微弱信号检测的基本理论和技术.docVIP

微弱信号检测的基本理论和技术 微弱信号检测技术是采用电子学、信息论、计算机和物理学的方法，分析噪 声产生的原因和规律，研究被测信号的特点和相关性，检测被噪声淹没的微弱冇 用信号。微弱信号检测的宗旨是研究如何从强噪声屮捉取冇用信号，任务是研究 微弱信号检测的理论、探索新方法和新技术，从而将其应用于各个学科领域当屮。 在微弱信号检测屮，总是伴随着噪声，噪声屈丁电路中的随机扰动，它可能 来自电路屮元器件屮的电子热运动，或者是半导体器件屮载流子的不规则运动。 噪声是限制信号检测系统性能的决定性因素，因此它是信号检测屮的不利因素。 对丁?微弱信号检测来说，如能有效克服噪声，就可以捉高信号检测的灵敏度。电 路屮噪声是一种连续型随机变量，即它在某一时刻可能出现各种可能数值。电路 处丁?稳定状态时，噪声的方差和数学期望一般不再随时间变化，这时噪声电压称 为广义平稳随机过程。若噪声的概率分布密度不随时间变化，则称为狭义平稳随 机过程（或严格平稳随机过程）。显然，一个严格平稳随机过程一定为广义平稳随 机过程，反之则不然。 1.滤波器 被噪声污染的信号波形恢复称为滤波。这是信号处理中经常采用的主耍方法 之一，具有十分重耍的应用价值。现在，在各种信号检测仪器中均离不开各种滤 波器，它起到了排除干扰，分出信号的功能。常用的滤波器是采用屯感、屯容等 分立元件构成（例如，RC低通滤波器、LC谐振回路等），它对丁?滤去某些干扰谱线 （例如，电源50Mz滤波，收音机、屯视机中干扰的滤波），有较好的效果。对于混 在随机信号中的噪声滤波，这种简单的滤波器就不是最佳的滤波电路。这是凶为 信号与噪声均可能具有连续的功率谱。因此需耍寻找-?种使误差最小的最佳滤波 方法，有称为最小最佳滤波准则。 维纳线性滤波理论就是一种在最小均方误差准则下的最佳线性滤波方法。出 丁维纳滤波器屯路实现上的困难，在维纳滤波基础上发展了-?种基于状态空间方 法的最佳线性递推滤波方法，称为卡尔曼滤波。这种滤波器特别适用于对离散吋 间序列的实时滤波。可以很方便用计算机处理，凶而是近代滤波理论的垂耍发展, 在自动控制领域起到了重要作用。维纳滤波理论的另一发展方向是自适应滤波， 它可以自动地调节其自身参数，在设计吋，只需耍很少的，或根本不需耍任何关 丁信号和噪声的先验统计知识。因此.目前在模型识别、通信信道的自适应均衡、 生物医学信号周期干扰消除等方面均有重要应用。从噪声中提取信号波形的各种 估计方法中，维纳（Wiener）滤波是一种最基本的方法，适用于需要从噪声屮分离 出的有用信号是整个信号（波形），而不只是它的一个或某儿个参量。其基本依据 就是最小均方误差准则。维纳滤波从广义上看，实际上属于一种信号最佳估计。 最小均方误差实际上属于线性最小方差估计。 对平稳随机信号的最优预测与滤波.过去均用维纳滤波法来研究。这种方法 是在已知信号与噪声的相关函数或功率谱的情况下，将带噪声干扰的信号的最优 滤波值与预测值求岀来。这样，需要求解维纳一一霍夫积分方程.这是很麻烦的, 而且不易实现要求的滤波网络。因此。目前实用的方法是建立在信号时间序列模 型基础上的线性递推滤波及预测形式，即称为卡尔曼滤波理论和方法。它是在对 系统（信号模型与观测模型）及其统计特性作了某些在实际应用中具有相当广泛的 假设之后，给出了一整套最佳线性滤波的递推算法，并且可以方便地用到菲平稳 随机过程屮去，乂便于解决矢量信号波形的最佳线性滤波问题，从而获得了极广 泛的应用。 卡尔曼滤波理论和方法的首要问题或前提是，对于所研究的系统一一信号模 型与观察模型及其参量的统计特性予以明确的规定和符合实际的描述，在此基础 上按线性最小均方准则进行滤波。 对于维纳滤波器与卡尔曼滤波器。前者参数是同定的，适用于平稳随机情况 下的最优滤波；后者参数是时变的，适用于非平稳随机情况下的最优滤波。因此, 要设计这两种滤波器，必须对信号和噪声的统计特性（数学期槊、相关函数）有先 验知识。在实际中，常常无法预先知道这些统计特性或者它们是随时间变化的.而 实现不了最优滤波。因而必须采用一?种新的滤波方法一一自适应滤波，它采用噪 声抵消方法来消除混入信号屮的观察噪声，达到滤波的H的。图为噪声抵消 系统的原理，即采用相关噪声源“（『）与n （t）相关）送入参考通道，通过自适 应滤波器H （jw）后，使输出噪声抵消n （t）,从而系统输出端得到噪声的最佳抑 制。 $（/） + ”（/） +/1 nr G） / H（j：） / Z - 1-1噪声抵消系统原理图 这种滤波器在设计时，只需要很少的或根本不需要任何关于信号和噪声的先 验统计知识就可以完成。且其滤波效果与维纳滤波效果一样。因为口适应滤波器 的这些优点，它现在已被广泛用于对混入信号屮的周期干扰的抑制（即自适应陷 波滤波器）