CN107276932B - 一种盲源信号分离的方法及装置 - Google Patents
一种盲源信号分离的方法及装置 Download PDFInfo
- Publication number
- CN107276932B CN107276932B CN201710431161.XA CN201710431161A CN107276932B CN 107276932 B CN107276932 B CN 107276932B CN 201710431161 A CN201710431161 A CN 201710431161A CN 107276932 B CN107276932 B CN 107276932B
- Authority
- CN
- China
- Prior art keywords
- signal
- strong interference
- unknown
- weak
- mixed
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0238—Channel estimation using blind estimation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03012—Arrangements for removing intersymbol interference operating in the time domain
- H04L25/03019—Arrangements for removing intersymbol interference operating in the time domain adaptive, i.e. capable of adjustment during data reception
- H04L25/03082—Theoretical aspects of adaptive time domain methods
- H04L25/03089—Theory of blind algorithms, recursive or not
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Noise Elimination (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种盲源信号分离的方法及装置,涉及信号处理技术领域,其方法包括:通过对源混合信号中的未知强干扰信号进行第一盲源分离操作,得到未知强干扰信号的参数特征;根据所得到未知强干扰信号的参数特征,对所述未知强干扰信号进行重组处理,得到用于抵消所述源混合信号中未知强干扰信号的强干扰抵消信号;利用得到的强干扰抵消信号对所述源混合信号中的未知强干扰信号进行抵消操作,得到弱混合目标信号,并通过对所得到的弱混合目标信号进行第二盲源分离操作,得到分离后的弱目标信号。
Description
技术领域
本发明涉及信号处理技术领域,特别涉及一种盲源信号分离的方法及装置。
背景技术
未知强干扰下的弱信号盲源分离是一个比较困难的盲源分离问题,也一直没有比较理想的方法。近年来,常用的方法是经验模态分解法。EMD(Empirical ModeDecomposition,经验模态分解)方法,由美籍华人Huang在深入研究了瞬时频率概念的基础上,提出了IMF(Intrinsic Mode Function,本征模态函数)的概念,采用EMD能够将任意信号分解为基本模式分量。
基于经验模态分解,是将信号分解为一系列IMF(Intrinsic Mode Function,固有模态函数)之和,对每一个固有模态函数进行Hilbert变换,得到其瞬时频率,并将其以时间-频率为坐标的平面表示出来,得到时间-频率-能量的分布,称为Hilbert谱。从理论上分析,HHT不仅解决了多辐射声源时小波分析的分辨率问题和对不同声源信号的适应性问题,而且解决了Winger-Ville分布的多分量信号交叉项问题。强干扰弱信号的分离可以采用EMD方法将实测信号分解成一系列IMF,其结果是将信号中不同尺度的波动或趋势逐级分解,产生一系列具有不同特征尺度的数据序列,达到分离趋势项的目的。
EMD分解方法基于以下几点假设:(1)信号至少有两个极值点,一个极大值和一个极小值,或者极大值或极小值数目比零点的数目多2个(或2个以上);(2)信号的特征时间尺度是由极值点之间的时间间隔确定的;(3)如果数据中缺乏极值点,但存在奇异点,可以通过一次或多次差分来求出极值点。
EMD分解的具体处理方法是,找到数据x(t)的极大值点集和极小值点集后,用插值法拟合x(t)的上、下两条包络线。计算两条包络线的平均值,记为m1(t)。计算得到x(t)与m1(t)的差,记为h1(t),即:h1(t)=x(t)-m1(t),一般来讲,h1(t)仍然不是一个IMF分量,为此需要对它重复上述处理过程。即将h1(t)视为新的数据序列,拟合其上、下包络,得到两条包络线的平均值m11(t),并计算h1(t)与m11(t)的差值,记为h11(t),即:h11(t)=h1(t)-m11(t),重复以上操作i次,直到h1i(t)满足IMF的条件为止,至此得到了信号x(t)的第一个IMF分量,记为:imf1(t)=h1i(t),从数据中分离出imf1,即:r1(t)=x(t)-imf1(t),若剩余量r1(t)仍含有较长的周期成分,则将其看作新的数据,并重复以上步骤,分解出新的IMF:
r1-imf2=r2,
r2-imf3=r3
...
