信号提取模型

2024-10-02

信号提取模型（精选7篇）

信号提取模型篇1

0 引言

高电子迁移率晶体管 (HEMT) 通过异质结界面的导带不连续性, 产生具有高电子迁移率和饱和漂移速度的二维电子气, 其作为单极型器件表现出高电子迁移率、低噪声、低功耗及高增益等特点, 在高速、高频等应用领域中占据重要的地位[1,2,3,4]。准确的器件模型是工艺研制和集成电路设计的纽带, 其对工艺进行监测和指导, 提高了集成电路设计的成功率、缩短了电路研制周期。小信号模型作为大信号模型及噪声模型的基础, 可以分析器件固定偏置状态下增益、阻抗、噪声等特性, 因此有效的小信号参数提取方法不仅对器件的研究有指导意义, 更是建立器件模型及电路设计必不可少的步骤。

小信号等效电路是用一定数目的集总元件来表征器件的整体性能, 模型的复杂度和精确度需要根据器件物理结构和模型应用的具体要求来定。小信号等效电路参数的提取主要分为直接提取和参数优化的方法。参数优化方法根据特定条件的参数初始值, 按照一定条件确定各种参数之间的大小关系并进行参数优化, 最后根据误差函数来确定这些参数是否达到预设的优化目标。计算量很大, 优化与参数的初始值密切相关, 不准确的初始值会造成错误的提取结果。直接提取法则基于多种测试手段和物理结构的假设近似等方式, 直接提取某一个或者几个参数, 然后通过方程求解其他相关参数, 提取过程无需引入繁琐的数学优化过程, 提取速度快, 并且具有比较好的精度和较宽频带范围的适用性, 同时其能比较直观地反映器件物理本质, 得到的参数可以直接对比不同器件之间区别和优劣, 用于监控工艺过程中参数变化和开发新的工艺和器件结构, 直接提取方法是较好的计算方法。

外围寄生电容参数的提取是小信号参数提取的第一步, 外围参数的精度直接影响到进一步的参数提取准确度, 从而影响内部本征参数数值计算的正确性, 所以需要采取合适的方法进行外围寄生参数的提取。传统寄生参数提取主要是基于Cold FET方法, 其广泛应用于MESFET器件寄生参数的提出, 而对于一些新材料及新结构则需要进行一些改进。例如为了提高击穿电压, 通常漏栅间距大于源栅间距, 这与传统的源漏对称器件存在一定的偏差, 参数提取时一些近似假设就不成立。本文对传统ColdFET提取法进行改进, 通过Yong Long方法提取寄生电阻, 通过Open去嵌图形进行寄生电容的提取。

1 HEMT小信号模型的等效电路

当器件直流偏置点被设定为某个固定电流电压, 且信号源输入幅度可以跟k T/q相比拟或比直流工作电压小得多的情况下, 可认为器件工作在小信号模式。此时器件特性可以用一系列的集总参数元件来描述, 可以用形象的等效电路拓扑来表示, 模型中各个部分都有其相对应的物理含义, 和器件实际工作状态是一一对应的, 因此是分析器件各个部分对整体性能影响的重要工具。

传统的HEMT小信号模型的等效电路原理图如图1所示。其包括两部分:本征参数和非本征参数。本征参数为虚线框内部分, 其随着偏置变化。受控电流源表征器件栅压控制的源漏沟道电流, Rds为沟道电阻, 沟道电容Cds表征沟道源漏两端电子浓度不同形成的电容。栅金属与半导体接触所形成的肖特基结分成两部分, 一部分为栅源间 (Rf、Ri、Cgs) 肖特基结, 另一部分为栅漏间 (Rgd、Cgd) 肖特基结。Cgs和Cgd表征栅与源漏端沟道的电容耦合, 其值取决于栅下面耗尽区分布。Rf、Rgd分别表示栅源间和栅漏间漏电。跨导中的延迟因子:分布效应使得沿着栅宽方向耗尽层宽度不同, 沟道层电子将对势垒区的栅极电容充电, 因此会形成一定的延迟。

非本征参数为图中虚线框外面部分, 主要是寄生电容 (Cpg、Cpd) 、电感 (Lg、Ld、Ls) 和接触电阻 (Rg、Rd、Rs) , 且不随偏置的变化而变化。对于高频器件来说, 器件接触部分都应该看着分布传输线。其中寄生电感和寄生电阻主要用来表征分布传输线的相位延迟和损耗。随着线变窄, 传输线损耗增加, 寄生电阻增加。同时接触之间也会有寄生电容存在, 因此需要在栅漏和源之间加寄生电容。

2 参数提取理论

HEMT器件小信号模型参数提取过程分四步。第一步提取器件的源寄生电阻, 其在小信号模型参数提取过程中影响其他参数的提取, 因此其准确性直接影响到整个模型参数的精度;第二步提取器件的寄生电容、电感参数。寄生参数值通常较小, 但是其作为外围寄生参数, 其精度影响到进一步的本征参数数值计算的正确性, 在HEMT器件小信号模型电路参数的提取过程中十分重要;第三步是在前两步的基础上, 将寄生电容、电阻和电感去掉得到器件的本征模型并运用电路网络理论得到本征电路的各参数值;最后是对提取参数按照误差函数对其进行局部优化, 得到各项指标拟合较好的小信号模型。

2.1 源电阻Rs提取

根据公式 (1) 提取栅肖特基接触势垒的理想因子n和反向饱和电流Is, 此时器件漏电压VDS=0V。考虑到栅肖特基接触势垒反向偏置时, 反向扩散电流比较小, 而反向电压会增加势垒区电场从而增加产生率;正向电压过小时, 复合电流占主要位置, 理想因子接近2;随着正向电压增加, 指数项增加, 扩散电流为主, 增加过大会造成大注入现象, 从而使得正向压降落在空穴扩散区, 并且此时串联效应比较明显, 电流与电压成线性关系。理想因子n与反向饱和电流Is提取时, 正向电压需要根据不同的材料具体确定, 一般为1~10倍的热电压。

