小波阈值去噪在FMCW雷达信号处理中的应用

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (8): 195-199.

小波阈值去噪在FMCW雷达信号处理中的应用

陈文会1，刘芹1，刘小民2，李喆1

1.西北工业大学电子信息学院，西安 710129
2.陕西脉航交通测控有限公司，西安 710061

出版日期:2015-04-15 发布日期:2015-04-29

Application of wavelet threshold denoising method in signal processing of FMCW radar

CHEN Wenhui1, LIU Qin1, LIU Xiaomin2, LI Zhe1

1.School of Electronics and Information, Northwestern Polytechnical University, Xi’an 710129, China
2.Shaanxi Maihang Traffic Control Co. Ltd., Xi’an 710061, China

Online:2015-04-15 Published:2015-04-29

摘要/Abstract

摘要： 针对调频连续波（FMCW）雷达回波信号中存在噪声的问题，采用小波阈值法进行去噪。详细讨论了小波阈值去噪过程中各参数的选取原则，构造了一种优于典型阈值函数（如：软、硬阈值函数，软硬阈值改良折衷法和半软阈值函数）的新阈值函数。利用典型阈值函数和构造的阈值函数，对实际雷达回波信号进行处理，证明了构造的阈值函数去噪效果更佳。

关键词: 小波变换, 阈值函数, 调频连续波（FMCW）雷达

Abstract: Facing the problem of the existence of noise in Frequency-Modulated Continuous Wave （FMCW） radar echo signal, wavelet threshold denoising method is used for signal denoising. Principle of each parameter of the wavelet threshold denoising method is discussed in detail, and a new threshold function superior to the typical functions, such as soft threshold function, hard threshold function, the improved compromise between soft and hard threshold method and semi-soft threshold function, is constructed. The typical functions and the new threshold function are used to process the actual radar echo signals and the results show that denoising performance of the new threshold function is better than that of the typical functions.

Key words: wavelet transform, threshold function, Frequency-Modulated Continuous Wave（FMCW） radar

陈文会1，刘芹1，刘小民2，李喆1. 小波阈值去噪在FMCW雷达信号处理中的应用[J]. 计算机工程与应用, 2015, 51(8): 195-199.

CHEN Wenhui1, LIU Qin1, LIU Xiaomin2, LI Zhe1. Application of wavelet threshold denoising method in signal processing of FMCW radar[J]. Computer Engineering and Applications, 2015, 51(8): 195-199.

[1]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[2]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[3]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[4]	常戬，贺春泽，董育理，任营. 改进双边滤波和阈值函数的图像增强算法[J]. 计算机工程与应用, 2020, 56(3): 207-213.
[5]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[6]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[7]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[8]	肖文卿1,3，汪鸿浩2，詹长安1. 基于小波系数特征融合的小鼠癫痫脑电分类[J]. 计算机工程与应用, 2019, 55(14): 155-161.
[9]	谢国波，吴震禹. 基于小波变换和重力模型的混沌图像加密算法[J]. 计算机工程与应用, 2019, 55(13): 100-105.
[10]	颜宏文，卢格宇. CEEMD-WT和CNN在短期风速预测中的应用研究[J]. 计算机工程与应用, 2018, 54(9): 224-230.
[11]	张志禹1，李向月1，李向阳2. 同步挤压小波变换对随机噪声抑制的研究[J]. 计算机工程与应用, 2018, 54(5): 57-60.
[12]	陈波1，刘厚泉1，赵志凯2. 时间序列多尺度异常检测方法[J]. 计算机工程与应用, 2018, 54(20): 122-127.
[13]	贾澎涛，贾伟. 煤矿井下视频多目标轨迹跟踪算法研究[J]. 计算机工程与应用, 2018, 54(2): 222-227.
[14]	崔金鸽1，陈炳权1，2，徐庆1. 基于Dual-Tree CWT和自适应双边滤波器的图像去噪算法[J]. 计算机工程与应用, 2018, 54(18): 223-228.
[15]	张艺超，袁贞明，孙晓燕. 基于心冲击信号的睡姿识别[J]. 计算机工程与应用, 2018, 54(17): 135-140.