rn-1-imfn=rn
当剩余量变为一个常量,或者一个单调函数,再或者一个有且仅有一个极点的函数时,数据筛选结束。此时的rn(t)称为余项,每一个筛分出的IMF分量与前一个筛分出IMF的分量相比,含有较低的频率特性。最后,原始的数据序列即可由这些IMF分量以及一个均值或趋势项表示:
以上方法采用简单收敛准则,即只要信号的极值点和过零点的数目相等时,筛选过程就终止准则。这种停止准则很简单,同时考虑了IMF的定义,更加趋于合理化。
虽然采用EMD可以进行强干扰下的盲源信号分离,但是在干信比较高的情况下会面临计算复杂度高,分离性能差的局面。
发明内容
根据本发明实施例提供的方案解决的技术问题是现有的盲源信号分离存在计算复杂度高和性能差。
根据本发明实施例提供的一种盲源信号分离的方法,包括:
通过对源混合信号中的未知强干扰信号进行第一盲源分离操作,得到未知强干扰信号的参数特征;
根据所得到未知强干扰信号的参数特征,对所述未知强干扰信号进行重组处理,得到用于抵消所述源混合信号中未知强干扰信号的强干扰抵消信号;
利用得到的强干扰抵消信号对所述源混合信号中的未知强干扰信号进行抵消操作,得到弱混合目标信号,并通过对所得到的弱混合目标信号进行第二盲源分离操作,得到分离后的弱目标信号。
优选地,所述第一盲源分离是指对所述源混合信号中对未知强干扰信号的分离处理;所述第二盲源分离是指对弱混合目标信号中各弱目标信号的分离处理。
优选地,所述通过对源混合信号中的未知强干扰信号进行第一盲源分离操作,得到未知强干扰信号的参数特征包括:
确定用于对所述源混合信号进行分离的第一初始点;
利用所确定的第一初始点对源混合信号中的未知强干扰信号进行第一盲源分离操作,得到未知强干扰信号的参数特征;
其中,所述参数特征包括频率、功率、相位、幅度、采样率、调频速率以及传输比特率的特征。
优选地,所述利用得到的强干扰抵消信号对所述源混合信号中的未知强干扰信号进行抵消操作,得到弱混合目标信号,包括:
获取所述强干扰抵消信号的参数特征;
根据所述未知强干扰信号的参数特征和所获取的强干扰信号的参数特征,对所述源混合信号中的未知强干扰信号进行抵消操作,得到弱混合目标信号;
其中,所述未知强干扰信号的参数特征与所述强干扰信号的参数特征中频率、功率、幅度、采样率、调频速率以及传输比特率均相同,但相位相反。
优选地,所述通过对所得到的弱混合目标信号进行第二盲源分离操作,得到分离后的弱目标信号,包括:
确定用于对所述弱混合目标信号进行分离的第二初始点;
利用所确定的第二初始点对弱混合目标信号中的多个弱目标信号进行第二盲源分离操作,得到分离后的弱目标信号。
根据本发明实施例提供的一种盲源信号分离的装置,包括:
信号分离模块,用于通过对源混合信号中的未知强干扰信号进行第一盲源分离操作,得到未知强干扰信号的参数特征,以及通过对所得到的弱混合目标信号进行第二盲源分离操作,得到分离后的弱目标信号;
信号重组模块,用于根据所得到未知强干扰信号的参数特征,对所述未知强干扰信号进行重组处理,得到用于抵消所述源混合信号中未知强干扰信号的强干扰抵消信号;
信号抵消模块,用于利用得到的强干扰抵消信号对所述源混合信号中的未知强干扰信号进行抵消操作,得到弱混合目标信号。
优选地,所述第一盲源分离是指对所述源混合信号中对未知强干扰信号的分离处理;所述第二盲源分离是指对弱混合目标信号中各弱目标信号的分离处理。
优选地,所述信号分离模块包括:
第一信号分离单元,用于确定用于对所述源混合信号进行分离的第一初始点,以及利用所确定的第一初始点对源混合信号中的未知强干扰信号进行第一盲源分离操作,得到未知强干扰信号的参数特征;
其中,所述参数特征包括频率、功率、相位、幅度、采样率、调频速率以及传输比特率的特征。
优选地,所述信号抵消模块具体用于获取所述强干扰抵消信号的参数特征,并根据所述未知强干扰信号的参数特征和所获取的强干扰信号的参数特征,对所述源混合信号中的未知强干扰信号进行抵消操作,得到弱混合目标信号;
其中,所述未知强干扰信号的参数特征与所述强干扰信号的参数特征中频率、功率、幅度、采样率、调频速率以及传输比特率均相同,但相位相反。
优选地,所述信号分离模块包括:
第二信号分离单元,用于确定用于对所述弱混合目标信号进行分离的第二初始点,以及利用所确定的第二初始点对弱混合目标信号中的多个弱目标信号进行第二盲源分离操作,得到分离后的弱目标信号。
