CN103220241A - 一种低信噪比条件下信号盒维数特征提取方法 - Google Patents
一种低信噪比条件下信号盒维数特征提取方法 Download PDFInfo
- Publication number
- CN103220241A CN103220241A CN2013101078812A CN201310107881A CN103220241A CN 103220241 A CN103220241 A CN 103220241A CN 2013101078812 A CN2013101078812 A CN 2013101078812A CN 201310107881 A CN201310107881 A CN 201310107881A CN 103220241 A CN103220241 A CN 103220241A
- Authority
- CN
- China
- Prior art keywords
- signal
- under
- noise ratio
- box
- counting dimension
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 4
- 238000001914 filtration Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims description 27
- 239000000284 extract Substances 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 238000013459 approach Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract description 10
- 230000001149 cognitive effect Effects 0.000 abstract description 2
- 230000008447 perception Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
Images
Landscapes
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明提出了一种低信噪比条件下信号盒维数特征提取方法,该方法首先对接收到的信号进行分段处理进而得到离散采样信号,然后对离散采样信号作短时频域滤波处理,以改善信噪比;接着对滤波后的信号进行重构,从获得的重构信号中提取其盒维数特征。本发明提取的盒维数特征在低信噪比条件下能提高信号的估计精度,具有一定的抗干扰性能,可进一步提高依赖此特征进行认知无线电频谱感知、信号调制方式识别、信号参数估计等处理的有效性与可靠性。
Description
技术领域
本发明涉及信号特征提取技术领域,特别是一种低信噪比条件下信号盒维数特征提取方法。
背景技术
信号的分形盒维数,作为信号非线性特性的表征方式,已广泛应用于认知无线电频谱感知(如文献[1]赵春晖,马爽,杨伟超.基于分形盒维数的频谱感知技术研究[J].电子与信息学报,2011,33(2):475-478;文献[2]陈小波,陈红,蔡晓霞等.基于分形盒维数的双门限合作频谱感知方法[J].电讯技术,2011,51(8):75-79;文献[3]赵春晖,马爽.脉冲噪声下基于Myriad滤波及分形盒维数的频谱感知[J].振动与冲击,2012,31(3):84-87)、设备故障检测(如文献[4]樊福梅,梁平,吴庚申.基于分形盒维数的汽轮机转子振动故障诊断的实验研究[J].核动力工程,2006,27(1):85-89;文献[5]郝研,王太勇,万剑等.分形盒维数抗噪研究及其在故障诊断中的应用[J].仪器仪表学报,2011,32(3):540-545)、信号调制方式识别(如文献[6]吕铁军,郭双冰,肖先赐.基于复杂度特征的调制信号识别[J].通信学报,2002,23(1):111-115;文献[7]吕铁军,郭双冰,肖先赐.调制信号的分形特征研究[J].中国科学E辑:技术科学,2001,31(6):508-513;文献[8]杨伟超,赵春晖,成宝芝.Alpha稳定分布噪声下的通信信号识别[J].应用科学学报,2010,28(2):111-114)、信号参数估计(如文献[9]李一兵,李靖超,林云.基于分形盒维数的线性调频信号参数估计[J].***工程与电子技术,2012,34(1):24-27)等众多领域。
分形理论主要研究对象的内在关系,在一定程度上反映与体现着整体***的特性与信息。分形盒维数是分形理论中的主要参数,描述分形信号的几何尺度信息,通信信号的各种调制信号类型特点主要体现在载波信号的幅度、频率和相位上,因此信号波形就包含了它们在几何、分布疏密上的信息,将信号分形集的维数作为信号变化特性的定量描述。
