《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 微波|射頻 > 設(shè)計(jì)應(yīng)用 > 基于稀疏分解的SFM信號(hào)的時(shí)頻分析方法
基于稀疏分解的SFM信號(hào)的時(shí)頻分析方法
2016年電子技術(shù)應(yīng)用第6期
全盛榮,,張?zhí)祢U,王俊霞,,馬寶澤
重慶郵電大學(xué) 信號(hào)與信息處理重慶市重點(diǎn)實(shí)驗(yàn)室,,重慶400065
摘要: 針對(duì)正弦調(diào)頻(SFM)信號(hào)Wigner-Ville分布(WVD)存在嚴(yán)重的時(shí)頻交叉項(xiàng)干擾問題,,提出了一種基于稀疏分解的時(shí)頻分析方法,。該方法首先由信號(hào)的時(shí)頻參數(shù)構(gòu)建Gabor原子字典,然后利用匹配追蹤(MP)算法實(shí)現(xiàn)信號(hào)分解,,并結(jié)合改進(jìn)遺傳算法尋找最佳匹配原子,,最后將每次分解得到的Gabor原子通過Wigner-Ville變換疊加得到無(wú)交叉項(xiàng)的信號(hào)WVD。仿真結(jié)果表明,,該方法能提高對(duì)信號(hào)稀疏分解的計(jì)算效率,,且Gabor原子的選取較為靈活,用少量原子可表示信號(hào)WVD,。與傳統(tǒng)的時(shí)頻分析方法相比,,該方法能有效抑制時(shí)頻交叉項(xiàng)干擾,且保持高時(shí)頻分辨率,。
中圖分類號(hào): TN911.7
文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.2016.06.024
中文引用格式: 全盛榮,,張?zhí)祢U,王俊霞,,等. 基于稀疏分解的SFM信號(hào)的時(shí)頻分析方法[J].電子技術(shù)應(yīng)用,,2016,42(6):87-90.
英文引用格式: Quan Shengrong,,Zhang Tianqi,,Wang Junxia,et al. A new time-frequency analysis method of sinusoidal frequency modulation signals based on sparse decomposition[J].Application of Electronic Technique,,2016,,42(6):87-90.
A new time-frequency analysis method of sinusoidal frequency modulation signals based on sparse decomposition
Quan Shengrong,Zhang Tianqi,,Wang Junxia,,Ma Baoze
Chongqing Key Laboratory of Signal and Information Processing,Chongqing University of Posts and Telecommunications,, Chongqing 400065,,China
Abstract: For the serious cross-terms interference problem of sinusoidal frequency modulation(SFM) signal Wigner-Ville distribution(WVD), a new time-frequency analysis method based on sparse decomposition is proposed. Firstly, the Gabor atom dictionary is constructed by signal time-frequency parameters, then the signal sparse decomposition is realized by using matching pursuit(MP) algorithm, and combined with the improved genetic algorithm to search the best matching atoms. Finally, the matching Gabor atoms constitutes the signal WVD without cross-terms through the Wigner-Ville transform in turns. Simulation results verify that the proposed method is efficient, it can improve the computational efficiency of signal decomposition, and a few Gabor atoms can represent signal WVD by a flexible selecting way. Compared with traditional time-frequency analysis methods, it can effectively restrain the time-frequency cross-term interference, and maintain a high time-frequency resolution.
Key words : SFM;WVD,;cross-terms interference,;sparse decomposition;time-frequency resolution

0 引言

    SFM(Sinusoidal Frequency Modulation)信號(hào)是一種典型的非平穩(wěn)信號(hào),,具有頻率時(shí)變,、低截獲概率等性質(zhì),在雷達(dá),、聲納,、生物醫(yī)學(xué)及地震信號(hào)處理等領(lǐng)域得到廣泛應(yīng)用[1]。傳統(tǒng)的傅里葉變換是信號(hào)分析與處理的重要技術(shù)手段,但不能反映非平穩(wěn)信號(hào)頻率的時(shí)變本質(zhì),,而時(shí)頻分析[2-3]注重信號(hào)時(shí)變譜特征,,描述信號(hào)隨時(shí)間和頻率的能量分布。因此,,研究SFM信號(hào)的時(shí)頻分析方法具有重要的意義,。

