一种自适应阈值筛选的微弱射频信号降噪处理方法

摘要: 本发明涉及射频信号处理、微弱信号检测、时频分析与智能优化交叉,尤其涉及一种适用于复杂电磁环境、极低信噪比条件下的自适应阈值筛选的微弱射频信号降噪处理方法,可广泛...
一种自适应阈值筛选的微弱射频信号降噪处理方法

本发明涉及射频信号处理、微弱信号检测、时频分析与智能优化交叉,尤其涉及一种适用于复杂电磁环境、极低信噪比条件下的自适应阈值筛选的微弱射频信号降噪处理方法,可广泛应用于深空探测、无源雷达感知、低功耗物联网通信、电子侦察、射电天文等需要对深埋于强噪声中的微弱射频信号进行高保真提取与增强的技术场景。

背景技术:

1、随着现代无线通信、深空探测、低功耗物联网与雷达电子侦察技术的飞速发展,射频接收系统所面临的电磁环境日益复杂。在深空探测、无源雷达、远距离物联网等典型场景中,接收端需要捕获的目标射频信号经历长距离路径损耗、多径衰落与信道畸变后,到达接收端时信噪比往往低于-15db,极端场景下可达-20db以下,信号特征完全淹没在强背景噪声中,给后续信号检测、解调与参数估计带来极大挑战。同时,实际电磁环境中的噪声并非理想高斯白噪声,而是同时包含接收机热噪声、环境冲激脉冲干扰、邻道有色噪声、窄带人为干扰等多种成分,噪声统计特性随时间动态变化,进一步提升了微弱信号的提取难度。

2、传统微弱射频信号降噪技术主要分为时域滤波、频域滤波与时频域滤波三大类。时域滤波以最小均方、递推最小二乘等自适应滤波为代表,在平稳噪声环境下具有一定效果,但收敛速度慢,非平稳噪声下易出现权值失配,且无法处理与信号同频带的噪声干扰。频域滤波以频谱相减法、维纳滤波法为代表,实现原理简单但对噪声谱估计精度要求高,低信噪比下易对微弱信号造成过度衰减,且重构后易产生“音乐噪声”,严重影响后续信号解调性能。

3、时频域滤波是当前微弱信号降噪领域的主流研究方向,其中小波阈值降噪法因多分辨率分析特性在非平稳信号处理中应用广泛。该方法核心思想是通过设定阈值将小幅值小波系数判定为噪声并置零,对大幅值系数进行保留或收缩后重构信号。但传统小波阈值法存在显著缺陷:一是全局固定阈值仅基于高斯噪声假设计算,非高斯噪声下阈值严重失配,要么残留大量噪声,要么将微弱有用信号误判为噪声滤除;二是硬阈值函数在阈值处存在间断点,重构信号易产生伪吉布斯振荡,软阈值函数对大系数存在恒定偏差收缩,导致信号幅值估计误差;三是开环阈值计算机制缺乏自校正能力,初始噪声估计偏差会持续影响处理结果,噪声时变场景下性能波动剧烈。

4、针对一维小波阈值法的缺陷,现有技术提出了分层阈值、自适应阈值、改进阈值函数等多种优化方案,但整体仍未突破一维时频分析的框架局限,对于时频深度交叠的微弱信号与噪声,分离能力存在本质瓶颈。近年来,经验模态分解、变分模态分解等自适应分解方法被广泛应用于信号降噪,其中变分模态分解通过变分约束模型有效克服了模态混叠问题,但一维变分模态分解缺乏时频联合约束,难以分离在时域或频域单方面重叠但时频平面可分的信号与噪声成分,且核心参数依赖人工经验设定,动态电磁环境下自适应能力不足。

