低信噪比下LFMCW信号的参数估计

针对线性调频连续波(LFMCW)雷达信号特征参数提取的问题,提出了一种参数估计的方法。首先根据信号自相关函数的特点,进行峰值距离的平均,实现了调制周期的估计。然后通过解线调法得到信号的调频斜率,再通过共轭匹配法进行起始时间的搜索,得到信号的起始频率。与其他方法相比,该算法在减少计算量的同时,具有较强的抗噪性。仿真结果验证了该算法可以在低信噪比(SNR)下对LFMCW进行参数估计,具有很好的参数估计性能。     

基于AR功率谱和ZAM变换的FSK-BPSK复合信号参数估计

为了解决频率编码-二相编码(FSK-BPSK)复合调制信号参数估计精度低的问题,提出利用自回归(AR)模型功率谱估计联合ZAM(Zhao,Atlas,and Marks)变换的方法.首先,利用AR模型功率谱估计方法对信号相位不敏感的特点,对FSK-BPSK复合调制信号的跳频分量数以及跳频码元序列进行估计;然后,利用ZAM分布对相位变化极其敏感的特点,提取信号ZAM分布的各跳频频率下的截面,对相位编码的码元宽度和跳频码元宽度进行估计.仿真实验表明,在全频段信噪比不小于0 dB时,AR模型功率谱联合ZAM变换的方法能够精确地估计出该复合信号的各参数.     

基于奇异值分解的雷达信号脉内调制类型自动识别

针对低信噪比下传统方法识别雷达信号脉内调制类型准确率低的问题,提出了一种有效的脉内调制类型自动识别方法。该方法首先计算雷达信号的模糊函数,然后利用图像处理算法提取其奇异值特征,将奇异值特征矢量作为神经网络的输入对脉内调制类型自动识别。仿真表明该方法在0dB信噪比下,对常见脉内调制信号识别率均大于84%。该方法需要的特征维数少、分类器结构简单、识别率高、抗噪能力强。     

基于数据流聚类的动态信号分选框架

为了解决雷达信号分选中准确性与实时性相矛盾的问题,提出了一种基于数据流聚类的动态信号分选框架。该框架分为在线和离线两部分,在线部分利用网格帧保存侦察数据的概要信息;离线部分通过网格聚类算法对网格帧进行聚类分选,并得到分选结果。仿真实验表明,该框架能够分选高密度复杂侦察数据流,对噪声不敏感,且无需先验知识支撑,能够较好地满足信号分选准确性和实时性的需要。