基于FastICA算法与小波变换雷达信号分选.docx

基于FastICA算法与小波变换雷达信号分选 摘要：传统的独立分量分析(ICA)算法对噪声敏 感，存在很难正确分选带噪混合雷达信号的问题。针对该问 题提出一种结合FastICA算法和小波去噪的改进算法。该算 法首先利用小波阈值法对带噪雷达信号进行去噪，适当提高 信噪比后再用FastICA算法进行分离，最后进一步对分离信 号作矢量归一和再消噪处理，得到各个雷达源信号的最终估 计。仿真结果表明，与传统的ICA算法相比，该改进算法可 以有效地去除噪声，提高带噪雷达信号分选的准确率。 关键词：带噪雷达；信号分选；FastICA；小波去 噪 中图分类号：TN957. 51?34 %献标识码：A文章编号: (2013) 19?0005?04 0引言 独立分量分析［1?3］ ( Independent Component Analysis, ICA)解决了雷达信号分选中的未知混叠信号问 题［4?6］。该方法是在源信号和传输通道瞬时混合参数均未 知的情况下，根据输入源信号的统计特性，通过选择判据和 优化算法将信号分解成若干独立的源成分。与传统的雷达信 号分选方法相比，ICA是一种并行检测系统，对复杂信号环 境下未知混叠雷达信号有很好的分离效果，具有计算量小、 收敛速度快、准确度高等优点。但是现有的ICA方法大都假 设在无噪声的理想情形下，对于实际环境中受到噪声影响的 混叠雷达信号盲分离问题，仅仅依靠ICA算法较难解决。 提供局部分析与细化的能力是小波分析的主要优点之 一 ［7?9］。小波分析能够对信号在不同尺度上进行分析，而 且可以根据不同的目的来选择不同的尺度。一般来讲，含噪 信号的噪声分量的能量主要集中在小波分解的细节分量中， 因此采用阈值去噪方法对细节分量进行处理以达到滤除噪 声的目的。 本文提出一种结合FastICA算法和小波去噪的改进算 法，将其应用于含噪雷达信号分选中。计算机仿真结果表明 本文所提出的方法取得了很好的含噪混叠雷达信号分离效 果。 1综合分选子算法 1. 1 ICA算法 噪声环境下传感器接收的线性瞬时混叠雷达模型如图1 所示。设有［n］维独立的源信号［s (t)二［si (t), s2 (t),…，］［sn (t) ］T,］经过线性系统［A］混合并与［m］维 噪声［n (t) =［nl (t), ］ ［n2 (t),…，nm (t) ］T］叠加后, 得到［m］维混合信号［x(t)=］ ［ ［xl (t), x2(t),…，xm(t)］T。］ 这时观测信号与源信号之间的关系为： 对观测信号进行预处理，即白化处理，得到白化后的信 号［x (t) =［xl (t), x2 (t),…，xm (t) ］T,］满足： TOC \o 1-5 \h \z ［x (t) =Ux (t) ］ (2) 式中：［U］是白化矩阵。一般白化处理的方法是对观测 信号的协方差进行特征分解，使： ［U=VD-1/2VT］ (3) 式中：［V］是由协方差矩阵［E［xxT］］的特征向量组成的 正交矩阵；［D=diag (dl, d2,…，dm)］是与特征向量对应 的特征值组成的对角矩阵。则白化信号为： ［x (t) =Ux (t)二VDT/2VTx (t) ］ (4) ICA的主要任务就是找到分离矩阵［W,］然后做线性变 换： ［y (t) =Wx (t) ］ (5) 使变换后的［y (t)］的各个分量之间尽可能独立，则近 似认为是［s (t)］的源信号。 1.2 FastICA算法及实现 ICA的固定点(Fixed?Point)算法，又称FastICA算法 ［10］。该算法采用牛顿迭代算法对［x］的大量采样点进行处 理，具有计算简单、收敛速度快等突出优点。 本文采用的是负爛最大化的FastICA算法，基本思路是 通过随机梯度法调节分离矩达阵来达到优化目的［lllo迭代 公式为： ［wi (k+1) =E［xig (wi (k) Txi) ］-E［g (wi (k) Txi) ］wi (k) wi (k+1) =wi (k+1) wi (k+1) 2] (6) 式中[g]为非线性函数。针对雷达辐射源信号通常都呈 超高斯分布的情况，本文选取如下的对比函数： [g (y) =-laexp (-ay2/2) g (y)二yexp (-ay2/2) 算法具体步骤如下： 对混合信号[x (t)]进行中心化、白化处理后， 得到[x (t ) ] o 设源信号个数为[n],令[i=l] o 初始化向量[w (0) ], [w (0) 2=1],并令[k=l]。 迭代计算 [wi (k+1) =E[xig (wi (k) Txi) ]-E[g (wi (k) Txi) ]wi (k)] 归一化得[wi (k+1) =wi (k+1) wi (k