    近年來(lái),時(shí)頻分析方法在非平穩(wěn)信號(hào)處理領(lǐng)域中引起廣泛關(guān)注和研究,,主要應(yīng)用于雷達(dá)目標(biāo)探測(cè),、語(yǔ)音信號(hào)和圖像處理、生物信號(hào)診斷等領(lǐng)域,。Wigner-Ville分布(WVD)是分析非平穩(wěn)時(shí)變信號(hào)的重要工具之一,,是一種基本Cohen類雙線性時(shí)頻分布,具有很好的時(shí)頻聚集性[4],,但對(duì)于非線性調(diào)頻信號(hào)會(huì)產(chǎn)生交叉項(xiàng)干擾,。偽Wigner-Ville分布(PWVD)能夠抑制交叉項(xiàng)干擾,但降低了時(shí)頻分辨率,,且改變了邊緣性質(zhì)[5],。1993年,MALLAT和ZHANG[6]首次提出在過完備字典中對(duì)信號(hào)進(jìn)行稀疏分解的思想,,并引入了匹配追蹤(Matching Pursuit,,MP)算法,。目前,,稀疏分解被廣泛應(yīng)用到信號(hào)處理的許多方面,如編碼,、去噪,、微弱信號(hào)提取等,但在時(shí)頻分析中的研究甚少,。文獻(xiàn)[7]利用Gabor原子對(duì)語(yǔ)音信號(hào)進(jìn)行分解,,很好地利用了Gabor原子來(lái)表示信號(hào)的內(nèi)在結(jié)構(gòu);文獻(xiàn)[8]將MP分解方法應(yīng)用在雷達(dá)目標(biāo)識(shí)別中,,該方法雖然提高了原子的搜索效率,,但本質(zhì)上沒有降低信號(hào)分解的計(jì)算復(fù)雜度,難以實(shí)現(xiàn)信號(hào)實(shí)時(shí)處理,。

    為解決SFM信號(hào)WVD存在的時(shí)頻交叉項(xiàng)干擾問題,,本文提出一種基于稀疏分解的時(shí)頻分析方法。該方法首先在Gabor原子字典中對(duì)信號(hào)進(jìn)行MP分解,,然后將分解得到的Gabor原子通過Wigner-Ville變換疊加得到信號(hào)WVD,。仿真結(jié)果表明,本文方法能提高對(duì)信號(hào)分解的計(jì)算效率,,不僅能抑制交叉項(xiàng)干擾,,還能保持高時(shí)頻分辨率,,是一種有效的時(shí)頻分析方法。

1 SFM信號(hào)模型及時(shí)頻特性分析

1.1 SFM信號(hào)模型

    SFM信號(hào)的頻率特性曲線是關(guān)于時(shí)間的正弦函數(shù),,其數(shù)學(xué)模型為:

    ck5-gs1.gif

式中,,A為SFM信號(hào)的幅度,fc為載頻,,fm為調(diào)制頻率,,mf為調(diào)制指數(shù)。由于瞬時(shí)頻率是瞬時(shí)相位關(guān)于時(shí)間的導(dǎo)數(shù),,則:

ck5-gs2.gif

1.2 時(shí)頻特性分析

    信號(hào)s(t)的Wigner-Ville變換定義為:

ck5-gs3-4.gif

    由式(4)可知,,當(dāng)信號(hào)相位關(guān)于時(shí)間的二階以上導(dǎo)數(shù)為零時(shí),如線性調(diào)頻信號(hào)WVD不含交叉項(xiàng),,表現(xiàn)出最佳時(shí)頻聚集性,;當(dāng)信號(hào)相位關(guān)于時(shí)間的二階以上導(dǎo)數(shù)不為零時(shí),由于其高次項(xiàng)的作用,,信號(hào)WVD會(huì)產(chǎn)生自身交叉項(xiàng),。為了解決SFM信號(hào)的交叉干擾問題,本文將利用Gabor原子的時(shí)頻特性,,聯(lián)合稀疏分解和WVD的方法對(duì)SFM信號(hào)進(jìn)行分析,。

2 基于稀疏分解的時(shí)頻分析方法

2.1 Gabor原子字典的構(gòu)建及離散化

    Gabor原子的數(shù)學(xué)表示式為:

ck5-gs5.gif

    對(duì)于由Gabor原子所構(gòu)成的字典,首先將gγ作歸一化處理,,即||gγ||=1,,然后根據(jù)Mallat索引算法對(duì)信號(hào)的時(shí)頻參數(shù)進(jìn)行離散化。

