一种α稳定分布噪声下的跳频参数盲估计方法

发布时间：2021-09-14 20:58

　　针对目前以高斯白噪声为模型的大部分跳频参数估计方法在α稳定分布噪声背景下,性能急剧下降的缺点,对跳频信号进行两次窗函数长短不同的分数低阶STFT,从而得到两组时频数据,,将两组时频数据点乘,得到新的时频表示,基于时频分析的跳频参数估计方法,实现跳频参数的估计。仿真实验表明,提出的方法有效抑制了α噪声,在α=0.8,GSNR≥1 d B;α=1.5,GSNR≥0 d B时,可以实现跳频周期的准确估计。在α=1.5,GSNR=3 d B时,该算法跳变时刻估计值最大相对误差比STFT低3%、比分数低阶STFT低1.6%,跳变频率估计值更加精确。 

【文章来源】：火力与指挥控制. 2020,45(02)北大核心CSCD

【文章页数】：7 页

【部分图文】：

GSNR=3 d B时不同α值跳频信号时域图与频域图

从图2中可以清楚地看到跳频信号时间、频率、幅度的三维分布情况。其中，凸起的峰值数目代表了跳频信号的数目，图中8个波峰对应8个跳频信号。凸起的峰值越尖锐，能量就越密集，说明算法的性能越好。图中，时间轴上的峰宽代表跳周期，峰值的变化时刻代表了信号的跳变时刻，频率轴的峰值代表了信号频率的大小。显然，在四组三维时频分布图中，分数低阶STFT对脉冲噪声有抑制作用；而组合窗函数的分数低阶STFT对脉冲噪声抑制效果更为显著，峰值更加尖锐，通过该算法获得的跳频信号特征参数值会有更好的性能指标。图3 跳频信号的等高线图

图2 跳频信号的三维时频分布图为了更直观地对不同时频分析方法作出比较，图3给出了跳频信号的等高线示意图。图3(a）是跳频信号经STFT变换所得的等高线图，由图可见，脉冲性的α噪声使STFT的时频分析能力大大减弱。图3(b）、图3(c）是不同窗长的分数低阶STFT变换所得的等高线图，该方法对脉冲性的α噪声有一定的抑制作用，但不能同时获得较好的时间分辨率和频率分辨率，图3(b）中短窗的分数低阶STFT变换有较好的时间分辨率，图3(c）中长窗的分数低阶STFT变换有较好的频率分辨率。图3(d）是组合窗函数的分数低阶STFT变换所得的等高线图，可以直观地看到，该方法对脉冲性的α噪声有显著的抑制作用，性能明显优于上述方法，并可以同时得到较好的时间分辨率和频率分辨率。

【参考文献】：
期刊论文
[1]基于FPGA的扩跳频信号源的设计与实现[J]. 牛强军,孙会超,张强.  电光与控制. 2018(10)
[2]一种基于ARMA模型的欠定混合快速跳频信号参数盲估计算法[J]. 付卫红,武少豪,张凡路,路贵朝.  北京邮电大学学报. 2014(05)
[3]基于STFT与SPWVD的跳频参数盲估计算法[J]. 付卫红,王璐,贾坤,路贵朝.  华中科技大学学报(自然科学版). 2014(09)
[4]基于原子分解的跳频信号盲检测和参数盲估计算法[J]. 范海宁,郭英,艾宇.  信号处理. 2010(05)
[5]基于小波变换的跳频信号参数盲估计[J]. 张曦,王星,杜兴民.  电路与系统学报. 2009(04)
[6]α稳定分布下的加权平均最小p-范数算法[J]. 邱天爽,杨志春,李小兵,陈艳霞.  电子与信息学报. 2007(02)

博士论文
[1]稳定分布环境下的时延估计新方法研究[D]. 郭莹.大连理工大学 2009

硕士论文
[1]Alpha稳定分布噪声下跳频信号的参数估计[D]. 刘杰.西安电子科技大学 2013



本文编号：3395519