用FrFT插值实现LFM信号的参数估计

分数阶傅立叶域的分辨率由信号时宽带宽积决定,有限的分辨率影响了利用FrFT(分数阶傅立叶变换)估计LFM(线性调频)信号参数的精度.针对此问题,提出了一种利用FrFT插值的LFM信号参数估计方法.在分析引起峰值点偏差的因素后,得到FrFT在峰值点的分数阶傅立叶域的函数表达式,基于此,在分数阶傅立叶域进行插值计算,突破了原有分辨率的限制,提高了参数估计的精度.仿真实验结果验证了算法的有效性.     

LFM信号参数估计的插值FrFT修正算法

针对线性调频（LFM）信号参数估计插值FrFT算法在信噪比较低时性能下降而且针对不同参数估计性能不稳定的问题,提出了一种修正的插值FrFT算法。首先分析了现有插值FrFT算法问题出现的原因,然后定义了分数阶域量化频率,指出当信噪比较低时,若LFM信号初始频率接近分数阶域量化频率点,插值FrFT算法出现反向补偿的概率增大,性能下降。修正的插值FrFT算法改进了插值方向的判决条件以提高噪声免疫力,并通过频移LFM信号初始频率使其不在分数阶域量化频率点附近。最后,对不同初始频率的LFM信号进行仿真,结果表明,修正的插值FrFT算法提高了LFM信号参数估计精度,性能稳定,而计算量并没有明显增加。      

基于正交匹配追踪的欠采样LFM信号参数估计

受限于目前数字采样水平,对宽带线性调频(LFM)信号进行欠采样参数估计具有重要的研究价值。该文基于线性调频信号具有近似矩形的幅频特性,对其频谱的差分过程进行处理,采用正交匹配追踪算法有效提取欠采样信号频谱的边缘信息,实现在欠采样环境下的宽带线性调频信号起始频率和终止频率的估计,具有较高的估计精度,仿真实验证明了其有效性。     

基于FRFT的多LFM信号的分离及参数估计

线性调频（LFM）信号在某个阶次的FRFT域中具有能量聚集性,根据这一特性采用分数阶傅里叶变换（FRFT,Fractional Fourier Transform）来分离多个未知任何先验参数的LFM信号,通过在FRFT域搜索峰值点来检测并分离出LFM信号,并用相关系数对分离效果进行了评价。针对二维搜索峰值点的计算复杂性,提出了曲线拟合优化技术来进行FRFT模值检测,把二维搜索转化为一维曲线拟合问题,并介绍了高斯混合模型近似FRFT模值分布。计算机仿真表明,这一方法极大地降低了计算复杂度,对多分量LFM信号进行了有效的分离及参数估计。     

LFM信号的FRFT模函数对称特性及参数估计

通过数学推导发现了时间无限长线性调频（LFM）信号的分数阶Fourier变换（FRFT）模函数具有对称性,且单边单调。之后经过分析,得出时限LFM信号的FRFT模函数也具有较好的这种特性。根据此结论提出了基于FRFT的时限LFM信号检测与参数估计的新方法,此方法采用两级搜索,克服了FRFT算法误差对线性调频信号的FRFT模函数对称性和单调性的影响,在减少了运算量的同时提高了参数估计精度。仿真分析证实了此方法的有效性。     

基于FRFT模最大值的LFM信号参数估计方法

提出了一种基于分数阶Fourier变换模最大值的LFM信号参数估计方法,先对线性调频信号以较大的间隔先进行FRFT模变换,寻找次次最大值和次最大值点.在这两点之间以较小的间隔再进行FRFT模变换,此时寻找最大值点所对应的变换阶数即是最佳变换阶数,由量纲归一化即可得到LFM信号的调频斜率.提出的两次搜索最佳变换阶数法相比于传统方法不需要二维搜索,在相同的计算精度条件下大大降低了计算量,提高了效率.     

基于FrFT的LFM信号检测与参数估计算法

针对线性调频(Linear Frequency Modem,LFM)信号的快速检测和高精度参数估计问题,在分析LFM信号特征和分数阶傅里叶变换(FrFT)原理的基础上,基于快速解线性调频技术,提出了一种LFM信号检测和参数估计算法,该算法将LFM信号检测由二维搜索转换为一维搜索,从而有效地减少了运算量。仿真结果表明,算法在低信噪比下具有良好的参数估计性能。     

基于多速率欠采样的超宽带LFM信号参数估计

针对基于多速率欠采样的超宽带LFM信号瞬时频率估计方法中,余数的很小测量误差将导致很大的测频误差问题,提出一种基于欠采样的超宽带LFM信号参数估计算法。该算法在多速率欠采样方法的基础上,对错误的瞬时频率估计值进行重估计,剔除大误差后通过线性拟合的方法可在-6 dB信噪比环境下稳定地对线性调频信号进行参数估计。计算机仿真实验验证了该方法的有效性。     

基于分数阶Fourier变换的LFM信号参数估计精度分析

本文采用一阶扰动分析的方法分析了基于分数阶Fourier变换的LFM信号参数估计精度,推导得到了频率估计误差均方值表达式和调频率估计误差均方值表达式,前者反比于信号时长,后者反比于信号时长的平方。结果表明,基于分数阶Fourier变换的LFM信号参数估计方法在估计精度方面达到了最优。     

