CN108507607A - 一种基于核函数的微弱信号检测方法 - Google Patents
一种基于核函数的微弱信号检测方法 Download PDFInfo
- Publication number
- CN108507607A CN108507607A CN201810134062.XA CN201810134062A CN108507607A CN 108507607 A CN108507607 A CN 108507607A CN 201810134062 A CN201810134062 A CN 201810134062A CN 108507607 A CN108507607 A CN 108507607A
- Authority
- CN
- China
- Prior art keywords
- signal
- kernel function
- echo signal
- weak signals
- detecting weak
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于核函数的微弱信号检测方法,能够在不同噪声环境和缓慢变化的背景环境下实现微弱信号的检测,所述方法包括:将目标信号从欧式空间通过合适核函数映射到特征空间,计算同一目标信号的两个相邻的信号片段在特征空间中的距离,如果距离大于阈值,则两个信号片段存在差异,判定其中一个信号片段存在微弱信号。本发明的方法能够在很低的信噪比的情况下检测到微弱信号;并且可以检测不同背景不同噪声环境下的微弱信号。
Description
技术领域
本发明涉及信号检测领域,具体涉及一种基于核函数的微弱信号检测方法。
背景技术
强噪声背景下微弱特征信号检测,一直是工程应用领域的难题。微弱特征信号检测方法日新月异,从传统的频谱分析、相关检测、取样积分和时域平均方法到新近发展起来的小波分析理论、神经网络、混沌振子、高阶统计量,随机共振等方法,在微弱特征信号检测中均有广泛的应用。
微弱信号检测在微弱故障检测、应急救援中的微目标检测、生物医学中的胎儿心电和脑电信号监测等众多领域有着广泛的应用。由于信号受到其它信号的干扰和复杂背景噪声的污染,由于噪声的复杂性和随机性,一般的时域波形和频谱分析方法很难实现微弱信号的有效提取。因此研究一种能够适用多种场景的微弱信号检测方法是具有意义的。
发明内容
本发明的目的在于克服目前微弱信号检测存在的上述缺陷,提出一种基于核函数的微弱信号检测方法。
为了实现上述目的,本发明提供了一种基于核函数的微弱信号检测方法,能够在不同噪声环境和缓慢变化的背景环境下实现微弱信号的检测,所述方法包括:
将目标信号从欧式空间通过合适核函数映射到特征空间,计算同一目标信号的两个相邻的信号片段在特征空间中的距离,如果距离大于阈值,则两个信号片段存在差异,判定其中一个信号片段存在微弱信号。
作为上述方法的一种改进,所述方法具体包括:
步骤1)选取合适的核函数fF(x,y);在目标信号的始端设置窗口S;
步骤2)目标信号在窗口S内采样得到和
以xi为起点信号长度为ω的信号片段;是以xi+d为起点信号长度为ω的信号片段;d为时间延迟,
步骤3)判断是否成立,为分割阈值;N为目标信号的总长度;如果成立,则判断信号xi+d有微弱信号,否则,转入步骤4);
步骤4)窗口S以步长Step在目标信号上滑动,转入步骤2),直到窗口滑到信号末端。
作为上述方法的一种改进,在步骤1)之前采用小波变换对目标信号进行预处理。
作为上述方法的一种改进,所述步骤1)的核函数fF(x,y)满足:
1)
2)|fF(x,y)|=|fF(y,x)|,|fF(x,x)|=a,a为常数;
3)(xi-xi+1)(yi-yi+1)≥0;其中xi为信号x的i时刻的值,yi为信号y的i时刻的值。
作为上述方法的一种改进,所述核函数fF(x,y)为:
其中,n为信号片段的长度。
本发明的优势在于:
1、本发明的方法能够在很低的信噪比的情况下检测到微弱信号;
2、本发明的方法可以检测不同背景不同噪声环境下的微弱信号;
3、本发明的检测方法对于背景的变化敏感,可以在稳定变化的背景中有相同的检测效果。
附图说明
图1是是在信噪比为0dB目标信号长度为30的情况下背景是一次线性变化时的检测方法的ROC曲线;
图2是本发明的实施例的目标信号示意图;
图3为检测效果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细的说明。
核技巧在机器学习和模式识别中作为一种相似性度量方法有着广泛的应用。因为在实际应用中存在大量非线性问题,而非线性问题一般是不好求解的,通过某种非线性映射将输入空间(欧式空间Rn或离散集合)映射到某个高维的特征空间(Hilbert空间H),而在此特征空间中问题被转换成线性问题。
核函数定义,设χ为输入空间(欧式空间Rn的子集或者离散集合),设H为特征空间,如果存在一个函数:
k:χ×χ→Rn,(x,x′)→k(x,x′)
使得对所有x,x′∈χ,满足:
k(x,x′)=<φ(x),φ(x′)>
k(x,x′)=<φ(x),φ(x′)>
其中φ(x):χ→H。
基于核函数的检测方法的主要思想是:将信号从欧式空间通过非线性映射,映射到特征空间,计算两个相邻的信号片段在特征空间中的距离。在特征空间中两个信号x,y在特征空间中的距离通过核函数fF(x,y)定义:
其中fF(x,y)需要满足以下要求:
(1)为了能够在特征空间中有效区分微弱目标信号与背景信号,背景和目标信号映射到特征空间后各自的特征向量应该是不同的,我们需要使信号在输入空间χ和特征空间H之间是一一映射来确保目标信号和背景在特征空间之中的映射是不同的,即
而在实际应用中映射函数往往是不可求的,所以这里通过对核函数进行加一下约束
来确保映射函数使在输入空间和特征空间的映射是一一映射。
(2)在实际应用中背景信号可能是缓慢变化的,这样会对检测带来很大困难,为了弱化使背景的变化对检测结果的影响,核函数需要满足:
fF(x,x)≈fF(x+Δ1,x+Δ2)
由于背景是缓慢变化,所以有Δ1≈Δ2即有fF(x,x)=fF(x+Δ1,x+Δ1),即
fF(x,x)=a,a为常数
(3)在检测过程中对于目标信号可能随时会出现,所以可能fF(x,x′)和fF(x′,x)这两种情况,则核函数需要满足:
|fF(x,x′)|=|fF(x′,x)|
其中x′中包含有目标信号。
(4)在信号的信噪比很低时,信号完全淹没在噪声中只是信号的幅值信息很难检测出目标信号,但是当有目标信号时会改变观测信号的分布,信号的统计特性是可以应用于信号检测的,如何让映射到的特征空间中更多包信号的统计特征,最简单的方式是将信号排序,去掉信号的波动信息。
使用核函数的优点是可以在特征空间中构造检测算法,但是不需要知道将输入空间映射特征空间的映射函数φ(x),因为特征空间往往是高维的甚至是无穷维,而且往往映射函数φ(x)是很难获取。
假设在极短的时间内背景是稳定的而噪声是一个宽平稳随机过程,背景是稳定的意味着背景是不变或者以恒定速度变化,噪声是一个宽平稳随机过程意味着噪声服从相同的分布在极短的时间片段内。定义观测模型为:
z(r,t)=b(r,t)+n(r,t)+h(r,t)
为了简单定义x(r,t)=b(r,t)+n(r,t),x(r0,t)在极短的时间范围内满足相同的分布,其中r0=(x0,y0)是被观测点的空间位置,b(r,t)是背景,n(r,t)是传感器的误差,h(r,t)是目标信号,t为采样时刻,其中
其中kn是在t时刻目标的总数,Aij是未知的信号强度,rij是目标之间上的空间关联。根据以上的观测模型,构造检测模型如下:
H1:Y=x(r,t)+h(r,t) 有目标
H0:Y=x(r,t) 无目标
当选择合适的核函数后会有以下性质:
|E[fF(x(r,t)+h(r,t),x(r,t))]-E[fF(x(r,t),x(r,t))]|>0
|E[fF(x(r,t)+h(r,t),x(r,t))]-E[fF(x(r,t),x(r,t))]|>0
因此目标的判断准则为:
其中是从xi开始信号长度为ω的信号片段,τ是两个信号片段之间的信号延迟,λ是阈值,T=E[|fF(x(r,t),x(r,t))|]。
在进行目标检测之前一般需要对信号进行预处理,这里采用小波变换对数据进行预处理。
为了验证算法的性能,使用本发明的方法去检测仿真数据和真实数据,并和已有的检测方法进行对比,在本次的验证中选用的核函数为:
其中,xi为信号x的i时刻的值,yi为信号y的i时刻的值,n为信号片段的长度。
为了实现高斯噪声背景下的微弱信号检测,采用的技术方案如下:
S1、根据实际情况选择窗口S,滑动步长Step,时间延迟d,分割阈值的大小,信号总长度为N;
S2、选取合适核函数fF(x,y)计算,并以Step为滑动步长使窗口S在目标信号上滑动;
S3、如果则信号xi+d有目标信号,其中是从xi开始信号长度为ω的信号片段,
一种目标信号源于高帧频视频中有极微弱运动小目标经过像元的灰度构成的时序信号的微弱信号检测方法:
1)窗口S大小为50、Step=1、d=10、
2)这里采用的核函数为:其中n为片段信号。
根据相机模型和在光学实验室采集的数据,目标经过单个像元时相机观测到信号类似于下图,所以在仿真实验中使用类似信号作为目标信号。目标信号通过
产生的,其中W是目标信号的长度h0是信号强度。图1是在信噪比为0dB目标信号长度为30的情况下背景是一次线性变化时的检测方法的ROC曲线。图2是高帧频视频中某个有小球经过的像素点的灰度变化,检测效果如图3所示。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于核函数的微弱信号检测方法,能够在不同噪声环境和缓慢变化的背景环境下实现微弱信号的检测,所述方法包括:
将目标信号从欧式空间通过合适核函数映射到特征空间,计算同一目标信号的两个相邻的信号片段在特征空间中的距离,如果距离大于阈值,则两个信号片段存在差异,判定其中一个信号片段存在微弱信号。
2.根据权利要求1所述的基于核函数的微弱信号检测方法,其特征在于,所述方法具体包括:
步骤1)选取合适的核函数fF(x,y);在目标信号的始端设置窗口S;
步骤2)目标信号在窗口S内采样得到和
以xi为起点信号长度为ω的信号片段;是以xi+d为起点信号长度为ω的信号片段;d为时间延迟,
步骤3)判断是否成立,为分割阈值;N为目标信号的总长度;如果成立,则判断信号xi+d有微弱信号,否则,转入步骤4);
步骤4)窗口S以步长Step在目标信号上滑动,转入步骤2),直到窗口滑到信号末端。