根据本发明实施例提供的方案,计算复杂度低,对强干扰的先验信息要求少,分离性能好的优点。
附图说明
图1是本发明实施例提供的一种盲源信号分离的方法流程图;
图2是本发明实施例提供的一种盲源信号分离的装置示意图;
图3是本发明实施例提供的盲源信号分离的结构示意图;
图4是本发明实施例提供的盲源信号中未知强干扰信号抵消的结构示意图;
图5是本发明实施例提供的盲源信号的信道参数估计误差示意图;
图6是本发明实施例提供的盲源信号分离性能示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明,应当理解,以下所说明的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1是本发明实施例提供的一种盲源信号分离的方法流程图,如图1所示,包括:
步骤S101:通过对源混合信号中的未知强干扰信号进行第一盲源分离操作,得到未知强干扰信号的参数特征;
步骤S102:根据所得到未知强干扰信号的参数特征,对所述未知强干扰信号进行重组处理,得到用于抵消所述源混合信号中未知强干扰信号的强干扰抵消信号;
步骤S103:利用得到的强干扰抵消信号对所述源混合信号中的未知强干扰信号进行抵消操作,得到弱混合目标信号,并通过对所得到的弱混合目标信号进行第二盲源分离操作,得到分离后的弱目标信号。
其中,所述第一盲源分离是指对所述源混合信号中对未知强干扰信号的分离处理;所述第二盲源分离是指对弱混合目标信号中各弱目标信号的分离处理。
其中,所述通过对源混合信号中的未知强干扰信号进行第一盲源分离操作,得到未知强干扰信号的参数特征包括:确定用于对所述源混合信号进行分离的第一初始点;利用所确定的第一初始点对源混合信号中的未知强干扰信号进行第一盲源分离操作,得到未知强干扰信号的参数特征;其中,所述参数特征包括频率、功率、相位、幅度、采样率、调频速率以及传输比特率的特征。
其中,所述利用得到的强干扰抵消信号对所述源混合信号中的未知强干扰信号进行抵消操作,得到弱混合目标信号,包括:获取所述强干扰抵消信号的参数特征;根据所述未知强干扰信号的参数特征和所获取的强干扰信号的参数特征,对所述源混合信号中的未知强干扰信号进行抵消操作,得到弱混合目标信号;其中,所述未知强干扰信号的参数特征与所述强干扰信号的参数特征中频率、功率、幅度、采样率、调频速率以及传输比特率均相同,但相位相反。
其中,所述通过对所得到的弱混合目标信号进行第二盲源分离操作,得到分离后的弱目标信号,包括:确定用于对所述弱混合目标信号进行分离的第二初始点;利用所确定的第二初始点对弱混合目标信号中的多个弱目标信号进行第二盲源分离操作,得到分离后的弱目标信号。
图2是本发明实施例提供的一种盲源信号分离的装置示意图,如图2所示,包括:信号分离模块201,用于通过对源混合信号中的未知强干扰信号进行第一盲源分离操作,得到未知强干扰信号的参数特征,以及通过对所得到的弱混合目标信号进行第二盲源分离操作,得到分离后的弱目标信号;信号重组模块202,用于根据所得到未知强干扰信号的参数特征,对所述未知强干扰信号进行重组处理,得到用于抵消所述源混合信号中未知强干扰信号的强干扰抵消信号;信号抵消模块203,用于利用得到的强干扰抵消信号对所述源混合信号中的未知强干扰信号进行抵消操作,得到弱混合目标信号。
其中,所述第一盲源分离是指对所述源混合信号中对未知强干扰信号的分离处理;所述第二盲源分离是指对弱混合目标信号中各弱目标信号的分离处理。
其中,所述信号分离模块201包括:第一信号分离单元,用于确定用于对所述源混合信号进行分离的第一初始点,以及利用所确定的第一初始点对源混合信号中的未知强干扰信号进行第一盲源分离操作,得到未知强干扰信号的参数特征;其中,所述参数特征包括频率、功率、相位、幅度、采样率、调频速率以及传输比特率的特征。
其中,所述信号抵消模块203具体用于获取所述强干扰抵消信号的参数特征,并根据所述未知强干扰信号的参数特征和所获取的强干扰信号的参数特征,对所述源混合信号中的未知强干扰信号进行抵消操作,得到弱混合目标信号;其中,所述未知强干扰信号的参数特征与所述强干扰信号的参数特征中频率、功率、幅度、采样率、调频速率以及传输比特率均相同,但相位相反。
