幾種雷達(dá)輻射源信號(hào)降噪算法比較分析

吳惟誠(chéng)，潘繼飛，劉 鑫

(電子工程學(xué)院，安徽 合肥 230037)

?

幾種雷達(dá)輻射源信號(hào)降噪算法比較分析

吳惟誠(chéng)，潘繼飛，劉 鑫

(電子工程學(xué)院，安徽 合肥 230037)

基于波形配對(duì)的雷達(dá)輻射源信號(hào)分選識(shí)別方法受噪聲影響大，需要對(duì)信號(hào)進(jìn)行降噪處理，降噪效果直接影響分選的準(zhǔn)確率和實(shí)時(shí)性。首先介紹了基于快速傅里葉變換(FFT)的濾波降噪法，對(duì)4種經(jīng)典濾波器進(jìn)行特性分析。鑒于經(jīng)典濾波法存在適用范圍窄、降噪效果不理想的缺陷，又介紹了模極大值法、閾值法、小波包分析法3類基于小波變換的降噪算法，提出了以純凈信號(hào)和降噪后信號(hào)的信噪比、均方誤差指標(biāo)來衡量降噪效果，為小波變換降噪法的研究指明了方向。

降噪；經(jīng)典濾波；小波變換；閾值

0 引 言

雷達(dá)輻射源發(fā)出攜帶著希望傳達(dá)的信號(hào)，而在信號(hào)的傳輸過程中，由于疊加噪聲的干擾，使得接收到的信號(hào)包含很多冗余信息，對(duì)提取有效信息造成困難。降噪的實(shí)質(zhì)是抑制信號(hào)中的無用部分，增強(qiáng)信號(hào)中攜帶有用信息的部分，重新構(gòu)造原始信號(hào)的處理過程。

傳統(tǒng)的輻射源信號(hào)降噪技術(shù)是通過運(yùn)用數(shù)學(xué)統(tǒng)計(jì)的理論作為分析方法，例如經(jīng)典譜估計(jì)法、快速傅里葉變換(FFT)法、維納濾波法和卡爾曼濾波法等。這些都是基于分析頻譜的方法，通過FFT變換將時(shí)域波形搬到頻域頻譜，并利用上述方法進(jìn)行濾波。信號(hào)通常分為平穩(wěn)或非平穩(wěn)信號(hào)。

平穩(wěn)信號(hào)具有隨時(shí)間變化保持穩(wěn)定不變的性質(zhì)，且能夠分解成若干正弦信號(hào)的線性組合，因此當(dāng)分析處理的對(duì)象是平穩(wěn)且頻譜特性與噪聲譜區(qū)別明顯的信號(hào)，運(yùn)用FFT變換后通過經(jīng)典濾波器的算法就可以實(shí)現(xiàn)信號(hào)的去噪處理。然而，現(xiàn)實(shí)中往往是非平穩(wěn)信號(hào)，其頻率瞬時(shí)值是無法被事先預(yù)估的，這類信號(hào)的頻譜在時(shí)間軸上具有無限擴(kuò)展的特性，需要分別對(duì)不同時(shí)刻的頻率分量進(jìn)行獨(dú)立分析，而經(jīng)典濾波的降噪方法無法取得有效的結(jié)果。

20世紀(jì)80年代，根據(jù)FFT變換的基本理論，Morlet首先提出了基于小波變換的信號(hào)分析概念[1]，由時(shí)域和頻域特征相結(jié)合來表征信號(hào)，在非平穩(wěn)噪聲環(huán)境中提取微弱信號(hào)方面具有優(yōu)勢(shì)。1992年，Mallat根據(jù)奇異性的信號(hào)隨機(jī)噪聲通過小波變換尺度空間時(shí)，其模極大值傳播特性的差異，提出一種基于模極大值的小波降噪算法[2]，但這種方法處理奇異性大的信號(hào)時(shí)具有很好的效果，而對(duì)奇異性小的信號(hào)降噪效果并不理想[3]。

