测试信号处理文献综述

1微弱信号检测技术综述摘要：微弱信号是一种信噪比极低的信号，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，需要利用电子学和信号处理方法从噪声中提取有用信号，这些检测方法关键在于抑制噪声，恢复和提取有用信号。本文对各种传统的微弱信号检测技术、新的检测技术的基本原理和特点进行阐述，并在最后指出了今后微弱信号检测技术的发展方向，为微弱信号处理技术提供了依据。关键词：微弱信号检测相关分析混沌理论小波变换1.引言在自然现象和规律的科学研究和工程实践中，经常会遇到需要检测毫微伏量级信号的问题，比如测定地震的波形和波速、材料分析时测量荧光光强、卫星信号的接收、红外探测以及生物电信号测量等，这些问题都归结为噪声中微弱信号的检测。微弱信号检测技术(WeakSignalDetection)作为一门新兴的学科，应用范围遍及光、电、磁、声、热、生物、力学、地质、环保、医学、激光、材料等领域。微弱信号检测技术主要是分析噪声产生的原因和规律，研究被测信号的特点与相关性，检测被噪声淹没的微弱有用信号。目前对微弱信号检测理论的研究，探索新的微弱信号检测方法，研制新的微弱信号检测设备是目前检测技术领域的一个热点。微弱信号检测的特点是，第一，在较低的信噪比中检测微弱信号。造成信噪比低的原因，一方面是由于特征信号本身十分微弱；另一方面是由于强噪声干扰使得信噪比降低。如在机械设备处在故障早期阶段时，故障对应的各类特征信号往往以某种方式与其它信源信号混合，使得特征信号相当微弱；同时设备在工作时，又有强噪声干扰。因此，特征信号多为低信噪比的微弱信号。第二，要求检测具有一定的快速性和实时性。工程实际中所采集的数据长度或持续时间往往会受到限制，这种在较短数据长度下的微弱信号检测在诸如通讯、雷达、声纳、地震、工业测量、机械系统实时监控等领域有着广泛的需求。2.传统微弱信号检测方法2.1.滤波技术滤波技术是一种通用信号处理技术。对于频率固定的信号使用窄带化滤波技2术，用窄带滤波器滤掉宽带噪声，只让窄带宽信号通过，滤除通频带以外噪声，提高信号的信噪比。实际中，由于一般滤波器的中心频率不稳定，不能满足更高的滤除噪声的要求。但是，信号与噪声均可能具有连续的功率谱，不管滤波器具有什么样的频率相应，均不可能做到噪声完全滤掉，信号波形不失真恢复。因此需要新的滤波方法，以使误差最小。维纳滤波器是一种最小均方差准则下的最佳线性滤波技术，但是维纳滤波电路实现起来比较困难。因此，在它的基础上发展起来一种基于状态空间方法的最佳线性递推滤波技术，即卡尔曼滤波。这种滤波器是针对离散信号而言，特别适合离散序列的实时滤波，可以很方便地利用计算机处理，在控制领域起到重要作用。维纳滤波理论的另一个发展方向是自适应滤波，可以自动地调节自身参数，在设计时，只需要很少或根本不需要任何关于信号和噪声的经验统计知识。这种滤波在模型识别、通信信道的自适应均衡、生物医学信号中周期干扰消除等方面均有重要作用。2.2.相关检测技术相关检测是上世纪60年代发展起来的一门技术，最早的实用相关检测系统是1953年贝尔实验室的Bennett等利用磁带记录仪技术实现的，1961年，Weinreb的文章描述了利用自相关法从随机噪声中提取周期信号的方法。此后，人们进行了大量的工作，如今这项技术已经得到广泛的应用。相关检测主要是应用信号周期性和噪声随机性的特点，对信号和噪声进行相关性分析。由于信号和噪声是相互独立的过程，信号只与信号本身相关与噪声不相关，而噪声与噪声一般也是不相关。通过自相关或互相关运算，达到去除噪声、达到提高信噪比的目的。2.2.1.自相关检测技术子相关检测原理框图如图1所示。乘法器延时器(τ)积分器图1自相关检测原理框图设输入信号()xt由被测信号()st和噪声()nt组成，即：()()()xtstnt，经过延时、乘法、积分及平均运算后，则自相关函数()XXR为：/2/21()lim()()()()()()TXXsssnnsnnTTRxtxtdtRRRRT3由于信号和噪声不相关，且噪声的平均值为零，所以()()0snnsRR，则()()()XXssnnRRR。