基于RCCF‒PCT的机动目标运动参数估计

针对高速机动目标的运动参数估计问题,基于鲁棒互相关和多项式调频小波变换(RCCF-PCT),提出了一种高速机动目标运动参数估计方法。该方法首先采用幂率变换增强信号,利用距离像互相关和鲁棒多项式回归完成距离徙动校正;再采用多项式调频小波变换对多普勒徙动初步补偿后的信号进行参数化时频分析,利用提取的时频脊特征完成目标运动参数的精确估计。通过数值实验验证了算法的有效性。     

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。     

基于小波脊线-Hough变换的LFM信号检测

线性调频(LFM)信号是现代雷达广泛使用的一种大时宽-带宽积的低截获概率信号,根据线性调频信号的小波变换特性,小波脊线与瞬时频率的对应关系,提出了一种检测线性调频信号的联合小波脊线-Hough变换方法,该方法首先计算信号的小波变换,得到二维时-频能量分布图,采用脊算法提取信号的小波脊线,然后在小波脊线时-频平面上再进行Hough变换,从而检测噪声中的线性调频信号并估计信号参数.仿真结果证明,此方法可有效地对线性调频类信号进行检测,并且有较好的抗噪声性能.     

一种基于OFDM-LFM信号的PD雷达解模糊方法

为了解决线性调频脉冲多普勒雷达的距离模糊和速度模糊问题,采用了高脉冲重复频率的方式发射正交频分线性调频脉冲信号,并给出了一种用于解模糊的回波数据重排方案。这种重排方式可以解决最大无模糊距离和最大无模糊速度之间的矛盾,对重排后得到的数据矩阵进行脉冲压缩、动目标检测,最终得到的峰值可无模糊地体现目标的距离和速度。仿真结果证明了所提方法的有效性和可行性。     

基于小波变换和极大熵谱的非平稳信号分析

为非平稳信号的时域细节特征和频率特征,根据极大熵法具有适合分析短时数据的特点,对线性调频非平稳信号时域数据建立了参数模型,并到了三维熵频谱。此外,应用小波变换对其了三级小波分解,得到了信号时频细节特征。结果表明：本文所研究的线性调频信号的主要成份在三级小波的低频段0～0.3Hz范围内。     

基于重排Gabor谱方法的跳频信号参数估计

对接收到的跳频信号进行时频分析是跳频信号参数估计的重要步骤。利用重排方法对信号的时频谱图进行重排,有效地抑制了交叉干扰项,提高了信号的时频聚集性并且改善了信号时频谱图的可读性。对跳频信号的Gabor谱进行重排,能够在低信噪比条件下估计出跳频信号的跳频周期、跳变时刻和跳频频率等参数。仿真结果表明,与Gabor谱方法比较,采用重。排Gabor谱方法对跳频信号进行分析,提高了跳频信号的跳频周期和跳变时刻估计的准确性。     

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。     

一种频率编码信号瞬时频率提取新方法

针对小波变换法在提取频率编码信号脉内特征中的不足,提出了将时频重排和时频脊线相结合的时频联合分析方法。首先通过Morlet小波计算信号的小波谱,再对小波谱进行时频重排,最后由重排后的时频图提取时频脊线,得到频率编码信号的脉内特征。该方法在低信噪比下,能准确提取频率编码信号脉内特征信息。最后利用计算机仿真验证了该方法的可行性。     

基于LPFT的相控阵雷达信号盲分离

现代电子战中,雷达信号受到严重的干扰,使回波信号的提取愈发困难。跟据相控阵雷达天线阵列的特点,提出了基于局部多项式傅里叶变换(LPFT)的雷达信号盲源分离算法。选取线性调频信号(LFM)雷达信号作为发射信号,将雷达接收信号作为观测信号,应用LPFT进行时频变换,构造时频矩阵,采用联合近似对角化方法对受到干扰的雷达信号进行盲源分离。仿真结果表明,本方法有效得分离出了淹没在噪声和LFM调频干扰中的雷达回波信号。     

基于小波包变换的雷达抗噪声调频干扰研究

本文基于小波包分解提出了一种新的雷达信号抗调频噪声干扰的方法,该方法利用小波包的多尺度时频分析及重构,在雷达信号处理中进行抗噪声调频干扰,将含有噪声调频干扰信号的雷达信号在不同的频段上进行小波包分解,然后重构出原始信号,从而达到抗干扰的目的,最后通过仿真分析证明了该方法的有效性。     

基于RPRG+ICCD与RANSAC的多分量多项式相位信号参数估计

多分量多项式相位信号的检测和参数估计是多项式相位信号处理的一大难点。时频分析方法能够通过时频分布表征多项式相位信号的瞬时频率,通过对提取的瞬时频率进行多项式拟合得到其系数,经过简单的变换即可获得多项式相位信号的参数。文中利用RPRG+ICCD分离多分量多项式相位信号得到各个分量的瞬时频率,再使用RANSAC进行多项式拟合,最终实现了多项式相位信号的参数估计。实验结果表明,文中提出的方法能够实现在时频域部分重叠的多分量多项式相位信号的分离和参数估计。     

稀疏重构下的非线性调频信号参数估计算法

非线性调频信号广泛应用于雷达声纳领域，其具有多阶多项式相位、未知参数多的特点，给参数估计带来困难。针对此问题，本文提出一种稀疏重构下的非线性调频信号参数估计算法。该方法利用Gabor原子良好时频特性，以 范数稀疏正则最小二乘模型为目标函数，并推导了问题的二阶锥规划（SOCP）形式，最终通过求解的Gabor原子进行参数估计。算法分析信号的时频特征，完成信号的分解重构，适应于各类调频信号。仿真实验证明，本文算法对调频信号二阶与一阶相位参数估计精度都贴近CRB，而对二阶参数的估计较二次相位差分算法更适应较低信噪比。      

基于Wigner-Ville分布的复杂时变信号的时频分析

对多分量线性调频(LFM)信号、单分量非线性调频(NLFM)信号以及多分量NLFM信号的Wigner-Ville分布进行了数值计算,探讨了信号项与交叉项之间的差异性特征,提出了信号时频曲线中点集的概念,研究了交叉项出现的一般规律.对于多分量信号,交叉项出现在信号项时频曲线之间的中点集之内.对于单分量NLFM信号,也有交叉项产生,交叉项出现在信号项时频曲线自身的自中点集之内.     

