基于重排小波-Radon变换的LFM雷达信号参数估计

小波变换是一种兼顾时频分辨率的线性变换,对多分量情况不会引入交叉项。针对此问题,提出基于重排小波-Radon变换的多分量线性调频信号的参数估计法。该方法先将小波尺度图转为时频分布图,为提高聚集性引入了时频重排,再将重排图进行Radon变换以进行参数估计。对单分量和双分量的情况进行了仿真,结果表明,该方法有效提高了时频分布图的聚集性,大大节省了后续Radon变换的时间,同时也抑制了噪声干扰,辨识效果明显提高。     

基于RSPWVD-Hough的多分量LFM信号检测

由于多分量LFM信号的双线性时频分布（BTFD）存在交叉项的干扰，所以在低信噪比条件下直接在时频平面难于进行检测，采用重排平滑伪魏格纳维尔分布（RSPWVD），能在抑制交叉项的同时提高时频聚集性，并利用Hough变换检测图像中直线的原理，将多分量LFM信号的检测问题转换为在参数空间寻找局部极大值的问题，由于Hough变换运算量较大，提出一种在平滑重排后进行设定门限处理的方法，仿真实验表明，该方法可以在抑制噪声和交叉项的同时大大减少运算量。     

基于时频自适应最优核的时频分析方法

为了抑制多分量信号中同时间点各分量信号引起的交叉项干扰,提出了一种新的时频分析方法--时频自适应最优核时频表示。与以往的基于信号时频表示和时间自适应最优核时频表示不同,该方法通过对Wigner-Ville分布做二维加窗傅里叶变换以得到局部模糊函数,使得核函数不但能够随时间而自适应,而且能够随着频率而自适应。给出了该方法的实现步骤,通过将其用于分析合成信号,表明时频自适应最优核时频表示抑制交叉项效果明显,且能够比时间自适应最优核时频表示更为清楚地刻画信号。     

自适应核时频分布在抑制交叉项中的应用

分析了固定核函数时频分布在抑制交叉项方面的局限性以及基于信号特征的自适应时频分布对时频分辨率的改善。通过对基于信号特征的径向高斯核时频分布进行改进,提出了一种基于信号特征的自适应核时频分布的改进算法。该算法采用短时模糊函数和随时间变化的自适应核,能够在时频分布中区分出多分量信号的细节部分。仿真结果表明,该分布具有较高的时频分辨率,且无交叉项干扰。同时它还适合分析长时间信号和实现在线信号处理。     

基于自适应高斯核函数时频分布的水声信号处理研究

时频分析被广泛应用于水下目标宽带回波信号以及短时瞬态信号的处理。在水声信号的特征检测和分类方面,时频分析的时变谱提供了区分不同类别目标信号的特征信息。提出一种基于自适应核函数时频分布的水声信号处理方法。与固定核函数时频分布相比,自适应高斯核函数时频分布由于它的核函数随信号而自适应改变,因此对交叉项有很好的抑制效果。计算结果表明,对于多分量线性调频水声信号,采用高斯核函数自适应时频分析不仅对交叉项具有很好的抑制作用,而且对信号的自分量具有较好的聚集作用。     

基于分数阶傅里叶变换的chirp信号时频分析

提出了一种新的基于分数阶傅里叶变换的伪维格纳分布(PWD),用于单分量或多分量chirp信号的分析。首先通过搜索二阶分数阶傅里叶变换矩的极值点,寻找最佳变换域,然后利用旋转的短时傅里叶变换,在分数阶傅里叶变换域中实现各分量chirp信号间的分离,以抑制交叉项及噪声项的干扰。在已知信号模型的前提下,还给出了分数阶傅里叶变换最佳旋转角度的经验计算公式,以辅助信号分析。仿真实验表明,通过对时频平面的旋转,所提出的方法能够在分数阶傅里叶变换域中,很好地抑制多分量信号间的交叉项干扰,更好地提取信号的时频信息。     