文献[1]提出了一种基于时域盒维数的频谱感知方法,通过提取信号和噪声的盒维数作为检验统计量。研究表明,噪声的盒维数特征受噪声参数变化的影响较小,但在低信噪比条件下,信号和噪声的盒维数较为接近,不易区分进而影响检测性能。文献[2]基于分形盒维数特征,提出了一种多用户双门限分步合作方法,有效提高了低信噪比条件下检测的可靠性。文献[3]提出了一种在Alpha稳定分布噪声背景下基于Myriad滤波的盒维数频谱感知方法,该方法能有效地抑制Alpha稳定噪声,具有良好的检测性能。文献[4]根据汽轮机故障的分形特征,采用分形盒维数进行不同故障试验,验证这一特征在进行汽轮机转子故障类型诊断时的有效性。文献[5]针对不同噪声强度的影响,分析出分形盒维数具有一定的抗噪性。在使用较为简单的滤波方法时,仍可以在一定程度上体现信号的非线性特征,并将分形盒维数这一特征应用于机械故障诊断中。文献[6]结合Lempel-Ziv复杂度和分形维数这两种表征信号复杂度的特征,设计分层结构的组合分类器实现对未调载波CW、已调信号BASK、QASK、BFSK、QFSK、BPSK、QPSK共7种信号的识别,获得较为满意的识别率。文献[7]通过提取信号分形盒维数、信息维数作为识别特征,结合神经网络分类器,可实现对未调载波CW、已调信号BFSK、QFSK、BPSK、QPSK共5种调制样式的分类识别,并进一步验证了分形盒维数这一特征的抗干扰性能。文献[8]验证了分形盒维数对特征指数介于1和2之间的Alpha稳定分布噪声是不敏感的,提取所选信号族中信号相位的分形盒维数作为特征参量对信号进行识别,结果表明:基于分形盒维数特征的的方法在非高斯Alpha稳定分布噪声背景下的识别性能具有一定的韧性。文献[9]提出了一种基于分形盒维数的LFM信号调频斜率估计方法,通过计算信号调频斜率与盒维数的关系,可对LFM信号的调频斜率进行有效估计。
通常在信噪比较高时,信号的盒维数值能得到较好的估计,但低信噪比时,信号的盒维数的估计性能变差,从而影响依赖此特征进行频谱感知、信号识别等处理的有效性与可靠性。例如:文献[1]中将时域盒维数特征直接应用于频谱感知,但当信噪比SNR低于-10dB时,高斯白噪声背景下的信号和噪声的盒维数非常接近,难以区分进而使得检测性能无法进一步提高。因此,如何在低信噪比条件下,提高信号盒维数的估计精度,显得十分必要。
发明内容
本发明的目的是解决现有技术在低信噪比条件下盒维数特征估计误差大的缺陷。
为实现上述目的,本发明采取的技术方案为:一种低信噪比条件下信号盒维数特征提取方法,包括以下步骤:
(1)对接收到的信号进行分段短时频域滤波,得到滤波后的重构信号:
首先对接收到的信号依次进行分段处理以及离散采样,设定离散采样后的信号为
xi(n),i(N0-1)≤n≤(i+1)(N0-1),其中N0为各分段信号的长度;
然后对离散采样后的信号进行分段短时频域滤波,步骤如下:
(1-1)对xi(n)作N0点DFT,得到Xi(k)=DFT[xi(n)];
(1-2)设计一个带通波滤器,其传输特性如下
其中k0为|X(k)|的最大谱线位置,|·|表示对复数取模,δ为滤波点数;
(1-3)令X′i(k)=H(k)Xi(k),后对X′i(k)作N0点IDFT,得x′i(n)=IDFT(X′i(k));
(2)对步骤(1)得到的重构信号提取分形盒维数特征,步骤如下:
设定信号的采样序列为x(t1),x(t2),…,x(tN),x(tN+1),N为偶数。令
盒维数则定义为:
进一步的,本发明还包括步骤:(3)对提取出的分形盒维数特征进行精度估计,以验证盒维数特征提取的精度:针对不同信号类型,分别提取原始调制信号、高斯白噪声背景下的信号,以及高斯白噪声背景下且经分段短时频域滤波后的重构信号,上述三者的盒维数特征值,在不同的信噪比条件下,比较三种盒维数特征值的均值和均方根误差;如高斯白噪声背景下且经分段短时频域滤波后的重构信号的盒维数特征值的均值和均方根误差均小于滤波前高斯白噪声背景下的信号,则其更接近于实际信号的盒维数真实值。
更进一步的,本发明中,步骤(1)中对接收信号进行分段处理得到离散采样信号的步骤如下:
设定接收到的信号模型为:
x(t)=s(t)+w(t),0≤t≤T
其中,w(t)是零均值,方差为σ2的高斯白噪声过程,T为观测时间,s(t)是调制信号,x(t)用解析信号形式表示
其中,A是幅度,f0是载频,是初始相位,c(t)是相位函数;
在一个短时时间(t0,t0+T0)内,对于无频率跳变的信号,可近似看作单频正弦波信号,这样原始信号可以作分段处理,每段的信号模型为
离散采样后为
其中N0为分段信号的长度,N为原始信号的长度,采样间隔Δt=T0/N0,采样频率fs=N0/T0。
