线调频小波分析选编.docx

一种自适应chirplet分解的快速算法的若干研究 针对信号自适应chirplet分解未知参数多、实现起来比较困难的特点，文献[1]提出了一种新的chirplet分解快速算法。该算法利用计算信号的二次相位函数，得到其能量分布集中于信号的调频率曲线上的结论，此时通过谱峰检测可同时获得chirplet调频率、时间中心和幅度的估计；然后通过解线性调频技术获得其初始频率和宽度的估计，仿真结果验证了本文算法的有效性。 如果线性调频信号具有光滑的高斯包络，那么它就变成如下典型的调副调频信号，称为chirplet函数: （1） 其中分别表示chirplet函数的宽度，时间中心，初始频率和调频率。此外，chirplet函数的Wigner-Ville分布（WVD）具有如下形式: （2） 由上式可见，chirplet函数是唯一的WVD为肺腑能量的函数，因此它在联合时频分析中扮演着重要的角色。 常用的联合时频分析方法是将信号分解为一系列其函数的线性组合，通过抑制函数的视频特性来了街特分析信号，其主要缺点是运算量大，尤其是参数初值的估计，需要在一定范围内进行搜索，或者自适应迭代等，不利于具体的应用；本文提出一种新基于chirplet分解的时频分析快速算法，该算法利用计算信号的二次相位函数，得到其能量分布集中于信号的调频率曲线上的结论，通过谱峰检测可同时获得chirplet调频率、时间中心和幅度的估计；然后通过解线性调频技术化的起初始频率和宽度的估计。算法实现简单，即算量小，能够保留信号更多的视频特性。 自适应chirplet分解法简介 自适应chirplet分解时以基函数与特分析信号最相似的原则来选择基的，将特分析信号表示为一组线性调频小波基的线性叠加： （3） 其中 加式（1）所示，基函数按照下列准则逐一个自适应估计： （4） 其中 （5） 是向基函数作正交投影后的剩余量，可以表示为 （6） M为基函数的个数。 采用（4）~（6）的方法，可完成对信号的分解，这个过程可描述为： （a）在第一次分解过程中，按照式（4）估计与 最匹配的基函数，利用式（5）得到剩余量。 （b）在第二次分解过程中，按照（4）、5）两式估计与最匹配的基函数并得到剩余量。 （c）在以后每一步分解过程中，重复（a），（b）两步，直到剩余能量满足事先给定的没摩一个条件，因而，设计最佳的基函数是分解的关键。 自适应chirplet分解快速算法 由式（4）可见，系数的计算是一个多维非线性优化问题，通常没有解析形式的解，因此使得已有算法的计算量非常大，不利于具体应用。文献[1]提出一种新的快分解算法，过程如下； 考虑单分量信号 (7) 首先定义其二次相位函数(Quadratic Phase，OP)： （8） 将式（7）代入（8）可以得到 （9） 利用积分公式 （10） （11） 其中 （12） 由上式可以看出，当时，有 （13） 由上式可以得，而此相位函数的峰值位于处，而且峰值大小为，因此，参数的估计方法可理解为：首先计算信号的二次相位函数，然后对其进行谱峰搜索，得到峰值点的位置，进而得到的估值和的估值，的估值可由下式获得 （14） 估计出参数{}后，下面估计初始频率和时间宽度，方法如下： （1） 利用估计出的及构造参考函数 （15） 用此参考函数对原信号 解线性调频，获得如下关系式 （16） 由上式可见，解调频后的信号具有正弦信号的形式，因此可以通过傅里叶变换得到 的估计： （17） 其中，FFT[?]代表傅里叶变换算子。 （2）利用估计出的及构造参考函数 （18） 用此参考函数乘以信号，可以得到 （19） 此时原信号已被解调为实信号，由式（19）可见，可通过峰值的一维搜索得到的估计。 （20） 采用以上算法，可以获得单分量 chirplet函数所有参数{}的快速估计。但是实际上信号中会包含有多个分量，因而不同信号分量的强度往往相差