多分量信號(hào)的信號(hào)分量分離技術(shù)研究.pdf

1、本文研究了在通信、雷達(dá)、聲納、語(yǔ)音、生物醫(yī)藥工程等領(lǐng)域中有著廣泛及重要應(yīng)用的多分量信號(hào)的多個(gè)重疊信號(hào)分量的分離技術(shù)?；诓煌姆治龇椒?，建立了不同形式的信號(hào)模型，并用不同方法對(duì)各個(gè)模型的參數(shù)進(jìn)行估計(jì)，從而進(jìn)行信號(hào)分量的分離。提出或推導(dǎo)了一系列具有理論和實(shí)際價(jià)值的新方法，并通過(guò)計(jì)算機(jī)仿真試驗(yàn)驗(yàn)證了所提方法的優(yōu)良性能。歸納起來(lái)，本文的貢獻(xiàn)主要包括以下幾個(gè)方面： (1)對(duì)于多分量信號(hào)從信號(hào)定義，到信號(hào)分量可分離性分析，再到已有的分離方

2、法，進(jìn)行了概括和總結(jié)。對(duì)多分量信號(hào)的分離性以及已有的分離方法進(jìn)行歸類(lèi)分析。 (2)基于Weierstrass理論和PSP(Per-SurvivorProcessing)方法，提出了一種基于模型擬合的多分量信號(hào)的重疊信號(hào)分量分離方法。該方法將重疊信號(hào)分量分離問(wèn)題轉(zhuǎn)化為輸入序列和時(shí)變信道參數(shù)的估計(jì)問(wèn)題，從而便于處理。該方法的優(yōu)良性能表現(xiàn)為：即使信號(hào)分量的頻譜完全重疊，該方法也能很好地進(jìn)行信號(hào)分量的分離。 (3)利用能量算子和

3、信號(hào)分量的短時(shí)單頻假設(shè)，提出了一種多分量信號(hào)的重疊信號(hào)分量分離方法。該方法將能量算子擴(kuò)展到多信號(hào)分量情況的應(yīng)用中，充分利用了能量算子的計(jì)算簡(jiǎn)單和高時(shí)域分辨率特性，使得分離方法具有快速準(zhǔn)確的特性。 (4)通過(guò)對(duì)非平穩(wěn)多分量信號(hào)建立時(shí)變AR(AutoRegressive)模型，利用時(shí)變功率譜進(jìn)行信號(hào)分量的瞬時(shí)頻率、幅度估計(jì)這一思路，討論了一種基于時(shí)變AR模型的多分量信號(hào)的重疊信號(hào)分量分離方法。該方法通過(guò)對(duì)時(shí)變AR系數(shù)進(jìn)行長(zhǎng)橢球基函數(shù)

4、的分解，將時(shí)變AR系數(shù)的估計(jì)轉(zhuǎn)化為時(shí)不變系數(shù)的估計(jì)問(wèn)題，并推導(dǎo)了一利用位移秩的階數(shù)遞歸方法，使得能夠?qū)δＰ蛥?shù)進(jìn)行遞歸求解，計(jì)算量大大減少，同時(shí)利用時(shí)變AR模型的高時(shí)頻分辨率可以獲得很好的信號(hào)分量分離效果。 (5)基于貝葉斯分析，提出了一種利用貝葉斯估計(jì)的多分量信號(hào)的重疊信號(hào)分量分離方法。通過(guò)基函數(shù)分解，建立了一便于進(jìn)行貝葉斯分析的信號(hào)模型，以及其相應(yīng)的貝葉斯模型。基于該貝葉斯模型，利用可逆跳躍MCMC(MarkovchainM

5、onteCarlo)方法進(jìn)行貝葉斯計(jì)算。該方法可以估計(jì)信號(hào)分量個(gè)數(shù)，并具有貝葉斯估計(jì)的高精度和低信噪比門(mén)限特點(diǎn)，通過(guò)利用可逆跳躍MCMC方法，計(jì)算量也大大減少。 (6)分析了多分量信號(hào)的多個(gè)重疊信號(hào)分量的調(diào)制識(shí)別問(wèn)題，基于具有實(shí)際意義的先進(jìn)行信號(hào)分量分離再進(jìn)行信號(hào)分量調(diào)制識(shí)別的方案，研究了一種利用信號(hào)包絡(luò)特征的調(diào)制識(shí)別方法，該方法計(jì)算簡(jiǎn)單，可大大減少多個(gè)信號(hào)分量調(diào)制識(shí)別方法的總體算法的計(jì)算量，同時(shí)該調(diào)制識(shí)別方法還具有很好的抗噪聲