宽带LFM信号数字产生与采集系统

介绍了采用高速数字基带和正交调制电路实现的宽带LFM脉压信号产生系统的工作原理及实现方法 ,给出了系统产生的 70MHz带宽、2 0 μs时宽、2 0 0MHz中频LFM信号的实测频谱 ,结果表明 ,信号杂散达到 - 6 0dB。同时介绍了 10 0MHz高速数据采集系统的设计实现及其对数字产生LFM基带信号的采集和分析情况     

扩频系统自适应时变LFM干扰对消算法

线性调频(LFM)是扩频系统中常见的一种宽带干扰样式。提出了一种基于离散观测数据估计干扰参数的自适应时变LFM干扰对消算法,通过仿真分析了该算法的性能。结果表明,所提出的方法克服了复数自适应滤波器对LFM干扰的抑制能力随LFM信号扫频速率增加而降低的缺点;与基于时频分析的自适应时变LFM干扰对消算法相比,其运算量大大减小,是一种实用、有效的LFM干扰抑制算法。     

基于脉内LFM-Costas频率步进的抗间歇采样干扰方法

线性调频(linear frequency modulation, LFM)分段脉压对抗间歇采样干扰时,子脉冲顺序步进,使得采样子脉冲与相邻子脉冲脉压后,残余信号积累从而形成干扰带;干扰抑制时信号不连续采样,产生谐波分量。针对这两个问题,提出一种基于脉内Costas频率步进的LFM波形抗间歇采样干扰方法。该波形综合LFM和Costas编码的优点,具有理想图钉型的模糊函数,不仅可以抑制干扰带,还可以大大降低谐波分量,最终提高抗干扰性能。理论推导和仿真分析验证了该方法的有效性。     

基于改进 HAF的线性调频雷达信号参数估计

针对多项式相位信号(PPS)中的线性调频(LFM)雷达信号参数估计,通过提出频谱方差极大值准则对PPS次优参数估计方法高阶模糊度函数(HAF)进行了改进,提出了适于单分量LFM参数估计的改进HAF。首先讨论了HAF对LFM参数的估计方法及其局限性,然后提出了分段频谱方差极大值法则下LFM调频斜率估计的方法,将其与HAF相结合提出了单分量LFM参数估计的改进HAF,克服了接收信号与实际信号起点不一致性对HAF带来的影响,降低了由于HAF局限性带来的调频斜率估计误差,改善了HAF的累积误差效应。MATLAB仿真验证了改进方法较HAF的优越性。     

高阶模糊度函数LFM信号参数估计的改进与仿真

旨在改善高阶模糊度函数（HAF）进行线性调频（LFM）信号参数估计的效果，讨论了HAF进行LFM参数估计流程，分析了由于HAF局限性带来的调频斜率估计误差、累积误差效应以及接收信号与实际信号起点不一致性对HAF的影响，提出了用于改进HAF的分段频谱方差极大值法则。改进HAF降低了LFM信号调频斜率估计误差，同时改善了HAF的误差累积与起点不一致问题。MATLAB仿真数据结果验证了改进方法较HAF在LFM参数估计上的优越性。     

分数阶Fourier变换与时频滤波

针对LFM信号非平稳性,分析了在分数阶Fourier域对LFM信号作时频滤波的含义,给出了扫频滤波器在分数阶Fourier域的实现方法,并在此基础上推广得到分数阶Fourier域的一般乘法滤波器。通过对实测混响数据和LFM信号的分离效果仿真,发现分离前后信混比得到了较大提高,并且初始信混比越低,则提高效果越明显。     

基于频谱细化的线性调频信号参数估计

针对现有的线性调频(linear frequency modulation,LFM)信号参数估计算法运算量大、实时性差的问题,提出了基于频谱细化的参数快速估计算法。首先对中频采样信号与其延迟逐点相乘,并对产生的新序列做FFT运算,初步粗略估计出LFM信号的调频斜率,然后运用频谱细化方法,即chirp-Z变换,估计出精确的调频斜率。在此基础上,对原信号直接解线调,分析解线调后的信号频谱,估计出信号的起始频率,同样采用频谱细化方法提高估计精度。仿真结果表明算法的有效性。     

LFM-Barker信号脉压处理中基于NN的旁瓣抑制

为了提高线性调频 巴克码(LFM Barker)信号在强噪声背景下脉压输出的主副瓣比,根据该信号经过LFM匹配滤波器输出仍然保留编码信号的相位信息这一特点,提出了"LFM匹配滤波+相位提取+神经网络"的脉压处理方法。仿真实验表明,在一定的信噪比和多普勒频移范围内,该方法能够取得大于50dB的输出主副瓣比。     

