微弱信号盲提取方法与流程

本发明涉及一种适用于全盲条件下微弱信号提取方法，尤其是基于多分辨奇异谱分析-独立分量分析(multi-resolutionsingularspectrumanalysis-independentcomponentanalysis，mrssa-ica)算法的微弱信号盲提取技术。

背景技术：

由于通信信号的产生和传输过程中会受到多信号和信道的干扰及其他不稳定因素的存在，会造成接收信号波形不稳定，其幅度越来越微小，使得对它们的检测和提取变得十分困难。微弱信号(weaksignaldetection,wsd)既指有用信号幅度远小于噪声的信号，又指被测的有用信号幅度绝对值较小的信号。传统的微弱信号检测是指对湮没在背景噪声中的微弱信号的测量,由于微弱信号本身的涨落、背景和放大器噪声的影响限制了它的测量灵敏度。对于微弱信号的检测不仅要放大信号，还要考虑到电路本身的噪声以及外界干扰等因素。因此，微弱信号提取一直是故障诊断领域的难点。另外，微弱信号检测技术也是通信领域的重点和难点，它要求在通信背景下快速、准确地从强噪声中还原出有用的微弱信号。由于通信环境的复杂性，目标信息通常会被淹没在各式各样的干扰背景噪声中，增加了微弱信号提取的难度。在强噪声背景下，接收端通常无法准确断定待测信号出现的时间点，导致在信号采集的时间范围内，只有其中的一部分时间是同时含有信号和噪声的，而其他时间范围内出现的均是纯噪声。噪声强度达到一定程度后，将很难与信号部分区别。然而现有的信号检测方法均建立在待测信号和噪声信号同时被采样的前提假设上，直接对采样信号进行去噪、特征值提取。由于需要拟合长时间的强噪声部分，检测结果存在一定误差。由于微弱信号经常淹没在噪声甚至其他信号之下，为了保证可以检测到该信号，传统的检测方法常常需要较多先验知识。而为了将感兴趣信号提取出来进行下一步的处理，传统的提取方法常常建立匹配滤波器，而这种滤波器的建立需要更多的先验知识。

进一步的，随着电磁环境的复杂化，电磁信号的多样化，电磁设备的宽带化，单通道内存在多信号分量的情况在通信、雷达、地震预警、生电分析等应用场景里越来越普遍。因此，在没有任何先验信息情况下将感兴趣的微弱信号从接受到的带内混合数据中检测、识别并提取出来是当前通信、雷达、侦察等领域中研究的重点和难点。显然，此时的微弱信号盲提取技术不仅要研究感兴趣微弱信号和噪声的统计特性差异，以备从噪声中获取微弱信号，更要研究感兴趣微弱信号和其他强信号直接的特性差异，以便从多个混合信号中获取感兴趣信号。由于微弱信号经常淹没在噪声和其他强信号之下，为了将感兴趣信号提取出来进行下一步的处理，传统的提取方法常常建立匹配滤波器，而这种滤波器的建立需要更多的先验知识。

传统的微弱信号检测方法众多，从时域的时域相关检测、取样积分到时域平均法，到频域的频谱分析，再到时频域的短时傅里叶变换、小波变换等，还有基于非线性理论的高阶谱分析、神经网络、混沌、随机共振等方法。其中，基于时域的信号检测算法较为简单，检测速度快，硬件实现较为容易。比如能量检测法是从能量的角度去区分信号和噪声，但仅在高信噪比条件下易于区分且运算量小。总的来说，基于时域的检测算法抗干扰能力弱，对噪声很敏感，在信噪比低的时候，检测性能非常差。基于频域的检测算法主要以功率谱和循环谱等为判决量，它是利用fft计算信号的傅里叶变换，得到信号的频谱信息。基于频域的信号检测算法相对来说算法较为复杂。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。在全盲条件下、微弱信号被噪声和其他信号时频域淹没、且使用传统时频域滤波方法无法提取感兴趣微弱信号。因此，独立分量分析(independentcomponentanalysis,ica)算法就被引入其中。ica是近年来由盲信源分解技术发展而来的多道信号处理办法.通过假定传感器阵列所采集到的信号是多个具有统计独立性的内在信源信号的线性叠加,再采用某种特定的优化准则，将所谓的独立分量一一分解出来.该方法的基本思路是以非高斯信号为研究对象,在独立性假设的前提下,对多路观测信号进行盲源分离.在满足一定的条件下,能够从多路观测信号中,较好地分离出隐含的独立源信号。在此基础上，针对单信道微弱信号盲提取问题，现有技术提出了基于时域和基于频域的单通道ica提取算法(scica)，基于时频域的短时傅立叶变换ica提取算法(stft-ica)、小波变换ica提取算法(wavelet-ica)，采用总体经验模态分解(en-sembleemd，eemd)和独立分量分析相结合的eemd-ica，以及其他域的奇异谱分析-ica(ssa-ica)^[5]等算法，并将其应用于通信信号、雷达信号、语音信号、生电信号、机械信号以及图像信号等多个领域的信号提取中，取得了一定的效果。显然，这些算法本质上都是通过将混合信号变换到时域、频域、时频域或者其他域，进而将单通道瞬时混合模型转换成伪多通道线性混合模型，从而利用ica算法将其中感兴趣信号提取出来。当感兴趣微弱信号独立且只淹没在噪声时，该类算法效果很好，但当该微弱信号非独立或者被其他信号淹没时，该类算法就失效了。首先，一般来说，将独立个体产生的信号视为统计独立的，这个假设是普遍成立的；那么本发明主要针对的就是当微弱信号被其他信号淹没使得上述算法失效的情况。当微弱信号被其他信号时域淹没而频域无关时，可以用频域滤波提取；当微弱性能好被其他信号频域淹没而时域无关时，可以用时域滤波提取；当时频域都被淹没时，可以用时频域滤波来分开，但时频域滤波都无法分开时，就需要将其转换到其他域来滤波了。