采用Yong Long方法[5]对寄生源电阻进行提取, 根据假设沟道电流远远大于栅电流;沟道电阻均匀分布, 不依赖于具体位置。栅电流如式所示, 其中△V表示由于沟道上电压变化给Ig或Vg所带来的误差, △V=n·νt·ln (F) 。漏电压从I1变为I2, 栅电流保持不变, 寄生源电阻可由式 (3) 求得。

其中, F= (1-exp (-u) ) /u;u=Vds’/ (nvt) , Vds’为栅下沟道源漏电压。当Vds’>7n Vt且I2/I1=1.1时, ln (F2/F1) =0.909;同时前面假设沟道电阻均匀分布, 因此测试时漏源电压应该足够小使得器件偏置在线性区。

2.2 寄生参数的提取

传统寄生电容的Cold FET提取方法[6], 栅源电压Vgs偏置在截止电压以下, 且漏电压VDS=0V, 认为栅下源端和漏端产生的耗尽层厚度几乎相同, 两个电容相等, 此时器件等效电路如图2 (a) 所示。在低频下, 电感和电阻的影响几乎可以忽略不计, 从而得到如图2 (b) 所示的等效电路, 用Y参数可以求解出寄生电容, 但使用该方法进行参数提取时, 发现容易出现负值, 可能是由于器件在截止状态下栅端等效电路不能完全反映出器件实际物理特性, 而且HEMT器件栅下本来就存在很强的肖特基特性, 虽然是截止状态, 但仍然会有少量电流通过从而影响了电容的提取, 同时对于新型结构器件, 为了增加器件击穿电压, 栅漏间距通常大于栅源间距, 这样器件本身就非对称, 因此图2 (a) 中的近似将不成立, Cold FET方法将不适合特定材料及其器件结构的寄生电容参数提取。

采用与器件外围结构相同但是没有内部有源区的开路去嵌图形, 进行外围寄生电容参数的提取, 在进行器件验证的时候就需要把整个器件看成一个整体进行模型的验证。经过检验这是一种很实用的方法, 并且模型参数的提取也很准确。图3为开路去嵌图形的等效电路。

根据二端口网络计算可以得到等效电路的Y参数表达式:

根据式 (4) - (6) 可以计算出外围寄生电容Cpga、Cpda和Cgda的数值分别为:

去除外围寄生电容参数后, 采用Cold FET技术对源电阻以外其他寄生电阻和寄生电感进行提取。器件栅电压Vgs>Vth且VDS=0V偏置下, 测量器件的S参数。为了消除HEMT器件栅肖特基电容效应, 需要施加很大的正向栅电压使得S11曲线处于感性范围, 忽略等效电路中电容的影响以利于电感和电阻的提取, 当然栅偏压应该在安全工作范围, 不应给器件肖特基造成不可逆的损伤。

首先将器件正向偏置下的S参数转化为Y参数, 并除去寄生电容的影响得到Yn, 在Cold FET forward偏置状况下, HEMT器件肖特基栅下采用分布效应进行等效, 得到除去寄生电容参数后的器件等效Zn参数如式 (10) - (12) 所示:

根据Dambrine方法提取寄生电感及其电阻。在Dambrine方法中根据假设, 栅肖特基接触等效为并联的电阻和电容, 当栅电流增大到一定程度时, 栅下容性阻抗忽略不计, 此假设在低频段有效。在低频下 (0.1GHz~5GHz) , 由式 (10) - (12) 可以得到寄生电感表达式如下所示:

在已知Rs的情况下, 结合式 (10) - (12) 可得到寄生电阻表达式如下:

Rc、Rd对偏置不敏感, 偏置主要对Rg影响比较大, 主要源于Dambrine方法中肖特基接触等效电阻Rdy与Ig成反比。根据Re (Zn11) 与不同偏置下的Ig进行拟合得到Rg。

2.3 本征电路参数的提取

根据HEMT器件等效电路拓扑, 其本征部分阻抗可以通过去除寄生电容的Zn参数减去寄生电感和电阻的影响而得到, 通过Dambrine方法计算出固定偏置下的器件本征参数初值, 并采用文献[7]描述的多偏置本征参数提取法对器件不同偏置本征参数进行提取。

3 参数判定及结果分析

正确的等效电路拓扑和可靠的等效电路参数提取过程是小信号模型准确性的必备条件, 为了保证所提取的等效电路参数更加符合设计精度同时满足模型在电路设计中的收敛性, 提取的参数需要根据目标函数进行小范围优化同时评估小信号参数准确性。

HEMT器件高的沟道电子迁移率和饱和电子漂移速度使其主要应用于高频电路中, 其S参数可以准确反映电路设计过程中的输入输出阻抗和增益等特性, 所以可以选择模型和测量的S参数之间的误差作为一个评判指标, 具体的误差εs计算如式:

其中, fk是测试的频率点, N是测试的频率点总个数, Smij (fk) 是不同频点下测试的S参数数据, Scij (fk) 为模型提取参数计算的S参数数据。

HEMT器件高的最大振荡频率保证了器件高的增益, 其广泛用于功率放大器MMIC的设计中。匹配网络的稳定因子是功放中的一个重要参数, 因此可以选择稳定因子作为一个评判指标。式 (19) 给出了稳定因子K的表达式, 相应的误差因子为εK。

其中, S*11是S11的共轭, △s=|S12S21-S11S22|。

另外, 功率增益是高频高功率器件的又一功能参数, 对于不稳定的器件有效增益同样是有限的值, 相比于单向功率增益和资用功率增益作为增益评判标准更加合理, 其有效增益及相应误差分别如下:

为了同时表征上面三个评判标准, 将以上三个误差项组合为一个整体ε作为目标误差函数, 并对提取的小信号参数进行优化和判断, 表示如式 (23) :

通过对提取的小信号参数按照目标函数进行调谐及优化, 最终使得误差项不超过3%。在对提取的小信号参数调谐优化过程中需要综合考虑器件频率特性的拟合。特征频率fT决定了数字电路中器件的开关速度, 而最大振荡频率fmax决定了器件功率增益能力, 其频率特性的准确性也是衡量模型的一个标准。特征频率fT及最大振荡频率fmax分别通过短路正向电流增益H21和单向功率增益MSG/MAG进行拟合, MSG/MAG通过ADS自带功能控件Maxgain实现, H21表达式如式 (24) 所示:

图4为在不同偏置下, HEMT器件测试S参数结果与提取的小信号模型仿真S参数的对比图。由图中可见, 参数拟合效果较好, 可以确定小信号模型等效电路参数比较准确, 表明本文介绍的小信号参数提取方法能准确提取HEMT器件小信号模型等效参数。

4 结束语

本文提出了一种直接提取HEMT小信号模型参数的新方法, 并成功的应用到HEMT小信号模型参数的提取中。该方法通过Open图形对器件寄生电容进行提取, 避免了Cold FET pinchoff条件下提取的寄生参数为负值的现象;同时通过Yong Long方法对寄生源电阻进行提取, 减少了模型参数提取复杂度。提取的参数按照S参数、K因子和有效增益综合目标进行优化, 并对器件频率特性进行拟合, 多偏置点下提取结果与测试符合完好, 验证了提出的参数提取方法的准确性。

参考文献

[1]Leong K, Mei G, Radisic V, et al.THz integrated circuits usingInP HEMT transistors[C].Santa Barbara, CA, USA:2012 Inter-national Conference on Indium Phosphide and Related Materials (IPRM) , 2012:1-4.

[2]Deal W R, Leong K, Radisic V, et al.Low Noise Amplification at0.67 THz Using 30 nm InP HEMTs[J].IEEE Microwave andWireless Components Letters, 2011, 21 (7) :368-370.

[3]Elgaid K, McLelland H, Stanley C R, et al.Low noise W-bandMMMIC amplifier using 50nm InP technology for millimeterwave re-ceivers applications[C].Glasgow, Scotland:International Confer-ence on Indium Phosphide and Related Materials, 2005:523-525.

[4]Deal W R.Solid-state amplifiers for terahertz electronics[C].Ana-heim, CA:2010 IEEE MTT-S International Microwave SymposiumDigest (MTT) , 2010:1122-1125.

[5]Yang L, Long S I.New Method to Measure the Source and DrainResistance of the GaAs MESFET[J].IEEE electron device letters, 1986, 7 (2) :75-77.

[6]Dambrine G, Cappy A, Heliodore F, et al.A new method for deter-mining the FET small-signal equivalent circuit[J].IEEE Trans.Mi-crowave Theory Tech., 1988, 36 (7) :1151-1159.

[7]Jarndal A, Kompa G.A new small-signal modelling approach ap-plied to GaN devices[J].IEEE Trans.Microwave Theory Tech., 2005, 53 (11) :3440-3448.

直扩信号特征提取技术篇2

直接序列扩频(DSSS)信号被认为是一种低截获概率信号(LPI),由于具有低功率谱密度发射的隐蔽性、伪随机编码的保密性以及信号相关处理的抗干扰性等良好的性能,被广泛应用于航天测控、导航等多个领域。因此对直扩信号检测和截获技术的研究已成为一个刻不容缓的研究方向,而对于未知扩频码的情况下直扩信号的检测和截获技术一直是一个难题。

从直扩系统的基本原理和信号特征入手,详细分析了信号的相关性、循环平稳特性、频域正交性和准周期性等。根据特征提取的原理分析归纳出其可检测性和可识别性特征,选择出那些能够集中表征DSSS信号波形和频域显著个体特征的参数,研究了噪声对信号特征参数的影响。在此基础上应用时域相关、循环谱、倒谱和高阶累积量等现代数字信号处理技术实现了对DSSS信号特征参数的提取。分析总结了在低信噪比下直扩信号的特征提取方法,并比较了各种方法的优缺点。

1 直扩信号特征提取方法

1.1 时域相关检测法

由于信号和噪声在时域相关域有明显的特征差异,所以可以在相关域完成信号特征的提取。自相关检测是将信号与自身延迟一个时延后的信号做相关处理,或用双通道接收机的输出进行相关,得到扩频信号的自相关函数。一般来说,相关域检测能在一定程度上降低对背景噪声变化的敏感程度,甚至在多频单音干扰下也有良好的稳健性。

接收信号r(t)=s(t)+n(t)的自相关函数为:

Rr(τ)=E{r(t)r(t+τ)}=

E{[s(t)+n(t)]·[s(t+τ)+n(t+τ)]}=

Rss(τ)+Rsn(τ)+Rns(τ)+Rnn(τ)。 (1)

当τ≠nNTpn时,由直接序列扩频信号的自相关特性可知,Rss(τ)值很小,即不会出现明显的相关峰;当τ=nNTpn时,Rss(τ)出现明显的相关峰;而噪声在τ≠0时,Rnn(τ)≈0。因而,通过检测输出自相关函数的峰值可检测到扩频信号的存在,检测相邻相关峰之间的时间间隔可以实现对直接序列扩频信号码周期的估计。

1.2 循环谱检测法

循环谱在信号特征提取方面的突出优点是谱分辨能力强,即使在频率轴上的功率谱是连续的,信号特征也以循环谱的形式离散的分布在周期频率轴上,而且,不同调制方式的信号其周期谱分布也不

同。这样,即使信号在时域或频谱域中混叠在一起的特征可能会在循环谱中显现出来,从而更充分的提取信号特征。直扩信号循环谱如图1所示。

由图1可见,直扩信号的循环谱在循环频率α为零和不为零时均有峰值出现,其在循环频率α不为零时出现的非零值,是直扩信号检测和参数估计的依据。要得到信号的循环谱需要大量的运算量,计算结果的数据量也很大。为了尽可能集中地反映信号的特征,缩小选取的数据量,选取DSSS信号循环谱f=0循环频率切面观察发现:其切面集中反应了信号的载频和伪码速率信息。所以,利用谱相关函数可提取调制信号的特征参数;另外,循环谱为谱分析提供了更加丰富的信号分析域,将通常的功率谱定义域从频率轴推广到频率—周期频率双频平面,更明显地表现出了信号的特征。

