谱相关检测

谱相关检测（精选7篇）

谱相关检测 篇1

1 引 言

直接序列扩谱通信具有低截获、抗干扰能力强、抑制多径效应、安全、保密隐蔽性好、可实现码分多址等优点。在传统的平稳信号统计分析中,直扩信号表现出接近噪声的统计特性,因此在非合作通信中难于检测和估计。由信号产生原理可以发现,直扩信号中同时隐含了符号与码元的周期性,具有二阶循环平稳特性,利用谱相关分析方法,能够在信号的非零循环频率处生成谱线,将直扩信号从噪声背景中检测出来[1]。

基于直扩信号中隐含的周期性信息,将直扩信号建模为循环平稳信号,在介绍其谱相关函数的基础上,对基于谱相关的直扩信号检测技术进行了分析、研究和仿真比较。基于噪声对信号循环谱的影响,文章就阈值的选取问题进行了探讨,提出采用3σ准则对含噪信号的循环谱进行消噪处理,以利于直扩信号在低信噪比下凸现其循环谱特性,从而实现检测,最后给出了仿真结果。

2 直扩信号的谱相关

直扩信号是通过将符号序列与一个伪随机序列即扩频码序列相乘来达到扩展信号带宽的目的。直扩信号的接收模型可表示如下:

undefined

其中x(t)和n(t)分别是信号和噪声,f0为载频,ak为传输符号序列,{cn,n=0,…,N-1}为伪随机序列,Tc为码元间隔,Ts为符号周期,且Ts=NTc,q(t)代表码元函数。

undefined

文献[3]给出了BPSK调制信号的谱相关函数(参数同上)。比较式(1)和式(2)不难发现,直扩信号用整个扩频码序列h(t)取代了BPSK信号中的码元窗函数q(t),因此将扩频码序列频谱H(f)取代窗函数频谱Q(f),并以扩频码序列宽度Ts取代BPSK信号码元宽度Tc就可以得到BPSK直扩信号的谱相关函数,表达式如下:

undefined

其中undefined是窗函数q(t)的傅里叶变换。

可见,直扩信号的谱相关函数在循环频率α=k/Ts和α=±2f0+k/Ts处存在谱线,而噪声是平稳随机过程,不具有循环平稳特性,因此利用谱相关能够在低信噪比条件下提取直扩信号的循环平稳特征,从而实现直扩信号检测和估计。

3 直扩信号检测及噪声抑制分析

3.1 高斯白噪声中直扩信号检测分析

设直扩信号x(t)和噪声n(t)的谱相关函数分别为Sundefined(f),Sundefined(f),信号和噪声不相关,接收信号r(t)的谱相关函数为Sundefined(f),则:

undefined

假设噪声n(t)为高斯白噪声,则其作为平稳随机信号,有:

undefined

在高斯白噪声中检测信号,可以用下式表示:

当α≠0时:

undefined

当α=0时:

undefined

显然,传统的检测方法(α=0时检测)在有信号和无信号时都有谱存在,噪声谱和信号谱是叠加在一起的。而利用谱相关函数对信号进行检测分析时,α≠0时噪声的循环谱出现为零,不会对信号谱进行影响,从而能在严重的干扰和噪声背景下完成对信号的检测,提高系统的抗干扰能力。

3.2 实验仿真与分析

在理论推导建立之后,针对上面的分析进行了计算机模拟仿真。实验中取7位巴克码作为扩频码,输入点数N=4 096,采样频率为F=400 kHz,载波频率f0=100 kHz,码元速率为fc=25 kb/s,符号速率为fs=3.6 kb/s。图1仿真了BPSK直扩信号及高斯白噪声的循环谱。由于噪声的非记忆性,并且循环谱的数字实现存在误差,在频率轴以外形成了地毯似的微小峰值,相对于频率轴上的数值可以忽略不计。

为了更清晰地说明循环谱的抗噪声能力,我们从二维图的角度进行观察。图2所示分别为直扩信号在SNR=-10 dB,SNR=-15 dB下循环谱在α=0和f=0处的截面图。

从图中可以看出,当信噪比从-10 dB下降到-15 dB时,α=0的截面即常规功率谱已完全被噪声淹没,而在f=0的截面即α轴上仍然能够观察到信号的循环谱线,这就说明信号的循环谱分析能够有效地抑制噪声。但是,循环平稳信号的谱相关分析并不是对噪声完全免疫[6]。理论上,平稳信号的谱相关密度仅存在于频率轴上,但是在数字实现二阶循环平稳分析时,非线性二次变换使平稳噪声的影响不再仅限于频率轴上,除频率轴之外仍存在较小的基底噪声,当噪声增大时,该基底噪声也随之增大,以至于掩盖α轴上的信号特征,难以检测信号。因此,如何消除基底噪声是谱相关分析中需要进一步思考的问题。

3.3 3σ准则消噪处理

循环平稳信号的谱相关特性可以用来检测大多数的信号。图3为检测过程的流程图[7]。

在获得信号的谱相关函数后,就可以对信号的循环特征频率进行检测。检测的方法是在频率-循环频率平面上检测谱相关函数的一系列峰值。如何将基底噪声分离,确定合适的阈值直接影响检测判决的正确概率。阈值的选取有很多方法,但都有一定的局限性。本文采用3σ准则[8,9]提取阈值。3σ准则通常用于测量误差的处理,主要功能是挑出测量误差中的粗大误差。

3σ准则主要是根据高斯噪声的分布特点来考虑的,对于高斯分布的噪声,若其均方值为σ,则根据其分布规律,瞬时值绝对值大于3σ的概率仅为2.7%,用公式表示有:

undefined

因此可以认为瞬时值大于3σ的为粗大误差,加以除去。对含有高斯白噪声的循环平稳信号进行循环谱分析时,信号的循环谱表现为一系列峰值,可以看作为粗差,而高斯白噪声的循环谱主要分布在频率轴上,在频率轴以外仅存在平坦的基底噪声。大量仿真证明,高斯白噪声引起的基底噪声服从于类高斯分布。以下给出利用3σ准则对含噪直扩信号循环谱进行消噪处理的步骤和仿真结果。

对直扩信号谱相关函数在f=0截面上的取值S(α),运用如下步骤确定σ值:

(1) 计算初始均方值undefined;

(2) 比较每个|S(αi)|与3undefined的大小,大于3undefined的认为是粗大误差,予以除去;

(3) 重新计算均方值;

(4) 重复(1),(2),(3),直至没有大于3undefined的undefined,此时认为求出的undefined为噪声的均方值。

以3undefined作为每个S(α)处理的阈值,即绝对值小于3undefined的置零,大于3undefined的保留。处理后的值就是直扩信号的循环谱在α轴上的重现,此时利用α轴上谱峰的特性就可以有效地检测出信号是否存在。图4所示为直扩信号在SNR=-10 dB,SNR=-15 dB下循环谱在f=0处的截面经3σ准则消噪处理后的结果。和图2比较后发现,频率轴以外存在的平坦基底噪声已全部被滤除,此时利用非零循环频率处的谱线就可以有效地检测出信号是否存在。

4 结 语

谱相关方法处理的最大优势在于它能够在展现信号傅里叶频谱的同时,还提供循环频率轴上包含信号更多信息的更为详尽的频谱。利用谱相关方法对信号进行分析,能够有效地抑制平稳噪声。采用电子测量中的3σ准则对信号进行消噪处理,可以在低信噪比条件下重现信号循环谱线特征,更利于实现信号检测。将谱相关分析方法和3σ准则结合在一起,为低信噪比条件下检测直扩信号提供了一条新的途径。

摘要：直扩信号是二阶循环平稳信号,根据谱相关分析方法,利用直扩信号非零循环频率处的谱线特征,可将直扩信号从噪声背景中检测出来。为消除基底噪声,采用电子测量中的3σ准则对直扩信号的循环谱进行了消噪处理,便于实现检测,仿真论证了该方法在低信噪比条件下的有效性。

关键词：直扩信号,谱相关,信号检测,3σ准则

参考文献

[1]柳征,黄知涛,周一宇.基于谱相关的直接序列扩谱信号检测[J].航天电子对抗,2005,21(2):35-37.

[2]Gardner W A.Spectral Correlation of Modulation Signals:Part I-Analog Modulation[J].IEEE Trans.on Communi-cations,1987,35(6):584-594.

