一种时频分布核函数构造方法

立足于信号的参数化模型—多分量多项式相位信号,提出了一种新的时频分布并给出了其构造方法.该方法根据待分析的瞬时相关函数中自项分量及交叉项分量相位的不同特点,采用相位匹配的方法估计各信号分量的瞬时频率.所构造的时频分布不仅具有理想的频率聚集性,而且实现了绝大多数交叉项分量的有效抑制,有效克服了多线性时频分析方法的局限性.

基于线性正则域τ-Wigner分布输出信噪比不等式建模的雷达信号检测研究

为提升瞬时互相关函数型Wigner分布(Instantaneous Cross-correlation Function Wigner Distribu-tion, ICFWD)检测性能,本文采用τ-Wigner分布与其结合,提出瞬时互相关函数型τ-Wigner分布(Instantaneous Cross-correlation Function τ-Wigner Distribution, ICFτWD),通过构建其输出信噪比不等式模型克服优化模型无法针对双分量线性调频(Linear Frequency-Modulated, LFM)信号进行求解的困难,得出有关线性正则变换(Linear Canonical Transform, LCT)自由参数与参数τ的不等式约束,据此实现白噪声干扰的单、双分量LFM信号高性能检测。数值仿真实验验证了理论分析的正确性,以及ICFτWD在检测性能方面的优势。

一种短波差分跳频信号检测方法

短波差分跳频通信跳速高、信息速率高、抗干扰性能好,具有良好的应用前景。低信噪比下跳频信号的检测是短波差分跳频的关键技术之一,为提高低信噪比下短波差分跳频信号的检测性能,提出了一种基于切片瞬时四阶矩相位信息的跳频信号检测方法。理论分析和仿真结果表明,该方法对噪声具有较好的鲁棒性,在低信噪比情况下,检测性能较传统的基于瞬时相关函数的方法有明显改善,而计算量相当,具有实际应用价值。

基于运动参数非搜索高速机动目标检测

该文提出一种新的高速机动目标检测与参数估计算法。首先,通过二阶Keystone变换(KT)消除距离频率与慢时间的二次耦合,并计算对称瞬时自相关函数(SIAF)。其次,对SIAF不同维依次进行尺度逆傅里叶变换(SIFT)、尺度傅里叶变换(SFT)和快速傅里叶变换(FFT)实现能量积累,在新的参数空间进行峰值检测得到径向速度模糊数和径向加速度估计值。最后,根据估计的参数构造补偿函数对距离徙动和多普勒扩散进行补偿,并通过KT算法实现目标检测和距离、模糊径向速度的估计,结合补偿的径向速度模糊数计算出不模糊径向速度。由于不需要进行参数搜索,并且SIFT和SFT均能通过FFT快速实现,因此算法计算量得到大幅度减小。仿真实验验证了该算法的有效性。

利用HAF-LVD特性的复杂运动目标ISAR成像算法

在复杂运动目标的逆合成孔径雷达成像中,由于转动矢量的时变会产生方位向的高阶相位项,导致方位成像的严重散焦,传统的距离-多普勒算法和线性调频模型已不再适用.因此,在建立逆合成孔径雷达成像回波信号为立方相位信号形式的基础上,提出了利用高阶模糊函数-吕氏分布特性的逆合成孔径雷达成像算法.首先,根据高阶模糊函数和吕氏分布思想定义了双延时参数化瞬时自相关函数,并利用变尺度操作去除耦合及快速傅里叶变换实现信号能量积累.然后,利用得到的高阶模糊函数-吕氏分布完成运动参数的非搜索估计和目标逆合成孔径雷达成像.由于引入可调整的缩放因子,该算法能够在保证成像质量和运算效率的基础上,有效避免谱模糊,灵活应对更加多变和恶劣的成像环境.仿真结果验证了该算法的有效性.

二次调频信号的检测及参数估计

提出一种基于伪瞬时相关函数-沙漏型变换(pseudo instantaneous correlation function-sandglasstransform,PICF-SGT)的二次调频(quadratic frequency modulation,QFM)信号的检测与参数估计算法。PICF-SGT可以解除QFM信号的伪瞬时相关函数中的时间和时延平方项的耦合,从而实现信号的相干积累和交叉项的有效抑制,并且获得信号的调频率和二次调频率的估计。详细分析了PICF-SGT算法的实现、插值误差、信号聚焦特性和交叉项分布及抑制,并且提出了一种改进的尺度因子选择标准。仿真结果验证了该算法的有效性。

Cohen类时频分布算法的改进及其在地震信号处理中的应用

为了简化离散Cohen类时频分布的计算方法,探索了现有离散Cohen类时频分布算法的不足之处,提出了一种基于优化瞬时自相关函数改进的计算方法。通过对地震信号的仿真,结果表明改进离散Cohen类时频分布计算方法是可行的,改进离散Cohen类时频分布算法和现行算法发频分布相同,而且有效降低了Cohen类整体算法的复杂度,解决了离散Cohen类时频分布计算量较大的问题。