信号處理——時頻變換方法(二)
- 算法三:稀疏時頻
- 算法四:STFT+卷積網絡
算法三:稀疏時頻
《Sparse Time-Frequency-Frequency-RateRepresentation for Multicomponent Nonstationary Signal Analysis
》(多分量非平穩信号分析的稀疏時間-頻率-頻率比率表示)
-
摘要:
本文主要介紹了目前雖然有許多的高分辨率的時頻表示方法已經被開發出來,但在時頻圖中,提取多分量間信号仍然相當困難,尤其是對于多分量間出現部分混疊的情況。
本文提出了一種基于chirp字典的短時稀疏表示,後續進行頻率估計和瞬時頻率變化率的估計,均不采用脊線提取的方法,而根據局部資料特征,利用K均值聚類算法進行資料比對。
-
算法流程:
1、 基于chirp基的稀疏表示,将目标信号在時間-頻率-瞬時頻率變化率三維空間中進行表示;
2、 基于k均值聚類算法,将多分量的信号進行分離。
-
論文實驗圖示分析 :
1、 Stft結果與稀疏表示結果一緻;
2、 基于稀疏表示+k均值聚類算法的分量分離效果優于基于stft+維特比算法的結果。
3、 在不同信噪比下,說明了該方法對于頻率估計的誤差均最小。
結論:
本文提供了一種高分辨率處理混疊的多分量信号的方法,該方法在文中設定的實驗中也均取得了一定的效果,下一步将研究更為複雜的非平穩信号的信号處理方法。
算法四:STFT+卷積網絡
《Performance Analysis of Classification Algorithms for Activity Recognition using Micro-Doppler Feature
》(基于微多普勒特征的活動識别分類算法性能分析)
-
摘要:
主要介紹了作為存在于雷達回波時頻域中的獨特模式,微多普勒信号的分析已經被廣泛應用于識别各種活動,但是基于微多普勒特征的分類仍然是一個挑戰。
本文重點是從微多普勒的信号中選擇合适的特征來判斷人類活動,并采取不同的分類技術進行性能評價。
-
算法流程:
1、 基于STFT變換,提取時頻圖中的微動特性;
2、 利用卷積神經網絡,完成分類
結論:
目前的方法逐漸集中于深度學習。由于目前的時頻分析工具無法提取特别精細的時頻資訊,是以通過傳統的公式化的時頻分析處理方法,雖然能夠在仿真中獲得較好的效果,但是無法準确的區分真實場景中的目标産生的微多普勒效應。
是以,傳統的雷達處理方法較難提取出圖中的所有特征,選擇深度學習的方法來對時頻圖的資訊進行較為完備的提取。