[3]Gardner W A,Brown W A,Chen C A.Spectral Correlationof Modulation Signals:Part II-Digital Modulation[J].IEEETrans.on Communications,1987,35(6):595-601.

[4]赵旦峰,赵春晖,宋朝玲,等.循环谱理论在MSK扩频信号检测与识别中的应用[J].哈尔滨工程大学学报:自然科学版,2001,22(5):62-64.

[5]黄知涛,周一宇,姜文利.循环平稳信号处理与应用[M].北京:科学出版社,2006.

[6]毕果,陈进,周福昌,等.调幅信号谱相关密度分析中白噪声影响的研究[J].振动与冲击,2006,25(2):75-78.

[7]Ning Han,SungHwan Shon,Jae Hak Chung,et al.SpectralCorrelation Based Signal Detection Method for SpectralSensing in IEEE 802.22 WRAN Systems.ICACT2006.

[8]何世彪,杨士中.3σ准则在小波消噪中的应用[J].重庆大学学报:自然科学版,2002,25(12):58-61.

[9]蒋焕文,孙续.电子测量[M].北京:中国计量出版社,1989.

谱相关检测 篇2

认知无线电技术(CR)作为一种频谱再利用技术,在解决无线通信中频谱资源紧张的问题方面,具有独特的优势,其关键技术之一为频谱感知技术。为了提高频谱检测性能,文献[1]提出一种低复杂度的多维度(MTM)改进算法,降低了计算复杂度。文献[2]推导出融合中心利用衰落信道统计特性的似然比协作频谱检测公式,简化了协作频谱检测过程,便于实际应用。文献[3]给出了一种采用最小最大准则实现频谱感知融合的方法,解决了在主用户出现的先验概率未知的情况下不能实现同步和异步感知信息融合的问题。但上述研究均是在信噪比较高的条件下展开,而实际通信环境通常具有较低的信噪比。IEEE802.22无线区域网(WRAN)工作组已经起草了基于认知无线电的空中接口标准,以便认知用户可以接入空闲的电视频段;并对参与频谱感知的信号信噪比做了规定,要求频谱感知算法至少在信号信噪比为-18 dB的条件下可靠检测到授权电视信号[4]。在此背景下,研究低信噪比下的频谱检测技术,具有现实意义。

检测信号在低信噪比下,频谱感知算法中常用的能量检测算法[1,2]受到噪声不确定性的影响,匹配滤波器检测算法不同步问题突出,使能量检测和匹配滤波器检测算法不适用检测微弱信号。在发送信号特征已知的条件下,循环平稳特性检测具有较高的检测性能,但具有计算量大的缺点。Shen Da等[5]提出一种基于显著循环频率的改进循环平稳检测算法,大大降低了计算复杂度,且具有较高检测性能,但只适用于幅度调制(AM)和二进制相移键控(BPSK)调制信号。Zhi Quan[6]提出了基于信号特征相关的感知方案,把发送信号与接收信号的周期图进行相关,作为检测统计量,然后与设定的门限比较进行频谱判决,此算法较传统的能量检测算法性能有较大提升。然而,用周期图法对信号进行谱估计分辨率较低,分辨率受到信号长度的影响,与信号长度成正比,从而一定程度上制约了频谱检测的可靠性。

针对上述问题,提出了一种把主用户发射机的发送信号和认知用户接收机的接收信号的最小方差无失真响应(MVDR)谱进行相关,把谱相关量作为检测统计量,与满足虚警概率条件下得到的门限做比较进行频谱检测的改进方法。由于MVDR算法进行谱估计比周期图法具有更高的分辨率,所提算法比现有算法在检测性能上更加优越。同时通过分析所提算法的复杂度,得出所提算法能够满足IEEE802.22标准对于检测时间的要求。

1 系统模型和算法

假设认知无线通信网络所共享的频谱为电视频段,则认知用户应检测电视信号(主用户)的有无,以便可以在空闲的电视频段进行通信。为此,认知用户可以利用电视信号的频谱特征进行频谱检测。本文仿真了两个电视信号:先进电视制式委员会(ATSC)信号和美国国家电视制式委员会(NTSC)信号,作为主用户发送信号。ATSC信号是一个数字电视信号,占用6 MHz带宽,频谱中在310 kHz处有一个导频信号。NTSC信号是一个模拟电视信号,同样占用6 MHz带宽,其频谱中含有3处冲激信号,分别代表视频、色彩和音频载波[6]。

1.1 信号模型

设主用户的发射信号为平稳随机过程x(t),其功率谱密度为Sx(ω);噪声信号为v(t)～N(0,σ${}_{\nu }^2$),其功率谱密度为Sn(ω);认知用户(SU)的接收信号y(t),其功率谱密度为Sy(ω);则SU接收信号可写为:y(t)=x(t)+v(t),这里t=0,1,2,…,为信号的采样序号,ω∈[0,2π]为信号的频率。

为便于分析,假设信号和噪声是相互独立的,则接收信号的功率谱密度在二元假设检验下可以写成

$\{\begin{array}{l}{\rm H}{}_0:S{}^y(\omega )=\sigma {}_v^2\\ {\rm H}{}_1:S{}^y(\omega )=S{}^x(\omega )+\sigma {}_v^2,0\le \omega \le 2\text{π}\end{array}(1)$

式中:H0,H1分别表示主用户不存在、存在的假设。频谱检测中发送的电视信号的功率谱密度 Sx(ω),在认知用户的接收机端是已知的。为了检测电视信号是否存在,采用谱相关检测[7],即

${\rm T}={\displaystyle {\int }_0^{2\text{π}}S}{}^y(\omega )S{}^x(\omega )\text{d}\omega \{\begin{array}{l}\ge th,\text{判}\text{别}\text{为}{\rm H}{}_1\\ <th,\text{判}\text{别}\text{为}{\rm H}{}_0\end{array}(2)$

式中:th是检测门限[6]。传统的求信号PSD的方法是采用周期图法,由于周期图法进行功率谱估计频率分辨率较低,分辨率与信号的长度成正比,同时会使微弱信号淹没在强干扰信号中,从而会一定程度上影响频谱检测的性能。高分辨率的谱估计方法还有自回归(AR)参数模型功率谱估计算法,该方法中参数的提取算法主要有3种,其中Levinson-Durbin算法分辨率不如MVDR算法,Burg算法和Marple算法虽然精确度高,但计算比MVDR算法复杂。

1.2 算法描述

针对上述问题,提出用MVDR算法对信号进行频谱估计,MVDR算法在频谱分辨率较高的同时计算复杂度较低,能更好地满足频谱检测的要求。

求MVDR谱的步骤为:

1) 由y(t)的L个观测样本y(0),y(1),…,y(L-1)估计样本相关矩阵$\widehat{\mathit{R}}$。

2) 求MVDR谱估计[8],即

$\widehat{R}{}_{\text{Μ}\text{V}\text{D}\text{R}}(k)=\frac{1}{\mathit{a}{}^{\text{Η}}(k)\widehat{\mathit{R}}{}^{-1}\mathit{a}(k)}(3)$

式中:$\mathit{a}(k)=[1,\text{e}{}^{-\text{j}\frac{2\text{π}k}{{\rm N}}},\text{e}{}^{-\text{j}\frac{4\text{π}k}{{\rm N}}},\cdots ,\text{e}{}^{-\text{j}\frac{2\text{π}k({\rm M}-1)}{{\rm N}}}]{}^{\text{Τ}}$,k=0,1,…,N-1,N是进行谱估计的点数,M是样本相关矩阵$\widehat{\mathit{R}}$的阶数,M的值由感知时间对算法复杂度的要求来确定。

由此,一般的判决关系式(2)可以更新为

${\rm T}{}_{{\rm N}}=\frac{1}{{\rm N}}{\displaystyle \sum _{k=0}^{{\rm N}-1}\widehat{R}}{}_{y\text{Μ}\text{V}\text{D}\text{R}}^{({\rm N})}(k)\widehat{R}{}_{x\text{Μ}\text{V}\text{D}\text{R}}^{({\rm N})}(k)\{\begin{array}{l}\ge th,\text{判}\text{别}\text{为}{\rm H}{}_1\\ <th,\text{判}\text{别}\text{为}{\rm H}{}_0\end{array}(4)$

