α稳定分布噪声下基于FHN模型的UWB-IR信号检测

针对传统FitzHugh-Nagumo (FHN)模型检测方法在α稳定分布噪声条件下检测性能退化的问题,在α稳定分布的统计特性基础上,将三倍分散系数异常值剔除准则引入FHN模型检测方法,提出基于三倍分散系数FHN模型的超宽带冲激无线电(ultra wideband-impulse radio, UWB-IR)检测方法。此外,对传统三倍分散系数准则进行改进,使用样本分位数法对α稳定分布参数进行估计,避免了传统三倍分散系数准则对α稳定分布参数先验信息的依赖,使其适合全盲条件下的UWB-IR信号检测。仿真实验表明,该算法能有效抑制α稳定分布噪声中的强脉冲,可较好地重构UWB-IR信号波形,实现了强α稳定分布噪声条件下UWB-IR信号的有效检测。     

α稳定分布噪声下一种稳健加权滤波的统一框架

针对传统滤波方法在α稳定分布噪声环境下性能退化的问题,从加权Myriad滤波以及加权Merid滤波方法出发,以M估计理论为基础,推导得到稳健加权(robust weighted,RW)滤波方法的统一算法结构,并据此提出了基于RW滤波的新算法,即基于稳健加权滤波的统一框架,从而将加权Myriad、加权Merid以及基于广义柯西分布的加权滤波器统一起来。此外,针对线性调频(linear frequency modulation, LFM)信号采用基于RW的LVD(RW LVD)方法估计其参数,并根据估计性能对RW方法的抑噪效果进行分析。仿真结果表明,与基于加权Myriad滤波、加权Merid滤波以及基于广义柯西分布的加权滤波等多种方法相比,在强脉冲噪声下RW滤波方法能有效抑制脉冲噪声,并具有良好的稳健性。     

基于WHT的多分量LFM参数估计与分离

强度相当的多分量LFM信号在Wigner-hough(WHT)平面上呈现出多个尖峰值,各尖峰值对应各分量在时频平面上频率轴上的初始频率和调频斜率。提出了一种基于WHT的多分量LFM信号的参数估计与信号分离算法。该算法结合解线调和窄带滤波器分离和估计各分量的参数的算法,可以一次提取多个尖峰值。仿真结果证明,此方法可有效地对多分量IJM信号进行精确的参数估计与分离且不出现虚假信息。     

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。     

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。     

基于GST-Hough变换的LFM信号识别方法

针对线性调频(linear frequency modulated, LFM)信号在低信噪比条件下的信号检测问题,提出将广义S变换(generalized S transform, GST)与Hough变换相结合(generalized S transform based on Hough transform,GSTH)信号检测方法。从理论层面推导出LFM信号在进行GST后对应的参数特性,论证Hough变换的可行性,推导出GSTH变换后LFM信号与噪声的概率密度分布函数,给出了基于奈曼-皮尔逊准则进行峰值检测时,检测门限的计算方法与确定流程。利用GST时频聚焦性提供良好的直线线性,有易于Hough变换的直线检测,提升变换后主峰峰值并降低副峰高度。通过与WHT (Wigner Hough transform)、分数阶傅里叶变换与周期WHT算法的仿真对比,定量评估算法的适用性,并与经典算法对比,定性的描述出算法良好的时频聚焦性,凸显GSTH算法在强噪声背景下具有更好的检测精度与适用范围。     

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。     

基于切割聚类的快速多分量LFM信号分离

针对多分量线性调频(linear frequency modulation, LFM)雷达信号检测和参数估计精度低、计算速度慢等问题,提出了一种基于小波变换的切割聚类拟合参数估计的算法。该方法首先通过小波变换得到信号的三维时频分布图,其次采用等高线截取提取出小波脊线,再找出脊线的交点,以交点为界对小波脊线图进行切割,利用模糊C均值聚类完成各LFM分量脊线的聚类,最后分别对每段脊线进行拟合加权,从而估计出多分量LFM信号参数。仿真结果表明,与基于Hough变换检测直线方法相比,不仅在计算复杂度以及参数估计的准确度上都有较大的提升,而且当LFM信号分量达到4个以上亦有较准确的检测精度。     

基于匹配Fourier变换的线性调频信号参数估计

正弦(简单脉冲,SP)信号基于重采样的匹配Fourier变换(MFT)谱的幅度最大值能够反映信号的频率.对SP信号的MFT幅度谱进行了分析后,提出了基于MFT的SP信号频率估计方法,完善了MFT理论;分析了线性调频(LFM)信号的MFT幅度谱与SP信号的相似性,提出了基于MFT的LFM信号参数估计方法;分析了MFT变换中改进谱特性时的窗函数应具有的特性,提出了低信噪比条件下提高参教估计精度加窗方法;最后进行了仿真试验.仿真结果表明了基于MFT的LFM信号参数估计算法的有效性.     

α稳定分布噪声下基于稳健S变换的LFM信号参数估计

S变换由短时傅里叶变换发展而来,克服了短时傅里叶变换窗长固定、不能同时展现信号高频及低频的缺点,但在脉冲性较强的α稳定分布噪声下,该方法性能退化甚至失效。对此,基于广义柯西分布,构造了一类可有效应用于强脉冲噪声环境的损失函数,并详细分析了其影响函数的稳健性。在此基础上,根据最大似然估计理论和S变换,提出了一种稳健S变换方法。该方法以S变换作为初始值,采用最大似然估计方法在时频域迭代得到,在保留S变换窗长选取灵活等优点的同时,进一步提高了S变换的时频聚集性。仿真实验表明,在处理脉冲噪声环境下的线性调频信号时,与传统的基于Myriad滤波、Meridian滤波等多种非线性滤波的方法相比,提出的稳健S变换不仅能有效抑制脉冲噪声,且在脉冲性较强的α稳定分布噪声环境下,具有良好的鲁棒性和优良的线性调频信号参数估计性能。     

LFM信号参数估计的插值FRFT算法

提出了一种基于分数阶傅里叶变换（fractional Fourier transform, FRFT）的线性调频（linear frequency modulation, LFM）信号参数估计的插值算法。首先针对FRFT的旋转角度α搜索步长问题,提出了在较大搜索步长下进行插值以得到α精估计的方法;然后针对离散分数阶傅里叶变换(digital fractional Fourier transform, DFRFT)因参数u离散化而造成的栏栅效应问题,采用相邻谱线进行插值以得到u的精估计;最后用α和u插值精估计结果对单分量LFM信号的参数进行估计。这一方法在不影响估计精度的前提下,降低了计算量和复杂度。仿真结果表明,在较低的信噪比下,LFM信号参数估计的精度仍十分逼近克拉美罗界(Cramer-Rao bound, CRB)。     

脉冲噪声下基于NAT函数的LFM信号参数估计

针对传统的线性调频(linear frequency modulation,LFM)信号参数估计方法在脉冲噪声环境中无法准确提取参数信息的问题,设计了两种非线性幅值变换函数(nonlinear amplitude transformation,NAT),即attenuation-NAT (A-NAT)函数与increa...     

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。