本发明的有益效果为:通过对高斯白噪声背景下的信号进行分段短时频域滤波处理,改善信噪比,然后提取其盒维数来描述信号的特征,在不同的信噪比条件下,采用本发明方法的盒维数均值和均方根误差均小于频域滤波前,更接近于实际信号的盒维数的真实值,即使在低信噪比条件下仍然具有较高的估计精度。同时本发明利用基于分段短时频域滤波的盒维数特征提取方法,不仅提高了分形维数的准确性,且简单易于实现,提高了后续环节处理的实时性。
附图说明
图1所示为本发明的方法流程示意图;
图2为高斯白噪声背景下的BPSK信号分段短时频域滤波前后的频谱图(信噪比SNR=-5dB);
图3为高斯白噪声背景下的QPSK信号分段短时频域滤波前后的频谱图(信噪比SNR=-5dB);
图4为高斯白噪声背景下的MSK信号分段短时频域滤波前后的频谱图(信噪比SNR=-5dB);
图5为高斯白噪声背景下的ASK信号分段短时频域滤波前后的频谱图(信噪比SNR=-5dB);
图6为高斯白噪声背景下的BPSK信号分段短时频域滤波前后的盒维数均值、均方根误差对比(信噪比范围SNR=-15~10dB);
图7为高斯白噪声背景下的QPSK信号分段短时频域滤波前后的盒维数均值、均方根误差对比(信噪比范围SNR=-15~10dB);
图8为高斯白噪声背景下的MSK信号分段短时频域滤波前后的盒维数均值、均方根误差对比(信噪比范围SNR=-15~10dB);
图9为高斯白噪声背景下的ASK信号分段短时频域滤波前后的盒维数均值、均方根误差对比(信噪比范围SNR=-15~10dB)。
具体实施方式
以下结合附图和具体实施例做进一步描述。
本发明的低信噪比条件下信号盒维数特征提取方法,在具体应用时,其一种实施例包括以下步骤:
(1)对接收到的信号进行分段短时频域滤波,得到滤波后的重构信号:设接收到的信号模型为:
x(t)=s(t)+w(t),0≤t≤T
其中,w(t)是零均值,方差为σ2的高斯白噪声过程,T为观测时间,s(t)是调制信号,x(t)用解析信号形式表示
在一个短时时间(t0,t0+T0)内,对于无频率跳变的信号,可近似看作单频正弦波信号,这样原始信号可以作分段处理,每段的信号模型为
离散采样后为
其中N0为分段信号的长度,N为原始信号的长度,采样间隔Δt=T0/N0,采样频率fs=N0/T0。分段短时频域滤波步骤如下:
(1-1)对xi(n)作N0点DFT,得到Xi(k)=DFT[xi(n)];
(1-2)设计一个带通波滤器,其传输特性如下
其中k0为|X(k)|的最大谱线位置(|·|表示对复数取模),δ为滤波点数。根据经验本发明中选取δ=7。
(1-3)令X′i(k)=H(k)Xi(k),后对X′i(k)作N0点IDFT,得
x′i(n)=IDFT(X′i(k))
考虑将信号等间隔分段,这里取N0=256。
滤波后的信噪比增加了约N0/2δ倍(一般N0>>2δ),为后续精确处理提供了可能。
附图2至附图5分别显示了当信噪比SNR=-5dB时,高斯白噪声背景下的四类信号分段短时频域滤波前后的频谱图。从图中可以看出,经过分段短时频域滤波处理,可以清晰地看出信号频谱被凸现出来,信噪比得到了改善。
(2)对原始BPSK、QPSK、MSK和ASK四类调制信号、相应高斯白噪声背景下的信号、相应高斯白噪声背景下的信号经分段短时频域滤波后的重构信号分别提取其分形盒维数特征:
设信号的采样序列为x(t1),x(t2),…,x(tN),x(tN+1),N为偶数。令
盒维数可以定义为
(3)对提取出的分形盒维数特征进行精度估计,以验证盒维数特征对原始信号的估计精度:针对BPSK、QPSK、MSK和ASK四类常规信号类型,分别提取原始调制信号、高斯白噪声背景下的信号,以及高斯白噪声背景下且经分段短时频域滤波后的重构信号,上述三者的盒维数特征值,在不同的信噪比条件下,比较三种盒维数特征值的均值和均方根误差;如高斯白噪声背景下且经分段短时频域滤波后的重构信号的盒维数特征值的均值和均方根误差均小于滤波前高斯白噪声背景下的信号,则其更接近于实际信号的盒维数真实值。精度估计公式见(1)和(2),可验证本发明中提出的改进盒维数特征在低信噪比条件下能有效地对原始调制信号进行精度估计,用于后续其它环节的处理。
其中,Di(i=1,2,…M)为各次仿真的盒维数值,M为仿真次数,这里取M=1000。
其中,D0为原始调制信号的盒维数的真实值,在不加噪声时,由仿真计算得到,Di(i=1,2,…M)为各次仿真的盒维数值,M为仿真次数,这里取M=1000。
附图6至附图9分别给出了在不同的信噪比条件下,BPSK、QPSK、MSK、ASK这四类原始调制信号、高斯白噪声背景下的信号以及高斯白噪声背景下的信号经分段短时频域滤波后的重构信号这三者的盒维数特征均值、均方根误差对比。由各图的(a)图可见,BPSK、QPSK、MSK、ASK这四类原始信号的盒维数特征均值在1.0左右,当信噪比SNR在-10dB以上,从高斯白噪声背景下的信号经分段短时频域滤波后的重构信号中提取出的盒维数特征均值接近于原始信号的盒维数特征均值,经过频域滤波处理后,盒维数均值估计值明显低于滤波前直接提取的特征均值,接近真值。此外,由各图的(b)图可见,当信噪比SNR大于-15dB以上,经分段短时频域滤波后的重构信号的盒维数估计值的均方根误差较频域滤波前要小的多,两条曲线区分明显。综合来看,说明采用本发明方法可以在低信噪比条件下更有效地提取信号的盒维数特征,更好地描述了原始信号的特征。