对于给定的判决量,根据Neyman-Pearson准则可求出满足一定虚警概率条件下的检测门限。假设主用户不存在,即认知用户接收到的信号中只含有噪声v(t)。对于具有L个采样的接收信号y(t),对其进行L点MVDR谱密度估计,有

$\widehat{R}{}_{y\text{Μ}\text{V}\text{D}\text{R}}(k)=\frac{1}{\mathit{a}{}^{\text{Η}}\left(k\right)\widehat{\mathit{R}}{}_v^{-1}\mathit{a}(k)}(5)$

式中:$\widehat{\mathit{R}}{}_v^{-1}$是v(t)的样本相关矩阵。因为v(t)为均值为0、方差为σν2的高斯白噪声,所以$\widehat{R}{}_{y\text{Μ}\text{V}\text{D}\text{R}}(k)$服从自由度为2的中心卡方分布,$\widehat{R}{}_{y\text{Μ}\text{V}\text{D}\text{R}}(k)$的均值和方差分别为[6]

$\mu {}_{{\rm P}}=E\{\widehat{R}{}_{y\text{Μ}\text{V}\text{D}\text{R}}(k)\}=\sigma {}_v^2(6)$

$\sigma {}_{{\rm P}}^2=Var\{\widehat{R}{}_{y\text{Μ}\text{V}\text{D}\text{R}}(k)\}=\sigma {}_v^4(7)$

判决量为

${\rm T}{}_L=\frac{1}{L}{\displaystyle \sum _{k=0}^{L-1}\widehat{R}}{}_{y\text{Μ}\text{V}\text{D}\text{R}}^{}(k)\widehat{R}{}_{x\text{Μ}\text{V}\text{D}\text{R}}^{}(k)(8)$

为服从卡方分布的随机变量,是中心卡方随机变量$\{\widehat{R}{}_{y\text{Μ}\text{V}\text{D}\text{R}}(k)\}$的一个加权和。

通过把TL的分布近似成一个非中心卡方分布χ${}_{\kappa }^2$(δ),并求得χ${}_{\kappa }^2$(δ)分布的自由度κ、偏移参数δ、均值μχ2、方差σχ2。虚警概率Pf可以近似成

$\begin{array}{l}{\rm P}{}_{\text{f}}({\rm T}{}_L>th)={\rm P}{}_{\text{f}}\left(\frac{{\rm T}{}_L-c{}_1}{\sqrt{c{}_2}}>t{}^{*}\right)=\\ {\rm P}{}_{\text{f}}\left(\frac{\chi {}_{\kappa }^2(\delta )-\mu {}_{\chi {}^2}}{\sigma {}_{\chi {}^2}}>t{}^{*}\right)=\\ {\rm P}{}_{\text{f}}(\chi {}_{\kappa }^2(\delta )>t{}^{*}\sigma {}_{\chi {}^2}+\mu {}_{\chi {}^2})(9)\end{array}$

式中:c1,c2分别是TL的累积生成函数的一、二阶累积量;$t{}^{*}=\frac{th-c{}_1}{\sqrt{c{}_2}}$;μχ2=E[χ${}_{\kappa }^2$(δ)]=κ+δ;$\sigma {}_{\chi {}^2}=\sqrt{Var(\chi {}_{\kappa }^2(\delta ))}=\sqrt{2(\kappa +2\delta )}$。

对于给定的虚警概率Pf,可求出门限th,即

Pf(TL>th)=1-P(t*σχ2+μχ2;κ,δ) (10)

式中:

P(x;$\kappa ,\delta )=\text{e}{}^{-\delta /2}{\displaystyle \sum _{k=0}^{\infty }\frac{(\delta /2){}^k}{k!}}F(x$;κ+2k) (11)

式中:F(·)是中心卡方分布的累积分布函数[9](CDF)。

2 仿真结果和分析

2.1 仿真结果分析

采用模拟产生的NTSC和ATSC信号作为发送信号,对改进算法的性能进行仿真,发送信号的长度为4 096点采样(L=4 096),将虚警概率Pf设为0.001,进行了1 000次Monter-Carlo试验得到仿真结果。图1和图2分别给出了对于NTSC信号和ATSC信号,改进算法在不同信噪比下的检测性能曲线,纵坐标为检测概率Pd,同时与文献[6]中的检测算法和能量检测(ED)算法性能进行比较。其中,设置信噪比(SNR)从-21 dB至-13 dB,信道假设为加性高斯白噪声信道(AWGN)。

从图1的仿真结果可以看出:改进算法的性能优于文献[6]中算法,尤其是当信噪比较低时,比文献[6]中算法约有10%的检测性能提升,随着SNR的提高,两种算法都表现出较高的检测性能。同时可以看出,两种算法的性能都高于一般的能量检测算法。

从图2可以得到与以上分析类似的结论,当信噪比较低时,改进的算法比文献[6]中算法约有10%的检测性能提升。通过比较图1和图2,还可以发现:相同条件下,采用NTSC信号比ATSC信号可以获得更高的检测性能。这是因为NTSC信号的频谱中具有3个冲激量,每个冲激量都具有显著的能量特征,不易被噪声淹没,从而容易检测。而ATSC信号的频谱较平坦,且频谱中只有一个表示导频信号的冲激量。

2.2 算法复杂度比较

与文献[6]算法的复杂度O(L·lb L)相比,改进算法的复杂度为O(M(M+1)L),其中M为信号相关矩阵的阶数,L为信号采样长度。仿真中取M=16,L=4 096,M(M+1)L/(L·lb L)≈24.7,即改进算法复杂度约为文献[6]算法复杂度的24.7倍。由文献[6]中最长感知时间为48 ms,可得改进的算法感知时间约为1.19 s。

根据IEEE802.22标准要求,当漏警概率和虚警概率均小于0.1时,认知设备最长感知时间不得超过2 s[10]。当感知时间取满足标准要求的最大值2 s时,在保持L取值不变的条件下,M可取得的最大值为21;当L取值变化时,M的最大取值也应有相应的变化。所提出的算法满足标准要求,且虚警概率取0.001,在信噪比为-18 dB时,NTSC信号的检测概率为99%,ATSC信号的检测概率为95%。所提算法在牺牲一些感知时间的情况下,能够提高检测概率,可以作为一种低信噪比下频谱检测的方法。

3 结论

本文提出一种用MVDR谱估计算法的改进谱相关频谱检测算法,通过公式推导得到了新的检测门限,用Monter-Carlo方法进行仿真,与周期图法功率谱估计谱相关检测算法的检测性能进行了对比。相对于原周期图法进行谱估计分辨率较低的缺点,改进的算法因为采用MVDR算法进行谱估计分辨率较高,频谱检测的性能也更好。仿真结果表明,改进的算法比原算法具有更好的检测效果。同时,对改进算法的复杂度进行了分析,得出改进算法性能的提升是由牺牲感知时间换来的,但改进算法的感知时间仍可以达到IEEE802.22标准的要求。在对感知时间要求不高的情况下,可以考虑把改进算法作为一种频谱检测方法。我国的数字电视制式是2006年8月颁布的地面数字电视多媒体广播(DTMB)标准,其频谱中含有两个导频信号,对我国的数字电视信号频谱感知时改进算法实效性和准确性如何,还有待实验验证。

摘要：针对现有基于谱相关频谱检测算法中周期图法谱估计精确度较低的缺点,提出了一种用主用户发送信号与认知用户接收信号的最小方差无失真响应(MVDR)谱的谱相关量作为检测统计量进行频谱检测的改进方法。由于MVDR谱估计算法比周期图法具有更高的分辨率,因此所提频谱检测算法比现有算法具有更好的检测效果。模拟了两种电视信号作为主用户发送信号,仿真结果表明:对于两种电视信号,所提算法的检测性能都优于现有算法,同时通过分析算法的复杂度,证明所提算法能够满足IEEE802.22标准对于检测时间的要求。

关键词：低信噪比,MVDR谱,谱相关检测,频谱感知

参考文献

[1]李莉,黄立辉,王沛,等.一种基于多窗低复杂度的频谱检测算法[J].电波科学学报,2011,26(6):1083-1087.

