舰船线性调频信号时序特征盲检测算法
发布时间：2021-03-07 15:55
在舰船线性调频信号时序特征盲检测过程中,受到同频干扰信号的影响,导致舰船线性调频信号时序特征盲源信号分离效果不佳,信号时序特征盲检测精度不高。为此,设计一种舰船线性调频信号时序特征盲检测算法。去除线性调频信号中同频干扰信号,对舰船线性调频信号时序特征进行盲源分离,建立线性调频信号模型,识别舰船线性调频信号时序特征,确定各个信号频率成分出现时刻,完成舰船线性调频信号时序特征盲检测。实验结果表明:该算法在不同信噪比、不同衰减系数比下,信号分离性能较好,且对舰船线性调频信号时序特征盲检测准确度较高。
【文章来源】：舰船科学技术. 2020,42(18)北大核心
【文章页数】：3 页
【部分图文】：
不同衰减系数比下信号分离性能对比Fig.3Comparisonofsignalseparationperformanceunderdiffer-
分量，代表源信号分量个数。本文采用短时傅里叶变换方法对信号中频谱情况进行分析。分析信号中存在的所有频率成分，并确定各个信号频率成分出现时刻。假定窗函数在短时间内较为平稳，移动窗函数[4]，计算各个不同时刻的功率谱。假设某连续时间信号短时傅里叶变换可以表示为：b(n)=x/o+v，(5)式中，x代表对称函数，o代表采标窗函数，v代表分析时刻。依据上述计算可得到线性调频信号中不同的伪平稳信号。对舰船线性调频信号时序特征进行盲检测，其检测过程如图1所示。图1舰船线性调频信号时序特征盲检测过程Fig.1BlinddetectionprocessofshipLFMsignaltimeseriescharacteristics3实验分析3.1实验环境为验证所提算法的科学有效性，进行仿真实验分析。实验在Matlab平台上进行，实验操作系统为WindowsXP系统，其运行内存为8GB。3.2实验参数在实验分析中，实验参数设置为：接受信号为2个，发射信号为4个，每路调频信号在一个周期内存在6跳；采样频率为10MHz，每路调频信号的跳速为10000hop/s，其中，每路信号的入射角随机生成。3.3实验方案采用此次设计的舰船线性调频信号时序特征盲检测算法对实验信号进行检测，并使用基于空时频输出矩阵的盲波束形成算法与LFM/BPSK混合调制信号盲处理结果可信性评估，将2种方法检测结果与所设计的检测方法进行对比。3.4实验结果分析3.4.1不同信噪比下信号分离性能对比为了验证所提方法的科学有效性，实验分析3种方法在不同信噪比下信号的分离准确度，实验结果如图2所示。第42卷翟月英：舰船线性调频信号时序特征盲检测算法·125·
图2不同信噪比下信号分离性能对比Fig.2ComparisonofsignalseparationperformanceunderdifferentSNR分析可知，不同信噪比时，3种方法进行分离的准确度存在一定差距。其中，所提方法相对于另外2种算法在分离性能上存在显著优势，其信号分析的准确度最高可达97%，而其他2种算法信号分离的准确度低于所提算法。验证了所提算法的检测效果较好。3.4.2不同衰减系数比下信号分离性能对比为了验证所提方法的可行性，实验分析了3种算法在相同衰减系数比下信号分离效果，实验结果如图3所示。可以看出，不同衰减系数比下，3种算法的信号分离性能不同。其中，当源信号衰减系数比越大，所提算法的信号分离性能越好。而传统检测算法在衰减系数比大与小的情况下，分离性能变化不大，与此次设计的算法具有一定的差距。4结语此次设计的舰船线性调频信号时序特征盲检测算法具有一定的参考与应用价值，由于时间与能力有限，此次设计的方法还存在一些问题。盲源分离算法性能会影响最后分析识别结果，所以无形中也会损失一定信息。因此，在后续研究中，对分量信号进行分析识别研究，从而降低算法复杂度，进一步提高舰船线性调频信号时序特征盲检测算法性能。参考文献：刘骐玮,马彦恒,李根,等.基于空时频输出矩阵的盲波束形成算法[J].雷达科学与技术,2019,17(1):48–52.[1]胡国兵,吴珊珊,杨忠,等.LFM/BPSK混合调制信号盲处理结果可信性评估:一种简化的似然比算法[J].电子学报,2019,47(9):1891–1897.[2]何继爱,宋宇霄.Kalman滤波下的多信号单通道盲源分离[J].信号处理,2018,34(7):843–851.[3]张重远,岳浩天,王博闻,等.基于相似矩阵盲源分离与卷积神经网络
【参考文献】：
期刊论文
[1]LFM/BPSK混合调制信号盲处理结果可信性评估:一种简化的似然比算法[J]. 胡国兵,吴珊珊,杨忠,杨莉,赵嫔姣,宋军. 电子学报. 2019(09)
[2]基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法[J]. 张重远,岳浩天,王博闻,刘云鹏,罗世豪. 电网技术. 2019(06)