5、为突破一维处理瓶颈,部分学者提出二维变分模态分解结合时频图的处理方法,但现有方案仍存在多方面技术缺陷:一是时频映射环节多采用短时傅里叶变换或魏格纳-维尔分布,前者受海森堡测不准原理限制时频分辨率固定,后者存在严重交叉干扰项,无法为后续分解提供高质量二维特征矩阵;二是二维分解参数多采用人工设定或简单寻优算法,无法根据噪声环境动态调整,复杂场景下分解精度大幅下降;三是模态筛选多采用单一能量或相关系数阈值,极低信噪比下极易将包含微弱信号瞬态特征的混合模态误判为纯噪声剔除,造成不可逆信息丢失;四是对信号与噪声深度交织的混合分量缺乏精细化二次降噪手段,信号瞬态边缘与相位跳变特征保真度不足;五是整体处理为开环架构,缺乏残差反馈与自校正机制,初始估计误差无法动态修正,鲁棒性难以满足工程应用要求。

6、综上,现有微弱射频信号降噪技术普遍存在噪声适配范围窄、低信噪比下弱信号提取精度不足、分解参数自适应能力差、缺乏闭环自校正机制、工程落地场景受限等技术痛点,亟需一种能够同时适配多类型复杂噪声、具备智能参数寻优与多维精准筛选、兼具闭环自校正能力的微弱射频信号降噪处理方案,以解决现有技术的多重缺陷。

技术实现思路

1、针对现有技术的上述不足,本发明的目的在于提供一种自适应阈值筛选的微弱射频信号降噪处理方法,通过噪声特征在线感知、高分辨时频映射、噪声驱动型智能参数寻优、多维双模态阈值筛选、二级精细化降噪与残差反馈闭环校正的一体化架构,解决现有技术中非高斯噪声下阈值失配、低信噪比弱信号易误滤、分解参数依赖人工经验、开环处理鲁棒性不足、混合分量保真度低的技术问题,实现极端复杂电磁环境下微弱射频信号的高精度、高稳定性、可工程化降噪提取。

2、为实现上述目的,本发明采用如下技术方案:一种自适应阈值筛选的微弱射频信号降噪处理方法,包括以下步骤:

3、s1射频信号采集预处理与噪声特征在线感知:对接收端采集的射频模拟信号依次进行低噪声放大、下变频、抗混叠滤波与模数转换,得到离散数字信号,经去直流、幅值归一化处理得到基带离散信号序列;采用滑动分块机制提取信号高阶统计特征,自动判别噪声类型,同时结合恒虚警率检测构建时频二维噪声基底,输出噪声特征参数与噪声功率谱矩阵。

4、s2自适应短时分数阶傅里叶变换高分辨时频映射:基于基带信号的瞬时频率变化率自适应计算最优分数阶变换阶数,采用动态调整窗长的高斯窗函数执行短时分数阶傅里叶变换,将一维基带信号映射为高分辨率、无交叉项的二维时频幅值矩阵;同时将步骤s1得到的噪声功率谱矩阵映射至对应时频网格,生成时频域噪声基底矩阵。

5、s3噪声感知型改进北方苍鹰优化的自适应二维变分模态分解:以二维时频幅值矩阵为输入构建约束变分模型,引入噪声特征参数驱动适应度函数动态加权,采用改进北方苍鹰优化算法对模态数与惩罚因子进行全局自适应寻优;利用寻优得到的最优参数执行二维变分模态分解,输出多个二维本征模态分量。

6、s4基于博弈论组合赋权的双模态阈值模态筛选:提取每个二维本征模态分量的多维特征指标,采用博弈论组合赋权法融合主观权重与客观权重得到综合权重,构建模态综合评价指标;采用“全局粗筛选-局部细筛选”双模态阈值机制,先通过全局阈值快速剔除纯噪声主导分量,再通过局部自适应阈值精准区分信号主导分量与混合分量,保留信号主导分量并将混合分量送入二级降噪模块。

7、s5融合平滑阈值收缩与改进三维块匹配的混合分量二级降噪:对混合分量先采用改进平滑过渡阈值函数进行系数收缩预处理,滤除浅层随机噪声;再采用改进三维块匹配算法进行协同滤波,硬阈值阶段引入自适应局部方差估计,软阈值阶段采用双变量收缩函数保护时频边缘;最后通过自适应多尺度形态学滤波修复时频脊线断裂,得到降噪后的混合分量。