Claims (3)
1.一种低信噪比条件下信号盒维数特征提取方法,其特征是,包括以下步骤:
(1)对接收到的信号进行分段短时频域滤波,得到滤波后的重构信号:
首先对接收到的信号依次进行分段处理以及离散采样,设定离散采样后的信号为xi(n),i(N0-1)≤n≤(i+1)(N0-1),其中N0为各分段信号的长度;
然后对离散采样后的信号进行分段短时频域滤波,步骤如下:
(1-1)对xi(n)作N0点DFT,得到Xi(k)=DFT[xi(n)];
(1-2)设计一个带通波滤器,其传输特性如下:
其中k0为|X(k)|的最大谱线位置,|·|表示对复数取模,δ为滤波点数;
(1-3)令X′i(k)=H(k)Xi(k),后对X′i(k)作N0点IDFT,得x′i(n)=IDFT(X′i(k));
设定信号的采样序列为x(t1),x(t2),…,x(tN),x(tN+1),N为偶数,令
盒维数则定义为:
2.根据权利要求1所述的低信噪比条件下信号盒维数特征提取方法,其特征是,方法还包括步骤(3):对提取出的分形盒维数特征进行精度估计,以验证盒维数特征提取的精度:
针对不同信号类型,分别提取原始调制信号、高斯白噪声背景下的信号,以及高斯白噪声背景下且经分段短时频域滤波后的重构信号,上述三者的盒维数特征值;在不同的信噪比条件下,比较三种盒维数特征值的均值和均方根误差;如高斯白噪声背景下且经分段短时频域滤波后的重构信号的盒维数特征值的均值和均方根误差均小于滤波前高斯白噪声背景下的信号,则其更接近于实际信号的盒维数真实值。
3.根据权利要求1或2所述的低信噪比条件下信号盒维数特征提取方法,其特征是,步骤(1)中对接收信号依次进行分段处理和离散采样的步骤如下:
设定接收到的信号模型为:
x(t)=s(t)+w(t),0≤t≤T
其中,w(t)是零均值,方差为σ2的高斯白噪声过程,T为观测时间,s(t)是调制信号,x(t)用解析信号形式表示
在一个短时时间(t0,t0+T0)内,对于无频率跳变的信号,可近似看作单频正弦波信号,这样原始信号可以作分段处理,每段的信号模型为
离散采样后为
其中N0为分段信号的长度,N为原始信号的长度,采样间隔Δt=T0/N0,采样频率fs=N0/T0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310107881.2A CN103220241B (zh) | 2013-03-29 | 2013-03-29 | 一种低信噪比条件下信号盒维数特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310107881.2A CN103220241B (zh) | 2013-03-29 | 2013-03-29 | 一种低信噪比条件下信号盒维数特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103220241A true CN103220241A (zh) | 2013-07-24 |
CN103220241B CN103220241B (zh) | 2016-03-09 |
Family
ID=48817717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310107881.2A Active CN103220241B (zh) | 2013-03-29 | 2013-03-29 | 一种低信噪比条件下信号盒维数特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103220241B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104065429A (zh) * | 2014-07-04 | 2014-09-24 | 哈尔滨工程大学 | 基于频域盒维数的盲频谱感知方法 |
CN104776966A (zh) * | 2015-04-01 | 2015-07-15 | 南京航空航天大学 | 基于分形理论的板结构冲击监测方法 |
CN105933060A (zh) * | 2016-06-24 | 2016-09-07 | 温州大学 | 一种基于动力学反馈神经网络的波前重构方法 |
CN106209160A (zh) * | 2016-06-29 | 2016-12-07 | 南京理工大学 | 一种基于压缩感知的直扩msk信号二维联合捕获方法 |
