[发明专利]基于非线性变换的自适应时间延迟估计方法

说明书

技术领域

本发明涉及一种信号处理技术，特别是涉及一种基于非线性变换的自适应时间延迟估计方法。

背景技术

信号的时间延迟通常是指同源信号之间由于传输信道的差异和/或传感器的接收距离不同而引起的到达时间差。时间延迟是表征信号的一个基本参量，可以利用参数估计及信号处理的理论技术和方法，对上述时间延迟进行估计，并由此进一步确定其它的有关参数，例如，信道的结构特点和温度、信源目标的距离、方位、运动方向和速率等。

对时间延迟及其有关参量估计的研究，一直是信号处理领域中一个比较活跃的研究课题，它具有比较重要的理论意义和较广的应用价值。一方面，时间延迟估计(Time Delay Estimation，简称TDE)的研究对数字信号处理、现代谱估计、信号变换、时间序列分析及相关技术等提出了新的要求，从而促进了这些学科与技术的进步；另一方面，TDE研究的进展又在地质勘探、故障诊断、无线电定位、雷达、声纳、通信及生物医学等领域得到了广泛的应用。

在实际应用中，采集的信号往往含有噪声，这些噪声的特点并不相同。由于信号和噪声的随机特性，需要采用统计的方法来进行分析处理，这就使得数学上的概率统计理论在信号处理中起到了举足轻重的作用。将概率统计理论应用于信号处理通常涉及如何利用概率模型来描述观测信号和噪声的问题，而这种信号和噪声的概率模型通常是所需信息的函数，信息往往由一组参数构成。这组参数通过某种优化准则从观测数据中提取出来。显然，用这种方法从数据中得到所需信息的精确程度，很大程度上取决于所采用的概率模型和优化准则。一个好的统计模型应该与实际信号相符合，并且比较便于分析处理。

在传统的信号处理中，高斯模型占据主导的地位。它是许多背景噪声的概率模型。在很多情况下，噪声的高斯假定是合理的，并且由中心极限定理得到证明。再者，基于高斯模型的信号处理算法易于进行理论上的解析分析。尽管高斯模型能够描述许多信号及噪声，然而，在实际应用中还存在不少非高斯信号及噪声。例如，水声信号、生物医学信号、低频大气噪声、金融数据以及许多人为产生的信号与噪声等都是非高斯的，且带有明显的脉冲性；同时在获得数据的过程中，往往会出现一些未被注意或难以察觉的意外情况，使数据中不可避免地含有或多或少的反常数值。Alpha稳定分布是一种描述脉冲信号噪声的统计模型。信号和噪声的非高斯脉冲特性，常常引起基于高斯假定所设计的最优信号处理系统的性能显著退化。当这种性能退化达到一定程度而不能被容忍时，就必须根据信号和噪声的统计特性重新设计新型的具有鲁棒性的信号处理方法。

发明内容

本发明要解决的技术问题在于提供一种基于非线性变换的自适应时间延迟估计方法，其具有鲁棒性，能够有限地提高信号处理系统的性能。

本发明提供了一种基于非线性变换的自适应时间延迟估计方法，至少包括以下步骤：首先，对信号进行非线性变换；接着，对信号进行时间延迟估计。其中，较优地，采用Sigmoid函数对采集的带噪声信号进行非线性变换，并采用横向自适应滤波器完成对信号的时间延迟估计。

与现有技术相比，本发明的方法采用神经网络中常用的Sigmoid函数对数据进行非线性变换，抑制了脉冲噪声或反常数值对估计结果的影响；再结合自适应滤波器，对信号进行时间延迟的估计，比现有技术有更宽的适用范围。

以下结合附图和具体实施例对本发明的技术方案进行详细的说明，以使本发明的特性和优点更为明显。

附图说明

图1所示为本发明一个实施例的基于非线性变换的自适应时间延迟估计方法的流程图；

图2所示为Sigmoid函数的函数图；

图3(a)为用特征指数α＝1.5的对称Alpha稳定分布(简称SαS)；

图3(b)为经过Sigmoid变换后的脉冲性信号噪声的波形示意图；

图4所示为本发明一个实施例中的单输入横向自适应滤波器的结构示意图；

图5所示为自适应时间延迟估计方法的原理结构示意图；

图6所示为在α＝1.5、MSNR＝0dB时LMSTDE、SATDE的收敛曲线的对比示意图；

图7所示为MSNR＝0dB、α以0.2的间隔从1.2变化到2时LMSTDE、SATDE估计的均方根误差(Root Mean Square Error，简称RMSE)对比图；