技术实现要素：

本发明的目的是针对现有技术存在的不足之处，提供一种鲁棒性和抗干扰性更加优越，无需太多先验知识，能够节省前端硬件费用，适用于在全盲条件下、微弱信号被噪声和其他信号时频域淹没、且使用传统时频域滤波方法无法提取时可以有效获取感兴趣微弱信号的方法。

本发明的目的是通过以下技术方案实现的：一种微弱信号盲提取方法，具有如下技术特征：在基于信源独立的前提下，建立单通道瞬时线性混合模型x(t)；然后将单通道混合信号x(t)构造为窗长l为2的矩阵c，再依据奇异谱分析理论(ssa)，对其矩阵c进行奇异值分解，并通过反汉克尔hankel变换，得到奇异值对应时间序列xj2(t)；不断进行mrssa变换，通过多分辨奇异谱分析和独立分量分析算法处理后，构建mrssa-ica滤波器，把单通道混合数据x(t)分解成多个ics，将单通道瞬时线性混合模型转换成多通道线性混合模型，得到重构矩阵x；重构后，引入盲源ica，进一步提取或者分离感兴趣的信号分量，ica将混合信号分离成多个尽可能相互独立的ics作为源信号s的估计，利用mrssa算法的多尺度分辨和独立分量分析ica算法的盲特性建立自适应的微弱信号提取滤波器，将感兴趣信号分量被从单通道时频部分重叠多信号中提取出来，进而实现基于mrssa-ica的共信道盲提取微弱信号。

本发明相比于现有技术具有如下有益效果：

鲁棒性和抗干扰性更加优越。本发明基于信源独立的前提下，建立单通道瞬时线性混合模型；然后将单通道混合信号构造为窗长l为2的矩阵c，再依据奇异谱分析理论(ssa)，对其矩阵c进行奇异值分解，并通过反汉克尔hankel变换，得到奇异值对应时间序列；不断进行mrssa变换，不仅可以从噪声中将感兴趣的信号提取出来，即使在多个信号背景下仍然可以将感兴趣的信号完整的提取出来。因此，可以适应于更加复杂多变的电磁环境下，该算法的鲁棒性和抗干扰性更加优越。

无需任何先验知识。本发明通过多分辨奇异谱分析和独立分量分析算法处理后，构建mrssa-ica滤波器，利用mrssa算法的多尺度分辨特性和ica算法盲特性建立自适应的微弱信号提取滤波器，无需任何先验知识，因此可以适应对抗、侦收、检测、通信等多种应用背景。从而避免了传统提取方法常常需要建立匹配滤波器，而这种滤波器的建立需要更多先验知识的缺陷。

节省前端硬件费用。本发明通过多分辨奇异谱分析处理将单通道瞬时线性混合模型转换成多通道线性混合模型，进而构建mrssa-ica滤波器将感兴趣信号分量从单通道时频部分重叠多信号中提取出来。本发明可以在单通道多信号背景下仍然获得感兴趣信号，因此可以处理由于降低传感器采集通道个数而引起的多信号共信道问题。这样做可以将信号处理部分放到后续的dsp或者fpga板卡上进行数字化分析处理，大大降低了射频前端的性能需求，使得多根天线可以共用一个采集信道或者传感器，大大降低了硬件费用。

本发明适用于单通道多信号背景下感兴趣微弱信号盲提取的技术，尤其适用于在全盲条件下、微弱信号被噪声和其他信号时频域淹没微弱信号盲提取。

附图说明

图1本发明基于mrssa-ica的共信道盲提取微弱信号的流程图；

具体实施方式

参阅图1。根据本发明，首先分析多个信号分量的单通道混合模型及其变换后的独立性特性，来解决感兴趣的微弱信号分量是独立可分的问题；然后提出并论证mrssa算法的非正交性或者冗余性，来解决伪多通道模型满足适定瞬时线性混合阵列模型的问题；最后给出基于mrssa-ica算法的微弱信号盲提取技术。

