分数阶Fourier变换由于其特有的性质,非常适合处理LFM(linear frequency modulation)信号,尤其是作为一种线性变换,可以克服多分量LFM信号交叉项的干扰。在分数阶Fourier变换用于单分量LFM参数估计的基础上,采用预判与分数阶自相关相结...分数阶Fourier变换由于其特有的性质,非常适合处理LFM(linear frequency modulation)信号,尤其是作为一种线性变换,可以克服多分量LFM信号交叉项的干扰。在分数阶Fourier变换用于单分量LFM参数估计的基础上,采用预判与分数阶自相关相结合的方法,在分数阶Fourier域对多分量LFM信号模型进行检测和参数估计,极大地减小了计算量,并采用Clean法实现了不同强度LFM信号的分离,抑制了强分量信号对弱分量信号的遮蔽干扰。仿真实验表明,该方法具有较好的效果。展开更多
针对基于分数低阶矩类阵列波达方向(DOA)估计方法仅适用于独立同分布(i.i.d)SαS背景噪声的缺点,提出了一种线性极化阵列DOA和极化参数联合估计的分数低阶循环相关(FLOCC)极化参数联合估计(ESPRIT)算法。该方法首先利用入射信号的循环...针对基于分数低阶矩类阵列波达方向(DOA)估计方法仅适用于独立同分布(i.i.d)SαS背景噪声的缺点,提出了一种线性极化阵列DOA和极化参数联合估计的分数低阶循环相关(FLOCC)极化参数联合估计(ESPRIT)算法。该方法首先利用入射信号的循环平稳特性,采用分数低阶循环相关函数抑制α和高斯混合噪声及与信号循环频率相异的任何循环平稳干扰信号。在此基础上,利用阵列信号参数与噪声子空间的正交性,采用ESPRIT算法直接求取了信号的DOA和极化参数。该方法对于α和高斯混合噪声及与信号循环频率相异的任何循环平稳干扰信号具有很强的抑制能力。即使对于空域内靠得非常近的信源,该方法也可利用极化信息的差异进行区分。实验结果表明,在α和高斯混合信噪比(SNR)为0 d B,信干比(SIR)为3 d B时,其DOA和极化参数估计的均方根误差分别为0.23°和0.54°;并且在实测数据环境下,当SNR为10 d B时,本文算法仍然有效。展开更多
文摘分数阶Fourier变换由于其特有的性质,非常适合处理LFM(linear frequency modulation)信号,尤其是作为一种线性变换,可以克服多分量LFM信号交叉项的干扰。在分数阶Fourier变换用于单分量LFM参数估计的基础上,采用预判与分数阶自相关相结合的方法,在分数阶Fourier域对多分量LFM信号模型进行检测和参数估计,极大地减小了计算量,并采用Clean法实现了不同强度LFM信号的分离,抑制了强分量信号对弱分量信号的遮蔽干扰。仿真实验表明,该方法具有较好的效果。
文摘针对基于分数低阶矩类阵列波达方向(DOA)估计方法仅适用于独立同分布(i.i.d)SαS背景噪声的缺点,提出了一种线性极化阵列DOA和极化参数联合估计的分数低阶循环相关(FLOCC)极化参数联合估计(ESPRIT)算法。该方法首先利用入射信号的循环平稳特性,采用分数低阶循环相关函数抑制α和高斯混合噪声及与信号循环频率相异的任何循环平稳干扰信号。在此基础上,利用阵列信号参数与噪声子空间的正交性,采用ESPRIT算法直接求取了信号的DOA和极化参数。该方法对于α和高斯混合噪声及与信号循环频率相异的任何循环平稳干扰信号具有很强的抑制能力。即使对于空域内靠得非常近的信源,该方法也可利用极化信息的差异进行区分。实验结果表明,在α和高斯混合信噪比(SNR)为0 d B,信干比(SIR)为3 d B时,其DOA和极化参数估计的均方根误差分别为0.23°和0.54°;并且在实测数据环境下,当SNR为10 d B时,本文算法仍然有效。