基于频率拼接的异步跳频信号参数盲估计方法

文档序号:9581397阅读:472来源:国知局
基于频率拼接的异步跳频信号参数盲估计方法
【技术领域】
[0001] 本发明属于通信技术领域,更进一步设及无线通信技术、信号处理技术领域中基 于频率拼接的异步跳频信号参数盲估计方法。本发明在信道和信号任何先验信息都未知的 条件下,仅根据接收到的信号,采用频率拼接的方法,实现了异步非正交网络中的频率碰撞 情景下的多个跳频信号参数盲估计。
【背景技术】
[0002] 跳频通信由于截获概率低,组网能力强,干扰对抗性能好等优点,在军事和民用通 信中获得了广泛应用。跳频参数估计作为跳频侦察技术中关键的环节,对其进行研究具有 重大的现实意义。目前常用的跳频信号参数估计方法有时频分析法W及原子分解法。
[0003]W维格纳分布(WVD)为代表的时频分析方法是将线性调频信号通过二次型函数 变换到时频域,该类方法对于单分量线性调频信号具有良好的能量积聚性,但是对于多分 量线性调频信号,通过二次型函数变换会产生严重的交叉感染项,导致无法精确得到跳频 信号的参数。为了抑制交叉项,许多维格纳分布(WVD)的改进方法被提了出来。
[0004] 刘玉珍等人在其发表的论文"基于改进WVD的跳频信号参数估计方法"(计算机工 程与设计,2011,Vol. 32,No. 11,)中提出了一种基于改进WVD算法的跳频信号参数估计新 方法。该方法通过分析跳频信号WVD的性质和特点,构造出与固顺信号WVD自项支撑区重 合的时频窗,用其与信号WVD相乘进行加窗,得到了清晰的跳频信号时频分布,基于此分布 估计出了跳频信号的参数。该方法能够在有效抑制交叉干扰项的同时保持WVD良好的时频 分辨率,但是,该方法存在的不足之处是,对噪声敏感,在低信噪比下跳频信号参数估计性 能明显下降。
[0005]范海宁等人在其发表的论文"一种新的跳频信号参数盲估计算法"(信号处理学 报,2009,V〇1. 25,No. 11,1754-1758)中提出了一种基于原子分解算法的跳频信号参数盲估 计方法。该方法根据跳频信号内部结构的特点,W加窗正弦函数为基函数构造了一种与跳 频信号匹配的3-参数时频原子字典,将跳频信号分解为有限个3-参数时频原子的组合,最 终根据运些时频原子的参数值来估计跳频信号的参数。该方法能够在未知任何先验知识的 情况下,能够对跳频信号的参数进行有效估计。但是,该方法存在的不足之处是,在异步非 正交网络中的频率碰撞情景下无法估计多个跳频信号参数,且充足原子字典的构造W及如 何实现算法快速收敛都是比较复杂的问题。