[2]王莹,岳殿武,王谦,等.基于信道统计特征的认知无线电协作频谱检测[J].电波科学学报,2009,24(6):1049-1054.

[3]赵东峰,周贤伟,程曾伟,等.采用最小最大准则的协作频谱感知融合[J].电波科学学报,2011,26(5):923-926.

[4]IEEE 802.22,IEEE Standard for Wireless Regional Area Networks Part22:cognitive wireless ran medium access control(MAC)and physicallayer(PHY)specifications:policies and procedures for operation in theTV bands[S].2011.

[5]SHEN D,GAN X Y,CHEN H H,et al.Significant cycle frequency basedfeature detection for cognitive radio systems[C]//Proc.IEEE CognitiveRadio Oriented Wireless Networks and Communications.Hannover:IEEEPress,2009:1-4.

[6]QUAN Z,ZHANG W Y,SHELLHAMMER S J,et al.Optimal spectrumfeature detection for spectrum sensing at very low SNR[J].IEEE Trans.Communications,2011,59(3):201-212.

[7]LEE J K,YOON J,KIM J.A new spectral correlation approach to spec-trum sensing for 802.22 WRAN system[C]//Proc.IEEE InternationalConference on Intelligent Pervasive Computing.Jeju City:IEEE Press,2007:101-104.

[8]何子述,夏威.现代数字信号处理及其应用[M].北京:清华大学出版社,2010:100-106.

[9]SIMON M K.Probability distributions involving Gaussian random varia-bles[M].New York:Springer,2002.

改进的MSK信号循环谱检测算法 篇3

关键词：MSK信号,循环谱,检测,改进算法

0 引言

MSK(最小频移键控)信号是调制指数为0.5的连续相位频移键控信号,具有带宽窄、频谱主瓣能量集中、频带利用率高等优点,是现代数字调制技术的发展方向之一,在通信领域被广泛采用[1]。在复杂信号环境中实现低信噪比时MSK信号的检测一直是研究重点,其理论与方法不断发展。在未知先验信息情况下,能量检测[2]是一种简单而有效的方法,但是受噪声影响严重,当处在时变噪声或强干扰情况下,其性能将急剧下降。这种方法并没有充分利用MSK信号的特点,实际上MSK信号具有典型的循环平稳性[3],更适合于建模为循环平稳过程,从而利用循环平稳信号的特征来对其进行分析。

文献[4,5,6,7]对循环谱在MSK信号检测中的应用进行了研究,其采用算法是对有限采集数据直接做谱相关运算,利用其循环谱特征实现信号检测。但这种算法在低信噪比时或者数据长度较短时效果并不理想,要想提高其估计性能往往需要增加数据长度和采样时间,而这在通信侦察等非合作条件下往往是较难获得的。本文在已有文献基础上提出一种基于循环谱的信号检测改进算法,该算法能够有效地抑制噪声影响,对数据长度要求低,在有限数据长度条件下,可以实现低信噪比下信号检测。

1 MSK信号的循环谱分析

MSK信号可以表示为

式中,fc为载波频率,ϕ0为初始相位,c(t)、d(t)分别为:

$\begin{array}{l}c(t)={\displaystyle \sum _{n=-\infty }^{\infty }c}{}_{n}q(t-2n{\rm T}{}_s-t{}_0)(2)\\ s(t)={\displaystyle \sum _{n=-\infty }^{\infty }s}{}_{n}q(t-(2n+1){\rm T}{}_s-t{}_0)(3)\end{array}$

cn和dn都是二进制序列,t0是初始时间,Ts是码元时宽,q(t)是成形脉冲,即:

$q(t)=\{\begin{array}{l}\cos (\text{π}t/2{\rm T}{}_s),|t|\le {\rm T}{}_s\\ 0,|t|＞{\rm T}{}_s\end{array}(4)$

Q(f)是q(t)的傅里叶变换

$Q(f)=\frac{1}{2}[Q{}_0(f+\frac{1}{4{\rm T}{}_s})+Q{}_0(f-\frac{1}{4{\rm T}{}_s})](5)$

其中,$Q{}_0(f)=\frac{\sin (\text{π}f{\rm T}{}_s)}{\text{π}f}(6)$

可以得到MSK信号循环谱在f=0处的α截面为:

由施瓦茨不等式可得如下表达式:

对上式继续使用施瓦茨不等式进行分解,可得到以下结论,MSK信号循环谱幅度在f=0处α截面上,当α=±2fc±fs/2处取得较大非零值。

2 基于循环谱的MSK信号检测

设加性高斯噪声背景下接收信号为:

s(t)=x(t)+n(t) (9)

其中,x(t)和n(t)分别为信号和噪声,由于噪声不具有循环平稳性,其循环谱密度只在α=0处出现谱峰,而对于MSK信号f=0的α截面,循环谱在α=±2fc±fs/2处有谱峰。因而对信号存在进行检测,可计算观测信号s(t)的循环谱密度函数,根据下式判决:

$|S{}_s^a(f)|{}_{f=0}=\{\begin{array}{l}|S{}_x^{\alpha }(f)|{}_{f=\pm f{}_0},\alpha \ne 0\text{有}\text{信}\text{号}\\ |S{}_x^0(f)+S{}_n^0(f)|{}_{f=0},\alpha =0\text{有}\text{信}\text{号}\\ 0,\alpha \ne 0\text{有}\text{信}\text{号}\\ |S{}_n^0(f)|{}_{f=0},\alpha =0\text{有}\text{信}\text{号}\end{array}(10)$

由上式也可以看出,循环谱检测器具有很强的信号选择性和分辨能力,可以把循环谱幅度作为统计量完成对MSK信号的检测,对其存在性检测实际上是一个二元假设检验问题。因此检测过程基于如下假设

${\rm Z}=|\frac{1}{\Delta f}{\displaystyle {\int }_{f-\frac{\Delta f}{2}}^{f+\frac{\Delta f}{2}}}S{}_{s{}_{{\rm T}}}^{\alpha }(t,f)\text{d}f|=\{\begin{array}{l}＞\gamma {\rm H}{}_1\\ ＜\gamma {\rm H}{}_0\end{array}(11)$

这实际上是一个频域平滑循环特征检测器,又称为循环谱分析器。通过在有效频带内对循环谱幅度平面的搜索,获取信号检测结果。其中,Δf是矩形平滑窗窗宽,γ是检测门限,H1表示信号存在,H0表示信号不存在。因此MSK信号可以通过搜索谱频率f=0处循环谱密度包络上的最大值并与门限作比较来判断信号的存在与否。

3 改进算法原理及数字实现

改进算法核心思想是分段处理和重叠保留:将输入信号采样值进行重叠数据分段,重叠系数选为50%,对每段数据进行非矩形窗加窗处理,以减小数据之间的相关性,然后对每个数据段进行谱相关运算,得到循环谱密度,最后对每段结果做平均处理,得到信号循环谱密度估计。

对于有限长度接收数据,要得到循环谱可靠估计,减小谱泄露,必须对循环周期图进行平滑处理。平滑分为时域平滑和频域平滑两种,其中时域平滑因具有较高计算效率和较小计算量而在工程中被广泛采用。而且由文献[8]可以得知,时域平滑循环谱分析器和频域平滑等效。因此本文采用时域平滑循环周期图来估计信号循环谱密度。以FAM算法为例,其循环谱密度的时域平滑估计可以表示为:

其中,XT(r,f)是复解调,又被称为循环周期图,a(n)为数据衰减窗,gc(n)为平滑窗,q=-P/2,…,P/2-1,L为抽取因子,满足L<N′,当L=N′/4时效果最好。N为总的采样数,LP=N。

由于平稳噪声的循环谱密度集中在零循环频率处,造成零循环频率上受噪声影响严重,故在检测中都排除了零循环频率。这样可以减少噪声影响,有利于低信噪比下信号检测。同时由于循环谱密度正负频率处所包含信息相同,故只选取正循环频率轴,这样可以减小一半运算量和存储量。

由此得到算法的数字实现过程如下:

①将有限时间T内的接收信号以Ts采样,共得到N点数据,将所得数据分为K段,每段M点,N=KM。

②采用50%重叠保留法对上述数据进行重新分组,得到L=2K个数据段,其中数据不足部分采用补零操作,每段数据仍为M点。

③对L个数据段分别利用非矩形窗进行加窗处理,得到新数据。

④计算各段数据在f=0且a>0处循环谱密度函数包络并存储,得到L个实数序列Ji,表示为$J{}_i=|\widehat{S}{}_x^{\alpha },1/\Delta f(t,f=0){}_{{\rm T},i}|‚i$为1到L之间的正整数,存储这些实数序列。

⑤对上述L个实数序列求平均,得到实数序列$J=\frac{1}{L}{\displaystyle \sum _{i=1}^L|}\widehat{S}{}_{x,1/\Delta f}^{\alpha }(t,f=0){}_{{\rm T},i}|$,存储该实数序列。

⑥在实数序列中搜索最大值,并与预设门限比较,若大于门限则判断为信号存在,反之则不存在。

4 改进算法性能分析

在理想情况下,即数据采集时间趋于无穷时,平稳噪声在非零循环频率上循环谱密度应为零,但是由于实际采集时间是有限的,所以噪声循环谱密度在非零循环频率并非恒为零,这会对检测产生影响,在信噪比较低时,这种影响更加明显。若输入信噪比与信干比较高,采集时间Δt足够大,则会有如下不等式:

此时噪声循环谱密度瞬时均值为零,故这种情况下噪声影响很小。

由文献[8]可知,噪声循环谱密度和信号循环谱密度由如下近似比例式:

$\begin{array}{l}Var\{\widehat{S}{}_{n,1/\Delta f}^{\alpha }(t,f){}_{{\rm T}}\}\approx \frac{1}{\Delta t\Delta f}S{}_n(f+\alpha /2)S{}_s(f-\alpha /2),f=0(15)\\ E{}^2\{\widehat{S}{}_{x,1/\Delta f}^{\alpha }(t,f){}_{{\rm T}}\}\approx C{}_x^{\alpha }(f)S{}_x(f+\alpha /2)S{}_x(f-\alpha /2),f=0(16)\end{array}$

Sn(f)、Sx(f)分别为噪声和信号功率谱,C${}_x^{\alpha }$(f)为比例系数,上述两式有如下近似关系式:

因此,当输入信噪比下降时,采集时间必须相应增加,方能使式(14)成立,以免噪声造成很大影响。

对于改进算法来说,数据长度保持不变,分段处理后式(15)变为:

因此式(17)变为:

因此,在相同数据长度下,改进后算法将式(17)提高了K倍,噪声对信号循环谱的影响会降低很多,提高了信噪比门限。若达到相同检测效果,所需要数据长度可以大大减少。由式(19)也可以看出,增大分段次数可以提高改进算法性能。

在实际应用中,样本长度N有限,所以用周期图法估计循环谱是时变的。要得到循环谱可靠估计,使谱相关密度函数的估计与时间几乎不相关,需满足可靠性条件:

M=ΔtΔf=Δf/Δα>>1 (20)

由上式可见要实现可靠估计,循环频率分辨率Δα必须比频率分辨率Δf高得多。时域平滑循环谱的频率分辨率为Δf=fs/N′,循环频率分辨率为Δα=1/Δt=fs/N,即有M=N/N′>>1。对于改进算法来说,分段结果使得每段数据长度减小,循环频率分辨率会减小K倍,对于每段循环谱估计来说ΔtΔf也会减小,这会造成循环谱估计可靠性下降,结果就是会使循环谱泄露变得严重,会出现错误峰值,这时反而不利于信号的检测。因此,在实际应用中,要选择合适分段次数,而不是越大越好。

5 仿真实验及结果分析

接收机工作特性(ROC)曲线是评价检测性能的主要指标,其表现形式为信噪比一定时,检测概率与虚警概率之间的关系。本文主要对ROC曲线进行仿真研究。

在仿真之前做如下假定:①对接收信号先验知识假设仅知道信号结构和大致带宽。②实验假设信号所处噪声背景分别为平稳高斯噪声白噪声或时变高斯白噪声两种情况。③能量检测器的中心频率正好对准信号的中心频率,其带宽约为信号码元速率2倍,这时能量检测因为最大限度累积而具有极佳检测效果。循环谱分析器检验统计量为搜索整个f=0循环谱截面正半轴的最大值。

仿真参数设置如下:采样频率fs=8192Hz,载频f0=2048Hz,码元速率为fp=512Hz,As=1,信号的初始时间和初始相位均为0,数据点数为4096点,每段分为1024点,采用窗函数为汉明窗。采用的循环谱估计算法是FFT累加算法(FAM)。实验次数均为1000次。时变噪声采用方差N(σ2,0.05σ2)的高斯白噪声实现。

图1为算法改进前后f=0处信号的循环谱密度包络,其中信噪比为-5dB。由图可以看出,改进算法对噪声有明显的抑制效果,改进算法所得到循环谱包络变得平坦,减少了错误的噪声峰值,信噪比较低时,而信号峰值比原算法更加明显,更易搜索,这有利于低信噪比下信号检测。

图2分别为平稳噪声时和时变噪声时MSK信号ROC曲线,实验信噪比为-15dB,不同曲线分别代表改进算法、能量检测和原算法。由图2(a)可以看出,平稳噪声中改进前循环谱分析对MSK信号具有较高的检测概率,但比能量检测稍差,而改进算法检测性能要明显优于两者;由图2(b)可以看出,循环谱分析检测在时变噪声中检测要优于能量检测,而且改进算法比原算法更好。

6 结束语

在有限数据条件下,为了实现更低信噪比下MSK信号检测,本文提出了一种基于数据分段和重叠保留处理的改进算法,改进算法继承了原有算法优点,计算量小,而且不需要信号先验知识,通过一维搜索实现信号检测,计算量小,但在相同数据条件下,改进算法比已有算法能够更有效地克服噪声影响,具有更优异的检测性能。仿真结果和理论推导均表明,本文所提出方法在低信噪比下对于MSK信号有着良好检测性能。

参考文献

[1]樊昌信,张甫灵,徐炳祥,等.通信原理[M].北京:国防工业出版社,2001.

[2]Urkowitz H.Energy detection of unknown deterministic signals[J].Proceedings of the IEEE,1967,55(4):523-531.

[3]Gardner W A,Brown W A,Chen C K.Spectral correlation of mo-dulatedsignals:Part II-digital modulation[J].IEEE Trans on Com-munication,1987,COM-35(6):595-601.

[4]Vucic D,Obradovic M.Spectral correlation evaluation of MSK and offsetQPSK modulation[J].IEEE SP MAG,1999(78):363-367.

[5]田鹏武,袁佳,于宏毅.基于循环谱的MSK信号参数估计[J].通信技术,2008,41(1):9-12.

[6]张仔兵,李立萍,肖先赐.连续相位调制的二阶循环平稳特性分析[J].电子与信息学报,2005,27(11):1726-1731.

[7]张仔兵.连续相位调制的循环平稳特性及被动检测技术研究[M].电子科技大学,2005.

滚动轴承故障的谱相关特征分析 篇4

滚动轴承是旋转机械设备的主要部件,应用广、故障率高,因此一直是机械故障诊断领域的主要研究对象之一。振动监测是滚动轴承运行状态监测与故障诊断的主要方法,技术比较成熟,国内外已取得了很多研究成果[1]。由于机械设备类型繁多,结构和运行条件差别很大,导致轴承振动状态往往非常复杂,测量信号受到设备交叉干扰和噪声的影响。因而,如何消除干扰噪声影响,从测量信号中提取对故障敏感的特征信息一直是轴承故障诊断的研究难点和热点,近年来信号分析领域出现的许多新方法都在轴承故障诊断方面得到应用[2]。

滚动轴承振动主要包含旋转产生的周期性和随机性振动以及故障引起的周期性冲击振动,它们相互作用,产生复杂的信号调制现象,因此解调分析是轴承故障特征提取的主要方法。常用的基于希尔伯特变换的解调分析、广义检波滤波解调分析等方法对于复杂调制信号的分析存在局限性,而循环平稳分析方法可以抑制干扰影响,提取信号中更深层次的故障信息[3,4],因而近年来针对轴承振动信号循环平稳特性及故障特征提取方法的研究成为热点[5,6,7,8,9]。但是循环平稳分析存在计算量大、计算时间长的问题。由于轴承振动信号中的随机成分同样包含故障信息[4],故可以利用少量数据,根据其随机成分的变化初步判断是否发生故障,以提高计算效率和故障判断的实时性。本文探讨轴承故障产生的随机成分的变化对信号循环平稳特性的影响,针对轴承振动信号中随机成分的能量较低、分布频率范围较宽的特点,利用谱相关密度三维对数等高图对故障引起的信号随机成分的变化进行显示,进一步确定谱相关密度的切片部位。通过多组实测正常轴承和内圈点蚀故障轴承振动信号的对比分析,对上述方法进行定性分析,验证该方法的应用效果。

