【信号检测】自适应滤波信号检测【含Matlab源码 3586期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab信号处理（仿真科研站版）仿真内容点击👇
Matlab信号处理（仿真科研站版）

⛄一、自适应滤波法微弱信号检测

1 NLMS自适应滤波
1.1 NLMS自适应滤波基本原理
最小均方 (LMS) 误差自适应滤波器[4]是将输入信号x (t) 通过系数可调的加权滤波器后, 与期望的参考信号d (t) 比较, 得到误差信号e (t) 。采用特定的滤波算法调节滤波器权系数w (t) , 最终使误差信号的均方差E[e2 (t) ]达到最小值, 滤波器的输出更接近期望参考信号, 达到最优滤波。由LMS可以推出滤波器权系数的递推公式为

归一化LMS (NLMS) 算法[5,6,7]是一种变步长的LMS算法, 比LMS算法具有更快的收敛速度。它在滤波的初始阶段, 步长较大, 收敛速度较快;当算法收敛后, 减小步长μ, 以保证较高的收敛精度。由NLMS可推出滤波权系数递推公式为

式中, γ是为了避免xT (t) x (t) 过小而设定的参数, 通常情况下的取值范围为0≤γ≤1。

1.2 原始信号的预处理
由自适应滤波的基本原理可知, NLMS自适应滤波器的实现需要已知输入信号的期望信号作为参考信号。但环境声音去噪处理中, 很难预先已知目标声音谱信息来构建参考信号, 因此常规的自适应滤波器很难满足要求。由于目标信号并非白噪声, 而是由液体的振动产生, 有一定的振动规律。因此本文采用一种以自身原始信号作为滤波的期望信号, 使其既为原始信号也为期望信号的方法, 进行自适应滤波。滤波后的误差时域图如图2所示。

从图2中可以看出, 在误差时域中, 目标信号之前的干扰信号被削弱, 而目标信号却得以加强, 起到了抑制干扰、突出目标特征的作用。滤波后以误差信号的时域幅值代替原始信号的时域幅值进行下一步的特征分析。

3 端点检测
端点检测的目的就是在复杂的应用环境下的信号流中分辨出干扰信号和目标信号, 并确定目标信号的开始及结束。主要通过短时能量及瞬时过零率对目标信号进行检测, 当出现的信号满足目标信号的各项特征, 则其被认为是目标信号, 即目标信号的开始端。

3.1 检测识别基本流程
检测识别目标信号时, 同时对滤波后的信号进行短时能量及瞬时平均过零率的判别。当被检测信号均超过两者的门限后, 才被认定为疑似信号。对于疑似信号, 将继续进行时间门限的判别, 只有其超过能量及过零率门限的时间均大于已设定的时间门限, 才被认为是目标信号 (图3) 。

3.2 短时能量门限
首先用短时能量进行判别, 并设定一个高门限, 当信号能量超过此门限后, 进行下一步持续时间门限判断。检测时, 要对声音信号进行加窗分帧处理, 如果窗的长度过大, 在提高检测速度的同时导致识别率的下降;如果窗的长度过短, 在提高检测识别率的同时增加了检测的时间。因此, 采用动态窗长短时能量端点检测方法, 在检测到疑似目标信号时使用大窗长, 出现疑似目标信号后, 改用小窗长。将短时能量[8,9,10]定义为

图3 基本流程图

图4 (a) 为信号在时域内幅度的变化情况, 第5 s处附近有误导噪声, 第12 s处目标信号音 (油爆裂声) 开始出现, 这两处波形呈现明显的尖锐增大。图4 (b) 为能量随时间推移的变化情况, 虽采用帧数计数, 但其时间进度与图4 (a) 的时间进度完全对应。

根据图4考虑设置过渡段的时间门限, 算法在检验到有疑似目标信号时开始计时, 若信号短时能量值没能在设定的时间门限范围内持续, 则认为其为无效信号;若超过时间门限, 则认为信号有效。利用这一能量特性可以实现对信号的辨识, 辨识的精确度高于传统的幅度辨识。但仅凭这个特征判断目标信号还不可靠, 还需要对疑似信号作进一步的识别与确认。

3.3 瞬时平均过零率门限
过零是指信号波形穿越时间轴或零值线, 对于离散时间信号而言, 就是相邻的取样值符号改变。平均过零率即为单位时间 (或单位样本) 内过零的次数[11,12]。计算一个声音信号帧内单位时间越过零线的平均次数, 可以得出其瞬时平均过零率或瞬时平均过零数。当信号瞬时平均过零率超过此门限后, 进行下一步持续时间门限判断。瞬时平均过零率的计算方法可表示为

图5 (a) 为信号在时域内幅度的变化情况, 第5 s处附近有误导噪声, 第12 s处目标信号音 (油爆裂声) 开始出现, 这两处波形呈现明显的尖锐增大。图5 (b) 为信号的瞬时过零率统计, 虽采用帧数计数, 但其时间进度与图5 (a) 的时间进度完全对应。

同样设置时间门限与过零率门限, 通过短时能量判别的信号, 可进一步进行过零率判别。若信号没能在设定的时间门限范围内持续, 则认为其为无效信号;若超过时间门限, 则认为信号有效。

⛄二、部分源代码

% Adaptive notch filter algorithm
clear all
close all
clc;
%% 自适应滤波法微弱信号检测
% 周期信号的产生
fs=10000;
t=(0:1/fs:(1-1/fs));
f=10000;
xs=1sin(2pift);
figure(1);
subplot(2,1,1);
plot(t,xs);grid;
ylabel(‘幅值’);
xlabel(‘时间’);
title(‘输入周期性信号’);

% 噪声信号的产生
n=fs;
x1=normrnd(0,1,1,n);
%散粒噪声
lamdac=2;Tmaxc=1000;
ic=1;Tc(1)=random(‘exponential’,lamdac);
while(Tc(ic)<Tmaxc)
Tc(ic+1)=Tc(ic)+random(‘exponential’,lamdac);
ic=ic+1;
end
Tc(ic)=Tmaxc;xc=0:1:ic;wc(1)=0;
for pc=1:ic
wc(pc+1)=Tc(pc);
end
tc=(1/fs:1/fs:1)Tmaxc;
ac=0.1;
Wc=fs/Tmaxcwc;
Wc=floor(Wc);
yc=zeros(length(Wc)-1,fs);
for k1c=2:1:length(Wc);
kc=Wc(k1c);
t1c=1:1:fs;
ypc=exp(-(t1c-kc)ac);
for kpc=1:1:kc-1
ypc(kpc)=0;
end
yc(k1c-1,:)=ypc;
end
x2=zeros(1,fs);
for k2c=1:1:fs
x2(1,k2c)=sum(yc(:,k2c));
end
% 高斯色噪声
p=0.5;
f0=0.05;
a1=-2pcos(2pif0);
a2=p^2;
x3=zeros(1,n);
for i=3:1:n;
x3(i)=a1x3(i-1)-a2*x3(i-2)+x1(i);
end
xn=x2;
subplot(2,1,2);
plot(t,xn);grid;
ylabel(‘幅值’);
xlabel(‘时间’);
title(‘随机噪声信号’);

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]司兵,吴铭.双稳随机共振在弱信号检测中的应用[J].四川兵工学报. 2012,33(04)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置