【发明内容】

[0006] 本发明的目的在于克服上述现有技术的不足,提供了一种基于频率拼接的异步跳 频信号参数盲估计方法,W解决异步非正交网络中的频率碰撞情景下的跳频信号参数盲估 计的问题,提高跳频参数估计方法对噪声的适应能力。
[0007] 实现本发明的具体思路是:对接收采样后的跳频信号进行短时傅里叶变换,然后 采用K均值聚类算法聚类频率,通过分析聚类后的频率,检测出碰撞频率,分解碰撞频率, 再采用频率拼接的方法,实现了跳频信号参数盲估计。
[0008] 实现本发明目的的具体步骤如下:
[000引 (1)接收信号:
[0010] 雷达天线接收任意一段模拟信号;
[0011] 似信号采样:
[0012] 对雷达天线接收的任意一段模拟信号,W采样频率fg进行采样,得到离散信号;
[0013] (3)对离散信号进行短时傅里叶变换,得到时频域信号:
[0014] (4)提取序号:
[0015] (4a)提取时频域信号中高能量信号对应的频域采样点序号和时域窗序号;
[0016] (4b)将高能量信号对应的频域采样点序号和时域窗序号组成序号集合;
[0017] (5)计算每一个频域采样点序号对应的频率值:
[001引 (6)聚类频率:
[0019] 化a)采用K均值聚类算法,分别对每一个时域窗对应的所有频域采样点序号1。对 应的频率值f(l。)进行聚类,得到第q。个时域窗中第C个聚类中屯、乂'/",其中,1。表示时频 域信号中高能量信号对应的频域采样点序号,1。= 1,2,…,LL表示短时傅里叶变换窗长, f(l。)表示第q。个时域窗对应的频域采样点序号1。对应的频率值,q。表示时频域信号中高 能量信号对应的时域窗序号,q。= 1,2,…,Q,Q表示短时傅里叶变换所需的总窗数,尤"表 示第q。个时域窗中第C个聚类中屯、,C= 1,2,…,Wy。,C表示聚类中屯、的序号,乂。表示聚类中 屯、的个数;
[0020] ㈱将第4个时域窗中第C个聚类中屯、嚴。组成频率集合护(' =U,-.,iV;。,4; =U...靴其 中,q。表示时频域信号中高能量信号对应的时域窗序号,q。二1,2,…,Q,Q表示短时傅里叶 变换所需的总窗数,/严表示第q。个时域窗中第C个聚类中心C= 1,2,…,Wg。,C表示聚类中 屯、的序号,Wg。表示表示聚类中屯、的个数;
[0021] (7)分析频率集合:
[0022] (7a)从聚类中屯、组成的频率集合中提取出所有不同的频率值fd, 乂e{/7°,C二1,2,''一乂/。,斯=1,2,~,饼,其中,(1表示不同的频率点序号,(1=1,2,",,成, N。表示估计的不同频率的个数,q。表示时频域信号中高能量信号对应的时域窗序号,q。= 1,2,…,Q,Q表示短时傅里叶变换所需的总窗数,/'k表示第q。个时域窗中第C个聚类中心 C= 1,2,…,Wg。,C表示聚类中屯、的序号,表示表示聚类中屯、的个数.
[002引 饥)统计每个频率fd的起始窗序号蘇,终止窗序号换,W及持续窗数讀,其中,fd 表示提取出的频率,f:!=如-拓'+1,d表示不同的频率点序号,d= 1,2,…,N。,N。表示估计 的不同频率的个数,频率fd、起始窗序号A、终止窗序号公、W及持续窗数组成向量Td, 石=(/,',公,若,<');
[0024] (7c)提取向量Td中起始窗序号为1的向量T/",逐行存入矩阵pW,其中,d表示 不同的频率点序号,d=1,2,…,N。,N。表示估计的不同频率的个数,j表示矩阵FW的行序 号,j=l,2,…,rW,rW表示矩阵FW的行数;
[002引 (7d)提取向量Td中终止窗序号为Q的向量Tg?,逐行存入矩阵F?,其中,d表示 不同的频率点序号,d= 1,2,…,N。,N。表示估计的不同频率的个数,g表示矩阵F?的行序 号,g= 1,2,…,r?,r?表示矩阵F?的行数,Q表示短时傅里叶变换所需的总窗数;
[002引 (7e)提取向量Td中起始窗序号不为1且终止窗序号不为Q的向量T1W,逐行存入 矩阵FW,其中,d表示不同的频率点序号,d= 1,2,…,N。,N。表示估计的不同频率的个数,i表示矩阵F"的行序号,i= 1,2,…,rW,r"表示矩阵FW的行数,Q表示短时傅里叶变 换所需的总窗数;
[0027] 仍)将矩阵F?的行序号j初始化为1 ;
[0028] (7g)将矩阵F?第j行的向量T,W对应的终止窗序号依次与矩阵FW的每一行的 向量TiW对应的起始窗序号相减,将差值依次放入集合W中,其中,j表示矩阵FW的行序 号,i表示矩阵F"的行序号,i= 1,2,…,rW,r"表示矩阵FW的行数;
[002引 饥)从集合W中捜索大于等于-1的最小差值Tl,若捜索到,执行步骤仍);若 未捜索到,将矩阵F?的行序号j加1,执行步骤(7g);
[0030] (7i)按照下式,计算同时包含跳频信号相连两跳频率的时域窗的窗数;
[00引]W=n+1
[0032] 其中,W表示同时包含跳频信号相连两跳频率的时域窗的窗数,n表示从集合W 中捜索的大于等于-1的最小差值;
[0033] (8)初步估计跳周期:
[0034] (8a)采用K均值聚类算法,对矩阵FW中的第4列数据进行聚类,得到聚类中屯、Om 和每一类持续窗数的个数Zm,每一类持续窗数的个数等于该类持续窗数对应的频率个数, 其中,矩阵中的第4列数据表示持续窗数,m表示聚类中屯、的序号,第m个聚类中屯、对应 第m类信号,m= 1,2,…,N,N表示聚类中屯、的个数;
[0035] (8b)将每一类持续窗数对应的频率组成集合Qm;
[0036] (8c)按照下式,初步估计跳周期:
[0037] =。,,. X B/f
[003引其中,t表示第m类信号的跳周期,m表示聚类中屯、的序号,第m个聚类中屯、对应 第m类信号,m= 1,2,…,N,N表示聚类中屯、的个数,Om表示所得聚类中屯、,B表示短时傅里 叶变换时,时域窗间隔的采样点数,fs表示采样频率;
[0039] (9)检测碰撞频率:
[0040] 巧a)提取步骤(8a)得到的持续窗数的个数为1的那类持续窗数对应的频率fP;
[0041] 巧b)判断频率fP是否满足第一类拼接条件,若是,执行步骤(11),否则,执行步骤 巧C);
[0042] 巧C)判断频率fP是否满足第二类拼接条件,若是,则将该频率fP作为碰撞频率, 执行步骤(10),否则,执行步骤(11);
[0043] (10)分解碰撞频率:
[0044] (IOa)将碰撞频率fP作为频率fV所在类对应的跳频信号在[妃,始+?^-口窗内的 频率,其中,如表示频率f7的起始窗序号,W1表示频率fV对应的持续窗数,fV表示能够拼
当前第1页1 2 3 4 5 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1