1 循环平稳信号

统计特性随时间发生周期性变化的随机信号x(t)称为循环平稳随机信号,其中自相关函数具有周期性的信号称为二阶循环平稳信号。即自相关函数可以表示为

Rx(t,τ)=Rx(t+T,τ) (1)

式中,T为周期。

将式(1)中的Rx(t,τ)展开成傅里叶级数:

$R{}_x(t,\tau )={\displaystyle \sum _{m=-\infty }^{+\infty }R}{}_x^{\alpha }(\tau )\text{e}{}^{\text{j}2\text{π}\alpha t}\alpha =m/{\rm T}$ (2)

其中,Rαx(τ)为傅里叶系数,其表达式为

$R{}_x^{\alpha }(\tau )=\frac{1}{{\rm T}{}_0}{\displaystyle \int }{}_{-{\rm T}{}_0/2}^{{\rm T}{}_0/2}R{}_x(t,\tau )\text{e}{}^{-\text{j}2\text{π}\alpha t}\text{d}t$ (3)

Rαx(τ)称为循环自相关函数,α称为循环频率。如果在某个循环频率α(α≠0)处,循环自相关函数Rαx(τ)≠0,表明信号在该循环频率下具有二阶循环平稳特性。

循环自相关函数可表示为[3]

Rαx(τ)=〈x(t+τ/2)x*(t-τ/2)e-j2πα t〉 (4)

式中,x*(t)为x(t)的复共轭;〈·〉为求平均计算。

循环自相关函数的傅里叶变换称为循环谱密度函数,或称谱相关函数:

Pαx(f)=∫${}_{-\infty }^{+\infty }$Rαx(τ)e-j2πf tdτ (5)

循环谱密度函数是以频率f和循环频率α为自变量的二维函数。将其中一个自变量固定,得到循环谱密度与另一个自变量的变化关系,也称为切片。对循环谱密度沿频率轴切片得到各循环频率的能量分布情况;沿循环频率轴切片反映信号在当前循环频率处时延的周期变化情况,即该循环频率处时延的功率谱密度。

类似经典谱估计,循环谱密度估计方法也主要有自相关法和周期图法,自相关法计算精度和效率都很低。工程应用中更多采用循环周期图法,其基本表达式为

$\widehat{{\rm P}}{}_x^{\alpha }(f)=\frac{1}{{\rm T}}[X{}_{{\rm T}}(f+\frac{\alpha }{2})X{}_{{\rm T}}^{*}(f-\frac{\alpha }{2})]$ (6)

式中,XT(f)为有限长测量信号xT(t)的傅里叶变换。

2 滚动轴承振动的循环平稳特性

滚动轴承运行中产生的振动主要源自滚动体与内外圈接触产生的激励。正常状态下,振动信号主要呈平稳随机信号特征。如果轴承上出现局部故障,在旋转过程中,每当故障点发生接触,将产生冲击激励,导致振动信号中出现周期性冲击响应,相应的频率称为轴承的故障特征频率。故障特征频率与故障部位及轴承结构尺寸有关,可以通过计算得到。实际轴承在工作过程中,滚动体与轴承内外圈之间存在相对滑动,故障特征频率在一定范围内会发生瞬时变化。

轴承故障点每次接触产生的冲击响应可以视为某个结构共振频率下的指数衰减振荡:

B(t)=e-atcos(2πfrt) (7)

式中,fr为结构的有阻尼固有振动频率;a为与阻尼有关的衰减系数。

根据信号分析理论,故障轴承的周期性冲击振动x(t)可以视为单个冲击振动响应B(t)与一个脉冲串函数卷积的结果,即

$\begin{array}{l}x(t)=B(t)*{\displaystyle \sum _{n}A}{}_n\delta (t-n{\rm T})+u(t)=\\ {\displaystyle \sum _{n}A}{}_{n}B(t-n{\rm T})+u(t)(8)\end{array}$

式中,An为第n次冲击振动响应的幅值;u(t)为零均值平稳高斯噪声。

图1为式(9)故障轴承振动信号的谱相关函数Pαx(f)在α—f平面上的峰值分布示意图。Pαx(f)为轴对称形式,图中只画出α—f平面的第一象限(正值区间)。在频率f轴上共振频率附近的边带峰值点和循环频率α轴上共振频率附近的边带峰值点的斜连线的交点上,谱相关函数出现峰值,形成在f轴和α轴附近的三角形共振区(α轴上频率比f轴上频率大一倍)。根据谱相关函数三角形共振区的特征可以进行故障判断。共振区附近分别对f轴或α轴上对应的特征频率处切片,即可得到相同的信号解调后的信息。

3 滚动轴承故障分析实例

3.1故障轴承振动信号

在滚动轴承试验台上用模拟生成滚动轴承典型故障进行方法验证。试验用轴承为单列向心球轴承60350。轴承外圈固定,内圈转动,转速为1350r/min,对应旋转频率22.5Hz。用安装在轴承座上的振动加速度传感器(丹麦B&K4371型)测取正常和故障轴承的振动信号。用转速脉冲信号控制实现转速同步测量,角度采样率为1024点每转,换算采样频率约为23 040Hz。对多组测量振动信号进行分析处理,下面给出一组分析实例。

图2为轴承正常状态和内圈存在局部点蚀故障的典型振动加速度信号。可以看出两种状态的振动信号差异较大。正常状态下,振动信号幅值偏低,呈现平稳随机特性。而故障状态下,振动信号仍然以随机成分为主,但信号幅值明显增大,信号中出现周期性冲击振荡成分。

图3为正常和故障轴承的振动信号功率谱。功率谱估计采用Welch法,FFT分析点数1024,Hanning窗,平均次数100。图中显示频率范围0～4000Hz。对比可见,正常状态下,振动信号功率谱的能量主要集中在低频范围,在1200Hz附近有较微弱成分。内圈故障振动信号的功率谱除了低频区的峰值以外,分别在1200Hz、2100Hz、3400Hz附近出现突出共振峰值,每个峰值由若干边带峰值组成,表明局部故障的周期性冲击激励产生不同结构的共振响应。由于谱分析采用了较低的频率分辨率,故不能分辨出边带峰值对应的故障特征频率。

3.2谱相关特征分析

采用平均周期图方法对正常和故障轴承振动信号进行谱相关函数估计计算。为了提高计算效率,取较少数据点进行计算(1024点)。图4为正常和故障轴承谱相关函数的对数等高图。采用对数显示可以观察振动信号中能量较低的随机成分的循环平稳特性。对比两图可以看出,虽然分析数据短,频率分辨率较低,但谱相关函数中仍能看出故障引起的变化。振动信号中的低能量随机成分在谱相关图中集中在斜向的共振带上,在靠近坐标轴处形成三角形共振区。例如,正常状态在循环频率轴200～500Hz、2000～2800Hz、7000～7500Hz出现三角共振区。而轴承存在故障时,谱相关密度函数除了原有的共振带外,在循环频率3800～4600Hz出现突出共振区(图中箭头所指部位),而该共振区在正常状态下非常微弱,表明故障周期激励对该共振区的振动响应影响显著。

图5为正常和故障信号循环谱密度在循环频率α=4320Hz处的切片对比。正常状态下,切片在整个频率范围内没有突出的成分,说明在该循环频率下的二阶循环平稳特性很弱。而故障状态切片在低频段出现突出峰值,该处峰值是对信号共振频带(f=2100Hz)附近边带成分的解调结果。虽然由于计算频率分辨率低,解调成分不能准确识别故障特征频率,但是用该共振频率附近切片可以清楚反映故障产生的变化,可以有效表征故障。