CN106302290A (zh) * | 2016-08-02 | 2017-01-04 | 中国人民解放军电子工程学院 | 一种基于分形盒维数的ofdm通讯信号识别方法 |
CN107526064A (zh) * | 2017-07-10 | 2017-12-29 | 上海电机学院 | 基于二维特征的自适应lfm信号参数估计方法 |
CN108616471A (zh) * | 2018-05-07 | 2018-10-02 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的信号调制识别方法和装置 |
CN110166391A (zh) * | 2019-06-13 | 2019-08-23 | 电子科技大学 | 脉冲噪声下基于深度学习的基带预编码msk信号解调方法 |
CN112307079A (zh) * | 2020-09-30 | 2021-02-02 | 华中师范大学 | 一种众源地理信息线状要素的综合质量评价方法 |
CN112329825A (zh) * | 2020-10-23 | 2021-02-05 | 贵州电网有限责任公司 | 基于信息分维及提升决策树的变压器机械故障诊断方法 |
CN112636781A (zh) * | 2020-12-23 | 2021-04-09 | 电子科技大学 | 一种数字调制最优干扰信号的检测方法 |
CN112729816A (zh) * | 2020-12-22 | 2021-04-30 | 中国工程物理研究院机械制造工艺研究所 | 一种行星减速器故障模式识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6967899B1 (en) * | 2004-06-09 | 2005-11-22 | The United States Of America As Represented By The Secretary Of The Navy | Method for classifying a random process for data sets in arbitrary dimensions |
CN102387099A (zh) * | 2011-10-19 | 2012-03-21 | 哈尔滨工业大学 | 认知无线***中基于加性高斯白噪声信道数据辅助通信信号的信噪比误差矢量幅值估计方法 |
CN102394711A (zh) * | 2011-11-07 | 2012-03-28 | 哈尔滨工程大学 | 复杂环境下一种新的通信电台个体识别方法 |
CN102594471A (zh) * | 2012-03-21 | 2012-07-18 | 南京邮电大学 | 一种基于分形盒维数和三阶循环累积量的频谱感知方法 |
CN102882616A (zh) * | 2012-09-25 | 2013-01-16 | 哈尔滨工程大学 | 一种基于复杂度的快速盲频谱感知方法 |
-
2013
- 2013-03-29 CN CN201310107881.2A patent/CN103220241B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6967899B1 (en) * | 2004-06-09 | 2005-11-22 | The United States Of America As Represented By The Secretary Of The Navy | Method for classifying a random process for data sets in arbitrary dimensions |
CN102387099A (zh) * | 2011-10-19 | 2012-03-21 | 哈尔滨工业大学 | 认知无线***中基于加性高斯白噪声信道数据辅助通信信号的信噪比误差矢量幅值估计方法 |
CN102394711A (zh) * | 2011-11-07 | 2012-03-28 | 哈尔滨工程大学 | 复杂环境下一种新的通信电台个体识别方法 |
CN102594471A (zh) * | 2012-03-21 | 2012-07-18 | 南京邮电大学 | 一种基于分形盒维数和三阶循环累积量的频谱感知方法 |
CN102882616A (zh) * | 2012-09-25 | 2013-01-16 | 哈尔滨工程大学 | 一种基于复杂度的快速盲频谱感知方法 |
Non-Patent Citations (3)
Title |
---|