1995年，斯坦福大學(xué)的Donoho和I.M.Johnstone在小波分析的基本理論上提出了基于小波閾值的降噪思路[4-6]，基于硬閾值和軟閾值的降噪算法得到廣泛應(yīng)用，但硬閾值函數(shù)具有不連續(xù)性，從而致使信號(hào)重構(gòu)時(shí)容易造成偽吉布斯現(xiàn)象；而軟閾值函數(shù)雖具有整體的連續(xù)性，但估計(jì)值與實(shí)際值之間總是存在不可避免的偏差，存在一定的局限性。文獻(xiàn)[7]～[11]對(duì)閾值降噪方法進(jìn)行了很多改進(jìn)，均取得了很好的效果。

目前有關(guān)小波降噪方法的研究逐步深入并成熟起來，許多改進(jìn)算法都取得了一定的效果，提高了信號(hào)的降噪標(biāo)準(zhǔn)，在信號(hào)處理領(lǐng)域具有一定的成果。

本文主要是以雷達(dá)輻射源信號(hào)分選識(shí)別的預(yù)處理為背景，通過對(duì)含噪信號(hào)進(jìn)行有效的濾波降噪，為下一步的特征提取和特性分析做準(zhǔn)備[12]。分析比較了基于FFT的經(jīng)典濾波降噪法和基于小波變換的3類降噪方法，采用信噪比、均方誤差2個(gè)指標(biāo)來評(píng)價(jià)降噪算法的性能。

1 基于FFT的經(jīng)典濾波降噪方法

降噪是信號(hào)處理中一項(xiàng)重要的技術(shù)，其實(shí)質(zhì)就是利用濾波器濾除噪聲頻譜。經(jīng)典濾波的一般準(zhǔn)則是：要想使設(shè)計(jì)的濾波器濾除一個(gè)頻點(diǎn)或頻段，需要將單位圓上相應(yīng)的頻段處設(shè)置為零點(diǎn)；反之，要想通過設(shè)計(jì)使得頻率突出，對(duì)應(yīng)的頻率應(yīng)在單位圓上的頻點(diǎn)設(shè)置成極點(diǎn)。極點(diǎn)越靠近單位圓，幅頻響應(yīng)越大，頻譜形狀越尖。且原點(diǎn)處的零、極點(diǎn)并不影響幅頻特征，只會(huì)對(duì)相頻特性產(chǎn)生影響。

通過FFT變換將信號(hào)從時(shí)域變換到頻域，提取信號(hào)的頻譜及其特性，幅度變化率小的位置對(duì)應(yīng)低頻分量，幅度變化率大的位置則為高頻分量。通常，噪聲的頻率要高于有用信息的頻率，故可以設(shè)計(jì)一個(gè)濾波器，濾除噪聲部分頻率分量并且平滑信號(hào)，實(shí)現(xiàn)信號(hào)的降噪效果。

由卷積定理：

G(ω)=H(ω)·F(ω)

(1)

式中：F(ω)為含有噪聲的信號(hào)頻譜；G(ω)為濾波平滑后的有用信號(hào)頻譜；H(ω)為濾波器的傳遞函數(shù)。

利用傳遞函數(shù)H(ω)濾除F(ω)的噪聲部分頻譜后，再經(jīng)逆傅里葉變換(IFFT)，得到有用信號(hào)g(t)。常用的濾波器如表1所示。

表1 常用濾波器特性表

經(jīng)典濾波器的降噪方法依據(jù)的是在頻譜上有用信號(hào)與噪聲的所在位置不同，即有用信號(hào)的頻譜與噪聲譜是分離的。但實(shí)際上，有用信號(hào)的頻譜和噪聲譜可能是相互交疊的，因?yàn)椴还苁歉咚拱自肼暬蚴敲}沖干擾，其頻譜幾乎在整個(gè)頻域內(nèi)都有分布。如果想要保證平滑噪聲效果好，就必定會(huì)引起信號(hào)的模糊和輪廓不清，影響信號(hào)的純度。

