基于稀疏时频分布的跳频信号参数估计

基于常规时频分析方法的跳频信号参数估计中,采用核函数抑制时频分布交叉项会导致时频聚集性的下降,不利于信号参数提取。针对此问题,该文提出一种基于稀疏时频分布(STFD)的跳频信号处理方法。该方法首先根据Cohen类分布的原理和跳频信号模糊函数的特点,以模糊域矩形窗为核函数,构建了一种Cohen类的矩形核分布(RKD)。RKD可有效抑制交叉项,但其时频分辨率较低。为提高RKD的时频性能,在压缩感知框架下,利用跳频信号时频分布的稀疏特性,对RKD附加稀疏性约束,建立稀疏时频分布(STFD)的优化求解模型。STFD不仅能有效抑制交叉项,而且具有良好的时频聚集性。仿真分析表明,与传统时频分析方法相比,该文提出的基于STFD的跳频信号参数估计方法性能更优。     

基于稀疏重构的跳频信号时频分析方法

针对现有时频分析方法存在噪声抑制能力弱、时频聚集性不强的缺点,提出了一种基于稀疏重构的跳频信号时频分析方法来获取清晰的、高聚集度的时频图。首先根据惩罚函数的思想建立了跳频信号无约束的稀疏重构模型;然后理论分析了罚函数因子的取值标准;最后用近似l0范数算法求解得出跳频信号的时频图。仿真结果表明该算法能够有效地获取跳频信号的时频图。     

基于稀疏贝叶斯学习的多跳频信号DOA估计方法

针对多跳频信号空域参数估计问题,该文在稀疏贝叶斯学习(SBL)的基础上,利用跳频信号的空域稀疏性实现了波达方向(DOA)的估计。首先构造空域离散网格,将实际DOA与网格点之间的偏移量建模进离散网格中,建立多跳频信号均匀线阵接收数据模型;然后通过SBL理论得到行稀疏信号矩阵的后验概率分布,用超参数控制偏移量和信号矩阵的行稀疏程度;最后利用期望最大化(EM)算法对超参数进行迭代,得到信号矩阵的最大后验估计以完成DOA的估计。理论分析与仿真实验表明该方法具有良好的估计性能并能适应较少快拍数的情况。

     

基于贝叶斯稀疏学习的多跳频信号频率跟踪方法

以往的跳频信号参数盲估计方法大多难以适应多个信号同时存在的情况,且需要积累一定数量的样本以后才能从中提取所需要的信息.为了稳定实时地跟踪跳频信号的频率,该文提出一种利用贝叶斯稀疏学习的单/多通道跳频信号频率估计和跳变时刻检测方法来实现多跳频信号频率的实时跟踪.首先建立了多跳频信号的稀疏表示模型,然后介绍了多观测贝叶斯稀疏学习算法及跳变时刻实时检测方法,最后仿真结果验证方法的有效性.     

基于贝叶斯压缩感知的跳频信号参数估计

针对跳频信号参数估计问题,提出一种基于贝叶斯压缩感知的方法。根据跳频信号的数学模型,将待估计的参数在给定的定义域内离散化构建过完备字典。由此,将参数估计问题转换为压缩感知邻域的稀疏表示问题。考虑到参数估计过程中存在的噪声干扰,采用贝叶斯压缩感知求解稀疏表示系数。根据稀疏表示系数的非零元素分布中解算跳频信号的跳变周期、跳变时刻以及跳频频率的估计值。基于仿真数据对提出方法进行验证实验,其结果表明了方法的有效性。     

跳频信号时频分析的一种新方法

利用魏格纳-威尔变换等非线性时频分析方法,对跳频信号进行时频分析存在交叉项干扰的问题.为提高对跳频信号进行时频分析的准确度,提出一种新的时频分析方法.对跳频信号首先进行奇异点的检测,根据奇异点的位置将跳频信号划分为不同的单载频信号,然后利用非线性时频分析方法对单载频信号进行逐个处理,最后将得到的多个单载频信号的时频关系按跳频规律进行组合,进而得到完整的跳频信号时频关系.仿真验证了新方法可有效抑制交叉项,准确可行.     