1.3 倒谱检测法

由于DSSS信号中伪随机序列的周期重复,使信号的频谱具有了准周期性,而噪声则没有准周期性,因此通过提取信号频域的准周期性可以检测到信号的存在,并估计其参数。

倒谱是一种同态信号处理技术,利用信号中某些分量在频率域上的准周期性,对信号的对数功率谱再求功率谱,在伪时域或倒频率域上将这种周期性显现出来,用来分离和提取密集泛频信号中的周期成分。倒谱是从时域到频域、频域到频域、频域到伪时域的3次映射。即

$C (τ) = | F F Τ (\ln | F F Τ {s (t)} |^{2}) |^{2}$ 。 (2)

倒谱的对数变换可将乘性噪声变为加性噪声,有助于消除乘性干扰。该技术充分利用信号频域上的准周期特性,检测淹没在噪声之中的信号分量,实现信号的检测和参数估计。直扩信号倒谱如图2所示。

将DSSS信号的表达式代入上式,即对直扩信号频谱求对数功率谱得到DSSS信号的倒谱为:

$\begin{array}{l} C (τ) = | F Τ (\ln | F Τ {s (t)} |^{2}) |^{2} = \\ | F Τ (a + b G s (w) + c G_{s}^{2} (w) + d G_{s}^{3} (w) + \dots \dots) |^{2} = \\ | a \cdot 2 π \cdot δ (τ) + b \cdot 2 π \cdot R_{s} (- τ) + c \cdot 2 π \cdot R_{s} (- τ) + \dots \dots |^{2} 。 (3) \end{array}$

式(3)第1项为信号的直流分量,以后各项为信号的自相关函数及多个自相关函数的卷积,由于在第2次傅里叶变换之后取模的平方所以丢失了相位信息,相关结果在其伪码周期的整数倍处出现峰值,而在其他位置相关值较小,因此,倒谱的处理结果中峰值也是出现在伪码周期的整数倍处,通过检测峰值有无判断信号的存在,通过计算峰值间隔可以估计出伪码周期大小。

1.4 高阶累计量检测法

直扩信号的4阶统计量包含扩频码周期和载频信息,而且理论上可以完全抑制任何形式的高斯噪声,因此可以解决二阶统计量不能解决的问题。加噪信号的4阶累积量为:

$\begin{array}{l} c_{4 x} (τ_{1}, τ_{2}, τ_{3}) = \frac{1}{2} Ρ^{2} E [c (t) c (t + τ_{1}) c (t + τ_{2}) c (t + τ_{3})] \cdot \\ [\cos 2 π f_{0} (τ_{2} + τ_{3} - τ_{1}) + \cos 2 π f_{0} (τ_{1} + τ_{2} - \\ τ_{3}) + \cos 2 π f_{0} (τ_{1} + τ_{3} - τ_{2})] - Ρ^{2} R_{c} (τ_{1}) \cdot \\ \cos (2 π f_{0} τ_{1}) R_{c} (τ_{2} - τ_{3}) \cos (2 π f_{0} (τ_{2} - τ_{3})) - \\ Ρ^{2} R_{c} (τ_{2}) \cos (2 π f_{0} τ_{2}) R_{c} (τ_{3} - τ_{1}) \cdot \\ \cos (2 π f_{0} (τ_{3} - τ_{1})) - Ρ^{2} R_{c} (τ_{3}) \cdot \\ \cos (2 π f_{0} τ_{3}) R_{c} (τ_{1} - τ_{2}) \cdot \\ \cos (2 π f_{0} (τ_{1} - τ_{2})) 。 (4) \end{array}$

由式(4)可以看出利用接收信号的4阶累积量可以检测到直扩信号的周期信息;理论上可以完全抑制高斯噪声(包括有色和白色),所以有更好的检测性能。由于4阶累积量的计算量很大,为了实现工程应用,取其切片。

$\begin{array}{l} c_{4 x} (0, τ, τ) = \frac{1}{2} Ρ^{2} [\cos 4 π f_{0} τ] - \\ Ρ^{2} R_{c}^{2} (τ) (1 + \cos 4 π f_{0} τ) 。 (5) \end{array}$

$\begin{array}{l} c_{4 x} (0, 0, τ) = c_{4 x} (τ, τ, τ) = \\ - \frac{3}{2} Ρ^{2} R_{c} (τ) \cos (2 π f_{0} τ) 。 (6) \end{array}$

由式(5)和式(6)可以看出,接收信号的4阶累积量切片均包含扩频码周期自相关信息,并且在理论上都可以完全抑制高斯噪声,因此检测和参数估计性能较好。直扩信号4阶累积量切片如图3所示。

2 仿真验证

仿真假设条件如下:① 待检测信号为DSSS/BPSK扩频信号;② 扩频码采用小m序列,扩频码长为1 023。

各种检测方法的性能如表1所示。由以上分析表明,运用时域相关检测法算法简单、检测时间最短,但是其检测性能较差,在带内信噪比为-8 dB时检测概率大于90%;循环谱检测法性能比时域相关检测略好;倒谱检测法在带内信噪比-14 dB时检测概率91%,计算复杂度居中;高阶累积量检测法在带内信噪比-15 dB时检测概率接近90%,但是由于高阶累积量计算的复杂性使得其检测时间较长。

3 结束语

从理论分析还可得出直扩信号的检测不仅和信噪比有关,而且有赖于伪码长度和检测数据长度等因素,在伪码长度不可控的情况下,增加检测的数据长度,能够改善各种方法的检测性能。由于直扩信号的隐蔽性,导致难以检测到长码扩频信号,如何在扩频码很长,接收信号不足一个伪码周期情况下侦察信号是未来直扩信号检测和特征分析的难点和重点。

参考文献

[1]张天骐,周正中,邝育军,等.低信噪比长伪码直扩信号伪码周期的估计方法[J].系统工程与电子技术,2007,29(1):12-16.

[2]钟志,赵雅琴,杨刚,等.一种简单的长码周期估计方法[J].湖南科技大学学报,2006,21(4):75-78.

[3]资晓军,谢丹,易克初.基于四阶累积量的二次谱法检测DSSS伪码周期[J].电子信息对抗技术,2006,21(1):18-21.

