基于隨機(jī)共振的微弱高頻CW信號(hào)檢測(cè)技術(shù)研究

李國(guó)軍，曾孝平，周曉娜，李 林，曾 理

(1. 重慶大學(xué)通信工程學(xué)院 重慶 沙坪壩區(qū) 400044; 2. 中國(guó)人民解放軍重慶通信學(xué)院 重慶 沙坪壩區(qū) 400035;3. 西安電子科技大學(xué)機(jī)電工程學(xué)院 西安 710071)

單頻矩形脈沖(continuous wave-CW)是高頻通信和聲納、雷達(dá)探測(cè)的常用信號(hào)。高頻CW電報(bào)的主要形式是莫爾斯電碼(Morse)，又稱為短波莫爾斯電報(bào)。高頻CW信號(hào)的檢測(cè)與識(shí)別，目前仍然采用人工值守方式，由報(bào)務(wù)員用人耳識(shí)別，手工抄收。然而在強(qiáng)噪聲背景下，人耳很難辨別報(bào)文信息。國(guó)內(nèi)外許多研究機(jī)構(gòu)都對(duì)CW電報(bào)的自動(dòng)識(shí)別進(jìn)行過(guò)研究[1-3]，并設(shè)法從含噪信號(hào)中抑制噪聲以提取報(bào)文信息，但到目前為止，這一研究還遠(yuǎn)未達(dá)到實(shí)用化的水平。當(dāng)信噪比很低時(shí)，背景噪聲的能量較高，足以淹沒電報(bào)信號(hào)，給傳統(tǒng)意義下的信號(hào)檢測(cè)帶來(lái)很大的困難，因此有必要嘗試新的檢測(cè)方法。

近年來(lái)非線性科學(xué)的不斷發(fā)展，尤其是混沌(choas)、隨機(jī)共振(stochastic resonance，SR)理論的提出，為微弱信號(hào)的檢測(cè)開創(chuàng)了新的思路[4-5]。隨機(jī)共振理論表明，強(qiáng)噪聲背景下的微弱信號(hào)通過(guò)一個(gè)非線性系統(tǒng)時(shí)，若系統(tǒng)的非線性、信號(hào)與噪聲達(dá)到某種匹配，背景噪聲會(huì)增強(qiáng)微弱信號(hào)的輸出，提高輸出信噪比。與傳統(tǒng)方法相比，隨機(jī)共振是利用噪聲而不是消除噪聲來(lái)達(dá)到信號(hào)檢測(cè)的目的。

時(shí)頻分析方法是非平穩(wěn)信號(hào)處理的常用方法，CW信號(hào)的WV分布(Wigner-Ville distribution，WVD)為直線型，而Hough變換是將所有可能的線條參數(shù)組成的參數(shù)空間量化為有限的參數(shù)表。將兩者結(jié)合，即對(duì)CW信號(hào)的WVD結(jié)果再進(jìn)行Hough變換(又稱之為W-H變換)，必然能夠檢測(cè)得到CW信號(hào)的特征量。但在強(qiáng)噪聲背景下，基于W-H變換的檢測(cè)方法不再有效。因此，本文考慮將隨機(jī)共振與W-H變換結(jié)合起來(lái)進(jìn)行微弱CW信號(hào)的檢測(cè)，提出了一種基于非線性雙穩(wěn)隨機(jī)共振模型的微弱CW信號(hào)檢測(cè)方法。首先分析CW信號(hào)的隨機(jī)共振控制方法，然后給出基于隨機(jī)共振模型的信號(hào)檢測(cè)方法，最后給出仿真實(shí)驗(yàn)，證實(shí)了該算法的有效性。

1 基于雙穩(wěn)隨機(jī)共振模型的CW信號(hào)濾波器

1.1 雙穩(wěn)隨機(jī)共振模型

式(4)是一非線性微分方程，采用四階Runge-Kutta法[8]進(jìn)行數(shù)字求解：

圖1是隨機(jī)共振濾波器對(duì)淹沒在高斯白噪聲中信噪比為?10 dB的正弦信號(hào)的濾波結(jié)果，其中結(jié)構(gòu)參數(shù)a=0.3、b=0.5。由圖1可見信噪比有很大提高。

