论文部分内容阅读
时频分析是一种处理非平稳信号的重要方法，它能提供信号时域和频域的联合分布信息，清楚地描述信号频率随时间变化的关系。本文的研究对象为时频分析，针对传统时频分析方法的时频聚集性低和自适应差的问题，主要研究了自适应短时傅里叶变换算法和自适应时频同步压缩算法，并将其应用于解决跳频信号参数估计和多分量信号分离问题。
首先，本文介绍了常见非平稳信号的数学模型及时频特性，用传统的时频分析方法对合成信号进行分析，并以Renyi熵作为评价指标对其时频聚集性进行了比较。实验结果表明，在信噪比为0dB到25dB的条件下，同步压缩变换的Renyi熵最小，时频聚集性最高;短时傅里叶变换的Renyi熵最大，即时频聚集性最低。
其次，针对线性时频分析方法受限于不确定准则，时频分辨率和时频聚集度低的问题，本文引入了自适应短时傅里叶变换算法。为了使信号能够在时域和频域达到很好的聚集性，设计了基于时域和频域窗的自适应短时傅里叶变换，其中时域自适应是基于瞬时频率率，通过提取小波变换的脊线得到信号的瞬时频率，利用瞬时频率率进而得到信号的自适应窗长，实验结果表明算法提高了信号的时频聚集性，将算法对跳频信号进行频率估计，实验结果表明，在-8dB时自适应短时傅里叶变换算法对频率估计的均方误差小于0.08;频域的自适应短时傅里叶变换是基于集中度测度，文中采用了三种不同的集中度测度，并通过仿真来验证它们对单分量和多分量信号的适用性。
最后，为了解决现有时频分析方法的缺点，本文在自适应短时傅里叶变换算法的基础上，引入了自适应时频同步压缩算法，为了处理频率快速变化的信号，提出了自适应二阶时频同步压缩算法，实验结果表明自适应二阶时频同步压缩拥有更高的时频聚集性。为了提高时频聚集性和不影响信号重构性能，提出了自适应二阶时频同步压缩-WVD算法，实验结果表明算法不仅可以对信号进行重构，而且时频聚集性高于其他时频同步压缩算法。
首先，本文介绍了常见非平稳信号的数学模型及时频特性，用传统的时频分析方法对合成信号进行分析，并以Renyi熵作为评价指标对其时频聚集性进行了比较。实验结果表明，在信噪比为0dB到25dB的条件下，同步压缩变换的Renyi熵最小，时频聚集性最高;短时傅里叶变换的Renyi熵最大，即时频聚集性最低。
其次，针对线性时频分析方法受限于不确定准则，时频分辨率和时频聚集度低的问题，本文引入了自适应短时傅里叶变换算法。为了使信号能够在时域和频域达到很好的聚集性，设计了基于时域和频域窗的自适应短时傅里叶变换，其中时域自适应是基于瞬时频率率，通过提取小波变换的脊线得到信号的瞬时频率，利用瞬时频率率进而得到信号的自适应窗长，实验结果表明算法提高了信号的时频聚集性，将算法对跳频信号进行频率估计，实验结果表明，在-8dB时自适应短时傅里叶变换算法对频率估计的均方误差小于0.08;频域的自适应短时傅里叶变换是基于集中度测度，文中采用了三种不同的集中度测度，并通过仿真来验证它们对单分量和多分量信号的适用性。
最后，为了解决现有时频分析方法的缺点，本文在自适应短时傅里叶变换算法的基础上，引入了自适应时频同步压缩算法，为了处理频率快速变化的信号，提出了自适应二阶时频同步压缩算法，实验结果表明自适应二阶时频同步压缩拥有更高的时频聚集性。为了提高时频聚集性和不影响信号重构性能，提出了自适应二阶时频同步压缩-WVD算法，实验结果表明算法不仅可以对信号进行重构，而且时频聚集性高于其他时频同步压缩算法。