时频域自适应均值脊波变换滤波及检测方法

针对Wigner-Ville Hough变换(WHT)在低信噪比下检测性能降低的问题,提出了互Wigner-Ville自适应均值脊波变换滤波检测方法.该方法采用互Wigner-Ville(XWVD)代替Wigner-Ville(WVD)在时频平面上提高了信噪比,且避免了信号多分量时各分量间的交叉项干扰.由于信号和噪声的时频聚集特性不同,且考虑到滑动窗长对均值滤波的影响,设计了自适应轴向均值滤波器及采用脊波变换滤波方法在时频域滤除噪声,最后采用Hough变换检测信号,并给出了详细的滤波检测算法.仿真和海试结果表明,该方法与WHT检测相比,在低信噪比下通过时频域滤波能有效的滤除噪声从而提高检测性能.     

强噪声干扰源下的多分量LFM信号检测方法

提出了一种盲分离联合时频谱分析的多分量线性调频信号检测方法,该方法采用先时域分离后时频分析的思想,有效抑制了传统的基于WVD类方法检测多分量线性调频信号时受交叉项困扰的问题,并且有效抑制了强噪声干扰源对传统的时频分析检测方法的影响．仿真结果表明,提出的方法与传统时频分析方法相比,对多分量线性调频信号的分离及特征提取效果...     

参数逼近的自适应时频分析

针对二次时频变换中的交叉项影响,研究了一种基于信号分解的WVD时频分析的方法,它结合自适应高斯提取法的思想和WVD的优良特性,将信号分解为若干个基于高斯包络的chirp信号分量,然后进行WVD时频变换和时频图的综合显示,消除了时频变换中交叉项的影响,也保持了信号自项的时频聚集度．将此时频分析方法应用于雷达信号时频分析,实验结果表明,该分解方法有效地消除了信号交叉项的影响,且保持了原信号的时频聚集度．     

跳频信号的时频分析新方法

根据跳频信号的特点,提出了一种基于信号分解的时频分析方法。该方法先将多分量跳频信号通过带通滤波变成多个单分量信号,再将每个分量的WVD线性叠加得到新的时频分布。理论分析和仿真结果表明,这种新的时频分析方法能够有效抑制跳频信号的交叉项干扰,与现有的方法相比,具有更高的时频分辨率,更适合于跳频信号的时频分析和参数估计。     

线性调频雷达信号参数估计算法的多片ADSP实现

针对线性调频(LFM)雷达信号的参数估计问题,采用4片ADSP-TS101S构成的雷达信号参数估计平台,实现了一种基于改进三次相位函数的LFM信号参数估计算法.该算法只需要通过二阶非线性变换在信号参数空间形成最大值来估计LFM信号参数.在多分量的情况下,讨论了信号自项和交叉项与时间的关系,提出使用加权平均的方法来改进算法,有效抑制了交叉项干扰.实验表明,在较低信噪比下,该算法可以有效地估计多分量LFM信号参数.     

低轨双星定位中雷达信号时频差快速估计算法

针对互模糊函数进行时频差联合估计时运算量大、受采样率和数据量限制,两者估计精度难以同时提高的问题,结合雷达信号的周期性和低轨双星中信号信噪比高、时频差范围有限等特点,提出了一种通过时域周期延拓计算相关函数主值区间,再利用脉内信号计算混合积信号频谱,最后由Chirp-Z变换完成时频域的高效插值,获取时频差精确估计的分步算法。仿真结果表明该算法在降低运算量同时,保证了估计精度。     

低信噪比下的多分量LFM信号参数估计

针对低信噪比奈件下传统多分量LFM信号参数估计方法失效问题，提出了一种基于二值图像细化处理和图像流滤波的TFRT-HT-ISF方法．该方法对接收信号的RSPWVD图像进行形态学细化处理解决了时频聚集性降低的问题，采用图像流滤波技术滤除了来自干扰噪声的闽值处理后的剩余虚假尖峰．仿真结果表明，该方法能够在低信噪比条件下准确有效地进行多分量LFM信号参数估计．     

一种多分量调频信号瞬时频率估计方法

针对多分量调频信号的相位结构分析问题,提出了一种基于维特比算法的瞬时频率估计方法。该算法受多目标跟踪中的航迹关联思想启发,将瞬时频率轨迹追踪同多目标航迹跟踪相结合,建立了一种新型隶属度惩罚函数,解决了原维特比算法只适用于单分量信号的问题。此外,还提出了一种新型时频交叉点的处理方法,能够提高多分量信号瞬时频率交叉时的估计精度。仿真表明,相较于现有的同类型算法,该方法能够准确地获取复杂相位结构的多分量信号瞬时频率信息,有效地提升了维特比算法在多分量信号瞬时频率估计上的适用性和稳健性。     

