基于S变换的跳频信号参数估计

对跳频信号的时频域进行分析和参数估计是识别、跟踪及干扰跳频信号的重要基础。针对接收到的未知任何先验参数的跳频信号,提出了一种基于S变换(S-transform)的跳频信号参数估计算法,通过S变换,能正确估计出跳频信号的跳频周期、跳变时刻及跳频图案。仿真结果表明,与平滑伪Wigner-Ville分布(SPWVD)进行比较,该算法能够在低信噪比条件下,在时频域中有较好的解析能力,提高了跳频信号参数估计的准确性。     

基于Butterworth分布的跳频信号参数估计

能够有效地估计接收到的跳频信号参数是干扰跳频通信的关键。针对接收到的未知任何先验参数的跳频信号,提出了一种基于Butterworth分布的跳频信号参数估计算法。由于Butterworth分布具有较好的时频聚集性和抑制交叉项性能,该算法能够在低信噪比条件下有效提取并估计出跳频信号的跳频周期、跳变时刻和跳频频率。仿真结果证明了该算法对跳频信号参数估计的有效性。     

一种新的特征矢量稀疏重构的DOA估计方法

针对已有的基于特征矢量稀疏重构的DOA估计方法中需要选取平衡残差项与结果稀疏性的正则化参数的问题,提出了一种新的特征矢量稀疏重构求解方法。首先在有限快拍数条件下,由特征矢量估计误差的统计分布特性,得到残差项大置信度的置信区间;再以此置信区间作为约束条件,以解矢量的l1范数作为最小化的目标函数,由此利用二阶锥规化求解时避免了正则化参数的选取。理论分析与仿真实验表明本文算法计算复杂度低;能够对非相干及相干信号的DOA进行估计,且具备很好的解相干性能;低信噪比条件下,对DOA的估计误差随着采样快拍数的增大而减小。     

基于FOCUSS二次加权的DOA估计方法

针对■-SVD、FOCUSS等稀疏重构算法应用波达方向(DOA)估计时,存在或运算量大、或精度不高的问题,提出了一种基于FOCUSS二次加权的信号DOA估计方法。将传统DOA估计表述为稀疏表示的信号模型,通过贝叶斯理论推导目标函数的最优解及加权矩阵,并在迭代过程中对结果进行二次加权优化,进一步增强恢复结果的稀疏性,提高恢复性能。仿真实验证明了该方法的优越性:与其他稀疏重构方法相比,该方法恢复精度高、稳健性好、运算量低。     

基于改进OMP算法的跳频信号跳变时刻精确估计

跳变时刻是跳频信号最重要的参数之一，精确估计跳变时刻有助于正确接收跳频信号，准确获取跳周期、跳频频率等参数。但是现有方法得到的跳变时刻精度不高，抗干扰能力较弱，为此提出了一种基于改进OMP算法的跳变时刻精确估计新方法。首先根据跳频信号原理建立了跳变时刻估计的稀疏表示模型；然后用改进OMP算法求解该模型提取跳变时刻。理论分析和仿真结果证明了该方法能够获取高精度的跳变时刻，估计性能优于现有算法。     

L1-analysis稀疏重构在阵列信号恢复及波达角估计中的应用

通过适当的空域稀疏化构造了可对阵列接收信号进行冗余稀疏表示的阵列流形矩阵,建立了相应的L1-analysis稀疏重构模型用于恢复阵列接收信号,重点证明了该流形矩阵是满足L1-analysis 稀疏重构条件的紧框架,从理论上保证了将L1-analysis 稀疏重构用于阵列接收信号恢复及波达角估计问题的合理性,并推导出信号恢复误差的理论上界。利用在微波暗室环境中采集的实测数据,结合MUSIC算法进行实验验证,结果表明基于L1-analysis 稀疏重构的信号恢复对提高低信噪比环境下的波达角估计性能是有效的。     

利用时频稀疏性的跳频信号盲检测和参数盲估计

针对在低信噪比的稳定分布噪声和定频干扰背景中,跳频信号检测和参数估计性能不佳的问题,利用分数低阶短时傅里叶变换得到时频矩阵;对时频矩阵按频率行去均值,抑制定频干扰;通过时频峰值优化、时频矩阵清洗和强化处理,降低频谱泄漏和噪声对跳频信号时频稀疏性的影响;利用此稀疏性进行检测和估计,即根据跳频信号在驻留时间内的连续性检测跳频信号,估计跳频频率;根据驻留时间起点及间隔,估计跳变时刻和跳周期.仿真结果表明,在低信噪比下,该算法的检测和参数估计性能均有较大提高,且优于现有算法.     