圖1 強(qiáng)噪聲中正弦信號(hào)的隨機(jī)共振濾波

1.2 CW信號(hào)隨機(jī)共振濾波

圖2 CW信號(hào)調(diào)制隨機(jī)共振濾波框圖

根據(jù)雙穩(wěn)系統(tǒng)的頻率特性，系統(tǒng)輸出Vm1(t)，而擬制Vm2(t)，則解調(diào)輸出信號(hào)為：

圖3 CW信號(hào)隨機(jī)共振濾波輸出

2 基于隨機(jī)共振的CW信號(hào)檢測(cè)方法

2.1 CW信號(hào)的WVD變換與Hough變換

高頻CW信號(hào)由短時(shí)的“點(diǎn)”“劃”脈沖構(gòu)成。當(dāng)出現(xiàn)傳號(hào)時(shí)，在該頻帶很短的時(shí)間內(nèi)能量發(fā)生突變，而對(duì)于一般噪聲和語(yǔ)音信號(hào)，在短時(shí)內(nèi)其能量值都比較平穩(wěn)。根據(jù)這一特征，可以利用短時(shí)內(nèi)能量的變化來(lái)識(shí)別CW電報(bào)信號(hào)。

WVD[11-12]用于描述信號(hào)的瞬時(shí)功率譜密度，可以看作是信號(hào)能量在時(shí)域和頻域中的分布。WVD定義為：

CW信號(hào)在WVD分析后得到在t-f平面中的時(shí)頻圖WVD(t,f)，傳號(hào)期間CW信號(hào)在t-f平面上表現(xiàn)為一條直線。

Hough變換[11-12]可以有效地檢測(cè)圖像中的直線圖形，其基本思想是用直角坐標(biāo)系中線條的特征參數(shù)構(gòu)成參數(shù)空間，然后在參數(shù)空間中提取線條特征參數(shù)并在直角坐標(biāo)系中加以表示。CW信號(hào)的WVD時(shí)頻圖為一條直線，在直角坐標(biāo)(t,f)中表示為：

電子鍵拍發(fā)的一段高信噪比電報(bào)信號(hào)的W-H變換結(jié)果如圖4所示。

圖4 CW信號(hào)的W-H變換

2.2 微弱CW信號(hào)檢測(cè)方法

在強(qiáng)噪聲背景下，SR能有效檢測(cè)低頻信號(hào)，而W-H檢測(cè)法在強(qiáng)噪聲下性能嚴(yán)重下降，為此本文將兩者結(jié)合起來(lái)，形成基于SR的CW信號(hào)檢測(cè)方法，如圖5所示。隨機(jī)共振能有效跟蹤微弱小信號(hào)的波形變化，把強(qiáng)噪聲的部分能量轉(zhuǎn)換為信號(hào)能量，從而放大有用信號(hào)，使輸出信噪比大大改善，同時(shí)濾波輸出與小信號(hào)波形極為相似。檢測(cè)方法流程如下：

(1) 利用載波Vc(t)(fc接近f0)將含噪CW信號(hào)調(diào)制到低頻端；

(2) 借助隨機(jī)共振濾波盡可能恢復(fù)強(qiáng)噪聲背景下CW信號(hào)時(shí)域波形；

(3) 選取N點(diǎn)CW信號(hào)進(jìn)行WVD變換得到時(shí)頻圖，將CW信號(hào)表示為(t,f)平面上一條直線，要求N≤Wdot，Wdot為CW信號(hào)的點(diǎn)長(zhǎng)度Ldot所包含的數(shù)據(jù)點(diǎn)數(shù)；

(4) 利用WVD變換，再進(jìn)行Hough變換，形成(ρ,)θ平面上的波峰；

(5) 將峰值與預(yù)設(shè)閾值比較(閾值的選擇與接收信號(hào)的信噪比有關(guān))，大于閾值則說(shuō)明存在時(shí)長(zhǎng)為N點(diǎn)的傳號(hào)，否則為空號(hào)；

(6) 識(shí)別出傳號(hào)與空號(hào)后，將傳號(hào)設(shè)置為全1序列，而空號(hào)設(shè)置為全0序列，構(gòu)成新的CW信號(hào)序列，再與頻率為f0的正弦信號(hào)相乘，將識(shí)別出的CW信號(hào)完全恢復(fù)出來(lái)。

圖5 基于隨機(jī)共振的CW信號(hào)檢測(cè)方法

3 仿真結(jié)果及分析

圖6 基于隨機(jī)共振的CW信號(hào)檢測(cè)算法結(jié)果

4 結(jié)束語(yǔ)