随着的增大，()0nnR，对充分大的，则()()XXssRR，这样就得到信号的自相关函数()XXR，它将包含信号的某些信息，从而检测出有用信号。但实际情况不能达到理论设想，因此()nnR总是存在的，且是的函数，但其幅度与原噪声相比很小，可看作新的噪声。在此基础上，可以利用多重自相关法检测微弱信号，提高对信号的检测能力。2.2.2互相关检测技术互相关检测原理框图如图2所示：乘法器延时器(τ)积分器图2互相关检测原理框图设输入信号()xt由被测信号()st和噪声()nt组成，即：()()()xtstnt，()yt为参考信号，()yt与()st有相关性，与()nt无相关性，经过延时、乘法、积分及平均运算后，则互相关函数()xyR为：/2/21()lim()()()()TxysynyTTRxtytdtRRT由于()yt与()nt不相关，且噪声的平均值为零，所以()0nyR，则互相关函数()xyR包含了信号()st所携带的信息，从而检测出待测信号。将自相关和互相关相比较，可以看出：互相关接受只有信号和与本地信号的相关输出，可以抑制所有与参考信号不相关的各种形式的噪声，因此它的输出信噪比更高，优于自相关法。但互相关技术需要一个参考信号，使其使用受到一定程度的限制，因而其去噪性能并不一定比自相关法效果好。相关检测技术对周期弱信号检测是非常有效的。目前，相敏检波器、锁相放大器都是基于相关为基础的仪器。2.3.同步累积法若信号有宽的频域，不能采用相关检测技术，可采用同步累积法方法。这种方法就是基于噪声的随机性和信号的稳定性，当信号在多次重复的情况下，由于信号的周期性的重复，噪声不具有这种性质，每个周期信号受到的干扰不同，故在接收端接收到不同畸变信号，因此对畸变信号经多次重复。因噪声随机且均值4为零，进行多次测量就可以去除噪声的影响，就可以识别出原信号。信号的重复次数越多，输出信号就越接近原信号，信噪比也就越高，系统抑制噪声能力越强。由此可见，这种方法实际上就是在接收端将重复收到的信号按某种方式叠加起来。输出信噪比的改善与累积次数n成正比，累积次数n越大，则SNR越大，只要累积次数n足够大，就可以使输出信噪比达到要求。为了消除取样得到的信号中噪声，必须多次累加及平均。但随着累积次数的增加，所需要的测量时间也同时增加，因此，这种微弱信号检测方法是以时间为代价来换取信噪比的改善。在信号检测中，同步积分器、取样积分器、多点信号平均器都是基于这种原理的仪器。2.4.离散信号的统计方法有些信号，可看成一些极窄的脉冲信号，人们关心的是单位时间到达的脉冲数，而不是脉冲的形状。如光子流、宇宙射线流的测量，这些脉冲的计数统计方法，要选择或设计传感器，能使信号有尽量相近的窄脉冲幅度输出，要利用幅度甄别器大量排除噪声计数，要利用信号的统计规律，来决定测量参数和作数据修正。例如，在微弱光检测中，由于微弱光的量子化，光子流具有离散信号的特征，使得利用离散信息处理方法检测微弱光信号成为可能。微弱光检测又分为单道和多道两类。单道微弱光检测以具有单电子峰的光电倍增管作传感器，采用脉冲甄别和计数技术的光子计数器；多道微弱光检测是用光导摄像管或光电二极管阵列等多路转换器件作传感器，采用多道技术的光学多道分析器。3.新兴检测技术3.1.基于噪声和混沌阵子的检测技术传统的信号检测方法是采用线性滤波的方法来提取信号，在背景噪声较强的情况下，此方法一般会失效。而在机械工程、自动化、通讯、电子对抗等领域，常常需要判断特定规律的微弱信号是否存在。因此，一项迫切的任务是寻找新的检测方法。由混沌理论知道：混沌系统在混沌振子满足一定条件时，对同频信号具有极强的敏感性和对噪声具有极强的免疫力，因此使得它在信号检测中非常具有潜力。