低信噪比下脉内频率编码信号特征提取

信号脉内特征提取技术是雷达对抗系统分选、识别截获信号的关键技术。提出了一种首先用小波分析对脉内频率编码信号进行去噪，在此基础上再利用小波脊线法提取脉内特征的方法。计算机仿真验证了算法的有效性，具有一定的应用价值。     

低信噪比下频率编码信号参数估计

针对低信噪比条件下,频率编码信号的瞬时频率估计容易受噪声影响的问题,提出了将自适应阈值消噪技术与小波变换结合起来的新方法。首先利用连续小波变换计算信号的小波谱,然后对小波谱进行自适应阈值消噪处理,进而提取小波谱脊线,得到频率编码信号的脉内调制信息。计算机仿真结果验证了该方法的可行性。     

基于综合时频检测的LFM信号调制特征提取

信号脉内调制信息识别技术对密集和复杂电磁环境中辐射源的分选和识别有着重要意义。通过讨论小波变换法、伪WVD法等典型LFM信号调制特征提取方法，提出了将小波变换法和伪WVD法提取的结果进行截断综合，再提取时频图脊线的新算法。实现了在低信噪比条件下，准确提取LFM信号的调制特征。仿真结果证实了算法的可行性。     

一种二相编码信号调制特征分析方法

二相编码信号的调制特征对于信号的分选和识别是很重要的参数。在利用小波变换提取二相编码信号的调制特征时,尺度参数的设置很重要,他影响到小波脊线提取。通过正弦波频率估计的综合方法来精确地估计出信号的载频,并得到合适的尺度参数,再得到小波脊线。利用小波变换的模值来得到二相编码信号的调制特征。仿真试验验证了此方法的有效性。     

基于时频分析的跳频信号的参数盲估计方法

采用平滑伪Wigner—Ville分布（SPWVD）来估计跳频信号载波频率,提取频率脊线,对频率脊线进行一次小波变换来估计未知跳频信号的参数,该方法可以在不需要知道跳频信号任何先验参数的情况下,估计出信号的码元速率,载波频率改变时刻。对频率编码信号的WVD,PWVD和SPWVD结果作了比较,指出了SPWVD的优点,给出了基于时频分析跳频信号参数估计的具体算法步骤．计算机仿真表明该方法是行之有效的。     

基于小波变换模值的二相编码信号调制特征分析

在利用小波变换提取二相编码信号的调制特征时,尺度参数的设置很重要,文中通过正弦波频率估计的综合方法来精确的估计出信号的载频,从而得到合适的尺度参数,并得到小波脊线.通过计算小波脊线上小波变换的模值来得到二相编码信号调制特征.实验结果表明了此方法在较低信噪比下的有效性.     

一种新的Morlet小波及其在雷达信号特征提取中的应用研究

为准确估计雷达信号的瞬时频率,文中提出了一种基于新Morlet小波原子提取信号小波脊线的方法。通过分析小波脊线原理,使用新Morlet小波原子提取雷达辐射源信号的小波脊线特征。同时,针对不同调制类型的雷达信号,根据小波分解时—频约束关系,分析了正确提取信号脊线特征的条件。仿真实验表明,与普通Morlet小波原子相比,基于改进的Morlet小波提取信号脊线特征具有较强的检测概率和抗噪性能,其方法的有效性为实验结果所证实。     

一种新的线性调频信号脉内特征提取方法

雷达信号脉内特征的提取是雷达对抗系统分选、识别截获信号的关键技术之一。本文提出一种提取线性调频信号脉内特征的新算法,对接收信号首先进行信噪比估计,在不同的信噪比下将小波变换法和平滑伪WVD分布法(SPWD)结合起来,以实现对线性调频信号脉内特征的准确提取。仿真结果表明算法有效可行。     

基于小波—神经网络的雷达信号脉内特征分析

时频分析是脉内特征分析中常用的一种方法,通过提取雷达脉冲信号的小波脊函数可以获得脉内调制信号在每个采样点的瞬时频率,然后再使用神经网络的方法对小波变换提取出的瞬时频率进行分析,便可以得到信号的脉内调制特征。以MoBet小波和多层感知器为例,对低信噪比下的典型雷达信号进行了仿真分析,结果验证了小波-神经网络分析脉内特征的有效性。     

基于时频分析的高频地波雷达目标检测算法

为提高海事监测中高频地波雷达(High Frequency Surface Wave Radar,HFS-WR)对运动目标的检测准确率,提出了一种基于频谱细化和小波尺度谱重排时频分析的运动目标检测算法.对HFSWR的接收信号进行频率细化处理以提高后续时频分析的频率分辨率;然后,进行基于Morlet小波的时频分析以提取目标的时频分布特征,为提高时频分布的集中性和抑制交叉项干扰,对小波尺度谱进行重排;根据得到的时频分布特征实现可疑目标区的精确检测.实验结果表明:该算法能有效检测多普勒频率相差很小的运动目标以及海杂波附近的运动目标,可用于对常规目标检测算法无法判定的可疑目标区域进行精细、准确的目标检测与分析.     

