开题报告-信号中心频率及带宽的估计算法.docVIP

选题的依据及意义： 选题依据： 中心频率估计和带宽估计是经典的参数估计问题。参数估计是信号处理学科的重要组成部分，也是今年来非常活跃、发展迅速的一个研究领域。参数估计作为一种重要的信号分析手段，有着广泛的应用背景和重要的应用价值，其应用涉及雷达、声纳、导航、通信、成像、生物医学工程等诸多军事及民用领域。随着信号处理的快速发展，对信号的检测和参数估计的要求也越来越高，提出精度更高、分辨能力更好、稳健性和容错性更强、设计更简单的估计方法一直是人们不断努力的方向。针对不同应用领域，参数有着不同的内涵和物理意义，各种参数也为我们提供了目标信号的不同的信息，因此，对该课题的研究是十分有必要的。 选题意义： 有关信号频率估计的方法可分为常规方法、参数模型法、非参数模型、特征分析方法及其他相关方法，比如基于非参数建模的频率估计，该方法主要基于矩阵特征分解的频率估计，它将相关矩阵的特征向量空间分解为信号子空间和噪声子空间，由此衍生出特征向量与MUSIC算法的信号频率估计，其中特征向量拼了估计与MUSIC算法的频率估计都是基于噪声子空间的频率估计，最近二十多年出现了大量优秀的频率估计算法，其中多重分类算法开创了子空间类阵列信号处理算法的研究先河，可视为一个重要里程碑，子空间类算法通过对数据矩阵的奇异值分解或空间协方差矩阵的特征分解来获得信号子空间的关系来构造各类信号参数估计算法。后来，提出的子空间旋转不变算法（ESPRIT）又为特征结构法的研究翻开了新的一页，该方法利用信号子空间的旋转不变特征来估计信号参数，避免了MUSIC算法因需要一维有哪些信誉好的足球投注网站而带来的大量计算，同时在一定程度上降低了算法对硬件的需求，常用的基于特征结构的估计方法还有最小范数法，求根MUSICS算法（root-MUSIC)，加权子空间拟合法以及以及多维有哪些信誉好的足球投注网站的最大似然方法等。 最常见的几种带宽定义有：3dB定义、均方根法定义（RMSM）以及瞬时带宽和等效带宽的定义方法等。基于这些定义的估计方法有自相关法，最大熵法（MEM），能量集中法（EIM），极大似然法（ML），最小二乘法（LS）等，在此之后的多数研究已经是针对具体的信号与环境提出相应的方法，并且在研究中提出新的定义，如基于Cohen和Lee提出的瞬时带宽定义所产生的带宽估计方法：利用矩阵论，级数近似展开等数学知识所提出的针对线性调频信号的中频和带宽估计算法；利用迭代方法获得非平稳信号的瞬时带宽的方法；利用加窗特性得到的多普勒信号带宽的估计的修正算法；利用自回归（AR）等参数模型的估计算法等等，，因此可以说该论题具有一定的理论和实际意义的。 国内外研究现状及发展趋势（含文献综述）： 参数估计是现代信号处理的一个重要分支，迄今为止，参数估计的应用范围涉及诸如雷达、声纳、导航等领域，针对中心频率估计及带宽估计问题涌现出许多新定义，新技术和新方法。目前为止，对于信号频率和带宽估计的研究已经比较透彻和完备，针对不同的噪声环境和不同的输入信号，均有不同的定义和方法。 针对频率及带宽的估计，国内外近期研究出现了一些新的趋势，如针对色噪声及非平稳环境下的高分辨率参数估计算法的研究，针对基于子空间方法的快速参数估计算法的研究，利用信号的时域信息、波形信息进行多参数联合估计等。 现有的高分辨的估计方法都假定背景噪声是统计独立的白高斯噪声，然而在实际环境中，白噪声的假设并不总是成立，当实际噪声模型不满足白噪声时，传统的高分辨方法则将引起严重的性能恶化甚至失效，为克服色噪声引起的空间谱估计问题，近年来，针对色噪声环境下的估计方法的研究已成为一个新的研究热点。常用的方法有：在噪声协方差矩阵已知时对接收数据进行预白化处理：利用时域特性，如假定信号为非高斯的，而噪声为高斯的，利用信号的循环平稳性或信号的参数化模型去掉噪声的影响，或者利用信号的时间的相关长度大于噪声的相关长度通过相关处理抑制掉噪声等。 寻求简单快速的参数估计算法是人们一直以来所关注的另一个研究课题，现有的基于子空间的高分辨方法，大都需要特征分解以获得所谓的信号子空间后噪声子空间，特征分解的过程，运算量大算法复杂，工程实现较繁琐，用于实时实现有一定的困难，为了使高分辨方法应用于实际处理，研究快速算法是十分必要的，已有的快速方法大多是寻求简单的分解以代替特征分解来形成信号与噪声子空间。典型的方法有Bischof及Stewart提出的UBV分解方法等用采样协方差矩阵的多项式或有理函数形式去近似信号子空间方法，类似的思想还有利用离散傅里叶和余弦变换近似信号子空间方法，且算法大都仅适用于白噪声环境，因而研究适于色噪声环境下的快速参数估计方法仍然是人们有待研究的一个方向。 利用多种信息提高参数估计方法的容错性和稳健性是当前研究中一个重要的途径之一。可利用的信息包括：信号的波形信