C.H.ZHAO ET AL.: "《Spectrum sensing in cognitive radios based on fractal box dimension》", 《JOURNAL OF ELECTRONICS AND INFORMATION TECHNOLOGY》, vol. 33, 31 December 2011 (2011-12-31) * |
T.J.LU ET AL.: "《Research on fractal features of the modulated signal》", 《SCIENCE IN CHINA:SERIES E》, vol. 31, 31 December 2011 (2011-12-31) * |
YIBING LI ET AL.: "《The Application of Improved Generalized Fractal Box-counting Dimension Algorithm in Emitter Signals Recognition》", 《HTTP://WWW.JOICS.COM》, 31 December 2011 (2011-12-31) * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104065429B (zh) * | 2014-07-04 | 2016-12-07 | 哈尔滨工程大学 | 基于频域盒维数的盲频谱感知方法 |
CN104065429A (zh) * | 2014-07-04 | 2014-09-24 | 哈尔滨工程大学 | 基于频域盒维数的盲频谱感知方法 |
CN104776966A (zh) * | 2015-04-01 | 2015-07-15 | 南京航空航天大学 | 基于分形理论的板结构冲击监测方法 |
CN104776966B (zh) * | 2015-04-01 | 2017-05-10 | 南京航空航天大学 | 基于分形理论的板结构冲击监测方法 |
CN105933060A (zh) * | 2016-06-24 | 2016-09-07 | 温州大学 | 一种基于动力学反馈神经网络的波前重构方法 |
CN106209160B (zh) * | 2016-06-29 | 2019-01-11 | 南京理工大学 | 一种基于压缩感知的直扩msk信号二维联合捕获方法 |
CN106209160A (zh) * | 2016-06-29 | 2016-12-07 | 南京理工大学 | 一种基于压缩感知的直扩msk信号二维联合捕获方法 |
CN106302290A (zh) * | 2016-08-02 | 2017-01-04 | 中国人民解放军电子工程学院 | 一种基于分形盒维数的ofdm通讯信号识别方法 |
CN107526064A (zh) * | 2017-07-10 | 2017-12-29 | 上海电机学院 | 基于二维特征的自适应lfm信号参数估计方法 |
CN108616471A (zh) * | 2018-05-07 | 2018-10-02 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的信号调制识别方法和装置 |
CN108616471B (zh) * | 2018-05-07 | 2020-11-20 | 中国电子科技集团公司第三十六研究所 | 一种基于卷积神经网络的信号调制识别方法和装置 |
CN110166391A (zh) * | 2019-06-13 | 2019-08-23 | 电子科技大学 | 脉冲噪声下基于深度学习的基带预编码msk信号解调方法 |
CN112307079A (zh) * | 2020-09-30 | 2021-02-02 | 华中师范大学 | 一种众源地理信息线状要素的综合质量评价方法 |
CN112307079B (zh) * | 2020-09-30 | 2022-05-27 | 华中师范大学 | 一种众源地理信息线状要素的综合质量评价方法 |
CN112329825A (zh) * | 2020-10-23 | 2021-02-05 | 贵州电网有限责任公司 | 基于信息分维及提升决策树的变压器机械故障诊断方法 |
CN112329825B (zh) * | 2020-10-23 | 2022-12-06 | 贵州电网有限责任公司 | 基于信息分维及提升决策树的变压器机械故障诊断方法 |
CN112729816A (zh) * | 2020-12-22 | 2021-04-30 | 中国工程物理研究院机械制造工艺研究所 | 一种行星减速器故障模式识别方法 |
CN112636781A (zh) * | 2020-12-23 | 2021-04-09 | 电子科技大学 | 一种数字调制最优干扰信号的检测方法 |