#br# 近场宽带LFM信号被动测向和测距方法

提出了一种采用分数阶傅里叶变换的聚焦波束形成被动定位方法,实现了水声近场宽带线性调频(linear frequency modulated, LFM)信号的被动测向和测距。建立了基于球面波模型的近场宽带LFM信号接收数据模型,应用分数阶傅里叶变换(fractional Fourier transform, FRFT)将LFM信号的时变阵列流形矩阵变换为固定阵列流形矩阵,结合近场声源的聚集波束形成技术,利用多重信号分类算法实现了对多个宽带LFM信号的方位与距离联合估计。数值仿真验证了该方法对水声目标方位和距离估计的有效性,并仿真分析信噪比、声源距离、声源个数等对该算法性能的影响。     

基于延迟不变的LFM雷达移频干扰方法

提出了一种新的移频干扰方法,利用线性调频(linear frequency modulated,LFM)信号频率差与时间无关的特性,将LFM信号与其自身延迟信号相乘,获得当前脉冲线性时频关系与频率差,并用此频率差对LFM信号进行移频,所得到的干扰信号对频率捷变和频率分集具有自适应性.给出了一种实现此算法的干扰机结构,并推导了干扰信号经匹配滤波后增益损失计算方法.最后进行了仿真验证,仿真结果与理论分析一致.     

用于LFM信号参数估计的双谱和分段解线调方法

针对低信噪比条件下线性调频信号参数估计的问题,提出了改进方法,具体步骤是:首先利用双谱切片估计线性调频信号频谱的位置,然后设计带通滤波器滤出信号,最后采用分段解线调进行参数估计。为了解决强弱混合信号中检测和估计弱LFM分量参数的问题,在上面方法的基础上,结合逐次消去技术提出了多分量LFM信号参数估计算法。与传统方法相比,该方法充分利用了高阶统计量的特性,抑制了噪声和交叉项的影响。计算机仿真结果表明了该方法的有效性。     

Simultaneous range and radial velocity estimation with a single narrowband LFM pulse

The mismatch effect induced by the radial motion of a target is analyzed for linear frequency modulated(LFM) signals.Then,a novel integrated processing scheme is proposed to resolve the delay-Doppler coupling effect in LFM pulse compression.Therefore the range and radial velocity of the target can be simultaneously estimated with a narrowband LFM pulse.Finally,numerical simulation results demonstrate the effectiveness and good performance of the proposed method.     

采用数字方法实现宽带线性调频信号产生

介绍一个采用数字方法实现的UHF波段宽带线性调频信号产生系统的设计。在研究两种主要线性调频信号数字生产方法的基础上 ,依据波形存储直读法 ,提出了一种宽带线性调频信号产生方案 ,深入探讨了系统实现的关键技术 ,并进行了系统实现和测试。测试结果表明 ,所提出的方法是可行的。     

混合信息下的多属性大规模群体决策方法

针对多属性大规模群体决策问题中决策者评价信息类型不一致的情况,提出一种包含精确数、区间数、语言信息的多属性大规模群体决策方法。首先,定义了几种不同的转换函数,以此将各决策者给出的精确数、区间数、语言信息一致化为虚拟语言术语;然后,给出了大规模群体决策矩阵的的分组方法,并利用新的三维语言密度算子对其进行集结;最后,在语言幂Heronian算子的基础上,对群体综合决策矩阵进行集结。通过算例验证了所提方法的可行性与有效性。算例分析表明,该方法不仅能够较好地解决混合信息的处理问题,以及能够充分考虑群体共识度;还能够体现属性之间的关联性,以及反映集结值的整体均衡性,因此可使得决策结果更为客观合理。     

利用变采样率技术改进机载雷达的跟踪性能

机载雷达跟踪目标丢失现象的重要因素之一是由于雷达载机与目标之间的相对运动,在回波信号中产生线性调频项,线性调频项对多普勒频率和距离门估计产生了积累误差,最终导致跟踪目标丢失.提出了应用变采样率技术估计线性调频项参数来减小距离跟踪的误差,提高雷达的跟踪目标性能.同时还进行了具体的理论分析和计算机仿真,结果表明该技术是有效的.     

α稳定分布噪声下水声线性调频信号的识别

线性调频(linear frequency modulation,LFM)信号是一类重要的水声信号,在低信噪比(signal-to-noise ratio, SNR)和α稳定分布噪声条件下,对LFM信号进行识别会遇到一些困难。针对这个问题,在浅海水声多途脉冲噪声信道条件下,提出了适用于低SNR条件的LFM信号识别方法。该方法首先通过非线性变换抑制脉冲噪声,然后进行离散分数阶傅里叶变换(discrete fractional Fourier transform,DFRFT),通过分数阶傅里叶变换(fractionalFourier transform,FRFT)的结果构造出识别特征量,最后通过支持向量机(support vector machine,SVM)完成对LFM信号的识别。仿真实验结果表明,在混合信噪比（mixed signal-to-noise ratio,MSNR）为-15 dB时正确识别率高于94%。