而要保證信號(hào)的輪廓清晰，就必然會(huì)造成平滑噪聲的效果不夠理想，兩者存在矛盾。濾波器可以濾除噪聲、偽輪廓等寄生效應(yīng)，但是也去除了部分有用的高頻成分，即進(jìn)行噪聲平滑的同時(shí)，也必定平滑了非平穩(wěn)信號(hào)的突變點(diǎn)。因此這種降噪處理是以犧牲清晰度為代價(jià)實(shí)現(xiàn)的。

2 基于小波變換的降噪方法

2.1 小波變換的基本概念

小波變換是一種對(duì)信號(hào)進(jìn)行時(shí)間-尺度分析的處理方法[13]，其最顯著的特點(diǎn)就是多分辨率分析，分析窗口大小是固定的，但窗口的形狀可以通過改變長(zhǎng)寬變化，是一種在時(shí)間尺度和頻率尺度上可以同時(shí)改變的局域化時(shí)頻分析的方法，且能夠在時(shí)、頻域上詳細(xì)地展現(xiàn)信號(hào)的局部特征。即低頻分量的頻率分辨率較高，而高頻分量的時(shí)間分辨率較高，頻率分辨率較低。

(2)

此時(shí)稱ψ(t)為一個(gè)小波基或母小波。將母函數(shù)ψ(t)經(jīng)張縮和平移后得：

且a≠0

(3)

稱其為一個(gè)小波函數(shù)的序列。其中a為張縮尺度，b為平移尺度。對(duì)于任意函數(shù)f(t)∈L2(R)，其連續(xù)小波變換為：

(4)

對(duì)函數(shù)f(t)進(jìn)行信號(hào)重構(gòu)(逆小波變換)得到：

(5)

由于小波基函數(shù)ψ(t)經(jīng)張縮、平移得到的小波ψa,b(t)在小波變換中能夠?qū)Ρ环治龅男盘?hào)進(jìn)行觀測(cè)，所以ψ(t)還需要滿足一般函數(shù)服從的約束條件：

(6)

(7)

為了確保實(shí)現(xiàn)信號(hào)完全重構(gòu)在數(shù)值上是平穩(wěn)的，除了完全重構(gòu)條件外，還要求小波ψ(t)的傅里葉變換滿足穩(wěn)定性條件：

(8)

式中：0

在現(xiàn)實(shí)使用中，為了方便計(jì)算信號(hào)，要對(duì)信號(hào)f(t)進(jìn)行離散處理，將連續(xù)信號(hào)轉(zhuǎn)換成時(shí)域離散的序列。在連續(xù)小波變換中尺度系數(shù)a和b是離散的，將它轉(zhuǎn)化成離散小波變換，表示為DWT。

小波變換具備以下幾點(diǎn)特性[15]：

(1) 低熵性。小波系數(shù)的分布比較稀疏，使得信號(hào)通過變換后的熵值降低，達(dá)到降噪效果。

(2) 多分辨率的分析特性。因?yàn)樾〔ㄗ儞Q具有多分辨率分析的特點(diǎn)，所以可以詳盡地描述信號(hào)的非平穩(wěn)特性，并根據(jù)不同時(shí)頻分辨率條件下有用信號(hào)和噪聲的分布狀態(tài)進(jìn)行降噪處理。

(3) 去相關(guān)性。小波變換可對(duì)信號(hào)進(jìn)行去相關(guān)處理，且通過變換后噪聲具有白化的趨勢(shì)，所以時(shí)頻小波域比時(shí)域能夠更加有效地降噪。

(4) 選基靈活性。根據(jù)信號(hào)特點(diǎn)和降噪要求，對(duì)應(yīng)不同相應(yīng)場(chǎng)合，可以選擇不同的基小波觀測(cè)信號(hào)。

一維帶噪聲信號(hào)的數(shù)學(xué)模型可以描述為f(t)=s(t)+e(t)，其中f(t)為帶噪信號(hào)，s(t)為有用信號(hào)，e(t)為噪聲。基于小波變換的降噪算法基本依據(jù)是[16]：