其中,所述信号分离模块201包括:第二信号分离单元,用于确定用于对所述弱混合目标信号进行分离的第二初始点,以及利用所确定的第二初始点对弱混合目标信号中的多个弱目标信号进行第二盲源分离操作,得到分离后的弱目标信号。
本发明在被动雷达***中,接收到的源混合信号包括强干扰信号和弱目标信号,强信号是未知的、干扰信号,而弱信号是目标信号,这在隐蔽通信和实际工程应用中经常遇到。
本发明的信号模型是基于盲源信号分离的线性瞬时混合模型考虑,线性瞬时混合模型是盲源信号分离中最常见的混合方式,其它复杂的混合模型通过一定的变换都可以转换成线性瞬时混合模型。
本发明包括三部分:
一、运用优化的FastICA算法直接对包括未知强干扰信号在内的混合信号进行盲源信号分离,包括步骤如下:
步骤一:借助K-means优化算法对初始数据进行优化,得到能使盲源信号分离性能优良的初始点,使得盲源信号分离的效果稳定。
本发明给出了初始点W0的选择方法:
K-均值优化算法是基于数据特征分类的一种重要的分类方法,是通过最小化每个数据与相关的数据中心的均方距离实现的。K-均值优化算法的主要步骤是:
(1)提供分类数目K;
(2)计算每一个目标数据与每一个类之间的均方距离,并把每一个目标分到最近的类;
(3)最小化公式WCSS(Within-Cluster Sum of Squares,集群内平方和)的值,并且更新每一类的聚类中心;
(4)基于每一类新的目标数据再计算均方距离;
(5)重复步骤(3)和步骤(4),直到没有目标数据可以移动。
式中,μi是Si类的均值矢量,i=1,2,···,K。
K-均值优化算法输出的是每一类的均值矢量μi(i=1,2,···,K)。均值矢量μi(i=1,2,···,K)既是每一类的聚类中心,又代表着这一类的普通特征。因此,从均值矢量μi(i=1,2,···,K)中选择FastICA算法(优化后的FastICA算法)的初始矢量W0具有计算复杂度低,分离性能好的优点。
步骤二:根据步骤一得到的初始点做FastICA算法进行盲源信号分离。
利用优化后的FastICA算法对包含未知强干扰信号在内的混合信号进行盲源信号分离,从而得到强干扰混合信号,接下来把得到的强干扰信号作为已知信号利用干扰消除法进行抵消强干扰。
二、根据第一部分分离得到的强干扰信号的信息作为未知强干扰的先验信息,重组干扰信号,再利用干扰抵消法把源混合信号中未知强干扰信号消除。
该方法计算复杂度低,分离性能好,且对强干扰的先验信息要求不高,该方法包括如下步骤:
步骤一:干扰信号重组技术
在被动雷达***中,参考图3,源混合信号是由强未知干扰信号和弱混合目标信号组成。由于强未知干扰信号相对于弱目标混合信号来说功率太强,且未知,所以必须根据利用优化后的FastICA算法重组未知强干扰信号。
步骤二:干扰信号抵消技术
根据步骤一重组的干扰信号,在强干扰信号和弱目标混合信号的混合信号中利用干扰抵消技术把强干扰信号抵消,从而得到弱目标混合信号。
在图3中,S1+S2+S3+S4+n是源混合信号,S1,S2,S3是弱目标信号,S4是未知强干扰信号,是利用优化后的FastICA算法重组的强干扰信号。接下来根据图4利用干扰消除法再次从源混合信号中把强干扰信号消除。
在图4中,信号aS1+bS2+cS3+dS4+n是源混合信号S1+S2+S3+S4经过高斯信道生成的信号,这里n=[n1,n2,n3,n4]是背景噪声,并且a=[a1,a2,a3,a4],b=[b1,b2,b3,b4],c=[c1,c2,c3,c4],d=[d1,d2,d3,d4],假定有四个接收天线,能接收到四组传播信号l1,l2,l3,l4,则有:
图4中的dS'4+n'是通过步骤一得到的强干扰信号的估计信号,这时强干扰信号可以看成已知信号。由于|d|||S'4||>>||n'||,所以得到:
然后可以利用下面的方法消除强干扰:
因此,可以得到有用的弱混合信号,记为:Y1,Y2,Y3,则有:
利用干扰抵消算法把强干扰信号有效的消除,在图5中给出了在不同干噪比条件下的强干扰信号信道参数估计误差的结果。在图5中,横轴是干噪比Sq/N0(强干扰与背景噪声的比值),纵轴是强干扰信号信道参数估计误差,其计算公式可以由两部分组成:
(1)矢量标准化
(2)计算强干扰信号信道参数估计误差Error
强干扰信号信道参数估计误差计算公式为:
从图5中可以看出Error的值是随着干噪比Sq/N0的增加而变低的。