基于改进经验小波变换的时频分析方法及其在滚动轴承故障诊断中的应用

经验小波变换是最近提出的非平稳信号分析方法,针对其不足,提出了一种改进的经验小波变换方法;同时结合瞬时频率新定义,提出了一种非平稳信号时频分析新方法.该方法首先通过改进的经验小波变换将一个复杂的非平稳信号自适应地分解为若干个具有紧支集频谱的内禀模态函数之和;再通过对每个内禀模态函数进行解调,得到原始信号的时频分布.将提出的方法应用于滚动轴承试验数据分析,并将其与希尔伯特黄变换进行了对比,结果表明,论文提出的方法能够有效地诊断滚动轴承故障,且诊断效果优于希尔伯特黄变换方法.     

基于多重同步压缩变换的雷达辐射源分选识别

针对低信噪比条件下雷达信号分选识别算法识别率低且复杂度高的问题,提出了一种基于多重同步压缩变换(MSST)的雷达辐射源分选识别算法。首先通过MSST得到信号的时频图像矩阵;然后,对时频图像进行预处理,提取出时频图像的灰度共生矩阵纹理特征和Zernike矩特征;同时提取了信号的功率谱参数特征和平方谱统计特征,组成特征参数向量;最后利用支持向量机分类器实现了对雷达信号的自动分选识别。仿真结果表明,在信噪比为-2 dB时,该算法对9种雷达信号(CW、LFM、NLFM、BPSK、MPSK、Costas、LFM/BPSK、LFM/FSK和BPSK/FSK)的整体平均识别成功率大于96.5%。     

FH/PSK混合调制扩频信号参数估计

针对混合调制信号参数难以估计的问题,本文通过对FH/PSK混合调制扩频信号特征的分析,提出了一种FH/PSK混合调制扩频信号参数估计方法。利用时频脊线分析、跳频分量数估计、快速四阶循环累积量算法与小波变换相结合的方法,实现了跳频频率和码速率等参数的高精度估计。仿真表明,本文方法可在较低信噪比下得到该混合调制扩频信号多个参数的高精度估计,具有较高的工程应用价值。     

广义S变换及其时频滤波

首先从基于高斯窗函数的短时傅里叶变换推导出了一种广义S变换,分析了它与S变换及小波变换的关系,给出了它的运算实现.理论分析与仿真实验表明,广义S变换的时频窗口不仅能够随着频率尺度自适应地调整,而且克服了S变换中时窗函数的变化趋势固定不变的问题,使广义S变换在应用中具有更高的实用性和灵活性.利用其高质量的时频分布,在时频平面中设计时频滤波器,用于非平稳信号中特定信号分量的提取,展示了广义S变换在这一应用中的有效性.     

FSK／PSK混合调制信号多参数估计

通过对FSK／PSK混合调制雷达信号脉内特征的分析,提出了一种FSK／PSK混合调制信号多参数估计方法。利用快速四阶循环累积量算法、时频脊线分析与小波变换相结合的方法,实现了跳频频率和码速率等参数的高精度估计。仿真表明,该方法可在较低信噪比下得到该混合调制信号的多参数高精度估计,具有较高的工程应用价值。     

时频分布的分辨率比较

利用时频聚集性较好的高斯函数作为标准信号,分析了短时傅里叶变换、小波变换、谱图、尺度图、Wigner-Ville分布的分辨率以及交叉项对分辨率的影响,并对它们的分辨率进行了比较;为了进行时间-尺度分布与时频分布的比较,提出了改进小波变换;在分辨率比较中,给出了几种典型情况的模拟结果.     

改进小波脊线法算法分析和仿真

在电子情报侦察和对抗领域，对复杂信号的脉内调制特征进行分析显得越来越重要。小波变换的主要特点是通过尺度从粗到细的不断变化，可以逐步聚焦到分析对象的任何细节，把对象中存在的任何变化充分的展示出来。文中研究了基于算法提取雷达信号的瞬时频率来获得信号的脉内细微特征，并针对小波脊线法存在的问题提出了改进算法，仿真了某电子对抗专用设备接收到的一批具有大时宽、带宽积的线性调频信号中频数据，仿真结果证实了改进方法的优越性。     

基于小波变换和残差神经网络的全盲频谱感知方法

为了解决非平稳信号的时频图特征难以提取的问题,提出了基于小波变换和残差神经网络的全盲频谱感知方法。该方法通过连续小波变换将捕获的主用户信号变换成时频信息矩阵,同时转化为图片作为输入,通过残差网络进行训练和识别。仿真测试了不同小波基对非平稳信号的分解能力和所提算法在各种复杂无线信道环境下对非平稳信号的检测性能和泛化能力,以及对不同主用户信号的适应能力。结果表明,在信噪比为-16 dB时,该方法能在虚警概率为0.1时达到0.92的检测概率,同时amor小波更适合用于非平稳信号的分解且训练识别能力更优。     

利用自适应傅里叶分解的非平稳无线信道的时频表示

针对非平稳Clarke无线信道模型的时域冲激响应的性能分析需求,利用自适应傅里叶分解,引入了一种非平稳无线信道的时频表示方法和信道函数的重构表示,并给出了信道的单分量表示式、时间频率分布以及能量谱密度。在高速移动、快速时变环境下进行仿真,结果表明,本文提出的非平稳无线信道的表示方法能克服STFT、小波变换等相关方法的缺点,提高了无线信道时频表示的准确性,降低了信道的重构误差。