[发明专利]一种基于最小均方误差准则的噪声背景估计方法

说明书

本发明涉及一种基于最小均方误差准则的噪声背景估计方法，该方法包括以下步骤：步骤一：获取信号数据序列x(n)；步骤二：计算数据序列x(n)的功率谱P(k)；步骤三：设定数据平滑窗长W，背景谷峰D与谷底的判断阈值U，相邻两次迭代输出结果的均方误差最小值的阈值ε，迭代过程的最大迭代次数I；步骤四：将数据序列的功率谱P(k)作为迭代过程的输入，计算出噪声背景；步骤五：迭代过程结束。该方法的算法复杂度小，并对噪声的统计特性不敏感，适合工程上对噪声背景进行较准确的估计。

技术领域

本发明属于信号处理领域，具体来说，涉及一种基于最小均方误差准则的噪声背景估计方法。

背景技术

从被有色噪声污染的数据序列中检测有用信号是信号处理中的研究热点之一，其关键点在于噪声背景的估计。噪声背景估计在通信、雷达、声呐等领域具有广泛的应用，尤其在信号侦察领域内扮演极其重要的角色。

目前，国内外学者提出了很多噪声背景估计算法，主要有基于参数模型的噪声谱估计、S3PM(SplitThree Pass Mean)算法、OTA(OrderTruncateAverage)算法以及其改进算法。其中基于参数模型的算法，物理意义明确且估计效果良好，但对噪声的统计特性敏感，运算量大。

当噪声的统计特性为平稳或者近似平稳时，利用S3PM算法对噪声背景进行估计并归一化之后，能有效地降低检测的虚警率，但当处理窗长小于目标信号的主瓣宽度时，会出现目标信号分裂情况，即将一个目标检测为两个邻近目标的信号，当处理窗长大于目标信号的主瓣宽度时，利用S3PM算法处理得到的目标信号的能量中心位置不突出，并且主瓣较宽。OTA算法虽然适用于非平稳噪声背景的估计，但是同样存在着与S3PM算法相同的缺点，这些算法均不太适用于要求快速实现以及适用性强的工程实践场合。

发明内容

技术问题：本发明提供了一种噪声背景估计方法，该方法对噪声的统计特性不敏感，易于实现且运算量小。

技术方案：本发明的一种基于最小均方误差准则的噪声背景估计方法，包括以下步骤：

第一步，获取待处理的正弦信号采样数据序列x(n),n＝0,1,…,N-1：从传感器接收N个采样点的实时采集数据作为待处理的数据序列x(n),n＝0,1,…,N-1，或从存储器中提取从检测到信号时刻起始的N个采样点的数据作为待处理的数据序列x(n),n＝0,1,…,N-1，所述的N为检测到的正弦信号脉宽长度所对应的采样点个数，取值为2的整数次幂；

第二步：对所述数据序列x(n)做离散傅里叶变换，计算得到数据序列的离散傅里叶变换X(l)，从而可利用周期图法计算得到数据序列的功率谱P(k)，计算过程如下：

x(n)的离散傅里叶变换为

其中l代表X(l)的离散频率索引，j表示虚数单位，即则该数据序列的功率谱为

其中k为P(k)的离散频率索引，由于实信号的功率谱是对称的所以这里k的最大值只需取到N/2；

第三步：设定参数W、D、U、ε、I，其中W表示数据做滑动平均的窗长，W(N/2＞W≥3)取奇数，滑动窗取矩形窗；D(0＜D＜1)为判断功率谱P(k)点是否为波峰的阈值；U(0＜U＜1)为判断功率谱P(k)点是否为波谷的阈值；η表示相邻两次迭代输出之间的误差平方和，其上限阈值为ε(0＜ε＜1)；I(I＞1且I为整数)表示迭代次数的最大值。

第四步：将P(k)作为迭代过程的输入，计算出噪声背景，包括以下步骤：

(1)为了避免噪声背景归一化时出现极小值除以极小值现象，这里首先对P(k)进行归一化得到P_norm(k)，并同时加上一个常数c(0.5≤c≤1)；此时令迭代次数i＝1，即：