语音信号特征参数的提取篇3

1.1 汉语的音素、音节和音调

我们发现依据人类声音产生的机制, 由于激励方式的不同会形成清音和浊音两种不同的语音。由这两种语音又可以组合成两种不一样音素:元音及辅音。构成语音的最小单位是音素。元音由不相同的口腔形状发声而形成, 辅音的形成由发声的部位以及发声的方法决定。

音节是构成汉语的最小单位。我们所说的音节指的是一个元音加上一或两个辅音所构成的音素的组合。汉语当中包括以下4种音节, 即:元音、元音+辅音、辅音+元音, 辅音+元音+鼻音。一般汉语可以简单划分为声母+韵母两个部分。音节前部分的辅音称之为声母, 元音和元音后面有时候出现的鼻音称之为韵母。汉语可认为是一种声调语言, 根据声调的不同所表达的意思很可能完全不一样, 汉语共有阴平、阳平、上声及去声四种声调。而声调的变化可以看成浊音周期的变化。声调曲线从韵母起始点至韵母的终止点。

1.2 语音信号的数学模型

语音的产生是因为声道激励发生共振, 因为发声过程中声道是振动的, 所以能够用一个时变线性系统来描述。可以用如图1所示描述语音生成模型。

由图1可知一个完整的语音信号模型由激励模型、声道模型、及辐射模型三个子模型串联而成。激励模型由浊音激励与清音激励组成。对清音部分来说, 激励信号等同于白噪声, 而对于浊音部分来说, 因为声带在不断地张开与闭合, 所以会有间隙性的脉冲波产生。共振峰模型是当前广泛使用的一种声道模型。声道的终端是人类口与唇, 速度波通过声道输出, 然而语音信号是一种声压波。

2 语音信号的前端处理

为了得到我们所需要的信号, 须先对模拟语音信号进行数字化, 接着进行预处理与加窗。

2.1 语音信号的数字化

为将模拟语音信号转变为数字信号, 先对信号进行采样与量化。在采样与量化之前, 须进行语音信号的预滤波, 其目的在于:第一, 滤除高频噪声;第二, 防止50Hz的工频干扰。

2.2 语音信号的预处理与加窗

因为语音信号的平均功率受到鼻辐射以及声门激励的很大影响, 因此在语音信号频谱的求取时, 随着频率的增高相应的响应成分越小, 也就是说高频部分频谱比起低频部分来不够精确, 为此我们需要对信号进行预加重。为了平滑频域信号, 使得信号处理的后面阶段对有限长响应不那么敏感, 通常情况下让数字语音信号通过一个低阶的系统。目前广泛使用的是固定的一阶数字滤波器, 即

式中a为预加重系数, 通常取值0.95左右。

因为语音信号的特性是随时间变化的, 而非平稳过程, 但由于人的发音器官的肌肉运动速度比较慢, 因此可以认为语音信号是个局部的短时平稳的信号。因此, 我们对对语音信号进行分帧加窗的处理。通常情况下语音信号帧长取为10ms~30ms, 每秒帧数约为33~100, 分帧可以是连续的, 有可以是交叠分段的, 在语音信号的分析当中常用“短时分析”来表述。我们一般采用窗函数来乘语音信号, 常用的窗函数是Hamming窗。

Hamming窗函数是:

2.3 语音信号的端点检测

端点检测指的是找出语音信号中的各段落的起始点以及终止点的位置。语音信号的时域处理方法包括:短时平均幅度、短时能量、短时过零率以及短时自相关。端点检测一般要用到语音信号的短时能量以及短时平均过零率两中参数。

用En来表示第m帧的短时能量, 其计算式如下:

短时平均幅度Mn的计算式如下:1N-

短时能量En的最主要作用是:区分清音与浊音、区分声母与韵母的分界、无声与有声的分界、连字的分界以及能够用于进行语音识别。

“过零率”指的是在单位时间内信号通过零的次数。短时过零率z (m) 是用来描述频谱的简单有效的方法之一, 计算公式如下:

在短时处理技术中, 描述一个随机信号的其中一个重要特征是自相关函数Rn, 可以用自相关函数区分清音与浊音, 计算公式如下:

短时频域处理作为语音信号处理的基本方法之一。短时频域处理适合缓慢变化的语音信号。第m帧的短时傅立叶变换计算式如下:

3 语音特征参数提取

在完成语音信号的预加重、分帧、及端点检测之后, 下一步关键的是提取特征参数。我们不可能直接识别原始波形, 语音信号需要经过变换, 提取出其特征参数后再进行识别, 特征参数需要满足:反映语音的本质、参数个分量之间耦合尽量小、参数的提取方便等几方面的要求。目前语音识别中线性预测倒普参数LPCC、美尔倒普参数MFCC使两种较为常用的参数。LPCC利用线性预测编码技术求取倒普参数。MFCC则构造人的听觉模型, 以语音信号经过该模型的输出值作为声学特征, 直接利用离散傅里叶变换得到。

3.1 线性预测倒普参数LPCC的提取

线性预测分析是语音特征分析方法之一, 能够有效的解决短时语音信号的模型化问题。LPCC的基本原理:语音信号的每个样值可以通过过去的若干个值的线性组合逼近求得, 也能够用实际语音信号的抽样与线性预测的均方差值最小的方式, 求出一组预测值。

其中a为加权系数, p为线性预测倒普参数的预测阶数。

LPCC系数表示的是语音信号频谱极值点的变化, 用该系数来表征语音信号, 能够获得比较平滑的语音频谱图。

3.2 美尔倒普参数MFCC的提取

MFCC参数与LPCC参数不同, 它考虑了人耳的听觉特性, 先将频谱转变为美尔频标的非线性频谱, 接着再转换到倒普域上。因为MFCC比较地充分考觉特性, 所以MFCC参数有很好的识别性能与抗噪能力。由测试可得, MFCC参数性能在汉语语音识别中要明显优于LPCC参数, 由于人类在对1 000Hz频率以上的声音的感知能力并不遵循通常的线性关系, 它遵循的是对数频率坐标上的线性关系。

