噪聲是限制微弱信號檢測系統(tǒng)的首要因素。對于微弱信號檢測來說，如能有效克服噪聲，就可提高信號檢測的靈敏度。研究利用自適應濾波和小波分析來對微弱信號進行降噪，通過Matlab仿真證明，自適應濾波和小波分析對噪聲有著很強的抑制作用。
微弱信號檢測的目的是利用電子學、信息論以及物理學的方法，分析噪聲產(chǎn)生的原因，規(guī)律及被測信號的特點，檢測被背景噪聲淹沒的弱信號。但是由于微弱信號的信噪比低、信號幅度較小、噪聲特性不穩(wěn)定等原因，不適合用常規(guī)的濾波方法對信號進行降噪。如何對微弱信號進行有效的降噪，使微弱信號信噪比得到提升，就顯得尤為重要。自適應濾波和小波分析在信號處理方面有著巨大的優(yōu)勢，并均能增強微弱信號的信號特征，有利于提高對有用信號的識別率。
1 自適應濾波
1.1 自適應濾波概述
自適應濾波理論和技術(shù)是統(tǒng)計信號處理和非平穩(wěn)隨機信號處理的主要內(nèi)容，它可以在無需先驗知識的條件下，通過自學習適應或跟蹤外部環(huán)境的非平穩(wěn)隨機變化，并最終逼近維納濾波和卡爾曼濾波的最佳濾波性能。因而，自適應濾波不但可以用來檢測確定性信號，而且可以檢測平穩(wěn)的或非平穩(wěn)的隨機信號。
1.2 自適應濾波MATLAB降噪仿真
應用自適應濾波對被噪聲所污染的微弱信號進行降噪處理，在Matlab軟件中進行仿真實驗。自適應濾波Matlab降噪仿真如圖1所示，序列號n強調(diào)的是數(shù)的前后順序，而淡化順序表示為物理意義。圖中可以看到被均值為零、信噪比為3 dB的高斯白噪聲污染的微弱信號經(jīng)過一段自適應時間之后，噪聲逐漸降低，波形逐漸向原信號恢復，最后達到和原信號幾乎一致，去噪效果明顯。圖2所示為在最初的時候自適應濾波均方誤差較大，然后逐漸減小，說明自適應濾波正在起到降低噪聲的作用，最后均方誤差變得十分微小，高斯白噪聲被大范圍濾除，濾波后的信號已經(jīng)和原信號幾乎一致。圖3是從頻譜的角度分析高斯白噪聲被自適應濾波所抑制。這里，自適應濾波采用LMS算法，濾波器階數(shù)為128階。
通過Matlab仿真驗證結(jié)果可知，自適應濾波可以有效抵消隨機噪聲和其他頻率的干擾信號，從而提升微弱信號信噪比。
2 小波分析
2.1 小波分析概述及去噪原理
小波分析屬于時頻分析的一種，它具有多分辨率分析的特點，而且在時、頻兩域都具有表征信號局部特征的能力，是一種窗口大小固定不變、但其形狀可改變，及時間窗和頻率窗都可以改變的時域局部化分析方法。小波分析可以有效消除噪聲，提取有用的信號，目前在眾多研究領域已得到重視與應用。利用小波分析的優(yōu)點，對獲取的弱信號進行分析，結(jié)果表明微弱的信號可以在小波分析下得到顯現(xiàn)，增強了目標特征，有利于提高對有用信號的識別率。
小波分析去噪是將原始信號和噪聲信號進行疊加，然后通過多尺度小波變換到小波變換域中，得到小波分解后的低頻系數(shù)和高頻系數(shù)，對得到的高頻小波系數(shù)進行處理，在各尺度下盡可能提取出信號的小波系數(shù)而去除屬于噪聲的小波系數(shù)。因為小波分析可以使信號的能量在小波變換域中集中于少數(shù)系數(shù)上。小波系數(shù)較大者，攜帶信號能量也較多;小波系數(shù)較小者，攜帶信號能量也較少。基于這一點對小波系數(shù)進行相應的處理，從而去除或減弱屬于噪聲的小波系數(shù)，增強屬于有用信號的小波系數(shù)。最后，采用逆小波變換處理低頻系數(shù)和處理后的高頻系數(shù)重構(gòu)原始信號，達到去噪的目的。
下載文檔