3.根据权利要求2所述的基于核函数的微弱信号检测方法,其特征在于,在步骤1)之前采用小波变换对目标信号进行预处理。
4.根据权利要求1所述的基于核函数的微弱信号检测方法,其特征在于,所述步骤1)的核函数fF(x,y)满足:
1)
2)|fF(x,y)|=|fF(y,x)|,|fF(x,x)=a,a为常数;
3)(xi-xi+1)(yi-yi+1)≥0;其中xi为信号x的i时刻的值,yi为信号y的i时刻的值。
5.根据权利要求4所述的基于核函数的微弱信号检测方法,其特征在于,所述核函数fF(x,y)为:
其中,n为信号片段的长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810134062.XA CN108507607B (zh) | 2018-02-09 | 2018-02-09 | 一种基于核函数的微弱信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810134062.XA CN108507607B (zh) | 2018-02-09 | 2018-02-09 | 一种基于核函数的微弱信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108507607A true CN108507607A (zh) | 2018-09-07 |
CN108507607B CN108507607B (zh) | 2020-07-03 |
Family
ID=63374910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810134062.XA Active CN108507607B (zh) | 2018-02-09 | 2018-02-09 | 一种基于核函数的微弱信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108507607B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097572A (zh) * | 2019-04-11 | 2019-08-06 | 中国科学院国家空间科学中心 | 一种基于高时相探测的运动点目标检测方法及*** |
CN110400360A (zh) * | 2019-07-25 | 2019-11-01 | 北京航空航天大学 | 一种基于全卷积神经网络的声波渡越时间检测方法 |
CN110443176A (zh) * | 2019-07-29 | 2019-11-12 | 中国科学院国家空间科学中心 | 一种基于统计特征空间的暗弱小天体关联检测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789128A (zh) * | 2010-03-09 | 2010-07-28 | 成都三泰电子实业股份有限公司 | 一种基于dsp的目标检测与跟踪方法以及数字图像处理*** |
CN103690152A (zh) * | 2014-01-06 | 2014-04-02 | 山东大学 | 一种基于脉搏解析的动脉弹性功能评估装置 |
CN103720469A (zh) * | 2014-01-02 | 2014-04-16 | 山东大学 | 可穿戴式动态母体胎儿心电检测装置 |
US20140108411A1 (en) * | 2002-03-01 | 2014-04-17 | Applied Biosystems, Llc | Computer Algorithm for Automatic Allele Determination from Fluorometer Genotyping Device |
CN107405096A (zh) * | 2015-03-10 | 2017-11-28 | 努沃集团有限公司 | 用于感测胎儿活动的***、装置和方法 |
-
2018
- 2018-02-09 CN CN201810134062.XA patent/CN108507607B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140108411A1 (en) * | 2002-03-01 | 2014-04-17 | Applied Biosystems, Llc | Computer Algorithm for Automatic Allele Determination from Fluorometer Genotyping Device |
CN101789128A (zh) * | 2010-03-09 | 2010-07-28 | 成都三泰电子实业股份有限公司 | 一种基于dsp的目标检测与跟踪方法以及数字图像处理*** |
CN103720469A (zh) * | 2014-01-02 | 2014-04-16 | 山东大学 | 可穿戴式动态母体胎儿心电检测装置 |
CN103690152A (zh) * | 2014-01-06 | 2014-04-02 | 山东大学 | 一种基于脉搏解析的动脉弹性功能评估装置 |