三、对消除未知强干扰信号后的弱混合信号用步骤一中优化的FastICA算法再一次对弱目标混合信号进行盲源信号分离,得到分离后的弱目标信号,分离性能在图6中展示出来。在图6中,横轴是干信比Sq/s,纵轴是皮尔逊相关系数,皮尔逊相关系数的计算公式为:
从图6中可以看出给出的方法比传统的FastICA算法分离性能好,并且对强干扰信号的先验信息要求不高。
根据本发明实施例提供的方案,计算复杂度低,对强干扰的先验信息要求少,分离性能好的优点。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (10)
1.一种盲源信号分离的方法,其特征在于,包括:
通过对源混合信号中的未知强干扰信号进行第一盲源分离操作,得到未知强干扰信号的参数特征;
根据所得到未知强干扰信号的参数特征,对所述未知强干扰信号进行重组处理,得到用于抵消所述源混合信号中未知强干扰信号的强干扰抵消信号;
利用得到的强干扰抵消信号的参数特征和所获取的未知强干扰信号的参数特征,对所述源混合信号中的未知强干扰信号进行抵消操作,得到弱混合目标信号,并通过对所得到的弱混合目标信号进行第二盲源分离操作,得到分离后的弱目标信号。
2.根据权利要求1所述的方法,其特征在于,所述第一盲源分离是指对所述源混合信号中对未知强干扰信号的分离处理;所述第二盲源分离是指对弱混合目标信号中各弱目标信号的分离处理。
3.根据权利要求1或2所述的方法,其特征在于,所述通过对源混合信号中的未知强干扰信号进行第一盲源分离操作,得到未知强干扰信号的参数特征包括:
确定用于对所述源混合信号进行分离的第一初始点;
利用所确定的第一初始点对源混合信号中的未知强干扰信号进行第一盲源分离操作,得到未知强干扰信号的参数特征;
其中,所述参数特征包括频率、功率、幅度、相位、以及传输比特率的特征。
4.根据权利要求1所述的方法,其特征在于,所述利用得到的强干扰抵消信号对所述源混合信号中的未知强干扰信号进行抵消操作,得到弱混合目标信号,包括:
获取所述强干扰抵消信号的参数特征;
其中,所述未知强干扰信号的参数特征与所述强干扰抵消信号的参数特征中频率、功率、幅度以及传输比特率均相同,但相位相反。
5.根据权利要求4所述的方法,其特征在于,所述通过对所得到的弱混合目标信号进行第二盲源分离操作,得到分离后的弱目标信号,包括:
确定用于对所述弱混合目标信号进行分离的第二初始点;
利用所确定的第二初始点对弱混合目标信号中的多个弱目标信号进行第二盲源分离操作,得到分离后的弱目标信号。
6.一种盲源信号分离的装置,其特征在于,包括:
信号分离模块,用于通过对源混合信号中的未知强干扰信号进行第一盲源分离操作,得到未知强干扰信号的参数特征,以及通过对所得到的弱混合目标信号进行第二盲源分离操作,得到分离后的弱目标信号;
信号重组模块,用于根据所得到未知强干扰信号的参数特征,对所述未知强干扰信号进行重组处理,得到用于抵消所述源混合信号中未知强干扰信号的强干扰抵消信号;
信号抵消模块,用于利用得到的强干扰抵消信号的参数特征和所获取的未知强干扰信号的参数特征,对所述源混合信号中的未知强干扰信号进行抵消操作,得到弱混合目标信号。
7.根据权利要求6所述的装置,其特征在于,所述第一盲源分离是指对所述源混合信号中对未知强干扰信号的分离处理;所述第二盲源分离是指对弱混合目标信号中各弱目标信号的分离处理。
8.根据权利要求6或7所述的装置,其特征在于,所述信号分离模块包括:
第一信号分离单元,用于确定用于对所述源混合信号进行分离的第一初始点,以及利用所确定的第一初始点对源混合信号中的未知强干扰信号进行第一盲源分离操作,得到未知强干扰信号的参数特征;
其中,所述参数特征包括频率、功率、幅度、相位、以及传输比特率的特征。
9.根据权利要求6所述的装置,其特征在于,所述信号抵消模块具体用于获取所述强干扰抵消信号的参数特征;
其中,所述未知强干扰信号的参数特征与所述强干扰抵消信号的参数特征中频率、功率、幅度以及传输比特率均相同,但相位相反。
10.根据权利要求9所述的装置,其特征在于,所述信号分离模块包括:
第二信号分离单元,用于确定用于对所述弱混合目标信号进行分离的第二初始点,以及利用所确定的第二初始点对弱混合目标信号中的多个弱目标信号进行第二盲源分离操作,得到分离后的弱目标信号。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710198765 | 2017-03-29 | ||