一种多 LFM 信号检测与参数估计的方法

针对常规方法对多个线性调频（LFM ）信号进行处理时存在运算量大、不能满足快速检测和交叉干扰的问题,分析了采用分数阶傅里叶变换（FrFT ）对LFM 信号进行参数估计的原理,基于快速解线性调频技术,将LFM 信号检测与参数估计由二维搜索转换为2个一维搜索。该方法可以有效减小运算量,易于工程实现。仿真结果表明,此方法在低信噪比下仍具有良好的性能。     

基于改进精估计与FrFT的Chirp信号参数估计

为了解决Chirp信号参数估计在低信噪比下保持高精度等问题,提出了一种基于粗精二次估计的Chirp参数算法。粗估计采用分数阶傅里叶变换（Fractional Fourier Transform,FrFT）,能够在低信噪比下检测到Chirp信号并估计出调频率的范围。同时,提出了一种FrFT插值算法提高FrFT估计中心频率的精度。精估计根据信号能量和周期长度一定时Chirp信号频谱幅度的平方与调频率成反比的特性,不断地用已知Chirp信号的共轭与未知Chirp信号相乘,寻找使相乘后频谱幅度平方最大的已知Chirp信号的调频率。为了提高精估计算法性能,用提出的H-Rife算法估计中心频率和相乘后信号的频谱中最大的幅值。〖JP2〗用二分法代替等步长使精估计在粗估计出的调频率范围内搜索,极大降低了复杂度。在信噪比不小于-10 dB时,该算法估计调频率归一化均方误差（Normalized Mean Square Error,NMSE）较FrFT线性提升,估计中心频率NMSE较FrFT线性提升,接近克拉美罗界。     

一种基于高效FrFT的LFM信号检测与参数估计快速算法

针对传统方法对线性调频(LFM)信号检测与参数估计运算量大的问题,该文提出一种基于高效FrFT的快速算法。首先,分析了高效FrFT原理,指出高效FrFT存在旋转角度的选取、易受初始频率影响以及抗噪性能差等问题。针对以上问题,该文利用修正的功率谱平滑滤波方法对高效FrFT进行改进。理论分析表明,该文提出的改进算法仅用3次旋转角度即可实现较低信噪比下LFM信号的检测和参数估计。与传统的FrFT相比,在保证参数估计精度不变的情况下,运算复杂度大大降低,更符合工程上实时处理的要求。仿真结果验证了该算法的有效性。     

脉冲噪声下基于压缩变换函数的LFM信号参数估计

针对现有线性调频(LFM)信号参数估计方法在脉冲噪声下性能退化甚至完全失效的问题,该文提出一种脉冲噪声下估计LFM信号参数的新方法。该文构造了一种新的压缩变换(CT)函数,分析了该函数在零点附近的近线性,推导了任意随机变量经该函数变换后的2阶矩有界,证明了函数变换前后LFM信号的初始频率和调频斜率信息不变。将经过函数变换后的信号进行分数阶傅里叶变换(FrFT),根据FrFT域中峰值坐标和信号参数的关系,寻找变换域中的峰值点,实现信号参数的估计。仿真实验表明,该方法可有效抑制脉冲噪声且能准确估计出信号的参数信息,实现简单,不需要噪声的先验信息,具有良好的稳健性。     

基于FrFT的LFM相参脉冲信号多普勒频率变化率估计算法

线性调频信号(LFM)在雷达中广泛应用,精确获取观测LFM信号中的多普勒频率变化率信息是单站无源定位与跟踪系统的一项关键技术。该文提出了基于分数阶Fourier变换(FrFT)的多普勒频率变化率估计算法,在分数阶变换域上使信号能量聚集,消除调频率对参数估计的影响的同时充分提高了信噪比,进而利用保留的脉冲间相对相位关系获得了多普勒频率变化率的高精度估计。理论分析表明,该算法估计精度接近理论下界,数值仿真验证了算法的有效性。     

一种低复杂度线性调频信号参数估计算法

为降低线性调频(LFM)信号参数估计的复杂度,该文提出一种二次估计算法。首先通过短时相干积分与非相干累加对频率斜升和起始频率进行预估计;然后以预估计结果为中心,利用多路并行部分匹配滤波快速傅里叶变换(PMF-FFT)和二次插值对参数进行精确估计;最后综合预估计和精确估计结果得到参数的最终估计值。仿真结果表明,该算法信噪比门限较低,估计精度接近克拉美罗下界,其计算复杂度和资源消耗均远低于频率斜升试探算法和插值联合估计算法。     

LFM信号参数估计算法研究

初始频率和调频斜率是表征线性调频信号频率特性的基本参数,如何准确快速地估计它们具有的重要意义。针对传统LFM信号参数估计算法中繁琐的搜索和计算问题,提出了一种不需要参数搜索的快速LFM信号参数估计算法。该算法先用希尔伯特变换估计LFM信号瞬时相位,再用高阶差分估计LFM信号瞬时频率特性,最后用直线拟合LFM信号瞬时频率特性从而得到初始频率和调频斜率的估计。仿真实验验证了本文算法的有效性,说明本文算法能够给出满意的参数估计结果。