    由圖1可知,,隨著j的遞增位移參數(shù)的掃描間隔不斷變得稀疏,,而頻率參數(shù)的掃描間隔不斷變得密集。在迭代過程中,,先根據(jù)j值確定時(shí)頻參數(shù)的取值范圍和步距,,再依次掃描時(shí)頻參數(shù)來(lái)選取最相關(guān)的原子參數(shù)。

ck5-t1.gif

ck5-gs6.gif

2.2 聯(lián)合MP分解和WVD的時(shí)頻分析

    假設(shè)D為N維Hilbert空間H中的Gabor原子字典,,gγ為由參數(shù)組γ定義的Gabor原子,。考察逼近任意信號(hào)f,,信號(hào)長(zhǎng)度為N,,則信號(hào)可被分解為:

ck5-gs7-9.gif

其中α為優(yōu)化因子,0<α≤1,。為了尋找與分解的殘余最為匹配的原子,,取α=1。

    當(dāng)殘余能量低于一定閾值或者滿足一定的迭代次數(shù)時(shí),該迭代過程結(jié)束,。由式(7)可得,,用少量Gabor原子即可表示信號(hào)的主要成分,即:

ck5-gs10-11.gif

式(10)和M<<N集中體現(xiàn)信號(hào)稀疏表示的思想,,它代表信號(hào)稀疏分解的結(jié)果,。

    對(duì)每次迭代過程中分解得到的Gabor原子進(jìn)行Wigner-Ville變換,由式(12)得到信號(hào)WVD:

    ck5-gs12.gif

3 利用改進(jìn)遺傳算法尋找最佳匹配原子

    基于MP的稀疏分解算法存在的關(guān)鍵問題是計(jì)算量大,。本文采用分層思想對(duì)傳統(tǒng)遺傳算法(GA)尋找最佳匹配原子進(jìn)行改進(jìn),。利用過完備原子庫(kù)“波形相同”的等價(jià)關(guān)系[9],對(duì)字典D按式(13)進(jìn)行劃分:

ck5-gs13-14.gif

    將定義一個(gè)原子的參數(shù)組作為待尋優(yōu)參數(shù),,殘余與最佳匹配原子內(nèi)積的絕對(duì)值作為適應(yīng)度函數(shù),。當(dāng)每個(gè)子庫(kù)運(yùn)行到一定代數(shù)時(shí),將N個(gè)子庫(kù)結(jié)果和平均適應(yīng)度分別記錄到數(shù)組R[i,,j](i=1,,…,N,;j=1,,…,n)和A[i]中,,進(jìn)行選擇,、交叉和變異操作,淘汰適應(yīng)度值低的原子,,然后更新R[i,,j]和A[i],并開始新的分解迭代過程,。利用改進(jìn)遺傳算法尋找最佳匹配原子如圖2所示,。

ck5-t2.gif

4 仿真及性能分析

    仿真實(shí)驗(yàn)中,采用SFM信號(hào),,信號(hào)長(zhǎng)度為N=140,s(t)=exp[j0.5πt+j20sin(0.02πt)],。為便于信號(hào)分析和處理,,對(duì)采樣頻率進(jìn)行歸一化處理。由文獻(xiàn)[7]可知,,當(dāng)信號(hào)長(zhǎng)度為140時(shí),,字典中含有59 129個(gè)Gabor原子,滿足原子字典的過完備性,。

    圖3,、圖4分別為SFM信號(hào)的WVD和PWVD。由圖可知,SFM信號(hào)WVD存在嚴(yán)重的交叉項(xiàng),,與理論分析相符,;其PWVD雖抑制了交叉項(xiàng),具有較好的聚集性,,但降低了時(shí)頻分辨率,,改變了邊緣性質(zhì)。

ck5-t3.gif

ck5-t4.gif

4.1 實(shí)驗(yàn)一:正弦調(diào)頻信號(hào)的稀疏分解

    對(duì)SFM信號(hào)在Gabor原子字典中做稀疏分解,,迭代次數(shù)為200,。圖5表示Gabor原子示意圖,Gabor原子的能量較為集中,,這種集中的特性是由信號(hào)時(shí)頻參數(shù)構(gòu)成的Gabor原子是一個(gè)高斯窗函數(shù),,具有代表性。

ck5-t5.gif

    圖6和圖7分別表示SFM信號(hào)在200次迭代過程中分解系數(shù)的變化及逼近誤差,。隨著迭代次數(shù)的增加,,分解系數(shù)幅值不斷減小,表明在分解的過程中殘余能量越來(lái)越?。ń?jīng)過200次分解后逼近誤差值小于0.05),,重構(gòu)信號(hào)越來(lái)越逼近原SFM信號(hào)。