CN112636781B (zh) * | 2020-12-23 | 2022-03-15 | 电子科技大学 | 一种数字调制最优干扰信号的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103220241B (zh) | 2016-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103220241B (zh) | 一种低信噪比条件下信号盒维数特征提取方法 | |
Sawalhi et al. | The application of spectral kurtosis to bearing diagnostics | |
Nassar et al. | Cyclostationary noise modeling in narrowband powerline communication for smart grid applications | |
Song et al. | Second generation wavelet transform for data denoising in PD measurement | |
CN103675617A (zh) | 一种用于高频局部放电信号检测的抗干扰方法 | |
CN105678273A (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
CN102546499B (zh) | 一种实线性调频信号的分数阶信道化接收方法 | |
CN110133632B (zh) | 一种基于cwd时频分析的复合调制信号识别方法 | |
CN105429719A (zh) | 基于功率谱和多尺度小波变换分析强干扰信号检测方法 | |
CN104780008A (zh) | 一种基于自适应压缩感知的宽带频谱感知方法 | |
CN111769810B (zh) | 一种基于能量峭度谱的流体机械调制频率提取方法 | |
CN105785324A (zh) | 基于mgcstft的线性调频信号参数估计方法 | |
CN109085614A (zh) | 基于时-频谱值平滑与分割的gnss干扰特征辨识方法及*** | |
CN107835036A (zh) | 非合作跳频信号破解方法 | |
Yao et al. | Weak fault feature extraction of rotating machinery based on double-window spectrum fusion enhancement | |
CN102307055B (zh) | Dsss频域干扰检测方法 | |
Jiang et al. | Differential spectral amplitude modulation and its applications in rolling bearing fault diagnosis | |
CN103905129B (zh) | 基于谱型分析的信号检测及信号信息判读方法 | |
Sun et al. | Application of wavelet soft threshold denoising algorithm based on EMD decomposition in vibration signals | |
CN104089778B (zh) | 一种水轮机振动故障诊断方法 | |
CN102790650B (zh) | 一种宽带lfm信号的分数域奇偶交替信道化接收方法 | |
CN117571316A (zh) | 一种复合故障诊断方法及*** | |
CN107941511B (zh) | 一种基于信号时频分解的频率—峭度图的实现方法 | |
CN106772032B (zh) | 一种水轮发电机组的故障特征提取方法 | |
CN102685049B (zh) | 一种同时到达两线性调频信号的分数阶信道化分离方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221213 Address after: No.18, Zhilan Road, Science Park, Jiangning District, Nanjing City, Jiangsu Province, 210000 Patentee after: NANJING HONGJING SMART GRID TECHNOLOGY CO.,LTD. Address before: Nanjing City, Jiangsu province 210046 City Xianlin University No. 99 Patentee before: Nanjing Vocational College of Information Technology |
|
TR01 | Transfer of patent right |