改进的相控阵雷达信号检测方法

针对传统雷达信号检测方法对相控阵雷达信号检测概率较低的问题,提出了一种结合小波降噪和极值序列法的信号检测方法。该方法采用小波阈值降噪法对雷达信号进行预处理,以提高侦收信号的信噪比,利用极值序列法在高信噪比下检测精度较高的优势,完成对信号的准确检测和参数的精确估计。仿真结果表明,与传统检测方法相比,该方法在低信噪比下对相控阵雷达信号的检测概率平均提高21.8%。     

基于AlexNet模型的雷达信号调制类型识别

针对现代战场复杂电磁环境,在低信噪比(-6 dB)下传统雷达调制信号采用常规五参数特征的识别方法准确率低的问题,本文采用深度学习中的AlexNet卷积神经网络模型自动提取图像各种特征细节,从而替代手工设计特征的庞大的特征工程以实现信号在低信噪比下的识别。该方法首先利用平滑伪Wigner-Ville时频分析在时频域内生成雷达调制信号的时频图像;然后采用中值和均值滤波结合去噪对时频图像进行预处理;最后使用图像处理器GPU在深度学习架构Tensorflow下搭建AlexNet模型进行训练,对CW、LFM、EQFM、DLFM、BFSK、BPSK以及QPSK这7种雷达信号进行特征的自动提取和选择,从而实现雷达信号的自动识别。仿真结果表明,在信噪比为-6 dB时,除QPSK信号外其余6种雷达信号的整体识别率均达到90%以上,比采用非深度学习和LeNet5卷积神经网络的识别效果好,从而验证了该方法在低信噪比下雷达信号识别的有效性。     

基于时频独立分量分析的Wigner-Ville分布交叉项消除法

由于信号混合引起的交叉项严重降低了Wigner-Ville分布的时频分辨率，为此提出一种基于独立分量分析的Wigner-Ville分布交叉干扰项消除法.在无须了解信号混合系数的情况下，通过盲源分离法提取各独立分量信号，给出盲源分离结果不确定的解决方法.建立了包含自项与交叉项的时频分布矩阵，利用时频分布矩阵的联合对角化算法消除独立分量信号之间的交叉干扰项.通过独立分量自项求和重构Wigner-Ville分布，重构的Wigner-Ville分布具有良好的时频分辨率.数值仿真结果验证了算法的有效性.     

基于脊路跟踪的变分非线性调频模态分解方法

针对多个辐射源信号混合构成的多分量信号分离问题,提出基于脊路跟踪的变分非线性调频模态分解算法. 该方法使用改进的脊路重组算法对时频分布图中各分量瞬时频率进行提取,将提取出的各分量瞬时频率作为变分非线性调频模态分解的预设频率;利用重构后的多分量信号进行瞬时频率提取,更新预设频率后继续模态分解;重复上述过程,直到迭代前、后频率差值小于预设阈值,输出对应的模态分解结果. 实验结果表明,基于脊路跟踪的变分非线性调频模态分解算法比经典变分非线性调频模态分解算法具有更好的多分量信号分离效果.     

基于多学习单元卷积神经网络的雷达辐射源信号识别

现有基于人工提取特征的复杂体制雷达辐射源信号识别方法时效性低,识别准确率不佳. 为此,提出了一种基于多学习单元卷积神经网络的识别方法. 首先对辐射源信号的模糊函数进行高斯平滑,以校正噪声带来的毛刺与畸变;然后提取其正交切片作为进一步的特征提取对象;最后构建多学习单元卷积神经网络,学习和提取正交切片深层、泛在的特征,并通过softmax分类器进行分类识别. 仿真实验结果表明,所提方法在信噪比为-2 dB时对6类典型雷达信号的整体平均识别率均保持在99.86%以上,即便是在-6 dB环境中,雷达信号的识别率也可达到88.50%,在极低信噪比条件下具有良好的性能和可行性.     

一种组合时频分布在跳频信号参数估计中的应用

为了有效分析跳频信号并估计其参数,根据跳频信号的特点,提出了一种基于频率分解的组合时频分布．这种新的时频分布先将多分量跳频信号通过带通滤波变成多个单分量信号,再将每个分量的Wigner-Ville分布线性叠加．理论分析和仿真结果表明,这种新的组合时频分布能够有效抑制跳频信号的交叉项干扰．与现有的方法相比,具有更高的时频分辨率,更适合于跳频信号的时频分析和参数估计．     

Radar emitter identification algorithm based on deep learning

Aimed at the deficiency of traditional techniques of radar emitter feature extraction which rely heavily on artificial experience, a novel emitter identification algorithm based on joint deep time-frequency features is proposed. Time-domain signals are transformed into the 2-D time-frequency domain, and dimensionality reduction is implemented with random projection and principal component analysis with respect to sustaining subspace and energy. In the phase of pre-training, the deep model is layer-wise trained with unlabelled samples and network parameters are fine-tuned with label information. Finally the identification task is achieved with a logistic regression classifier. 6 types of emitter signals are adopted in simulation experiments to validate the effectiveness of the proposed algorithm, the experimental results indicating that the joint deep features help to obtain higher identification accuracy and that the algorithm is more efficient.     