改进的最优小波基选取方法与跳频信号检测研究

跳频通信因其良好的抗干扰性和低截获性,在军事通信中备受青睐。因其在军事通信中的重要作用,研究跳频信号的检测方法显得尤为紧迫。基于小波分解与希尔伯特-黄变换的跳频信号检测方法,有效地解决了跳频信号检测过程中时间分辨率和频率分辨率不能同时兼顾的问题,提高了跳频信号检测的精度。在此基础上对最优去噪小波基的选取问题进行了深入研究。通过改进信噪比与信噪比增益这个小波去噪质量评价指标,提出了改进的最优小波基选取方法,有效地解决了非合作通信中信号真值未知情况下最优小波基的选取问题。同时利用这一方法成功实现了跳频信号的检测,为检测跳频信号提供了新思路。     

求解压缩感知中信号重构问题的原始对偶算法

压缩感知理论(CS)是对信号压缩的同时进行感知的新理论,而如何通过有限的测量值准确地重构稀疏信号是压缩感知理论中的核心问题。为求解稀疏信号的重构问题,文章利用了一种基于邻近点算法的自适应一阶原始对偶算法,并证明了其全局收敛性,该算法通过研究l1范数最小化来求解信号重构问题。最后,对提出的算法进行数据仿真,并与压缩采样匹配追踪(CoSaMP)算法进行了对比,数据表明文章提出的算法计算速度更快。     

基于SPWVD的差分跳频信号参数估计方法

在深入分析差分跳频信号产生机理和信号特性的基础上,提出一种基于SPWVD的差分跳频信号参数估计方法,利用SPWVD算法对差分跳频信号进行时频分析,通过检测时频分析数组中相邻跳信号的频率跳变时间来估计跳驻留时间参数,进一步估计跳速、瞬时频率等参数。仿真结果表明,提出的算法可以对差分跳频信号实现有效的参数估计,且估计精度较高,处理计算量较少。     

带限信号的最大熵正则外推算法

基于最大熵正则化构造了一种新的稳定的带限信号正则外推算法。当噪声δ（t）∈L~2[—T.T],其误差能量为δ,而且当δ→0时,所求得的正则化解将在（- ∞,∞）内一致收敛于问题的精确解。     

基于遗传算法的跳频通信侦察技术

为了识别跳频序列,提出了采用遗传算法并结合跳频信号特点来完成跳频序列的分析与重组,从而实现跳频信号的侦察。在采用传统遗传算法的基础上,针对序列特点提出了5种改进手段,从而大大提高了算法的效率和可用性。最后利用采样的语音信号,对分析与重组过程进行模拟来验证算法的可行性。     

基于信号流图的捕获模型分析

本文利用信号流图分析法建立了适合中低速跳获方案的数学模型,推导了该方案的平均捕获时间计算式。通过对数学模型及模拟结果的分析,证明了本文推导过程的正确性。本文的研究对中低速跳频电台的性能指标确定,提供了理论依据。     

多雷达观测信号融合检测算法

针对海上小目标检测问题提出了一种基于多雷达观测信号层融合的检测算法。该算法对各个雷达的观测值按采样时刻进行排序,然后根据对应时刻的脉冲信号进行高阶互累积量计算然后在相关域上积累进行似然比检测。仿真分析表明该算法与基于贝叶斯准则的分布式检测算法相比,具有较低的复杂度和低信噪比条件下较高的目标检测概率。     

独立分量分析在雷达盲信号处理上的应用

独立分量分析(ICA)是近年来发展起来的一种有效的雷达盲信源分离方法。目前新体制雷达的大量涌现,运用原有的雷达分选方法是无法分选的,这已经无法适应现代复杂的电磁环境。在深入分析FastICA算法的基础上,将其应用于连续波雷达信号分选中。计算机仿真表明,这种算法应用于连续波雷达盲信号分选时,不仅提高了信号的分选速度和信号分离的准确率,而且可以有效地提高信号分选的效能,也为盲信号处理提供了一种新的思路。     

二维带限信号代数正则外推算法

用代数正则化方法直接将连续的数学模型离散化,然后用Tikhonov正则化方法求解代数方程组,构造稳定的正则化算法,并进行数值仿真,结果是满意的。     

SAR微动目标的稀疏贝叶斯成像方法

SAR微动信息能够反映出目标的属性信息,其微动图像可作为雷达目标识别的一种重要手段。基于SAR微动目标回波的稀疏特性,建立了在过完备词典下的稀疏表示模型,提出一种新的稀疏贝叶斯重构方法——方差成分扩张压缩,该方法仅赋予有重要意义的信号元素不同的方差分量,拥有更少的参数。仿真结果表明,方差成分扩张压缩方法能较精确地估计出SAR目标微动参数,同时能够获得低信噪比条件下较好的微动目标像。     

基于稀疏子空间聚类的人脸识别方法

在现有的稀疏子空间聚类算法理论基础上给出两种稀疏子空间聚类优化算法:稀疏线性子空间聚类和稀疏仿射子空间聚类。这两种优化算法针对不同的数据集会有不同的聚类效果。通过稀疏表达得到不同的稀疏系数矩阵,把稀疏系数矩阵应用到较为简单的改进的正则化谱聚类算法中实现聚类。应用Yale B数据对人脸图像进行识别分类得出:采用稀疏线性子空间聚类算法优于稀疏仿射子空间聚类算法;在算法执行时间上和算法聚类错误率比传统的稀疏子空间聚类较为快速高效。     

基于多尺度压缩感知的信号重构

压缩感知是近几年新兴的采样理论,它指出如果信号在某些基上是可压缩的,那么通过很少的观测即可获得信号的准确重构。当信号采用小波基并在压缩感知的基础上,提出了多尺度压缩感知,数值仿真结果表明多尺度压缩感知可以给出更好的重构效果。