(1) 有用信號(hào)和噪聲的小波系數(shù)在不同尺度上分布不同，表現(xiàn)特征不同。

(2) 對(duì)于時(shí)、頻域不連續(xù)的函數(shù)，變換后可能集中在小波空間的小范圍子集內(nèi)。

(3) 噪聲影響了全部的小波系數(shù)，且污染程度相同。

(4) 噪聲是高斯白噪聲，其正交交換也為高斯形式。

對(duì)噪聲e(t)進(jìn)行基于小波基函數(shù)的分解時(shí)，產(chǎn)生的系數(shù)為高頻系數(shù)，帶噪聲信號(hào)的高頻系數(shù)分量是有用信號(hào)s(t)和噪聲信號(hào)e(t)的小波系數(shù)的疊加。根據(jù)白噪聲和有用信號(hào)小波變換后表現(xiàn)出的特性不同，就能實(shí)現(xiàn)對(duì)信號(hào)的降噪處理[17]。

2.2 小波變換的降噪方法

2.2.1 模極大值法

根據(jù)小波變換模極大值在不同尺度間的變化規(guī)律，有用信號(hào)正相關(guān)，噪聲負(fù)相關(guān)，濾除幅度隨尺度變換呈負(fù)相關(guān)特性的點(diǎn)，保留幅度隨尺度變換正相關(guān)變化的點(diǎn)，再對(duì)留下的模極大值點(diǎn)采用交替投影法進(jìn)行信號(hào)重構(gòu)，實(shí)現(xiàn)信號(hào)的降噪。

2.2.2 閾值法

若信號(hào)為時(shí)間平穩(wěn)且均值為零的白噪聲，則其通過變換后的小波系數(shù)是不相關(guān)的；若信號(hào)是高斯白噪聲，則其通過變換后的小波系數(shù)是相互獨(dú)立的，且服從高斯分布；而當(dāng)信號(hào)是時(shí)間平穩(wěn)且均值為零的高斯色噪聲序列時(shí)，則其通過變換后的小波系數(shù)也為高斯序列。

一般來說，經(jīng)過小波分解后，有用信號(hào)的小波系數(shù)要大于噪聲的，這樣容易找到一個(gè)合理的閾值，當(dāng)?shù)玫降男〔ǚ纸庀禂?shù)低于臨界閾值時(shí)，則認(rèn)為此部分的信號(hào)主要是由噪聲構(gòu)成的，濾除即可；而當(dāng)小波分解系數(shù)超出臨界閾值時(shí)，則認(rèn)為此部分的信號(hào)是有用信號(hào)，硬閾值法是將這部分直接保留下來，而軟閾值法則按照某一固定量向零收縮，隨后根據(jù)保留的小波系數(shù)再進(jìn)行信號(hào)的重構(gòu)，還原的信號(hào)即為降噪后信號(hào)。

Donoho提出的硬閾值函數(shù)的表達(dá)式為：

(9)

而軟閾值函數(shù)表示為：

(10)

2.3 小波包分析的降噪方法

小波包分析的實(shí)質(zhì)是對(duì)信號(hào)上一層的低頻分量和高頻分量同時(shí)進(jìn)行小波包分解，其局部分析能力更加精確。對(duì)信號(hào)進(jìn)行小波包分解時(shí)，可以采用的小波包基有多類，可以先分析信號(hào)特性和要求，選擇一種最佳的小波包基進(jìn)行分解。最優(yōu)小波包基的選擇標(biāo)準(zhǔn)是熵標(biāo)準(zhǔn)，可通過MATLAB小波工具箱中的besttree函數(shù)完成。小波包分析降噪步驟為：

(1) 信號(hào)的小波包分解；

(2) 最優(yōu)小波包基的選擇；

(3) 小波包分解系數(shù)的閾值化；

(4) 信號(hào)的小波包重構(gòu)。

3 降噪性能評(píng)價(jià)指標(biāo)

(1) 信噪比(SNR)

(11)

(2) 均方誤差(MSE)

(12)