在基于信源独立的前提下，建立单通道瞬时线性混合模型x(t)；然后将单通道混合信号x(t)构造为窗长l为2的矩阵c，再依据奇异谱分析理论(ssa)，对其矩阵c进行奇异值分解，并通过反汉克尔hankel变换，得到奇异值对应时间序列xj2(t)；不断进行mrssa变换，通过多分辨奇异谱分析和独立分量分析算法处理后，构建mrssa-ica滤波器，把单通道混合数据x(t)分解成多个ics，将单通道瞬时线性混合模型转换成多通道线性混合模型，得到重构矩阵x；重构后，引入盲源ica，进一步提取或者分离感兴趣的信号分量，ica将混合信号分离成多个尽可能相互独立的ics作为源信号s的估计，利用mrssa算法的多尺度分辨特性和ica算法盲特性建立自适应的微弱信号提取滤波器，将感兴趣信号分量被从单通道时频部分重叠多信号中提取出来，最终实现基于mrssa-ica的共信道盲提取微弱信号。

在以下描述的实施例中，

步骤1，一般情况下，多个独立电台产生的通信信号可以有效假定为互相独立的，其共信道瞬时线性混合模型可建模成x(t)＝a1s1(t)+…aksk(t)+aksk(t)+η(t)。其中，ak为第k个通信信号的混合系数，sk(t)为待处理的独立通信信号，k＝1，…k，t表示时间，η(t)为协方差未知的零均值加性高斯白噪声。

步骤2，依照奇异谱分析理论，我们将单通道时间序列混合数据x(t)构造为窗长l为2的时延矩阵c：其中，x1、x2…xn分别表示离散时间序列x(t)的第一、第二以及第n个点的值。

步骤3，然后，根据奇异值分解理论,时延矩阵c可展开为

其中，u为左奇异正交矩阵，v为右奇异正交矩阵，t表示转置,i表示奇异值的个数，σi为奇异值，ui为σi的左奇异向量，vi为σi的右奇异向量，xi为分解后的奇异值σi对应的时延特征矩阵。然后通过反hankel变换，把时延特征矩阵xi重构成时间序列xi，xi(k)表示时间序列xi的每个元素，且等于

其中，时延特征矩阵xi的行列数(m,n)满足m＝1,2,...k，m+n＝k+1，k表示时间序列xi的第k个元素,l表示窗长，n表示时间序列xi的个数。更进一步，此时有也就是说存在一个滤波器将时间序列xi(t)从混合时间序列x(t)中过滤出来，显然，ssa变换是一种线性变换，且基于ssa变换构造的滤波器是相互正交。

步骤4，时延特征矩阵xi重构后得到单通道混合数据x(t)＝x1(t)+x2(t)的时间序列，其中x1(t)为较大奇异值对应时间序列，反映的是单通道混合数据中的主要部分；x2(t)为较小奇异值对应时间序列，反映的是次要或者微弱部分。

步骤5，我们继续取窗长l为2，对较小奇异值对应时间序列x2(t)进行ssa变换，即重复步骤2、3、4，进一步得到x2(t)＝x21(t)+x22(t)，继续对较小奇异值对应时间序列进行ssa处理，最终得到混合时间序列x(t)的最终mrssa展开：其中，t为时间，j表示连续进行ssa变换的次数。

步骤6，最终，提取混合时间序列x(t)最终mrssa展开后生成的子时间序列xj2(t)，建立伪多通道阵列模型x＝{x2(t)，x22(t)，...xj2(t)}。

步骤7，经过上述处理后所得到的伪多通道数据x满足：

1)每一路数据都满足共信道瞬时线性混合模型假定；

2)感兴趣的信号分量与其它分量独立。

那么ica就可以引入其中，进一步提取或者分离感兴趣的信号分量。基于最小互信息量的ica算法的迭代公式满足

wi(k+1)＝wi(k+1)/||wi||2

其中，wi为分离矩阵w的行向量，k为迭代次数，z为白化后的数据，g(·)为熵的梯度，e[·]为取平均，g′(·)表示求导函数，||·||2表示求2范数。

ica本质是将混合信号分离成多个尽可能相互独立的独立分量(independentcomponents,ics)作为源信号的估计值，最终可得感兴趣微弱信号分量其中ica分离后的独立分量为感兴趣微弱信号分量s的估计。

步骤8，显然，单通道混合数据x(t)经过mrssa-ica处理后，被分解成多个ics，即x(t)＝∑hpcp(t)，其中hp为mrssa-ica滤波器。

步骤9，分析ics时间序列，重构并提取出感兴趣的信号分量。

以上所述为本发明较佳实施例，应该注意的是上述实施例对本发明进行说明，然而本发明并不局限于此，并且本领域技术人员在脱离所附权利要求的范围情况下可设计出替换实施例。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。