8、s6时频重构与残差反馈闭环校正:将信号主导分量与降噪后的混合分量在时频平面线性叠加,重构得到降噪后二维时频矩阵,经逆短时分数阶傅里叶变换得到初步降噪基带信号;计算原始信号与初步降噪信号的残差,对残差执行二次时频分析与弱信号检测,将检测到的漏检信号时频位置反馈至步骤s4的阈值模块,动态修正对应区域的局部筛选阈值,完成一次闭环优化后重构得到最终降噪信号。

9、s7降噪信号输出:将最终降噪的基带数字信号直接输出至后续解调、检测模块,或经数模转换与上变频处理后输出模拟射频信号。

10、进一步地,步骤s1中所述噪声特征参数包括噪声标准差、峰度系数与偏度系数,噪声类型分为高斯白噪声、冲激噪声与有色噪声三类;噪声特征更新采用指数加权移动平均方式,更新公式为:

11、

12、式中,为第个信号块更新后的噪声特征参数,为当前信号块的特征估计值,为更新系数,取值范围0.01~0.1。噪声类型判别规则为:当满足且时判定为高斯白噪声;当满足且时判定为冲激噪声;不满足上述条件时判定为有色噪声;其中k为峰度系数,s为偏度系数,计算公式分别为:

13、

14、式中,为噪声样本序列,表示数学期望。

15、进一步地,步骤s1中时频二维噪声基底估计采用排序统计恒虚警率检测结合递归平滑机制,对每个时频点,选取邻域参考单元功率排序值作为噪声基底初值,结合信号存在性判决结果递归更新噪声功率谱:

16、

17、式中:

18、为第帧、第个频点处更新后的噪声功率谱估计值;

19、为对应时频点的瞬时功率谱;

20、为排序统计恒虚警率检测得到的单帧噪声基底初值;

21、为信号存在性判决因子,典型取值范围为;

22、为递归平滑因子,取值范围为,用于平衡噪声估计的稳定性与跟踪速度。

23、进一步地,步骤s2中最优分数阶变换阶数p根据信号瞬时频率的调频率参数计算,公式为:

24、

25、自适应高斯窗的标准差根据局部瞬时频率的方差动态调整:

26、

27、式中,为基准窗宽,为调节系数,为局部瞬时频率的方差。

28、进一步地,步骤s3中二维变分模态分解的约束变分模型为:

29、

30、式中,为第个二维本征模态分量,分别为分量在时间与频率维度的中心频率,为惩罚因子,为输入时频幅值矩阵,为frobenius范数,为模态总数。

31、进一步地,步骤s3中改进北方苍鹰优化算法的改进策略包括:探索阶段引入莱维飞行机制替代随机游走,位置更新公式为:

32、

33、式中,服从莱维分布,为0~1之间的随机数,为当前最优猎物位置;开发阶段引入自适应非线性惯性权重w,随迭代次数t动态调整:

34、

35、式中,、分别为初始与最终惯性权重,为最大迭代次数。

36、进一步地,步骤s3中适应度函数f结合噪声类型动态加权,公式为:

37、

38、式中,为第个分量的二维多尺度散布熵,为有效频带能量比,为分量噪声基底与步骤s1估计噪声基底的匹配误差;权重系数、、根据噪声类型自适应调整:高斯白噪声场景下增大权重,冲激噪声场景下增大权重,有色噪声场景下增大权重。

39、进一步地,步骤s4中提取的多维特征指标包括二维多尺度散布熵、时频聚集度指标与二维互信息量;博弈论组合赋权法的实现过程为:设主观权重向量为,客观权重向量为,寻找最优线性组合系数、使得组合权重与原权重的偏差平方和最小,通过求解矩阵方程得到系数并归一化,最终得到综合权重向量。

40、进一步地,步骤s4中双模态阈值筛选机制具体为:

41、全局粗筛选:根据噪声基底矩阵计算全局筛选阈值,将综合评价指标低于的分量直接判定为纯噪声分量并剔除;全局阈值根据噪声类型差异化计算:高斯白噪声场景采用改进sure无偏风险阈值,冲激噪声场景采用基于中位数的鲁棒阈值,有色噪声场景采用子带方差匹配阈值。