基于RSPWVD高速跳频信号跳周期估计算法

针对跳频通信进行有效干扰的关键在于对跳频信号参数进行精确的估计,提出了一种基于重分配平滑伪魏格纳维尔分布(reassigned smoothed pseudo Wigner-Ville distribution,RSPWVD)的高速跳频信号跳周期估计算法。该算法利用了RSPWVD良好的时频聚集性和抑制交叉项的能力,能够有效地估计出跳频信号的跳周期参数(hop duration)。仿真实验结果表明了该算法的准确性与有效性。     

基于高效时频分析的多LFM信号源的DOA估计

目前已提出的基于时频分析的DOA估计方法在多LFM信号源环境下性能不理想,抑制或消除交叉干扰项是提高方向估计性能的关键。提出了基于SPW变换的时频DOA估计方法,SPW结合了WVD与STFT的优点,在很好地抑制交叉项的同时,具有高的时频聚集性;它不需要对信号进行过采样,而且在降低运算代价方面具有显著优势。模拟实验表明,在多目标环境下,与基于PWVD和SPWVD的方法相比,基于SPW的方法的DOA估计精度有很大提高。如在信噪比为-20dB时,基于PWVD和SPWVD方法的方向估计标准差分别为0.25°和0.28°,而基于SPW的方法只有0.04°。     

α稳定分布噪声中基于最优核时频分析的跳频信号参数估计

针对传统非线性时频分析方法在跳频(frequency hopping, FH)信号参数估计时,会出现严重的交叉项和参数估计精度降低等问题,引入径向高斯核(radially Gaussian kernel,RGK)时频分析方法,该方法根据FH信号的不同自适应选择最优核函数,从而有效抑制交叉项。RGK时频分析方法可在高斯噪声环境下估计FH信号的参数,但在脉冲性较强的α稳定分布噪声中,该方法性能退化甚至失效。对此,结合最大似然估计理论,提出了一种α稳定分布噪声环境下的加权最大似然广义柯西(weighted maximum likelihood generalized Cauchy,WMGC)滤波的新方法。采用基于WMGC滤波器的RGK时频分析方法(WMGC RGK方法,即WR方法),对该噪声中的跳频信号进行参数估计。仿真结果表明,与基于分数低阶及Myriad的时频分析方法相比,WR方法在α稳定分布噪声中具有良好的鲁棒性和优良的跳频信号参数估计性能。     

应用自适应时频分布的瞬时频率估计

估计信号的瞬时频率常用解析信号的相位差分或Cohen类时频分布的时间一阶条件矩 ,但这些方法在信噪比较低时存在较大的方差。提出了一种新的瞬时频率估计方法 ,它把被分析的信号自适应地扩展到一组有限的 ,具有较好的时频局部化特征的基函数集上 ,用相应的自适应时频分布的谱峰检测来估计信号瞬时频率。仿真结果表明 ,该方法具有较好的抗噪声能力 ,且能够灵活地应用于估计多分量信号的瞬时频率 ,可以取得比其它方法更好的效果。     

基于自适应LPFT的非平稳信号到达角估计

对非平稳阵列信号处理来说,通过时频分析预处理可以提高对不同信源到达角(direction of arrival, DOA)的分辨能力和估计精度。本文以提高在多信号分量环境下时频表示的能量聚集性为目标,提出一种自适应的局部多项式傅里叶变换(local polynomial Fourier transform, LPFT)方法,通过对信号瞬时频率曲线进行多项式拟合,确定LPFT的窗函数长度及各阶系数,以较小的计算量实现自适应时频分析。在此基础上,提出一种基于自适应LPFT的多信号分类(multiple signal classification,MUSIC)算法。仿真结果表明,与其他时频MUSIC算法相比,该方法对信号形式的适应能力强,在DOA估计精度、多信源角度分辨能力方面具有一定优势。     

