理教育部重点实验室,广西,桂林,541004;桂林电子科技大学,认知无线电与信息处理教育部重点实验室,广西,桂林,541004;桂林电子科技大学,认知无线电与信息处理教育部重点实验室,广西,桂林,541004;桂林电子科技大学,认知无线电与信息处理教育部重点实验室,广西,桂林,541004;桂林电子科技大学,认知无线电与信息处理教育部重点实验室,广西,桂林,541004【正文语种】中文【中图分类】TN911.23随机共振系统是用于弱信号检测的方法之一,它描述了过阻尼布朗粒子在随机噪声和周期激励共同作用下,在非线性双稳态系统中所发生的跃迁现象。
当外界向双稳态系统输入信号,并且噪声逐渐增加时,由于信号和噪声协同作用引发势阱触发,使得粒子能够在两个势阱之间反复跃迁。
当信号和噪声之间存在某种匹配时,噪声能量就会向信号能量转移,输入信号的信噪比不仅不会降低,反而会大幅度地增加,这就是随机共振原理提取弱信号的方法。
- 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)。
收 稿 日期 :2 1 - 11 :修 订 日期 :2 1 - 1 9 0 00 .0 0 00 . 2
基 金项 目:湖北 省教 育厅 承点科 研 基金 项 ( 0 7 50 ) ] D20 20 1
作 者简 介 :张 良破(9 9 ) , 北 襄樊 人,襄樊学 院 机械 汽 车 翻型 院讲 师 15一 , 湖 j 学
常采 用 四阶 Rug. t 算 法对 式() 行 数值计 算 ,如 下式 neKu a t 1 进
x i-) ( 4(l- k 2 (41 = f- 七 42 2 ) - 4 - 4 d / 4k ) f 6 () 2
式 () ,k =1 ( 一xO +a i( P f ) 2中 l 2 f ( s 2 I f+Ⅳ( ; k = (() d k/) xi4d k/ )4 ) n f ) 2 f4 t l2 一(( - t l2 - - )
关键 词 :随机 共振 ;采 样信 号 ;采样 频 率 ;调 幅信 号 中 图分类 号 : M3 7 T 0 文献标 志 码 : A 文章编 号 :0 92 5 (0 00 .0 90 10 —8 42 1)20 3 —3
近2 0年来 ,在许 多 自然科 学领 域 ,随机 共振 的理 论和 实验 成果 得到 了广 泛 的应用 . 机械 工程 中 ,可 在 以应 用 随机 共振 来检 测机 械故 障 【 J但 随机 共振 已有 的理 论仅 适用 于低 频率 、低 噪声 的小 参数 信号 .为 了 l.
摘 要 :针对 随机 共振仅 适 合 于低频 信 号 的约束 ,对随机 共振 技 术运 用 于强噪 声背景 下 的高频 信 号检 测进 行研 究 ,提 出提 高采样 频 率 的方 法 ,使 高频 信 号 变换 成低 频信 号 . 值仿 真表 明 ,此 数
方法检 测单 频信 号效 果显 著 ,检 测 调幅 信号 是有 效的 .
2 0年 2月 0l
襄樊 学院学 报
J u a f in fn Un v r i o r l X a g a i e st n o y
Feb+ 201 0
第3 l卷第 2期
、 lN O2 bl 3
提 高采样频率 实现 随机共振 用于高频信号检测
张 良斌
( 樊学 院 机械 与 汽 车工程 学院 ,湖 北 襄樊 4 15 ) 襄 403
:
一
.
() 1 )
式() 1 中,a 是被检测微弱周期信号的振幅 ;厂 是被检测弱周期信号 的频率 ; ( 是背景噪声 , ) 统计 l质为 生
(() 0 f () 2 l0 由 式(的 杂性,目 f = ,(( f = D5 . 于 1 复 ) ) ) ( ) 前没有 分析解, 能用 分方程 解法, 只 微 数值 通
a i 2 I f +d/ )4Ⅳ( ; s ( P n t2) - ) a s ( I f f d/ )+Ⅳ( ; i 2 (4 t2) n P - f )
= (( +d 2 2 一(( +d 2 2 + 2 1 f t / ) f t /) ) k ) k =“ + t k / ) f4d 32 (( d 32 一(( - t / )+ ) ) k
1 提 高 采样 频 率 实现 随机 共 振 的原 理
非线性 双稳 系统 在单 频信 号 a i(x ) s 2 f 和高 斯 白噪声 () 用下 的动力学 方程 为 n i f作
d x
— x一X +a i( 万I)- —=’ s 2 ) / . t n < t4 -
利用随机共振实现较高频率微弱信号的检测 , 文献[ 7提出了调制随机共振方法 , 6 】 , 通过振幅调制和频率调 制产 生易 发生 随机共 振 的低频 分量 ,通 过双稳 系 统产生 随机 共振 ;文献 [] 出尺度 变换 方法 、文献 [] 出 8提 9提
二 次采样 方法 ,将 较高 频率信 号 变换 为 较低 频率 信号 从而 实现 利用 随机 共振 检 测高频 信 号 的 目的 . 文研 本 究 用 提高采 样频 率 的方法 实现 将高 频信 号 变换为 低频 信号 ,通 过双 稳 系统产 生 随机共 振.
1 s
口 s ( I f ( d/) N i;日 0 , i 2 f t2) ( n P - 4 - 4 ) = _ 采样频率f= H , 3 5 z 迭代步长d= = .,N i t号频率 f =00 z Dl . 06 .1 , H =05时式 () 2的输 出频 谱 图如 图 】 )所 示 ,在频 ( a 率 厂=00 处 出现最 大 峰值 , Dl .1 Hz 大于 和 小于 05 值都 减 小 ,说 明发 生 了随 机共振 现象 . 测信 号 频率 . 峰 被 厂=4 的输 出频 谱 图如 图 lb 8 Hz ()所 示 ,从 频谱 图 中分 辨 不出 被测 周期 信号 的峰值 ,没有 发 生 随机共 振 现
象. 从图l ) ( 和图1 ) a ( 可得出, b 如果被测信号频率很高的情况下直接用式( 进行数值计算将得不到随机共振 2 ) 效 果. 因在 于式 () 原 2的输 出频 谱 图 中包含 两部 分 ,一部 分是输 入 周期 信号 引起 的 ,另一部 分是 南噪 声 引起 的. 噪声 的输 出功率谱具有洛伦兹分布形式. 因此 ,能够产生随机共振谱峰的频带 ,一般局限在系统输出 频 谱 的 低 频 段 ,所 以 双 稳 系 统 的 随 机 共 振 适 合 于 低 频 信 号 .对 图 l ) 取 值 进 行 研 究 发 现 ( 的 a