CN107405096A (zh) * | 2015-03-10 | 2017-11-28 | 努沃集团有限公司 | 用于感测胎儿活动的***、装置和方法 |
Non-Patent Citations (2)
Title |
---|
樊永生: "时频分布的弱信号检测技术的研究及其应用", 《振动工程学报》 * |
苏盈盈: "基于核方法的非线性***变量选择及其应用", 《中国博士学位论文全文数据库基础科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097572A (zh) * | 2019-04-11 | 2019-08-06 | 中国科学院国家空间科学中心 | 一种基于高时相探测的运动点目标检测方法及*** |
CN110400360A (zh) * | 2019-07-25 | 2019-11-01 | 北京航空航天大学 | 一种基于全卷积神经网络的声波渡越时间检测方法 |
CN110443176A (zh) * | 2019-07-29 | 2019-11-12 | 中国科学院国家空间科学中心 | 一种基于统计特征空间的暗弱小天体关联检测方法及*** |
CN110443176B (zh) * | 2019-07-29 | 2022-03-04 | 中国科学院国家空间科学中心 | 一种基于统计特征空间的暗弱小天体关联检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108507607B (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | Denoising gravitational waves with enhanced deep recurrent denoising auto-encoders | |
CN110632572B (zh) | 基于无意调相特性的雷达辐射源个体识别方法及装置 | |
Abdelsalam et al. | Characterization of power quality disturbances using hybrid technique of linear Kalman filter and fuzzy-expert system | |
Bocquet | Parameter estimation for Pareto and K distributed clutter with noise | |
CN108507607A (zh) | 一种基于核函数的微弱信号检测方法 | |
CN112147601B (zh) | 一种基于随机森林的海面小目标检测方法 | |
CN103941254A (zh) | 一种基于地质雷达的土壤物性类别识别方法和装置 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN107424158A (zh) | 一种电容层析成像的图像二值化方法和设备 | |
CN116304912A (zh) | 一种基于深度学习transformer神经网络的传感器气体浓度检测方法 | |
CN105866748B (zh) | 一种基于检测先验的固定窗长恒虚警检测方法 | |
Fu et al. | A noise-resistant superpixel segmentation algorithm for hyperspectral images | |
CN106970265B (zh) | 一种采用多时间尺度不完全s变换估计谐波参数的方法 | |
Garrido et al. | A heuristic approach to output-only system identification under transient excitation | |
CN105046707B (zh) | 基于n阶多项式函数拟合海杂波的SAR图像船只检测方法 | |
CN113067805B (zh) | 基于边缘计算的物联网弱电磁干扰攻击检测方法及*** | |
CN105629254B (zh) | 一种目标微动特征相干激光探测效果量化评价方法 | |
CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
CN111898314B (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
Weinberg | Asymptotic performance of the geometric mean detector in pareto distributed clutter | |
CN107341519A (zh) | 一种基于多分辨率分析的支持向量机识别优化方法 | |
CN110135280B (zh) | 一种基于稀疏表征分类的多视图sar自动目标识别方法 | |
CN111273101A (zh) | 一种故障电弧检测方法、装置及存储介质 | |
CN106772306B (zh) | 一种目标物的检测方法及服务器 |
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 |