首先, 语音信号在经过预处理、分帧加窗后转变为短时信号, 经过FFT变换将x (n) 转化为X (m) , 并计算出其短时能量谱P (f) 。在将P (f) 在频率轴上的频谱转化为在美尔坐标上的P (M) 。接着在美尔频域内将在美尔坐标上加入三角带通滤波器得到滤波器组Hm (K) , 再计算美尔坐标上的能量谱P (M) 通过该滤波器组的输出值。最后在美尔刻度谱上能够采取修改的离散余弦反变换来求取美尔倒普参数:

式中, p为MFCC阶数。

4 结论

本文主要介绍了语音学的基础知识、语音信号的数字化及其特征提取, 为语音模型的训练做了很好的铺垫。在计算机普及的今天能够让计算机识别出人的自然语言是人们一直努力的一个方向, 对计算机直接用语言信息发号施令, 我们的双手才能真正得到解放。

参考文献

[1]胡航.语音信号处理.2版.哈尔滨:哈尔滨工业大学出版社, 2002:256.

[2]刘幺和, 宋庭新.语音识别与控制应用技术.北京:科学出版社, 2008:201.

[3]易克初.语音信号处理.北京:国防工业出版社, 2000, 14:363.

[4]李波, 王成友, 杨聪, 等.基于语音频谱包络抽取的MFCC算法.长沙:国防科技大学学报, 2004.

信号提取模型篇4

有效语音信号的提取是进行正确有效的说话人识别的前提和基础。而声音大多时候是带噪声的, 故语音段和非语音段的判定是语音系统处理的关键问题之一, 极大地影响着系统的性能。本文提出将非线性时间序列通过相重构, 在高维的相空间上利用局部投影算法将背景信号、特征信号和噪声分解到不同的子空间上, 利用子空间的重构, 分离出语音信号, 通过此算法对污染的信号进行降噪, 以提取出有效的语音。

1 局部投影算法基本原理[1]

假设某动力系统可以由如下的非线性状态方程描述:

当F未知时, 可以通过对状态在某一状态xn的一个邻域u (n) 内线性化近似获得, 该近似方法为

通过式 (2) 可以获得参数An、bn的估计值。当Anxn+bnxn+1=0时, 则动态系统位于一个超平面内。当信号xn受到噪声污染时, 即 , 邻域内的状态就不会局限于该超平面, 而是形成围绕该平面的一些点。通过将yn向该平面投影可以达到消除噪声的目的。当观测信号为标量信号sn时, 此时根据F.Tankens嵌入定理重构状态空间。

形成m维空间, 只要 , 其中, d是系统吸引子的维数, τ为延时时间, m称为嵌入维数;则原动力系统的任何微分或拓扑不变量可以再重构的相空间中计算。

以上所述方法即为非线性状态空间投影方法。该算法其实就是通过最小化式 (2) 修正状态向量sn。具体步骤为:

(1) 确定延时时间τ, 嵌入维数m, 重构相空间

(2) 确定邻域半径ε, 寻找的向量及向量个数; ;

(3) 计算这个向量的质心

(4) 计算协方差矩阵

其中R为对角矩阵, 选取R11和Rmm的值比较大, 而其它Rii=1;

(5) 寻找关于协方差矩阵的Q个最小特征值组成的正交特征向量 , 按照式 (7) 对实际信号进行修正, 消除噪声部分;

(6) 返回 (2) 直到所有相点都处理完毕;

(7) 为了将sn重构回原来的标量信号, 可以简单地将每一个已修正的矢量信号中的标量sn取平均值。[2]

2 仿真

仿真用的信号, 是作者在安静的实验室环境下自己录制的一个音频"我是韩丽娟", 然后加了23d B的噪声, 如图1所示。

根据上面所阐述的原理和步骤来进行仿真, 其中, 嵌入维数m=11;延时时间τ=4;邻域半径ε=550;R11和Rmm的值为103;Q=2;通过一次提取后的语音信号如图二所示。

从其波形上看, 效果不错, 将音频文件播放时, 几乎听不出其差别, 为了更好地检测其效果, 在自己搭建的平台上, 依次进行了端点检测、预处理、分帧 (帧长240、帧移120) , 提取了12级mfcc以及mfcc一阶差分的特征参数, 用DTW优化的识别方法进行了话者识别[3]。将原来的测试语音分别都加了23d B的噪声, 分别进行加噪之前和加噪之后的识别, 结果为:加噪之前错误拒绝和错误接受的在加噪之后仍然错误拒绝和错误接受, 而加噪之前能正确识别的, 加噪之后的正确识别率为原来的98%, 余下的2%错误拒识了。

3 结论

用非线性时间序列的方法来提取混沌背景下的语音信号, 方法可行。通过仿真, 对多个测试数据进行测试, 效果良好, 收到了满意的提取效果。

参考文献

[1]刑士勇, 金海薇, 等.基于改进局部投影算法的非线性时间序列降噪[J].军械工程学院学报, 2007 (2) :41-43.

[2]吕勇, 李友荣, 王志刚.基于局部投影算法的齿轮故障声信号特征提取[J].机械研究与应用.2006 (6) :52-53.

信号提取模型篇5

对植物电信号的特征文中采用多小波熵来提取,并且结合信号本身的信息熵,构造二类干旱胁迫下君子兰叶片信号的特征向量,采用KNN方法对特征值进行分类别,实验表明,此方法对植物电信号分类很有效。

1 信号熵特征的描述

熵可定义为:平均不确定性,它来自于信号的平均信息量及信源,可表达信号潜在的变化过程的有效信息。若是将信源看成物质系统,假如消息输出非常多,信源的不确定性及随机性则越来越大,很紊乱,熵也越来越大,因此信息熵可以衡量系统紊乱的程度[5]。

1.1 定义信号时间熵

信号时间熵的定义:它统计分析在时域上的信号信息,并划分信号,最后用定量的熵来表示时间上信号的分布复杂度。

设x(n)为实测信号,其中n∈[0,N],N为信号数据的个数。将信号划分为如下L个区间,有:

式中,{Zl=[sl-1,sl],l=1,2,⋯,L}互不相交。

设p(Zl)表示信号x(n)落于区间Zl的概率,按古典概率分布,即等于x(n)落于Zl的数目与x(n)总数目N之比值,于是定义信号时间熵(signal time entropy):

1.2 信号频率熵的表述

信号频率熵是对信号在频域上信息的统计分析,对信号进行傅里叶变换,然后划分变换后的信号,最后用定量的熵来描述频率上信号的分布复杂度。

设y(w)为信号x(n)的傅里叶变换,将y(w)的绝对值划分为如下L个区间,有:

类似于信号时间熵Zk等价于Zl,p(Zk)等价于p(Zl),即就是等于y(w)落于Zk的数目与y(w)总数目的比值,因此可定义信号频率熵(signal frequency entropy):

2 描述小波熵特征

由于多分辨分析将小波基的构造和实施纳入统一框架,并有良好的时频局部化能力,且有快速实用算法,因此,将小波变换及信息熵结合在一起,有利于得出计算信号的小波熵的方法和定义。

2.1 小波能量熵

小波能量熵:它是统计分析在各频段上被分析信号的能量分布,以小波变换的尺度系数为基准对信号能量划分,最后用定量的熵值来表达信号能量频域上的复杂分布。

设在m个尺度上信号x(t)的小波能谱为:E=E1,E2,...,Em,则在尺度域上可得出E的分类的信号能量。根据正交小波的性质,在某一时间窗口内信号总功率E等于各分量功率Ej之和,设,则∑pj=1,故可给出小波能量熵(wavelet energy entropy)为:

当pj=0时,pjln(pj)=0。

2.2 小波奇异熵

奇异值分解的理论能够从被分析矩阵中快速地提取它的基本模态特征,利用SVD理论的该优势,小波奇异熵可从被分析信号中提取出小波变换系数矩阵特征,从而被分析信号的时频分布特征被充分地表示出来。

设在j(j=1,2,⋯,m)尺度下,Dj(n)为信号的小波分解,故在m个尺度的分解可以构成m×n的矩阵D,根据信号奇异值分解理论知,对于一个m×n的矩阵D,一定有一个m×l维的矩阵U、一个l×n维的矩阵V和一个l×l维的矩阵Λ,必定使得矩阵D分解为:

式中,对角线矩阵Λ的主对角线元素λi(i=1,2,⋯,l)是大于零的,并按照降序排列,即λ1≥λ2≥...≥λl≥0。为了使信号的频率成分以及分布特性精确地定量表示,可定义小波奇异熵为(wavelet singular entropy):

式中,Δpi为第j阶增量小波奇异熵。

2.3 小波方差谱熵

对于给定的信号经小波分解后得到的方差谱,j=1,2,⋯m,其中Wj为在尺度j下小波系数的方差谱。定义小波方差谱熵(wavelet Variance entropy):

式中,表示在尺度j下的方差概率。

3 提取和分类特征

3.1 特征向量的描述

从不同角度,信号的分布统计特征可由不同的信号熵和小波熵来描述。进而就为提取植物电信号的特征奠定了基础。可是因为特征信息,它存在了一定的不确定性和不完备性,故采用多种小波熵和信号本身的熵来分析植物电信号,就能够得到可信度很高的分类识别结果。文中将信号时间熵wt、信号频率熵wf、小波能量熵we、小波奇异熵ws、和小波方差谱熵wv等五种特征参数组合在一起,构造了特征向量T=[wewswvwtwf]。

3.2 KNN分类方法

k NN是一种非参数的分类技术,是最邻近法(NearesttNeighbors)的推广。其算法的基本思想:将所有N个训练样本都看做代表点,计算所有样本点到测试样本x的距离,然后查找出与x最近的训练样本中的k个最近邻,最后观察这k个近邻中的多数分属哪一类,便将x分配到哪类中。

4 特征提取实例

本文引用的二类植物电信号数据是由西安理工大学理学院习岗教授实验室所采集,测定生长状况正常下的君子兰叶片电信号,并将它作为对照组,然后加入14%的PEG溶液干旱胁迫,可测定叶片的相对含水量,当它达到重度胁迫时,采集得到对应的电信号。本文中将正常生长状况下的君子兰叶片电信号记为:一类;重度干旱胁迫下的君子兰叶片电信号记为:二类。试验得到二类君子兰叶片电信号的特征值,共计20组,每类10组。现采用KNN分类方法识别提取的特征向量,设训练样本为:每类中的前3组样本,则测试样本为:余下的7组样本。分类正确标记为1,分类错误标记为0,实验结果见表1。

5 结论

文中研究了三种小波熵及定义的两种信号熵在植物电信号识别中的应用原理,提出了基于多小波熵和信号熵在特征提取中的应用方法,得出了以下结论:1)结合小波变换、信息熵的原理,得出了各类小波熵的定义。在信号处理中融合三者的优势,为识别植物电信号的方法奠定了一定的基础。2)通过将小波熵及信号本身熵相结合,来提取特征向量,并采用了KNN分类方法,故而降低了分类结果的不稳定性,进一步提高了植物电信号可靠性的识别。

摘要：为了有效地对植物电信号进行分类,提出了一种基于多小波熵与信号自身熵的特征提取方法。小波熵由于结合了小波变换和信息熵理论的优势,能快速准确地提取植物电信号的特征,但由于植物电信号的非平稳性和多样性,依靠单一的小波熵可能出现分类困难和分类不准确等问题,结合多种小波熵和信号本身的熵信息进行了特征提取。该文以二类干旱胁迫下的君子兰叶片信号为对象,对它的特征向量进行提取,并且用KNN方法分类别。通过试验说明,此算法可以识别君子兰叶片的电信号,为植物电信号的识别提出了一种可行的新方法。

关键词：多小波熵,信号熵,植物电信号,特征提取,KNN分类

参考文献

[1]Gurovich L,Hermosilla P.Electric signaling in fruit trees inresponse to water applications and light-darkness conditions[J].J Plant Physiol 2009,166:290–300.