图6为正常和故障信号循环谱密度在频率f=2160Hz处的切片对比。由于谱相关密度函数为轴对称形式,在频率轴上某个部位的切片与循环频率轴上相应部位(频率相差2倍)的切片包含完全相同的信息。

3.3故障特征提取

前面分析结果表明,谱相关函数共振区切片的低频部分(解调成分)能够清楚反映故障引起的变化。取8组正常信号和故障信号,计算谱相关函数切片低频区(图6中0～500Hz区)的平均功率密度作为特征值,结果如图7a、图7b所示。作为比较,图7c、图7d示出正常信号和故障信号的有效值。可以看出,轴承内圈故障导致振动信号的有效值有所增大,但不明显。而谱相关函数切片的低频平均功率密度增加了超过两个数量级,表明其对故障状态的表征更灵敏,对正常状态和故障状态的区分更清楚,有助于提高故障轴承诊断的准确性。

4 结论

(1)轴承局部点蚀故障激励导致振动信号在一些共振频带的能量增加,这种变化可以用对数谱相关函数图清楚地反映出来。以谱相关函数共振区切片低频部分(解调成分)的平均值作为特征值,该值对于故障状态引起的变化更加敏感,有助于提高故障轴承诊断的准确性。

(2)为了满足轴承故障诊断工程应用的基本要求,实现故障的定性分析,可以采用较短的高采样率振动信号进行谱相关函数分析,同样能够清楚反映轴承故障引起的共振带能量变化,实现故障信息的解调分析,这样可以提高分析效率,增加分析实时性。但是由于数据少,频率分辨率低,得不到准确的故障特征频率,因此不能对轴承故障类型做出判断。

参考文献

[1]Tandon N,Choudhury A.A Review of Vibrationand Acoustic Measurement Methods for the Detec-tion of Defects in Rolling Element Bearings[J].Tri-bology International,1999,32:469-480.

[2]Randall R B,Antoni J.Rolling Element Bearing Di-agnostics-A Tutorial[J].Mechanical Systems andSignal Processing,2011,25:485-520.

[3]Antoniadis I,Glossiotis G.Cyclostationary Analy-sis of Rolling-Element Bearing Vibration Signals[J].Journal of Sound and Vibration,2001,248(5):829-845.

[4]Randall R B.The Relationship between SpectralCorrelation and Envelope Analysis in the Diagnos-tics of Bearing Faults and Other CyclostationaryMachine Signals[J].Mechanical Systems and SignalProcessing,2001,15(5):945-962.

[5]Antonia J,Bonnardot F,Raad A,et al.Cyclosta-tionary Modelling of Rotating Machine VibrationSignals[J].Mechanical Systems and Signal Pro-cessing,2004,18(6):1285-1314.

[6]Antoni J.Cyclic Spectral Analysis of Rolling-elementBearing Signals:Facts and Fictions[J].Journal ofSound and Vibration,2007,304(3/5):497-529.

[7]周福昌,陈进,何俊,等.循环平稳信号处理在机械设备故障诊断中的应用综述[J].振动与冲击,2006,25(5):148-152.Zhou Fuchang,Chen Jin,He Jun,et al.Survey of The Application of Cyclostationary Signal Process-ing in Machinery Fault Diagnosis[J].Journal of Vi-bration and Shock,2006,25(5):148-152.

[8]李力,屈梁生.循环统计量方法在滚动轴承故障诊断中的应用[J].振动、测试与诊断,2003,23(2):116-119.Li Li,Qu Liangsheng.Application of Cyclic Statis-tics to Fault Diagnosis of Rolling Bearings[J].Jour-nal of Vibration,Measurement&Diagnosis,2003,23(2):116-119.

油茶籽高光谱检测系统软件设计 篇5

在本设计前期的研究中已对油茶籽高光谱预处理方法、敏感波段的选取及其脂肪酸成分含量的预估模型等进行了深入研究, 并分别建立了油茶籽脂肪酸中油酸、亚油酸、棕榈酸成分含量的主成分回归模型、偏最小二乘回归模型以及径向基神经网络模型。为方便用户快捷、有效地检测油茶籽品质, 本设计开发了基于Visual Basic 6.0的油茶籽高光谱检测软件。

1软件系统功能

油茶籽高光谱检测系统软件主要完成油茶籽高光谱经专业软件Viewspec Pro处理后的后续工作, 包括对Viewspec Pro软件处理后生成的文本文件的读取、有效数据的提取、光谱的平滑、一阶微分或二阶微分处理、提取特定波段反射率值用于模型 (主成分回归模型和偏最小二乘回归模型) 预测以及文件的保存与打印等。其系统框图如图1所示, 主要包含四个部分:数据读取模块、光谱预处理模块、模型预测模块以及数据存储模块。

在软件运行之初, 软件初始化模块首先完成界面控件的布局并绘制油茶籽高光谱曲线坐标, 并在D盘自动生成spectrum_picture文件夹。由于不同的油茶籽品种有不同的高光谱曲线, 不同的光谱预处理方法处理后的高光谱曲线也不一样, 所以在软件操作过程中将产生较多的图片。另外, 由于高光谱数据量庞大, 对油茶籽高光谱数据进行各种操作处理后的数据也需要保存, 而这些图片和文件都将保存在自动生成的spectrum_picture文件夹下, 在软件退出时自动删除该文件夹及其子文件。

2数据读取模块

本系统软件是专门针对FieldSpec HH2地物光谱仪开发的一款后处理软件, 该光谱仪的光谱范围为325~1 075nm、数据间隔为1nm。由于高光谱仪在其测量临界区有较强的机器噪声, 因此本设计在数据读取时截去两端噪声较严重波段, 使用400~920nm范围内样本的高光谱反射率的一阶微分或二阶微分进行分析。在数据读取时, 先用高光谱仪自带的专业软件Viewspec Pro将光谱反射率数据保存为文本文件。然后数据读取模块从光谱文件中读取光谱反射率信息, 自动截取有效光谱数据并绘制光谱反射率曲线, 如图2所示为光谱数据读取界面。

其中, Txt文件读取部分代码如下:

3光谱预处理模块

在本设计之初, 已经在本地计算机上完成了油茶籽高光谱数据的预处理、光谱波段选择、模型建立及评价等一系列工作。为应用已建立的油茶籽高光谱模型, 软件对光谱应该采取与模型建立时一样的预处理方法, 如图3所示为光谱预处理模块框图。

光谱预处理模块首先将数据读取模块中的光谱数据进行Savitzky-Golay平滑, 平滑窗口长度为5。其计算公式为

式 (1) 中, Yｉ为i波段平滑后的反射率值, Xｉ为i波段平滑前的反射率值。

平滑部分关键代码如下:

然后光谱预处理模块根据用户的选择对光谱进行一阶微分或二阶微分处理, 并绘制光谱曲线。

由于微分能消除光谱的偏移与漂移, 克服光谱重叠等问题, 所以在采集油茶籽的高光谱反射率数据后, 可采用一阶微分去掉与波长无关的漂移, 二阶微分去掉与波长相关的线性漂移。其计算公式为

一阶微分:

二阶微分:

式中, Uｉ为光谱第i个波段的反射率微分值, Xｉ为光谱第i个波段的反射率值, g为窗口的宽度。

一阶微分关键部分代码如下:

4模型预测模块

油茶籽的高光谱反射率数据采集、敏感波段的选取以及各成分含量的主成分回归模型、偏最小二乘回归模型的建立均在前期研究中完成。其基本原理是先通过校正集样品提取油茶籽脂肪酸各成分含量的高光谱敏感波段, 然后, 用敏感波段与校正集样品的脂肪酸各成分含量通过主成分回归、偏最小二乘回归建立回归方程, 其中油茶籽脂肪酸成分含量中的油酸、亚油酸、棕榈酸分别通过一阶微分、二阶微分或多元散射校正处理后的主成分回归方程如式 (4) ~式 (12) 所示。

式中, x′1, x′2, x′3, x′4对应波长处光谱反射率的一阶微分值;x″1, x″2, x″3, x″4为对应波长处光谱反射率的二阶微分值;x1, x2, x3, x4为对应波长处光谱反射率的多元散射校正处理值;Y1, Y2, Y3为油酸分别通过一阶微分、二阶微分或多元散射校正等预处理后的模型预测值;Y4, Y5, Y6为亚油酸分别通过一阶微分、二阶微分或多元散射校正等预处理后的模型预测值;Y7, Y8, Y9为棕榈酸分别通过一阶微分、二阶微分或多元散射校正等预处理后的模型预测值。