42、局部细筛选:对剩余分量计算逐区域局部阈值,结合时频连续性判据区分信号主导分量与混合分量;局部阈值与对应时频区域的能量比正相关,能量越高阈值越高,避免微弱信号区域被过度筛选。

43、进一步地,步骤s5中所述改进平滑过渡阈值函数的表达式为:

44、

45、式中,为阈值,为原始时频系数,为过渡平滑参数,为符号函数,表示取正部运算。

46、进一步地,步骤s5中改进三维块匹配算法的硬阈值采用自适应局部方差估计动态设定:式中,为局部噪声方差估计值,为块尺寸,为调节系数;软阈值阶段采用双变量收缩函数,结合当前系数与其父尺度系数的相关性进行收缩,保留时频脊线边缘特征。

47、进一步地,步骤s6中残差反馈校正的具体过程为:计算残差序列,其中为原始基带信号,为初步降噪信号;对残差执行短时分数阶傅里叶变换得到残差时频矩阵,采用原局部阈值的50%作为检测阈值,结合时频连续性判据检测漏检信号的时频位置;将对应位置的局部筛选阈值降低20%,重新执行模态筛选与分量重构,完成一次闭环优化。

48、本发明与现有技术相比,具有以下显著的技术优势与有益效果:

49、1、噪声适配范围更广,环境鲁棒性全面提升。本发明融合滑动分块高阶统计特征分析与时频域cfar噪声基底估计,可自动判别高斯白噪声、冲激噪声、有色噪声三类噪声环境,并通过噪声类型驱动阈值模型、适应度函数权重的动态适配,从噪声估计、参数寻优到阈值筛选全链路匹配噪声特性。测试表明,在非高斯噪声场景下,本方法降噪性能较传统二维分解方案提升40%以上,噪声特性时变时输出信噪比波动幅度不超过0.8db,环境适应性显著增强。

50、2、时频表征与分解精度更高,弱信号分离能力突破瓶颈。本发明采用自适应短时分数阶傅里叶变换实现高分辨率无交叉项时频映射,结合噪声感知型改进北方苍鹰优化算法实现二维变分模态分解参数的全局自适应寻优,既解决了传统时频映射分辨率不足与交叉项干扰的问题,又突破了分解参数人工设定的局限。在输入信噪比-20db的极端条件下,时频脊线识别准确率较传统stft+固定参数vmd方案提升55%以上,可有效分离时频深度交叠的微弱信号与噪声。

51、3、双模态多维筛选精准度高,微弱信号保真度优异。本发明构建“全局粗筛选-局部细筛选”双模态阈值机制,结合博弈论组合赋权的多维特征评价体系,既保证了纯噪声分量的快速剔除,又实现了信号分量与混合分量的精准区分;同时融入时频连续性判据,有效避免了微弱瞬态信号被误删的“过杀”问题。测试数据显示,-18db输入信噪比下,信号相关系数可达0.978,均方误差较传统二维方案降低62%,信号相位跳变、瞬态脉冲等精细特征完整度提升45%以上。

52、4、二级降噪+闭环自校正,极端场景鲁棒性显著增强。本发明针对混合分量设计“平滑阈值收缩-协同滤波-形态学修复”三级精细化降噪流程,在滤除深层噪声的同时完整保留时频脊线结构;同时引入残差反馈闭环校正机制,通过残差二次检测动态修正阈值偏差,将开环处理转化为闭环优化,有效弥补了初始噪声估计与阈值模型的固有误差。实验验证表明,闭环校正可挽回85%以上的漏检信号分量,极低信噪比下输出信噪比再提升2.3db,系统鲁棒性与可靠性大幅提升。

53、5、架构可裁剪性强,兼顾高端场景与工程落地。本发明整体架构采用模块化设计,可根据应用场景算力条件灵活裁剪:高端场景可启用完整闭环与二级降噪实现极致性能,资源受限场景可关闭闭环与部分模块保障实时性;同时方案配套fpga+多核dsp异构硬件实施架构,核心运算可通过并行流水线加速,处理带宽可达80mhz以上,端到端延迟控制在3ms以内,既满足深空探测等高端场景的性能需求,又适配中低端嵌入式射频平台的工程落地,适用场景覆盖范围远超现有方案。