[2]Xiaofei Yan,Zhongyi Wang,Lan Huang,Cheng Wang,Rui-feng Hou,Zhilong Xu,Xiaojun Qiao.Research progress onelectrical signals in higher plants[J].Progress in Natural Sci-ence,2009,19(5):531–541.

[3]Rosson O A,Blanco S,Yordanova J,et al.Wavelet entropy:a new tool for analysis of short duration brain electrical signals[J].J Neurosci Meth,2001,105(1):65-75.

[4]曾庆虎,刘冠军,邱静.基于小波相关特征尺度熵的预测特征信息提取方法研究[J].中国机械工程,2008,19(10):1193-1196.

基于小波变换的信号边缘提取技术篇6

信号的边界就是信号的突变部分, 如在一幅二维的文字图像中, 边界即是文字的边缘部分。人的视觉对图像中的突变是比较敏感的, 但是反映到具体的函数上会有很大的改变, 其实该改变能用该点的导数来确定, 用导数值较大的点代替边缘点。噪声总是随机分布的, 噪声的均值常被定义为零。在处理过程中, 对噪声区域加权平均操作, 就消除区域内大部分噪声, 这样的处理叫平滑。在提取边缘的过程中, 会把低通滤波与差商算子有机地组合, 首先要对边缘 (或边界) 进行定位, 因此需要找局部的最大点来提取边界的轮廓, 边界点的求值就是寻找小波变换中的局部模极大值。

二、对二维信号进行边缘提取

其中这里s>0表示个光滑尺度, 其作用为光滑的程度。

当求二维函数的导数时, 边界点是指沿着梯度方向取到了模极大值, 其梯度可用公式表示:

提取边缘时, 首先要寻找那些像素点, 这些点在梯度方向上达到模极大值:

然后由这些像素点组成了边界。定义

当θ (x, y) 对局部信号处理有良好效果时, 那么它应符合如下两个条件公式:

则与成为了二维小波。很容易发现:

这里表示相应的ψ1和ψ2小波变换。小波变换的模定义如下:

于是, 计算小波变换的模极大值就是先求光滑函数的导数再沿着其梯度方向寻找模极大值的过程。

其次, 就是要求出光滑函数的梯度与计算沿此方向的模极大值[1]。在离散的情况下, 一个函数的梯度方向较难精确地表示。但可在采样时就确定了在一个点的周围只有8个邻接点, 因此只需要考虑邻接的8个方向, 也就是说一幅离散的图像有8个梯度方向, 在这种情况下, 一个平面被分成8个扇区。

当a落入其中的一个扇区, 可以用一个确定的向量来量化, 这个向量用该扇区的一个中心直线来表示。下图反映这样的关系:箭头表示一个向量, 用来指明一个梯度方向。

其中实线箭头表示8个梯度方向, 虚线表示平面的8个扇区, 通过些梯度方向能求出模极大值。通过上图可知这些梯度方向是相互对称的, 则只需考虑4个方向, 用4个码字来表示, 可用0, 1, 2, 3表示不同的4个梯度方向, 每个方向的正切tanas落入下面的区间之一:

三、总结

本文先介绍了信号边界的基本知识, 再介绍了小波函数的定义, 最后, 利用小波变换对信号进行处理及提取信号边界具体步骤, 这对后续的边缘提取提供有效的工具。

参考文献

信号提取模型篇7

通信原理是电子信息工程、通信工程等专业的一门重要的专业基础理论课,能否正确理解其概念和基本理论对后续专业课程的学习非常关键。单纯依靠课堂讲解,对于繁琐的公式和理论推导,学生学起来相对乏味。借助辅助工具SystemView,使学生能从动态上直观地、形象地理解这些理论,从而使学生更好地掌握基础理论。文中设计对通信原理的接收信号中载波的提取作了仿真演示分析,提供了良好的用户界面,不仅可用于课堂演示,而且可作为实验指导。

1 SystemView动态仿真软件介绍

SystemView动态系统分析软件是用于现代工程与科学系统设计及仿真的动态系统分析平台,从滤波器设计、信号处理、完整通信系统的设计与仿真,直到一般的系统数学模型建立等各个领域。它还提供了一个真实而灵活的窗口用以检查、分析系统数据及波形。

引入EDA仿真软件进行前期的仿真已经是不可避免的事情。SystemView是强大的系统级EDA仿真软件,适合于现代通信系统的设计、仿真和方案论证,尤其适合于无线电话、无绳电话、寻呼机、调制解调器、卫星通信等通信系统。并可进行各种系统时域和频域分析,对各种逻辑电路、射频/模拟电路(混合器、放大器、RLC电路、运放电路等)进行理论分析和失真分析。

2 设计举例

在通信系统中,为使信号适于在实际信道中传输,引进了各种调制方式。因此,在信号的接收端,必须用一定的方式解调出原来的信号。当采用同步解调或相干解调时,接收端需要提供一个与发射端同频同相的相干载波,这个相干载波的获取就称为载波提取。这里,同频同相非常重要,它关系到是否能正确地恢复原来地信号,采用锁相环来保证所提取的载波和发射的载波同频同相。

一般以调制信号不包含载波分量,但对信号进行某种非线性变换后,可以直接从其中提取出载波分量来。

由锁相环的跟踪特性可知。当已调信号的调频率处于锁相环的闭环低通特性的通带之外时,输出信号的相位已不能跟踪输入信号相位的变化。此时,压控振荡器就没有相位调制,是一个未调载波U0(t)=uccosw0t

当输入信号Ui(t)的载频产生缓慢漂移时,由于环路要维持锁定,压控振荡器输出的未调载波的频率也会跟随着漂移。这种环路输出相位没有跟踪输入的相位的调制,而是跟踪了输入信号载频的漂移,这也是一种跟踪状态,称为载波跟踪。

由于θ2(t)(输出信号的相位),未跟踪输入信号的相位θ1(t),由θc(t)=θ1(t)-θ2(t)的关系,显然此环路的相位误差比较大,恰恰就是θc(t)跟踪了θ1(t)的相位调制。这就是误差频率响应的高通特性。载波跟踪环的压控振荡器输出电压与输入信号的载波相位上相差90°,经90°相移后可得到输入信号的相干载波,原理框图如图1所示。