在软件设计时, 模型预测模块从光谱预处理模块处理后的数据中提取敏感波段对应的油茶籽高光谱反射率的一阶微分或二阶微分值, 并根据用户输入选择对应预测模型, 如主成分回归或偏最小二乘回归, 由此完成油茶籽脂肪酸中油酸、亚油酸、棕榈酸的成分含量的预测, 如图4所示为数据处理与模型预测界面图。

5数据存储模块

当预测完成后, 用户可将数据保存为文本文件或word文档, 用户也可以将数据直接通过打印机打印。保存文件的内容为油茶籽样品的高光谱反射率图片、一阶微分或二阶微分图片以及对应模型下油茶籽脂肪酸中油酸、亚油酸、棕榈酸的预测结果, 如图5所示为数据存储模块框图。

6结语

油茶籽高光谱检测系统软件是根据高光谱油茶籽品质检测的实际需要而开发的, 它对油茶籽脂肪酸成分含量有较好的预测效果, 使用结果表明:该软件能简单、快捷、有效地检测油茶籽脂肪酸中油酸、 亚油酸、棕榈酸成分含量, 方便用户使用, 对提高劳动生产效率等有重要的意义。

参考文献

[1] 方刚, 唐宁, 张边江.转基因大豆对我国食用油产业链的影响.湖北农业科学, 2012;51 (4) :649—651

[2] 曹国锋, 邬冰, 钟守贤, 等.茶叶籽油、油茶籽油与茶树油的区别.中国油脂, 2008;33 (8) :17—20

[3] 原姣姣, 王成章, 陈虹霞.近红外光谱技术及其在植物油品质分析中的应用.生物质化学工程, 2010;44 (6) :59—65

[4] 宋丹阳, 李培武, 赵永国, 等.脉冲核磁共振仪在大豆含油量测定中的应用.中国油料作物学报, 2006;28 (2) :199—202

[5] 张菊华, 朱向荣, 尚雪波, 等.近红外光谱法结合化学计量学测定油茶籽油中脂肪酸组成.食品科学, 2011;32 (18) :206—208

[6] 原姣姣, 王成章, 陈虹霞, 等.近红外漫反射光谱法测定油茶籽含油量的研究.林产化学与工业, 2011;31 (3) :28—32

蓝谱食品安全检测试剂盒隆重上市 篇6

军团菌核酸检测试剂盒 (环介导等温扩增法)

日前蓝谱公司推出两款食品安全检测试剂盒——沙门氏菌核酸检测试剂盒和军团菌核酸检测试剂盒。

沙门氏菌核酸检测试剂盒将预培养后的菌进行核酸提取, 以沙门氏菌属保守的侵入性相关基因inv A为靶基因设计引物进行环介导等温扩增, 包括核酸提取和扩增步骤, 能在1小时内特异性检测出食品中的沙门氏菌。

试剂盒包含前处理试剂, 可在一小时内出结果, 从扩增到检测只需一步, 在一个反应管中即可完成, 使用专门的实时浊度基因检测系统, 可实时观测整个反应过程, 反应结果无需电泳检测, 加入荧光染料可肉眼直接观察结果。

一种基于谱熵的语音端点检测方法 篇7

随着语音识别、语音增强等技术的飞速发展, 端点检测越来越重要。端点检测的目的是在复杂环境下识别出噪音信号与语音、噪音混合信号, 确定语音信号的开始与结束端点, 以便进一步的语音信号处理。在助听器、手机等硬件环境下, 由于实时性与准确性要求较高, 计算量即不能过大以免硬件不能满足要求, 又要求语音信号处理快速、准确。准确的端点检测可以大幅度减少计算量, 提高系统的语音处理效率。现阶段运用的端点检测算法有短时能量与短时过零率双门限法、自相关函数法、方差法、谱距离法、能零比与能熵比等。在噪音环境下这些方法的效果并不是很理想, 语音信号的能量并不大, 所以单纯用能量参数并不能很好的将语音信号检测出来。Shen提出了一种基于信息熵的端点检测方法, 信息熵只与语音信号的统计学特性有关, 与单纯的能量幅值大小无关, 所以这种方法能够较好地将语音信号与噪音信号检测出来, 并且计算量不大, 适用于助听器、手机等硬件环境。但是对于周期性能量较为集中的噪音而言, 误判率较高。为了消除每帧信号FFT变换后的谱线幅值受噪音影响, 把每条谱线的谱熵值改为子带的谱熵, 从而改善在周期性噪音环境中端点检测的效果。为提高在低信噪比环境下端点检测的效果, 在谱熵计算中引入一个正常量K。经过实验证明这种方法确实比一般方法正确率要高, 但是随着信噪比不断降低, 端点检测误判率又会不断提高, 单纯的运用加入正常量的子带谱熵法还是不能适用于噪声较严重的场合。

针对上述情况, 本文提出了一种自适应正常量可变的谱熵端点检测改进算法。这种方法基于子带谱熵法, 引入一个可变的正数K, 计算信号谱熵。基于最大离散谱熵定理, 通过正数K的调节, 增大有语音信号帧与无语音信号帧谱熵值的差距, 增强语音与噪音的区分度, 使算法在低信噪比环境下也能有效的进行。

2端点检测算法

2.1谱熵法

若熵函数有

即等概率分布时, 熵函数取最大值, 表明等概分布时信号不确定性最大, 称为最大离散熵原理。

由于语音信号具有共振峰结构, 归一化谱概率密度函数分布不均匀, 所以语音信号的谱熵值一般都低于噪声的谱熵, 在统计学概率上与噪音信号有所区别, 与能量大小无关, 所以谱熵法在噪音环境中的效果优于其他算法。但是对于周期性噪音, 未改进的谱熵法效果一般。如图1所示, 语音信号是青年男音:“兰州理工大学”, 背景噪音为工厂噪声, 信噪比为5DB, 误判率较高。

2.2改进后的子带谱熵法

为了消除每帧信号FFT后每条谱线受噪声影响, 可把每条谱线的谱熵法改为子带的谱熵。子带谱熵法的思想是把每一帧信号分为若干个子带, 然后求每条子带的谱熵, 这样就消除了单独谱线受噪音的干扰。如前面所述语音信号Xi (n) , FFT后得到:

2.4算法流程

Step5:检测到语音开始点后比较Hb (i) 与S1, 若大于S1则为结束点, 若不大于则继续step5

Step6:重复step4、step5直到语音段结束。

2.5实验仿真结果

改进算法后在MATLAB中进行仿真, 新算法的效果经实验验证要好于改进前的算法, 如图4所示, 在低信噪比为-5DB时, 算法也有比较好的效果。为了说明一般性, 录制男女各10人, 样率为8000HZ、16bit量化的纯净语音信号, 分别叠加白噪声、工厂噪声对比改进前与改进后算法的效果见表1与表2, 实验证明新算法的误判率较低, 端点检测效果较好。

3小结

本文提出了一种可以根据环境噪声选择参数的子带谱熵端点检测算法, 即改进了可引入常数的谱熵法, 得到一种抗噪能力较强的子带谱熵法, 并通过仿真实验证明与之前的算法相比在低信噪比环境中检测效果更好。

参考文献

[1]杨行峻, 迟惠生.语音信号数字处理[M].北京:电子工业出版社, 1995.

[2]卢艳玲.一种基于多特征的带噪语音信号端点检测与音节分割算法[J].电声技术, 2005 (07) :60-62.

[3]孙炯宁, 傅德胜, 徐永华.基于熵和能量的语音端点检测算法[J].计算机工程与设计, 2005, 26 (12) :3429-3431.

[4]张徽强.带噪语音信号的端点检测和声韵分离[D].国防科学技术大学, 2005.

[5]Shen J, Hung J, Lee L.Robust Entropybased Endpoint Detection for Speech Recognition in Noisy Environments[C]//Proceeding of International Conferenceon Spoken Language Processing.Sydney:[s, n], 1998:232-238.

[6]王琳, 李成荣.一种基于自适应谱熵的端点检测改进方法[J].计算机仿真, 2010, 27 (12) :373-375.