利用迭代滤波改进乘积高阶模糊函数

乘积高阶模糊函数(PHAF)是因分析mc-PPS而提出来的,但它抑制交叉项的能力有限,难以实现mc-PPS估计。该文提出了逐次滤除最强PHAF峰对应的分量来减少交叉项的迭代滤波方法,改进后的PHAF具有较好的鲁棒性:减少了估计盲区,并且具有更好的估计精度,降低了信噪比门限,而且能估计低阶相位系数,这些性能由多个mc-PPS仿真例子所验证。

基于PHAF的多分量LFM辐射源信号检测

为解决信号分量能量不同且时频交叠严重时多分量辐射源信号的检测问题,提出了一种基于乘积高阶模糊函数(PHAF)的检测方法.该方法采用"剥洋葱"的策略,按照能量强弱逐次检测各信号分量.检测时,先检测和剥除能量较强的信号分量,以避免弱信号分量受其它信号分量和交叉项的干扰.将不同时延的高阶模糊函数相乘,以强化信号分量、弱化噪声,有效检测低信噪比信号.分析和实验结果表明:提出的方法能有效检测时频交叠严重的多分量辐射源信号,对强、弱能量信号分量的相对检测误差分别小于2.457×10-4和7.560×10-2;检测含噪声的信号时,对强、弱能量信号分量的相对检测误差分别小于1.300×10-3和7.330×10-2.

短序列条件下基于分段多项式建模方法的相位估计性能分析

该文主要对短序列非多项式相位条件下基于高阶模糊函数(HAF)的多项式相位系数估计算法性能进行了较 详细的讨论。进一步研究了基于这种算法思想的分段多项式相位建模的瞬时相位估计方法。该方法的思想主要体现 为将需估计数据序列进行分段,每个短数据段的瞬时相位采用一个低阶的多项式来逼近,而这些逼近多项式的各阶 系数利用HAF或乘积高阶模糊函数(PHAF)的方法进行估计,最终整个数据序列的相位由各段估计出的瞬时相位合 并而成。该方法的估计性能很大程度上取决于各分段数据序列的估计精度。文中分析了短序列非多项式相位对HAF 及PHAF的影响,并通过仿真实验给出了具有一般性的结论。

改进的多分量多项式相位信号参数估计

乘积高阶模糊函数(PHAF)是以分析多分量多项式相位信号(mc-PPS)而提出来的,但实际上它抑制交叉项的能力有限,仍然难以实现mc-PPS估计。逐次滤波方法是抑制交叉项的有力工具,但存在着分量间的误差扩散;松弛法(RELAX)采用循环迭代方式,对串行估计中的误差扩散有着较强的抑制能力,将二者结合起来提出来了迭代松弛PHAF方法。通过分析被估计信号参数变化时的性能表明改进后的PHAF具有较好的鲁棒性:减少了估计盲区,具有更好的估计精度,具有较低的信噪比(SNR)门限。这些性能由mc-PPS仿真例子所验证。

短序列多项式相位信号的参数估计

恒定幅度的多项式相位信号(PPS)由其相位多项式系数表征。针对短序列PPS参数估计的困难,在介绍基于高阶模糊函数(HAF)和乘积高阶模糊函数(PHAF)参数估计算法的基础上,通过对该算法的估计效果特别是短序列情况的分析,提出短序列PPS参数估计的一般方法和对该算法的改进。Monte-Carlo仿真表明,改进算法改善了PPS参数估计的效果,同时提高了运行效率。