时频分析在多目标分辨中的应用

建立了高速运动炮弹目标回波信号的数学模型,根据其特点提出了基于时频分析方法的目标检测方法。在分析了几种典型时频分析方法的优缺点的基础上,分别用实测数据进行了仿真,并比较了仿真结果。综合考虑工程实现的简便性、仿真结果的有效性,短时傅立叶分析是相对最优的。     

加权重排算法在多目标雷达信号分辨中的应用

该文应用一种加权重排算法,对多目标雷达信号的分辨进行了研究。此加权重排算法简单且容易实现,重排后的时频分布虽然失去了双线性,但保持了其它良好性质,特别是换回了对Chirp信号和冲击信号的准确定位。针对编队多目标雷达信号的线性调频特点,应用加权重排算法在权衡能量聚集性和消除重排振荡的同时,实现了对编队多目标雷达信号较佳分辨。     

基于时频特征的低分辨雷达微动多目标分辨方法

对同一波束内群目标个数进行判定对于提升低分辨预警雷达性能具有重要的意义。该文根据不同目标微动多普勒特性的差异,提出了利用时频的方法进行微多普勒特征分析实现群目标个数的判定的方法。该算法先利用自适应chirplet变换进行群目标信号拟合,消除交叉项的影响,得到每个目标主要微动频率分量,再根据拟合得到的频率分量呈线性的特点,利用hough变换检测直线数量,从而实现群目标个数的判定。仿真实验表明,该算法可以有效估计群目标内目标个数。     

采用时频分析方法进行多目标信号的分辨

对雷达多目标回波信号进行了分析，针对采用传统时域、频域分析方法不能正确全面地反映信号细节信息特点，针对试验获取的含有多目标信息的真实数据，采用魏格纳-维尔分布、短时傅里叶变换、小波变换等时频分析的方法对这砦数据进行了多目标分辨的时频分析和仿真比较，找到适合工程实现的多同标分辨时频方法，并给出了实测信号的时频仿真结果。     

基于时频分布技术的雷达信号分析

分别介绍了短时傅里叶变换、小波变换、时频分布理论和信号的参数化表示等现代信号处理技术的实现原理,分析了不同理论方法的应用特点和不足,同时提供了典型雷达信号分析实例。通过对比实验,分析了信号时频分布与参数化表示方法对多分量信号处理的各自优点和局限性。     

雷达非刚性多目标的时—频分辨方法

从雷达多目标分辨的基本原理和方法出发,探讨了时－频分析在雷达非刚性多目标分辨中的应用问题,由于集成广义模糊函数是多项式相位信号分析的理想工具,本文将其用于非刚性多目标分辨中,通过对雷达实测数据的分析,表明这是非常有效的。     

多窗口时频重排-Hough变换在雷达回波信号中的应用

针对时频重排变换在处理相距很近的线性调频雷达回波信号时存在重排振荡,易形成伪尖峰导致误检测的问题,提出了将时频重排和多窗口方法相结合的多窗口时频重排算法以降低重排振荡提高时频聚集性,然后再结合二值积累和Hough变换对能量相差较大的多分量雷达回波信号进行检测。仿真结果表明,该方法可以有效的检测出相距很近的雷达回波信号,同时抗噪声能力强,检测精度较高。     

基于时频分布的多分量LFM信号检测

采用二次型时频分析方法对多分量线性调频信号进行分析,获取信号的时频域能量分布。首先讨论了线性调频信号的两种二次型时频分布：魏格纳-威尔分布及其改进形式——重排魏格纳-威尔分布;在此基础上,进一步对比验证了霍夫变换和若当变换对线性调频信号时频域能量的积累效果,以实现噪声背景中的多分量线性调频信号检测。仿真结果显示基于二次型时频分布的处理是实现多分量线性调频信号检测的一个有效方法。     

基于时频分布的线性调频雷达信号的研究

首先介绍了时频分布的基本概念。以雷达信号中常见的线形调频信号为例,对信号进行时频分析,并利用MATLAB语言构造出一种时间和频率的密度函数,以揭示信号中所包含的频率分量。仿真结果表明,运用时频方法能够正确识别常用的调频连续波雷达信号的调制方式,而且有噪声时仍然具有很好的性能。     

多分辨多模型机动目标跟踪

本文研究了使用子波变换进行目标跟踪的方法，采用对原始测量进行了多分辨分解和对目标运动模型进行多分辨分解的方法实现了在信噪比较高低的情况下对目标的弱机动进行提取。     

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.     

基于时频形态学滤波的能量积累检测

许多实际应用中,强噪声背景下信号能量的长时间积累是有效检测的关键。该文利用信号在时频平面上的能量聚集特性,提出基于时频域形态学滤波的能量积累检测方法。首先确定时频分布的最优核,计算观测序列的时频分布;然后用阈值处理和形态学滤波估计时频分布的高能量支撑区域;最后累加这些区域的时频能量作为统计量进行检测。仿真结果表明,这种方法在低信噪比下可以有效工作。     

四种时频分析方法的频率分辨率研究

时频分析是分析时变谱的有力工具,其频率分辨率是值得研究的关键问题之一。通过对基于短时傅里叶变换、小波变换、Choi-Williams分布和Hilbert-Huang变换的四种时频分析方法的频率分辨率的实验比较,说明Hilbert-Huang变换法具有最高的频率分辨率,其次是Choi-Williams分布,小波紧随其后,最差是短时傅里叶变换。     

基于时频二维的雷达信号脉内调制识别方法

本文提出一种基于对时频矩阵分布图像的边缘信息与瞬时频率序列中的细节信息的提取来实现雷达信号脉内调制类型识别的算法。一方面对雷达信号时频矩阵进行图像处理强化边缘信息,并对其进行奇异值分解,另一方面得到信号的瞬时频率序列,基于AR模型得到其模型参数,得到信号的特征参数,构建相应的分类器进行调制类型的识别。通过一系列蒙特卡洛仿真表明,这种算法有较强的抗噪声能力,对信号的脉内参数变化不敏感,在低信噪比、信号参数变化与小样本条件下可以以较高的识别率得到稳定的识别结果。     

基于短时稀疏时频分布的雷达目标微动特征提取及检测方法

为有效提高强杂波及目标复杂运动特性条件下的雷达动目标探测能力,该文结合时频分布(TFD)类动目标检测和稀疏表示方法的优势,建立了短时稀疏TFD(ST-STFD)原理框架,提出短时稀疏傅里叶变换(ST-SFT)和短时稀疏分数阶傅里叶变换(ST-SFRFT)雷达动目标检测方法,并应用于海上目标微动特征提取及检测中。实测雷达数据验证表明,该方法在时间-稀疏域能够实现时变信号的高分辨低复杂度时频表示,具有运算效率高、时频分辨好、抗杂波等优点,为进一步提升雷达杂波抑制和动目标检测能力提供了新的思路和途径。     

基于去噪卷积神经网络的雷达信号调制类型识别

针对低截获概率雷达(LPI)信号处理复杂,低信噪比条件下识别率低的问题,该文提出一种基于去噪卷积神经网络和Inception网络的信号分类识别系统.首先对8种LPI雷达信号进行Choi-Williams分布(CWD)时频变换,得到2维时频图像,然后使用去噪卷积神经网络进行时频图像去噪处理,最后将图像发送到Incepti...     

基于频域CLEANWigner-Ville分布中交叉项的抑制

针对ISAR飞机成像中出现的多分量线性调频(chirp)信号,该文提出一种基于频域CLEAN的信号分解方法,将其分解成多个单分量chirp信号,然后分别计算每个单分量的Wigner-Ville分布(WVD),以此来抑制此多分量信号WVD中的交叉项,与已有的chirp信号分解方法相比,该法减少了待估计参数的个数,使得计算更加简单,并能保证信号各分量正确的强度及时频变化特征。经过处理后的信号的WVD,保持了WVD高时频分辨率的特点,而交叉项得到了很好的抑制。实验表明,该方法应用于实测数据,成像质量明显提高了。     

基于改进时频分析方法的雷达信号瞬时频率估计

瞬时频率估计(Instantaneous Frequency, IF)在雷达信号处理中有着重要的研究意义,时频分布峰值检测是IF估计研究和应用中较为普遍和有效的方法,但由于噪声的影响,时频分布峰值往往偏离真实的IF曲线。针对低信噪比下的IF估计,文中首先对WVD及CWD的时频分布矩阵作Hadamard积,得到一种混合的时频分析方法,而后采用多样本信号时频能量累乘的方法,进一步抑制噪声在时频面上的分布;然后以时频分布峰值在信号自项时频聚集区域的分布概率为准则,计算出时频分布的数据窗长,并根据该窗长得到IF的初始估计;最后依据初始IF,采用交叉置信区间算法对时频分布峰值进行检测,得到信号的瞬时频率估计值。文中对NLFM、LFM和FSK信号的IF估计进行了研究,并与WVD峰值检测法和时频分布一阶矩法进行了比较,仿真结果表明了本文方法的有效性。      

椭圆球面波信号Wigner-Ville分布显式渐近求解方法

针对现有的椭圆球面波函数(PSWFs)信号时频分析无显式表达式、数值仿真误差不可控、时频分布结果对称性缺失等问题,该文引入Legendre多项式以及Wigner-Ville分布(WVD),提出一种PSWFs信号WVD显式渐近求解方法。该方法根据误差要求,生成所需阶数的Legendre多项式WVD自项、交叉项,进而与对应的WVD-Legendre系数相乘后线性叠加,获取PSWFs信号WVD显式渐近表达式。理论及数值仿真结果表明,所提方法能够产生满足误差要求的PSWFs信号WVD显式渐近表达式,且能够有效保持信号原有的时域、频域对称性。此外,在相同采样点数情况下,相对于基于数值解的PSWFs信号WVD,所提方法获得的PSWFs信号WVD频域分辨率更高。