通常認(rèn)為，信號(hào)降噪后的信噪比越大，或是均方誤差越小，則其降噪效果越好。

4 仿真實(shí)驗(yàn)

因?yàn)楸疚氖腔诓ㄐ闻鋵?duì)的雷達(dá)輻射源信號(hào)分選識(shí)別背景下所做的信號(hào)降噪預(yù)處理，故選擇帶有高斯白噪聲的雷達(dá)線性調(diào)頻信號(hào)進(jìn)行仿真實(shí)驗(yàn)來驗(yàn)證幾種降噪方法的有效性，信號(hào)參數(shù)的取值如表2所示。

表2 雷達(dá)線性調(diào)頻信號(hào)取值

首先利用MATLAB中的fdatool工具箱，選擇帶通特性的無限沖激響應(yīng)(IIR)濾波器，設(shè)置頻率參數(shù)：Fs=40 MHz，F(xiàn)stop1=3.6 MHz，F(xiàn)pass1=4 MHz，F(xiàn)pass2=8 MHz，F(xiàn)stop2=8.4 MHz，選擇最小濾波器階次。將加噪聲的線性調(diào)頻信號(hào)分別通過Butterworth、ChebyshevⅠ、ChebyshevⅡ、Ellipitcal 4種濾波器，原始信號(hào)、含噪信號(hào)、降噪信號(hào)的時(shí)域波形和頻譜如圖1、圖2所示。

根據(jù)降噪性能指標(biāo)的計(jì)算公式可得到信噪比和均方誤差的值,如表3所示，由信噪比越大且均方誤差越小的濾波器降噪性能越強(qiáng)，可發(fā)現(xiàn)橢圓(Ellipitcal)濾波器的降噪性能在經(jīng)典濾波器中最好。

表3 經(jīng)典濾波方法降噪性能比較

取同樣的含噪信號(hào)分別采用模極大值降噪法、小波硬、軟閾值降噪法、小波包分析降噪法進(jìn)行分析，取db3小波進(jìn)行4次分解，得到的結(jié)果如圖3所示。

根據(jù)降噪性能指標(biāo)的計(jì)算公式，可以得到信噪比和均方誤差的值如表4所示，基于小波的4種降噪算法要遠(yuǎn)優(yōu)于經(jīng)典濾波的降噪算法，小波變換優(yōu)良的時(shí)頻特性是使得信號(hào)的降噪效果更加滿意。而在這4種具有代表性的小波降噪算法中，從信噪比和均方誤差的值來分析，模極大值的降噪性能最強(qiáng)，閾值降噪法次之，其中軟閾值法要優(yōu)于硬閾值法，小波包分析法相對(duì)最差。

表4 算法的性能比較

5 結(jié)束語

通過對(duì)2類降噪方法的理論分析和幾種降噪算法的仿真比較，選取信噪比和均方誤差作為衡量降噪性能的指標(biāo)，對(duì)幾種降噪算法的性能進(jìn)行了驗(yàn)證。基于FFT的經(jīng)典濾波算法只適用于信號(hào)和噪聲的頻帶相互分離的情形，而基于小波的降噪算法具有更廣的應(yīng)用范圍，模極大值法在信號(hào)含有較多奇異點(diǎn)時(shí)效果優(yōu)異，但以犧牲運(yùn)算速率為代價(jià)；閾值法具有計(jì)算速度快、能得到近似信號(hào)最優(yōu)估計(jì)的特點(diǎn)，其適用范圍最廣，現(xiàn)在衍生出的閾值改進(jìn)算法也很多；小波包分析法方法簡(jiǎn)單、計(jì)算量小，但降噪性能表現(xiàn)不佳。另一方面，如何選取小波基函數(shù)、分解層數(shù)等參數(shù)對(duì)提升小波降噪性能也值得進(jìn)一步研究。

[1] SIDNEY B C,RAMESH A,GUO H T.小波與小波變換導(dǎo)論[M].芮國(guó)勝，程正興，王文譯.北京：電子工業(yè)出版社，2013.