由非线性理论知道：对于一个非线性系统，当其敏感参数在一定范围存在摄动时，将引起其周期解发生本质变化。由此可以设想：利用非线性系统的周期解所发生的本质变化来检测微弱信号。基于混沌振子的微弱信号检测是利用混沌系统非平衡相变对系统参数的扰动5和对噪声有免疫力的特点，根据Holmes型的Duffing振子检测系统的检测原理以及Melnikov方法，研究周期微扰对混沌振子的控制，在引入噪声的情况下，则包含了非线性系统的随机分岔问题研究。Holmes型Duffing方程的一般形式如下所示：x''(t)..kx'(t)..x(t)..x3(t)..fcos(t)式中cos(t)为周期策动力；k为阻尼比；~x(t)..x3(t)为非线性恢复力。采用Duffing振子作为非线性系统来检测微弱信号时，原理是：让Duffing振子处于混沌和周期解之间的临界状态，将待测信号作为Duffing振子周期策动力的摄动,通过Duffing振子对噪声和目标信号的不同反应来检测目标信号。当待测信号经过Duffing振子时，噪声虽然强烈，但对系统状态的改变无影响；而对于特定的目标信号，即使其幅度较小，也会使系统发生相变。通过辨识系统状态，可以清楚地检测出特定信号是否存在。在自动化，电子对抗等需要实时处理微弱信号的领域，该方法将具有巨大的应用潜力。但是目前，有关混沌测量方面的研究大部分只处于仿真阶段，很多学者在这些方面做些研究，但距离工程应用还有一定的差距，利用混沌振子检测微弱信号有望降低成本，所以该项技术具有广阔的前景。3.2.小波变换检测技术小波分析是最近年才出现一种时频信号分析方法，具有多分辨率特点，而且在时频两域都具有表征信号局部特征的能力。信号在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频具有较高的时间分辨率和较低的频率分辨率，利用小波这一优点可以对微弱信号进行检测。小波变换的基本思想是将原始信号通过伸缩和平移后，分解为一系列具有良好的时域、频域等局部特征的子带信号，进而实现对信号时间、频率的局部化分析。小波变换具有很强的去数据相关性，它能够使信号的能量在小波域集中在一些大的小波系数中，而噪声的能量却分布于整个小波域内。因此，经小波分解后，信号的小波系数幅值要大于噪声的系数幅值，可以认为，幅值比较大的小波系数一般以信号为主，而幅值比较小的系数在很大程度上是噪声，故小波变换对信噪比较低的非平稳信号有较好的检测性能。当待检信号尺度发生了变化，会有合适尺度的小波和其相匹配，而短时Fourier变换只有当基函数与信号尺度函数相匹配时，才能够检测出信号轮廓，在其他情况下难以获得满意结果。假设函数()t满足条件2()()tLR和21|()|||Rd，其中()为()t的傅里叶变换，则称()t为一个小波母函数或基本小波。由基本小波()t通6过伸缩a和平移产生一个小波基函数,1()()attaa，则信号()xt的小波变换为1(,)()()RtWTaxtdtaa，其中a为尺度参数，为时移参数。由于时移参数与时间t对应，尺度a与频率对应，因此时频平面(,)tf变成了时间尺度平面(,)a。以小波变换为基础的微弱信号检测就是把含噪声信号放在时间尺度二维平面上，利用信号和噪声表现出的截然不同的特性进行分时分频处理。当尺度a增大时，基函数,()at变成一个展宽的小波，对应一个低频函数，频率分辨率提高，但时间分辨率降低；当a减小时，基函数变成一个压缩的小波，则时间分辨率提高，但频率分辨率降低。如果分析信号出现突变时刻时，可以选择小的a，使时域分辨力提高。因此，小波变换适合用于研究非平稳、存在短时瞬间组分的信号。目前小波变换的信号处理方法是研究的热点，各种基于小波变换的微弱信号检测方法也层出不穷。但小波变换对弱信号进行特征提取的关键在于确定小波系数的阈值。主要有HEUR-SURE法、MINIMAX法、SURE法和软硬阈值法等。然而，这些方法在确定阈值时都带有一定的猜测