針對(duì)高頻CW信號(hào)以往的時(shí)-頻分析檢測(cè)方法抗噪聲性能不強(qiáng)的問(wèn)題，本文提出了一種新的綜合運(yùn)用雙穩(wěn)隨機(jī)共振模型、WVD變換與Hough變換的微弱CW信號(hào)檢測(cè)方法。該方法對(duì)人耳難以辨別的低信噪比CW電報(bào)信號(hào)具有很好的檢測(cè)效果，明顯優(yōu)于現(xiàn)有的硬件檢測(cè)方法。該檢測(cè)方法對(duì)高頻CW電報(bào)信號(hào)自動(dòng)檢測(cè)設(shè)備的研制及提高高頻CW電報(bào)接收機(jī)抗干擾性能具有重要的實(shí)用價(jià)值。

[1] 岳喜才, 鄭崇勛, 陳德澤. 基于離散Gabor譜的短波電報(bào)信號(hào)檢測(cè)[J]. 數(shù)據(jù)采集與處理, 1995, 11(4): 317-320.YUE Xi-cai, ZHENG Chong-xun, CHEN De-ze. Signal detection in short-wave telegraph for discrete gabor spectrum[J]. Journal of Data Acquisition & Processing, 1995,11(4): 317-320.

[2] 林金朝, 李國(guó)軍, 周曉娜, 等. 強(qiáng)噪聲背景下高頻CW電報(bào)信號(hào)的自動(dòng)檢測(cè)[J]. 重慶郵電大學(xué)學(xué)報(bào), 2008, 20(5):6-10.LIN Jin-zhao, LI Guo-jun, ZHOU Xiao-na, et al. Automatic detection of weak high-frequency CW telegraph signal[J].Journal of Chongqing University of Posts and Telecommunications, 2008, 20(5): 6-10.

[3] HSIEH M C, LUO C H, MAO C W. Unstable morse code recognition with adaptive variable-ratio threshold prediction for physically disabled persons[J]. IEEE Trans on Neural Systems and Rehabilitation, 2000, 8(3): 405-413.

[4] WANG Guan-yu, CHEN Da-jun, LIN Jian-ya, et al. The application of chaotic oscillators to weak signal detection[J].IEEE Trans on Industrial Electrons, 1999, 46(2): 440-444.

[5] 周玉榮, 郭 鋒, 蔣世奇, 等. 色噪聲作用下線性系統(tǒng)的隨機(jī)共振[J]. 電子科技大學(xué)學(xué)報(bào), 2008, 37(2): 232-234.ZHOU Yu-rong, GUO Feng, JIANG Shi-qi, et al. Stochastic resonance of a linear system with colored noise[J]. Journal of University of Electronic Science and Technology of China, 2008, 37(2): 232-234.

[6] HARMER G P, DAVIS B R, ABBOTT D. A review of stochastic resonance: circuits and measurement[J]. IEEE Trans on Instrumentation and Measurement, 2002, 51(2):299-309.

[7] ZOZOR S, AMBLARD P O. Stochastic resonance in locally optimal detectors[J]. IEEE Trans on Signal Processing, 2003,51(12): 3177-3181.

[8] 梁軍利, 楊樹元, 唐志峰. 基于隨機(jī)共振的微弱信號(hào)檢測(cè)[J]. 電子與信息學(xué)報(bào), 2006, 6(28): 1068-1072.LIANG Jun-li, YANG Shu-yuan, TANG Zhi-feng. Weak signal detection based on stochastic resonance[J]. Journal of Electronics & Information Technology, 2006, 6(28): 1068-1072.

[9] 冷永剛, 王太勇, 郭 焱, 等. 雙穩(wěn)隨機(jī)共振參數(shù)特性的研究[J]. 物理學(xué)報(bào), 2007, 1(56): 31-35.LENG Yong-gang, WANG Tai-yong, GUO Yan, et al. Study of the property of the parameters of the bistable stochastic resonance[J]. ACTA Physica Sinica, 2007, 1(56): 31-35.

[10] 林 敏, 毛謙敏, 鄭永軍, 等. 隨機(jī)共振控制的頻率匹配方法[J]. 物理學(xué)報(bào), 2007, 56 (9): 5021-5025.LIN Min, MAO Qian-min, ZHENG Yong-jun, et al.Frequency matching method for stochastic resonance control[J]. ACTA Physica Sinica, 2007, 56 (9): 5021-5025.

[11] QIAN S, CHEN Da-pang. Decomposition of the wignerville distribution and time-frequency distribution series[J].IEEE Trans on Signal Processing, 1994, 42(10): 2836-2842 .

[12] BABAROSSA S. Analysis of multicomponent LFM signals by a combined wigner -hough transform[J]. IEEE Trans on Signal Processing, 1995, 43(6) :1511-1515.