[2] MALLAT S,HWANG W L.Singularity detection and processing with wavelets[J].IEEE Transactions on IT，1992，38(2)：617-643.

[3] 徐科，徐金梧.一種新的基于小波變換的白噪聲消除方法[J].電子科學(xué)學(xué)刊，1999，21(5)：706-709.

[4] DONOHO D L,JOHNSTONE I M.Ideal spatial adaptation via wavelet shrinkage[J].Biometrika，1994,81(12)：425-455.

[5] DONOHO D L.De-noising by soft-thresholding[J].IEEE Transactions on IT，1995,41(3)：617-643.

[6] DONOHO D L,JOHNSTONE I M.Adapting to unknown smoothness via wavelet shrinkage[J].Journal of American Statistical Association，1995,90(432)：1200-1224.

[7] 趙瑞珍，宋國(guó)鄉(xiāng).一種基于小波變換的白噪聲消噪方法的改進(jìn)[J].西安電子科技大學(xué)學(xué)報(bào)，2000,28(10)：138- 140.

[8] 張維強(qiáng)，徐晨.一種基于平移不變的小波閾值去噪算法[J].現(xiàn)代電子技術(shù)，2003,149(6)：29-31.

[9] 祝海龍，郭天佑，屈梁生.基于二進(jìn)小波變換和軟閾值改進(jìn)的信號(hào)消噪[J].自動(dòng)化學(xué)報(bào)，2004,30(2)：199- 206.

[10]鄒海林，徐俊艷，隋亞莉,等.基于改進(jìn)閾值的地質(zhì)雷達(dá)圖像多小波去噪[J].計(jì)算機(jī)工程與應(yīng)用，2005，41(14)：65-68.

[11]崔華，宋國(guó)鄉(xiāng).基于小波閾值去噪方法的一種改進(jìn)方案[J].現(xiàn)代電子技術(shù)，2005，20(1)：8-10.

[12]林象平.雷達(dá)對(duì)抗原理[M].西安：西北電訊工程學(xué)院出版社，1985.

[13]王大凱，彭進(jìn)業(yè).小波分析及其在信號(hào)處理中的應(yīng)用[M].北京：電子工業(yè)出版社，2006.

[14]韋力強(qiáng).基于小波變換的信號(hào)去噪研究[D].長(zhǎng)沙：湖南大學(xué)，2007.

[15]孔玲軍.MATLAB技術(shù)聯(lián)盟.MATLAB小波分析超級(jí)學(xué)習(xí)手冊(cè)[M].北京：人民郵電出版社，2014.

[16]胡國(guó)華，李國(guó)華，周濤.基于MATLAB 7.X的系統(tǒng)分析與設(shè)計(jì)——小波分析[M].3版.西安：西安電子科技大學(xué)出版社，2008.

[17]沈飛.小波變換在圖像處理中的應(yīng)用[D].哈爾濱：哈爾濱工程大學(xué)，2009.

ComparisonandAnalysisofSeveralDenoiseAlgorithmsforRadarEmitterSignals

WU Wei-cheng,PAN Ji-fei,LIU Xin
(Electronic Engineering Institute,Hefei 230037,China)

The classification and recognition methods of radar emitter signals based on waveform matching is greatly affected by the noise,so denoise processing to signals is needed,and the denoise effect directly affects the accuracy and real-time performance of the sorting.This paper firstly introduces the filtering denoise method based on fast Fourier transfom (FFT),and analyzes the characteristics of four classical filters.In view of the disadvantages of classical filtering method:application scope is narrow and denoise effect is not ideal,this paper introduces three denoise algorithms based on wavelet transform:modulus maxima method,threshold method,wavelet packet analysis method,proposes to use signal to noise ratio and mean square error criterion of pure signal & denoised signal to measure the denoise effect,which points out the direction for studying wavelet transform denoise method.

denoise;classical filtering;wavelet transform;threshold

2016-09-05

TN971.1

：A

：CN32-1413(2017)03-0039-06

10.16426/j.cnki.jcdzdk.2017.03.010