基于TFD-Hough变换的毫米波导引头微运动参数提取算法

分析了旋转目标的微多普勒特性与微运动参数的关系,指出其微多普勒信号为三参数的正弦调频信号。针对这一信号形式,推导了多分量正弦调频信号的时频分布特性,提出了一种在时频图上检测三参数正弦曲线的Hough变换方法,进而提出了一种基于TFD-Hough(time frequency distribution-Hough)变换的微运动参数提取算法。仿真实验和外场试验数据处理表明了该方法的有效性和鲁棒性。     

基于改进Dijkstra算法与时频域滤波的雷达目标识别

针对弹道中段雷达目标回波的微多普勒特征提取精准度不高导致目标识别率低的问题, 提出一种基于改进Dijkstra算法与时频域滤波相结合的雷达目标分类识别方法。该方法首先采取改进Dijkstra算法提取多分量回波信号中最强分量的瞬时多普勒特征, 然后利用时频域滤波方法滤除最强分量, 依次提取多分量信号的瞬时多普勒特征, 并将该特征应用于弹道中段雷达目标识别。仿真结果表明, 该方法适用于多种微动形式, 提取回波信号的微多普勒特征的精度更高, 对于弹道中段雷达目标平均识别率较高。     

Signal Processing of the Area-Target for a Short-Range Radar

1.INTanDUCTIoNThetargetsofshort-rangeradarmaybeclassffiedastargetsinair,ongroundorunderground.Nomatterwhatkindoftargets,theirradarreflectioncharacteristicsandradarcrosssectionarerelatedtothewavelengthofthetransndttedsignals.Thesurfaceofatargetmaybethoughtofasrandomcombinationofincoherentscatteringpoilltsforthelargeratiotargetmodel[1]withanyrelativerouglmess,thatistosaywhenthephysicaldimensionorsurfaCe'sroughdeviationofatargetisfarlargerthanthewavelengthofthetransmittedsignal,thevolumeorare…     

脉冲噪声中基于数据可信度加权的跳频信号检测

时频分析是跳频(frequency-hopping, FH)信号检测的有力工具,但是脉冲噪声下性能严重退化,无法有效地提取跳频信号的周期、频率和跳变时刻等参数;基于分数低阶统计量和最大似然估计(maximum-likelihood,ML)的算法是改善脉冲噪声下FH信号时频分布的两类常用方法,但前者性能改善有限,后者通常对噪声的概率分布较为敏感,且计算复杂度高。对此,提出一种基于数据可信度加权(weighting based on the data credibility,WDC)的FH信号检测方法。该方法基于云模型(cloud model, CM)理论,建立了数据可信度的概念,以分析脉冲噪声下接收信号的不确定性,然后在此基础上实现信号加权,改善脉冲噪声下FH信号的时频分布特征。仿真实验证明,在稳定分布噪声中,该方法与基于分数低阶及Myriad滤波器的时频分析方法相比,能够较好地抑制脉冲噪声,获得FH信号的参数信息,具有良好的鲁棒特性。     

基于多分辨率显著性滤波的微动信号增强方法

微动信号是典型的非平稳信号, 时频分析能够获得微动信号的联合时间-频率分布图像, 是微动信号分析的主要工具之一, 良好的时频图像质量能保证后续特征提取和参数估计的准确性。然而在实际场景中, 时频图像通常受到噪声污染, 使得微动信号难以分辨, 严重制约了后续特征提取和参数估计。根据显著性检测和图像金字塔的基本原理, 本文在多分辨率表示图像上分别计算显著性并滤波, 最后进行加权融合获得增强的时频图像, 有效抑制了噪声, 提升了低信噪比(signal to noise ratio, SNR)下时频图像的质量和微动信号的显著性。实验结果表明, 对于仿真信号以及暗室测量信号, 在-7~7 dB SNR下, 采用该方法均能显著提升时频图像质量, 且-3 dB以下时能大幅提高周期估计的准确率, 是一种有效的微动信号增强方法。