基于时频特征的卷积神经网络跳频调制识别

针对人工设计特征表征能力不足,提取难度大的问题,提出基于卷积神经网络（CNN）的跳频信号调制方式识别系统. 该系统通过训练学习跳频信号时频图特征,将调制方式识别问题转化为图像识别问题. 采用组合时频变换方法对跳频信号进行时频变换得到二维时频图;经过自适应维纳滤波算法滤除背景噪声,提高系统抗噪性;采用连通域检测和双线性插值算法提取跳频信号每跳时频图,对时频图大小进行重置调整;将已处理的时频图输入到设计的11层卷积神经网络中进行训练学习,通过在输出层增加Softmax分类器,实现跳频调制方式分类识别. 仿真结果表明,该系统在信噪比为–4 dB条件下,对跳频信号BPSK、QPSK、8PSK、SDPSK、QASK、16QAM、32QAM和GMSK共8种调制方式的平均识别率达到92.54%.     

Interrupted sampling repeater jamming suppression based on time-frequency analysis and band-pass filtering

Interrupted sampling repeater jamming is a new type of coherent jamming that generates a single or multiple false target groups,which cannot be effectively suppressed using conventional signal processing methods.To solve this problem,the received signals of several pulse repetition cycles are first accumulated in the time-frequency domain to enhance the time-frequency information on the signals.Then,the distribution of jamming signal is extracted accurately on the time-frequency surface based on the image processing algorithm,and the target echo is roughly reconstructed according to the time-frequency domain filtering method.Finally,based on the reconstructed time-domain signal,a band-pass filter is constructed to suppress the interference and noise.Simulation results indicate that compared with other methods,this scheme can effectively suppress various types of interrupted sampling repeater jamming in a low signal-to-noise ratio and multi-target environment with robustness and accuracy.     

基于时频子空间方法的线性调频信号参量估计

针对加性色噪声背景下的多分量线性调频信号参量估计问题,提出了基于相位差分的时频子空间方法.该方法将时频子空间的方法引入线性调频信号参量估计中.首先时多分量线性调频信号做相位差分,然后在时域内利用子空问方法对差分后的信号进行滤波,最后用基于矩阵束的方法进行频率估计.本方法消除了使用相位差分而带来的交叉项的干扰,同时能够很好的消除加性色噪声对多分量线性调频信号的参量估计的影响.仿真实验证明了本方法的有效性.     

Chirp-Rate Resolution of Fractional Fourier Transform in Multi-component LFM Signal

Distinguishing close chirp-rates of different linear frequency modulation (LFM) signals under concentrated and complicated signal environment was studied. Firstly, detection and parameter estimation of multi-component LFM signal were used by discrete fast fractional Fourier transform (FrFT). Then the expression of chirp-rate resolution in fractional Fourier domain (FrFD) was deduced from discrete normalize time-frequency distribution, when multi-component LFM signal had only one center frequency. Furthermore, the detail influence of the sampling time, sampling frequency and chirp-rate upon the resolution was analyzed by partial differential equation. Simulation results and analysis indicate that increasing the sampling time can enhance the resolution, but the influence of the sampling frequency can be omitted. What’s more, in multi-component LFM signal, the chirp-rate resolution of FrFT is no less than a minimal value, and it mainly dependent on the biggest value of chirp-rates, with which it has an approximately positive exponential relationship.     

一种混合网台跳频参数盲估计算法

针对低信噪比（SNR）和复杂电磁环境条件下跳频参数估计精度低及算法复杂度高的问题,提出了一种短时傅里叶变换（STFT）和平滑伪魏格纳分布（SPWVD）的组合时频分析方法.该算法首先利用STFT将天线接收信号变换到时频域,并对时频信号进行自适应降噪处理;通过自适应聚类算法进行频率的精估计;提取时频信息并剔除各类干扰,再通过网台分选后得到各类网台跳时粗估计;最后采用SPWVD及修正后的截断门限进行跳变时刻的精估计.仿真结果表明,该算法在混合网台和低SNR条件下,跳频参数估计精度较高,算法复杂度较低,有效解决了实际跳频通信系统存在频率转换时间条件下的参数估计问题.