[3]基于空时频输出矩阵的盲波束形成算法[J]. 刘骐玮,马彦恒,李根,董健. 雷达科学与技术. 2019(01)
[4]Kalman滤波下的多信号单通道盲源分离[J]. 何继爱,宋宇霄. 信号处理. 2018(07)
本文编号：3069396
【文章来源】：舰船科学技术. 2020,42(18)北大核心
【文章页数】：3 页
【部分图文】：
不同衰减系数比下信号分离性能对比Fig.3Comparisonofsignalseparationperformanceunderdiffer-
分量，代表源信号分量个数。本文采用短时傅里叶变换方法对信号中频谱情况进行分析。分析信号中存在的所有频率成分，并确定各个信号频率成分出现时刻。假定窗函数在短时间内较为平稳，移动窗函数[4]，计算各个不同时刻的功率谱。假设某连续时间信号短时傅里叶变换可以表示为：b(n)=x/o+v，(5)式中，x代表对称函数，o代表采标窗函数，v代表分析时刻。依据上述计算可得到线性调频信号中不同的伪平稳信号。对舰船线性调频信号时序特征进行盲检测，其检测过程如图1所示。图1舰船线性调频信号时序特征盲检测过程Fig.1BlinddetectionprocessofshipLFMsignaltimeseriescharacteristics3实验分析3.1实验环境为验证所提算法的科学有效性，进行仿真实验分析。实验在Matlab平台上进行，实验操作系统为WindowsXP系统，其运行内存为8GB。3.2实验参数在实验分析中，实验参数设置为：接受信号为2个，发射信号为4个，每路调频信号在一个周期内存在6跳；采样频率为10MHz，每路调频信号的跳速为10000hop/s，其中，每路信号的入射角随机生成。3.3实验方案采用此次设计的舰船线性调频信号时序特征盲检测算法对实验信号进行检测，并使用基于空时频输出矩阵的盲波束形成算法与LFM/BPSK混合调制信号盲处理结果可信性评估，将2种方法检测结果与所设计的检测方法进行对比。3.4实验结果分析3.4.1不同信噪比下信号分离性能对比为了验证所提方法的科学有效性，实验分析3种方法在不同信噪比下信号的分离准确度，实验结果如图2所示。第42卷翟月英：舰船线性调频信号时序特征盲检测算法·125·
图2不同信噪比下信号分离性能对比Fig.2ComparisonofsignalseparationperformanceunderdifferentSNR分析可知，不同信噪比时，3种方法进行分离的准确度存在一定差距。其中，所提方法相对于另外2种算法在分离性能上存在显著优势，其信号分析的准确度最高可达97%，而其他2种算法信号分离的准确度低于所提算法。验证了所提算法的检测效果较好。3.4.2不同衰减系数比下信号分离性能对比为了验证所提方法的可行性，实验分析了3种算法在相同衰减系数比下信号分离效果，实验结果如图3所示。可以看出，不同衰减系数比下，3种算法的信号分离性能不同。其中，当源信号衰减系数比越大，所提算法的信号分离性能越好。而传统检测算法在衰减系数比大与小的情况下，分离性能变化不大，与此次设计的算法具有一定的差距。4结语此次设计的舰船线性调频信号时序特征盲检测算法具有一定的参考与应用价值，由于时间与能力有限，此次设计的方法还存在一些问题。盲源分离算法性能会影响最后分析识别结果，所以无形中也会损失一定信息。因此，在后续研究中，对分量信号进行分析识别研究，从而降低算法复杂度，进一步提高舰船线性调频信号时序特征盲检测算法性能。参考文献：刘骐玮,马彦恒,李根,等.基于空时频输出矩阵的盲波束形成算法[J].雷达科学与技术,2019,17(1):48–52.[1]胡国兵,吴珊珊,杨忠,等.LFM/BPSK混合调制信号盲处理结果可信性评估:一种简化的似然比算法[J].电子学报,2019,47(9):1891–1897.[2]何继爱,宋宇霄.Kalman滤波下的多信号单通道盲源分离[J].信号处理,2018,34(7):843–851.[3]张重远,岳浩天,王博闻,等.基于相似矩阵盲源分离与卷积神经网络
【参考文献】：
期刊论文
[1]LFM/BPSK混合调制信号盲处理结果可信性评估:一种简化的似然比算法[J]. 胡国兵,吴珊珊,杨忠,杨莉,赵嫔姣,宋军. 电子学报. 2019(09)
[2]基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法[J]. 张重远,岳浩天,王博闻,刘云鹏,罗世豪. 电网技术. 2019(06)
[3]基于空时频输出矩阵的盲波束形成算法[J]. 刘骐玮,马彦恒,李根,董健. 雷达科学与技术. 2019(01)
[4]Kalman滤波下的多信号单通道盲源分离[J]. 何继爱,宋宇霄. 信号处理. 2018(07)
本文编号：3069396
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3069396.html