二维主分量分析的脉内调制识别算法研究

随着雷达信号脉内调制方法日趋复杂,单纯地利用时域或频域的算法来进行信号调制类型的识别已很难奏效.借助于雷达信号的时频分布图像,提出了一种在时频联合域上进行信号识别的新算法.首先揭示了时频分布图像中确实蕴含着信号调制类型的本质特征,然后详细阐述了利用二维主分量分析来提取时频分布图像特征参数的算法,最后对算法进行了仿真,并从识别率、算法复杂度以及硬件需求和训练时间3个角度进行了比较.结果表明,该算法提取的特征参数具有很好的鲁棒性,可以取得较高的识别率,同时可以降低硬件需求,缩短训练时间.     

基于时频特征的跳频信号调制识别

跳频信号在抗干扰方面具有良好的性能。准确识别跳频信号的调制方式,能够为判断敌我目标属性、干扰敌方信号等军事信息战提供有力支撑,但国内外对于跳频信号的调制识别仍存在很大空缺。本文提出一种基于时频特征的跳频信号调制识别方法,通过平滑伪魏格纳-维利分布(SPWVD)时频变换获取不同调制类型的跳频信号时频图像,将时频图像送入卷积神经网络(CNN)中进行特征提取及分类识别。仿真实验证明,本文CNN在低信噪比下取得了较好的识别效果。     

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。     

直升机旋翼雷达特征信号分析

针对动态飞行测量实验,分别从时域、频域以及时频域对实测直升机回波信号进行了分析.结果表明,在时频联合域可以更清楚地揭示直升机旋翼的调制特性.根据其时频特征信号,可以判断旋翼叶片数的奇偶,并且可以测定调制回波的闪烁周期,从而确定旋翼叶片的数目和转速,实验还验证了叶片倾斜角对其调制回波的影响.这些特征对于直升机雷达回波信号仿真以及检测和识别具有重要的价值.     

Frequency hopping modulation recognition based on time-frequency energy spectrum texture feature

For frequency hopping modulation identification,a novel method based on time-frequency energy spectrum texture feature was proposed.Firstly,the time-frequency diagram of the frequency hopping signal was obtained by smoothed pseudo Wigner-Ville distribution,and the background noise of the time-frequency diagram was removed by two-dimensional Wiener filtering to improve the resolution of the time-frequency diagram under low SNR conditions.Then,the connected-domain detection algorithm was used to extract the time-frequency energy spectrum of each hop signal and convert it into a time-frequency gray-scale image.The histogram statistical features and the gray-scale co-occurrence matrix feature were combined to form a 22-dimensional eigenvector.Finally,the feature set was trained,classified and identified by optimized support vector machine classifier.Simulation experiments show that the multi-dimensional feature vector extracted by the algorithm has strong representation ability and avoids the misjudgment caused by the similarity of single features.The average recognition accuracy of the six modulation methods of frequency hopping signals BPSK,QPSK,SDPSK,QASK,64QAM and GMSK is 91.4% under the condition of -4 dB SNR.     

Local polynomial modeling of time-varying autoregressive models with application to time-frequency analysis of event-related EEG

This paper proposes a new local polynomial modeling (LPM) method for identification of time-varying autoregressive (TVAR) models and applies it to time-frequency analysis (TFA) of event-related electroencephalogram (ER-EEG). The LPM method models the TVAR coefficients locally by polynomials and estimates the polynomial coefficients using weighted least-squares with a window having a certain bandwidth. A data-driven variable bandwidth selection method is developed to determine the optimal bandwidth that minimizes the mean squared error. The resultant time-varying power spectral density estimation of the signal is capable of achieving both high time resolution and high frequency resolution in the time-frequency domain, making it a powerful TFA technique for nonstationary biomedical signals like ER-EEG. Experimental results on synthesized signals and real EEG data show that the LPM method can achieve a more accurate and complete time-frequency representation of the signal.     

基于局部多项式傅里叶变换的语音盲源分离

频域的语音信号盲源分离多采用短时傅里叶变换以及Wigner-Ville分布(WVD)求信号的功率谱,而短时傅里叶变换对于多分量信号的频率分辨率受窗函数影响很大,WVD是一种非线性时频变换,处理多分量信号受交叉项影响很大。局部多项式傅里叶变换(LPFT)不仅提高了频率估计精度而且大大减少了时频分布中交叉项的影响。将语音信号表示为多分量的多项式相位信号,对语音信号作二阶LPFT,求得其局部多项式傅里叶变换谱(LPP),并构造时频矩阵,采用联合近似对角化算法求得能使信号功率谱矩阵近似对角化的一个酉矩阵,通过信号的白化以及酉矩阵来估计源信号,有效地分离出了原始信号。仿真结果表明,在噪声环境下可以将两个不同的语音信号进行分离。