CN2017101987654 | 2017-03-29 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107276932A CN107276932A (zh) | 2017-10-20 |
CN107276932B true CN107276932B (zh) | 2020-02-21 |
Family
ID=60066016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710431161.XA Active CN107276932B (zh) | 2017-03-29 | 2017-06-09 | 一种盲源信号分离的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107276932B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109981497B (zh) * | 2019-02-22 | 2021-09-03 | 中国人民解放军陆军工程大学 | 基于盲源分离和角度域辨识的导频污染消除方法 |
CN110213009B (zh) * | 2019-07-23 | 2021-08-31 | 电子科技大学 | 一种基于功率混合的安全通信方法 |
CN110690937B (zh) * | 2019-09-05 | 2023-04-11 | 电子科技大学 | 一种变功率的安全通信方法 |
CN110808926B (zh) * | 2019-10-12 | 2022-04-01 | 三维通信股份有限公司 | 干扰信号估计方法、装置、设备和计算机可读存储介质 |
CN113671471B (zh) * | 2021-08-18 | 2024-04-30 | 中国科学院声学研究所北海研究站 | 一种水声目标检测盲源分离方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104468436A (zh) * | 2014-10-13 | 2015-03-25 | 中国人民解放军总参谋部第六十三研究所 | 一种通信信号小波域盲源分离抗干扰方法及装置 |
CN106209715A (zh) * | 2016-06-28 | 2016-12-07 | 电子科技大学 | 一种基于时域对消的噪声调幅干扰抑制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7421041B2 (en) * | 2004-03-01 | 2008-09-02 | Qualcomm, Incorporated | Iterative channel and interference estimation and decoding |
-
2017
- 2017-06-09 CN CN201710431161.XA patent/CN107276932B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104468436A (zh) * | 2014-10-13 | 2015-03-25 | 中国人民解放军总参谋部第六十三研究所 | 一种通信信号小波域盲源分离抗干扰方法及装置 |
CN106209715A (zh) * | 2016-06-28 | 2016-12-07 | 电子科技大学 | 一种基于时域对消的噪声调幅干扰抑制方法 |
Non-Patent Citations (1)
Title |
---|
A novel blind source separation algorithm and performance analysis of weak signal against strong interference in passive radar system;LI, CJ;《international journal of antennas and propagation》;20161231;第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107276932A (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107276932B (zh) | 一种盲源信号分离的方法及装置 | |