ck5-t6.gif

ck5-t7.gif

4.2 實(shí)驗(yàn)二:時(shí)頻特性分析

    通過改變迭代次數(shù)來(lái)比較由不同原子數(shù)構(gòu)建信號(hào)的WVD,。圖8,、圖9分別表示為由30、50個(gè)Gabor原子構(gòu)建信號(hào)的WVD,,顏色表示信號(hào)能量分布,。由圖可知,Gabor原子在時(shí)頻圖上表現(xiàn)為時(shí)頻塊,,具有最佳的時(shí)頻聚集性,,信號(hào)WVD是由一系列Gabor原子組合得到。仿真結(jié)果表明,,本文方法有效抑制了SFM信號(hào)WVD的交叉項(xiàng)干擾,,并保持高的時(shí)頻分辨率。

ck5-t8.gif

ck5-t9.gif

    經(jīng)過多組測(cè)試,,不同Gabor原子數(shù)構(gòu)建信號(hào)WVD的效果不同,,說明信號(hào)的稀疏表示存在多種形式;同時(shí)在本文給出的參數(shù)條件下,,采用35個(gè)Gabor原子構(gòu)成信號(hào)的WVD效果最好,。

4.3 實(shí)驗(yàn)三:稀疏分解性能分析

    設(shè)種群進(jìn)化代數(shù)為35,染色體個(gè)數(shù)為21,。從算法復(fù)雜度角度來(lái)看,,稀疏分解計(jì)算復(fù)雜度取決于殘余與最佳匹配原子的內(nèi)積運(yùn)算量,。假設(shè)基于MP分解計(jì)算速度為1,3種不同分解方法的相對(duì)計(jì)算速度及均方根誤差比較如表1所示,,以重構(gòu)信號(hào)與原信號(hào)之間的均方根誤差(RMSE)作為衡量重構(gòu)信號(hào)質(zhì)量的標(biāo)準(zhǔn),。

ck5-b1.gif

    由表1可知,3種方法得到的RMSE均小于-19 dB,,說明35個(gè)Gabor原子可很好地重構(gòu)原信號(hào)相對(duì)基于MP分解和GA的MP分解方法而言,,本文方法在保證重構(gòu)信號(hào)質(zhì)量的情況下,提高了稀疏分解的計(jì)算效率,。

5 結(jié)束語(yǔ)

    從稀疏分解的角度出發(fā),,本文提出一種聯(lián)合稀疏分解和Wigner-Ville分布的時(shí)頻分析方法。在傳統(tǒng)時(shí)頻分析方法的基礎(chǔ)上,,本文利用Gabor原子的時(shí)頻特性,,將信號(hào)WVD用一系列最佳匹配Gabor原子的WVD疊加得到。相對(duì)于信號(hào)的時(shí)頻分布,,稀疏分解得到的是與信號(hào)最為匹配原子的參數(shù)信息,,靈活地選取Gabor原子,可以更為稀疏地表示信號(hào),,有效地揭示了非平穩(wěn)信號(hào)的時(shí)頻結(jié)構(gòu),,其不但是稀疏的,而且可以方便應(yīng)用于進(jìn)一步的信息處理,。

參考文獻(xiàn)

[1] 李英祥.低截獲概率信號(hào)非平穩(wěn)處理技術(shù)研究[D].成都:電子科技大學(xué),,2003.

[2] 鄒紅星,周小波,,李衍達(dá).時(shí)頻分析:回溯與前瞻[J].電子學(xué)報(bào),,2000,28(9):78-84.

[3] COHEN L.Time-frequency analysis[J].Upper Saddle River,,NJ:Prentice-hall,,1995,181(2):335-337.

[4] QIAN S,,CHEN D.Joint time-frequency analysis[J].IEEE Signal Processing Magazine,,1999,16(2):52-67.

[5] 葛哲學(xué),,陳仲生.Matlab時(shí)頻分析技術(shù)及其應(yīng)用[M].北京:人民郵電出版社,,2006.

[6] MALLAT S G,ZHANG Z.Matching pursuits with time-frequency dictionaries[J].IEEE Transactions on Signal Processing,,1993,41(12):3397-3415.

[7] LOBO A P,,LOIZOU P C.Voiced unvoiced speech discri-mination in noise using gabor atomic decomposition[C].IEEE International Conference on Acoustics,,Speech and Signal Processing,,2003,1:820-823.

[8] 段沛沛,,李輝.快速稀疏分解在雷達(dá)目標(biāo)識(shí)別中的應(yīng)用[J].電子技術(shù)應(yīng)用,,2015,41(7):64-67.

[9] 邵君,,尹忠科,,王建英.信號(hào)稀疏分解中過完備原子庫(kù)的集合劃分[J].鐵道學(xué)報(bào),2006,,28(1):68-71.

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載。