脉冲噪声下基于DCNN的LFM信号去噪方法OA北大核心CSTPCD

由于脉冲噪声具有明显的尖峰脉冲特性,使得基于高斯假设的传统去噪方法无法有效滤除脉冲噪声。针对这个问题,文中提出了一种脉冲噪声下基于深度卷积神经网络(DCNN)的线性调频(LFM)信号去噪方法。首先,生成LFM信号和随机脉冲噪声,构建不同广义信噪比下的数据集,输入DCNN进行训练和测试。进而,从时域波形图、分数谱、时频分布三个方面验证模型的去噪能力。最后,对去噪LFM信号进行分数阶傅里叶变换,通过搜寻分数谱中的峰值点来估计LFM信号的参数。仿真实验结果表明,文中方法不仅能够有效去除含噪信号中的随机脉冲噪声,而且还可以保持LFM信号的时域特征、分数谱特征和时频特征基本不变,进而提高了参数估计的噪声鲁棒性。与传统的基于非线性变换的方法相比,本文方法在低信噪比下仍能有效保持信号的分数谱特征和时频特征,具有更好的去噪性能和泛化能力。