Ching et al. | On wavelet denoising and its applications to time delay estimation | |
Anitori et al. | Design and analysis of compressed sensing radar detectors | |
CN106506430B (zh) | 一种基于压缩感知技术的补偿峰均比非线性失真的新算法 | |
Mercorelli | A denoising procedure using wavelet packets for instantaneous detection of pantograph oscillations | |
CN103778102A (zh) | 基于干扰噪声矩阵重构的自适应波束形成方法 | |
CN110187313B (zh) | 基于分数阶Fourier变换的雷达信号分选识别方法及装置 | |
CN108763158B (zh) | 一种时频差联合计算方法和*** | |
CN113162659A (zh) | 一种基于幂迭代ica算法的电力线通信信号去噪方法 | |
Oliinyk et al. | Time delay estimation for noise-like signals embedded in non-Gaussian noise using pre-filtering in channels | |
CN110248325B (zh) | 一种基于信号多重消噪的蓝牙室内定位*** | |
Beheshti et al. | Mean square error estimation in thresholding | |
CN109558857B (zh) | 一种混沌信号降噪方法 | |
CN116667920A (zh) | 结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法 | |
Washizawa et al. | A flexible method for envelope estimation in empirical mode decomposition | |
Robinson | A topological low-pass filter for quasi-periodic signals | |
CN112883787B (zh) | 一种基于频谱匹配的短样本低频正弦信号参数估计方法 | |
CN102509268B (zh) | 基于免疫克隆选择的非下采样轮廓波域图像去噪方法 | |
Oliinyk et al. | Center weighted median filter application to time delay estimation in non-Gaussian noise environment | |
US10958302B1 (en) | Signal cueing using an IIR filter array with inverted state tree | |
CN111884967B (zh) | 基于时频分析和卷积神经网络的qpsk信号解调方法 | |
Li et al. | PCA based Hurst exponent estimator for fBm signals under disturbances | |
CN109412718A (zh) | 宽带频谱信号检测方法 | |
Roienko et al. | An Overview of the Adaptive Robust DFT and it’s Applications | |
Quadri | A review of noise cancellation techniques for cognitive radio |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |