基于人工蜂群算法的线性调频信号参数估计

发布时间：2021-10-30 19:10

　　针对多分量线性调频（LFM）信号的初始频率和调频斜率估计问题,提出了基于人工蜂群算法的LFM信号最大似然函数估计方法。首先,利用最大似然方法对LFM信号的初始频率和调频斜率进行联合估计;然后,用人工蜂群算法对似然函数进行优化求解;接着,针对人工蜂群算法收敛速度慢、易早熟等问题采用多维并行搜索结合交叉全局引导的方式对算法进行改进,实现了高效的多分量LFM信号参数估计。仿真实验证明,本文算法具有最大似然估计的有效性,兼具快速性和实时性。 

【文章来源】：吉林大学学报(工学版). 2020,50(03)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

多维并行搜索混合人工蜂群算法流程图

求解多分量LFM信号的最大似然函数需要多维搜索，计算量较大。传统多维网格法搜索的计算量为O{[(fmax-fmin)(mmax-mmin)/ΔfΔm]q}，其中，(fmin,fmax)、Δf分别为初始频率搜索范围和搜索步长；(mmin,mmax)、Δm分别为调频斜率搜索范围和搜索步长。基本人工蜂群和改进的人工蜂群算法的计算量均为O(2qQbχ+Qb)，其中，χ为迭代次数。可见，两种人工蜂群算法的计算量均由信号分量个数、种群规模和迭代次数决定。设χ1和χ2分别为基本人工蜂群算法和改进人工蜂群算法收敛到全局最优所需的迭代次数。图2给出了种群规模均为100时，对于不同信号源个数，两种人工蜂群算法收敛到全局最优所需平均迭代次数的仿真实验结果。从图2可以看出：改进的人工蜂群算法收敛到全局最优所需的迭代次数小于基本人工蜂群算法所需的迭代次数，这是由于基本人工蜂群算法每次都只是在某一个维度上进行邻域搜索，而改进后的多维并行算法，是在多个维度上进行并行搜索；另外，交叉操作引入了全局引导项，进一步加快了算法的收敛速度，因此χ2<χ1，这种优势在信源数目增加时体现得更加明显。将图2中的迭代次数代入计算量表达式，并与网格法的计算量作比较。

实验二收敛性实验设信噪比为-5 dB，种群规模为80，分别用基本人工蜂群算法和多维并行搜索混合人工蜂群算法对LFM信号的最大似然函数进行优化，取不同的迭代次数，得到似然函数的平均优化值如图4所示。

【参考文献】：
期刊论文
[1]基于切割聚类的快速多分量LFM信号分离[J]. 刘凯,韩嘉宾,王韵白,黄青华.  系统工程与电子技术. 2015(05)
[2]基于人工蜂群算法的波达方向和多普勒频率联合估计[J]. 张志成,林君,石要武,孙晓东.  吉林大学学报(工学版). 2013(04)



本文编号：3467270