STFT在跳频信号分析中的应用

跳频信号分析一直是通信领域研究的热点，用时频分布来分析跳频信号是一种很有效的方法。时频分析有多种方法，其中小波变换时频分布对信号中夹杂的噪声非常敏感，维格纳威利分布虽然具有很好的时频聚集性，但分析多分量信号时存在严重的交叉干扰项。经典的STFT(Short Time Fourier Trans form)是一种很好的时频工具，本文对多种窗函数以及同一窗函数不同参数的STFT进行了Matlab仿真，仿真结果表明，选择合适的窗函数及其相关参数，会使STFT在跳频信号分析中取得令人满意的效果。     

跳频信号时-频域分析与参数盲估计方法

本文提出一种基于SPW时频分析来估计未知跳频信号参数的方法。该方法能够有效描绘跳频图案,具有分辨率高、运算量小、抗噪声能力强等优点。文中详细讨论了SPW时频分析方法,给出了参数盲估计算法的具体步骤及在低信噪比下的算法完善,并进行了仿真试验和性能分析。     

基于重排方法的跳频信号分析研究

跳频信号是一种非平稳信号,用时频分布来分析跳频信号是一种很有效的方法。然而,线性时频分析方法的时频分辨率受到测不准原理的限制很难同时得到兼顾,不利于跳频信号的分选和参数的估计。文章利用重排方法对时频变换后的时频谱图进行处理,通过仿真可以看出,重排后时频谱图具有良好的时频聚集性,频率分辨率损失(RL)最大可以改善6dB左右,提高了时频谱图的可读性。     

稀疏贝叶斯模型在跳频信号电台分选中的应用

当电磁环境更加复杂,现有的跳频信号分选算法,诸如K Means聚类,支撑矢量机（SVM）等,往往面临较低的分选正确率或者较高的计算复杂度等问题。为了解决这两种问题,本文提出了一种基于稀疏贝叶斯学习（SBL）的跳频信号分选算法。在建立跳频信号分选模型之后,引入稀疏贝叶斯学习框架完成后续分选过程,并针对电磁环境中多个跳频电台的情况,建立了多电台跳频信号分选的结构模型。仿真实验环节验证了所提算法的有效性。      

基于图像处理技术的雷达辐射源信号时频特性分析

针对常用时频分析方法对多分量雷达辐射源信号(RES)分析和处理的不足,提出一种基于图像处理技术的多分量RES时频特性分析方法.该方法通过时频分布图的平滑滤波、阈值处理和基于形态学细化等算法来提取RES自分量,在有效抑制噪声的同时,能够得到具有高分辨率的多分量RES时频图.仿真实验表明,该方法既克服了常用时频分析方法的不足,又优于时频重排方法对多分量RES的时频特性分析.     

基于小波变换的跳频信号参数盲估计

本文提出了一种基于小波变换的未知跳频信号参数盲估计方法.该方法利用小波变换在时频域上良好的局部化性质和检测突变点能力,在未知任何先验参数的情况下,能够准确估计出跳频信号的跳变时刻、跳频频率和跳频周期等参数.文中阐述了应用小波变换对跳频信号分析的基本原理,给出了估计跳频信号参数的具体算法步骤,在计算机仿真的基础上对结果进行了性能分析,得到了较为准确的估计结果.     

基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法

提出了一种基于块稀疏贝叶斯学习的合成孔径雷达（Synthetic aperture radar,SAR）图像目标方位角估计方法。SAR图像具有较强的方位角敏感性,因此对于具有某一方位角的SAR图像仅能与其具有相近方位角的样本具有较高的相关性。方法基于稀疏表示的基本思想,首先对所有训练样本按照方位角顺序排列为全局字典。在此条件下,待估计样本在该字典上的线性表示系数具有块稀疏特性,即非零表示系数主要聚集在字典上的某一局部区域。求解得到的块稀疏位置包含的训练样本可以有效地反映待估计样本的方位角信息。采用块稀疏贝叶斯学习（Block sparse Bayesian learning, BSBL）算法求解全局字典上的稀疏表示系数,并根据具有最小重构误差的原则获得最佳的局部分块。在获取最佳分块的基础上,方位角计算方法采用线性加权的方式综合了该分块区间内所有训练样本的方位角信息从而获得更为稳健的估计结果。所提出的方法在充分考察SAR图像方位角敏感性的基础上,综合运用局部区间内样本的有效信息,避免了基于单一样本估计的不确定性。为了验证所提出方法的有效性,基于Moving and stationary target acquisition and recognition （MSTAR）数据集进行了方位角估计实验并与几类经典方法进行对比分析。实验结果验证了所提出方法的性能优势。     

多维非平稳信号的时频分析方法研究

时频分析方法能够同时描述信号在时间和频率域的能量密度与分布情况,为非平稳信号处理提供了有力的工具。文中对非平稳信号的双线性时频分析方法进行了讨论,分析了几种固定核函数的Cohen类分布在典型非平稳信号时频分析中的优缺点;详细讨论并实现了多维信号的Cohen类分布,比较了几种固定核函数的Cohen类分布分析多维信号时在抑制交叉项、自项分辨率保持方面的优缺点与核函数参数选择问题。     

Bayesian compressive sensing for cluster structured sparse signals

In traditional framework of compressive sensing (CS), only sparse prior on the property of signals in time or frequency domain is adopted to guarantee the exact inverse recovery. Other than sparse prior, structures on the sparse pattern of the signal have also been used as an additional prior, called model-based compressive sensing, such as clustered structure and tree structure on wavelet coefficients. In this paper, the cluster structured sparse signals are investigated. Under the framework of Bayesian compressive sensing, a hierarchical Bayesian model is employed to model both the sparse prior and cluster prior, then Markov Chain Monte Carlo (MCMC) sampling is implemented for the inference. Unlike the state-of-the-art algorithms which are also taking into account the cluster prior, the proposed algorithm solves the inverse problem automatically—prior information on the number of clusters and the size of each cluster is unknown. The experimental results show that the proposed algorithm outperforms many state-of-the-art algorithms.     

Analysis of FHMA performance on block cipher based frequency-hopping sequences

Based on the triple Data Encryption Standard (DES) block cipher frequency-hopping (FH) sequences, a kind of packet protocol for frequency-hopping multiple-access (FHMA) network is suggested in this paper. In theory, the performances of both the packet error and the throughput are derived, which shows that the ratio of the packet length M to the frequency slots number q is most key parameter to determine the FHMA system performance under the condition of large user number. Computer simulation results of 3-DES FH sequences compared with those of the chaotic FH sequences are also included to support our developments.     

基于重排时间尺度分布的跳频信号参数盲估计

提出了一种低截获概率跳频信号的截获方法,该方法基于信号小波尺度谱的重排时间尺度分布,在未知任何先验条件情况下,能够检测并提取非合作跳频信号的跳频频率、跳频周期和跳变时刻特征参数信息。文中比较了跳频信号的小波尺度谱与重排小波尺度谱分析效果,提出了基于重排小波尺度谱的跳频信号参数盲估计算法,通过计算机仿真得到了较为准确的估计结果,并对算法的性能进行了分析,验证了该方法的有效性。     

基于自混频的多跳频信号跳周期估计

针对跳频信号参数估计方法大多难以适应多跳频信号同时存在,且没有考虑信道衰落及定频干扰等复杂电磁环境的影响,提出一种基于延时自混频的多跳频信号跳周期估计方法。该方法通过延时自混频方式构造辅助信号,提取辅助信号的直流分量,进而得到随延迟时间变化的能量曲线,最后通过拐点检测的相关方法得到各跳频信号的跳周期,同时分析了在定频干扰和多径衰落下算法的有效性。仿真实验表明,该方法运算复杂度低,跳周期估计精确度高,鲁棒性较强,可用于估计多跳频信号的跳周期,适合实际工程应用。