基於DMFT的LFM信號參數估計

2021-01-08 電子產品世界

摘要:線性調頻信號是低截獲概率雷達常用的一種信號形式,如何在低信噪比情況下檢測線性調頻信號一直是人們
研究的焦點之一。在離散匹配傅立葉變換的基礎上對算法進行改進,並利用改進後的算法分別對單分量和多分量線性調頻信號進行仿真,仿真結果表明離散匹配傅立葉變換能夠在低信噪比情況下比較準確地估計出線性調頻信號的參數,不存在交叉項問題。離散匹配傅立葉變換是一種針對線性調頻信號有效的參數估計方法。
關鍵詞:離散匹配傅立葉變換;線性調頻;參數估計;低信噪比

本文引用地址:http://www.eepw.com.cn/article/192092.htm


線性調頻(LFM)信號是低截獲概率雷達常用的一種信號形式,對LFM信號檢測和參數估計一直備受人們的關注。針對該信號的處理方法有短時Fourier變換、Wigner―Ville變換、分數階Fourier、Hough―Wigner等,都存在解析度不夠高,交叉項嚴重或者運算量太大的問題。而匹配傅立葉變換是一種線性變換,不存在多分量信號交叉項的影響,能在低信噪比條件下檢測信號,而且解析度很高,是一種針對線性調頻信號有效地進行參數估計的方法。


l LFM信號形式
LFM信號的複數形式表示為:


式中,A(t)為信號包絡函數,f0為中心頻率,k0=B/T為調頻斜率,B為調頻帶寬,T為信號持續時間。
對於實際需要處理的信號,都是經過採樣的離散信號。LFM信號的離散形式為:


式中,Ts為採樣時間間隔,如果信號持續時間為T,那麼採樣點數N=T/Ts。


2 DMFT基本原理
LFM信號t(t)的匹配傅立葉變換有如下兩種形式:


稱式(3)和式(4)分別為二階匹配傅立葉變換和二步匹配傅立葉變換,對應其離散形式為:


由式(5)計算得到的譜圖可稱為離散二階匹配傅立葉變換譜,其中k不為零,它表示了不同基條件下的匹配傅立葉變換;由式(6)計算得到的譜圖可稱為離散二步匹配傅立葉變換譜,它表示在不同頻率補償條件下信號的匹配傅立葉變換。
無論對離散二階匹配傅立葉變換譜還是離散二步匹配傅立葉變換譜,在對應於信號(f0,k0)的位置上,信號能量會發生聚集,在譜上表現為尖峰。在匹配傅立葉變換譜分布圖上進行二維搜索,尖峰的坐標(f0,k0)即為該LFM信號的線性頻率f0和線性調頻斜率k0。
由於離散二階匹配傅立葉變換和離散二步匹配傅立葉變換具有不同的解析度,通過文獻表明二步匹配傅立葉變換總是有比二階匹配傅立葉變換更高的解析度,因此下面的分析都採用離散二步匹配傅立葉變換進行LFM信號的檢測和參數估計。


3 算法改進
對離散匹配傅立葉變換的二維搜索求極大值可以在低信噪比條件下獲得較高精度的信號參數。但是當信號帶寬增加,採樣頻率提高時,採樣點數增加,運算量增大。下面從減少運算量的角度進行算法改進。對離散之後的信號進行離散匹配傅立葉變換,藉助傅立葉變換的快速算法思想,實現離散匹配傅立葉變換的快速算法。對於長度為N的線性調頻信號序列x(n),其N點離散匹配傅立葉變換定義如下:


其實質是將一個輸入一維時間序列x(n)變換為關於線性頻率和調頻斜率的二維序列Xc(f,k),其中f為線性調頻信號的初始頻率,k為調頻斜率。從式(7)可以看出,對於每一個固定的調頻斜率k來說,{Xc(f,k)}0≤f,k≤N-1是信號x(n)WknN2的DFT;當調頻斜率k=0時式(7)就轉變為DFT。對式(7)進行改進得:


{Xc(f,k)}0≤f,k≤N-1的計算可以通過x(n)WknN2的快速傅立葉變換得到。在式(7)中需要N3次複數運算,經過式(8)變換,運算量減小為N2/2log2N,提高了運算速度。為了提高該算法的估計精度,還可以在搜索範圍內多次估計,分為粗估計和精估計。即首先在搜索範圍內選擇大步長,估計出信號參數,然後再在估計值鄰近的區域內改變搜索步長重新估計,從而達到需要的精度要求。


4 仿真實驗
4.1 單分量LFM信號仿真
先對單分量LFM信號s(t)進行參數估計,s(t)=exp[j2π(f0t+1/2k0t2)],經過下變頻的信號線性頻率f0=200 MHz,信號時寬T=5μs,以帶寬200 MHz的信號進行仿真,比較在不同信噪比條件下信號參數估計的結果,如圖1所示。


相關焦點

  • 基於MUSIC算法的相干信號DOA估計改進及應用
    編者按:空間信號的到達方向(Direction of Arrival,DOA)估計近些年來越來越多地得到大量的關注和研究。在實際工程中進行信源信號DOA估計時,由於空間環境的複雜多變,雷達陣列接收的信號包含大量的相干信號。
  • 基於單片機的可攜式脈衝信號參數測試儀
    摘要:本文介紹了基於C8051F340單片機的脈衝信號參數測試儀的設計與實現。該測試儀能對脈衝信號的幅值、頻率、周期、佔空比等參數進行測量。通過採用10次定數計時法,提高測量精度,縮短測量時間。實驗測試表明,該測試儀的誤差率較低,精度高,能夠滿足閃光盒性能測試與校驗的要求,可用於電信號參數測量、儀器檢測等領域。
  • 參數估計之點估計和區間估計
    它是統計推斷的一種基本形式,分為點估計和區間估計兩部分。一、點估計點估計是依據樣本估計總體分布中所含的未知參數或未知參數的函數。簡單的來說,指直接以樣本指標來估計總體指標,也叫定值估計。通常它們是總體的某個特徵值,如數學期望、方差和相關係數等。
  • 參數估計-矩估計
    矩估計法是參數估計中點估計的兩種方法之一,另外一種參數的點估計是極大似然估計。矩估計就是用樣本的矩去估計總體的矩,即用樣本一階原點矩去估計總體的一階原點矩,用樣本的二階原點矩去估計總體的二階原點矩。必須要注意的是,用來進行矩估計的是原點矩不是中心距。
  • 【原創】參數估計與假設檢驗(一)-- 參數估計之點估計
    那麼,這裡的樣本均值15.18就可以作為整個湖中所有Bream魚的寬度均值的一個估計。在統計中,進行點估計的方法有多種,例如矩估計法、最小二乘法、極大似然法,其中極大似然估計又有很多改進的形式,比如限制極大似然等。SAS/STAT的PROC步中允許用戶在進行參數估計的時候指定不同的參數估計方法。
  • 基於多徑分量簇的信號處理技術研究
    它基於使天線陣列輸出某一方面的性能指標為最優,而實現天線性能對信號環境的響應。  出於上述認識,嘗試利用不同的空間信號處理技術,考察將一個來波簇作為單一來波進行處理時所引入的性能差異。  2 波束掃描技術  基於以上的分析,嘗試用波束掃描技術號察將一個來波簇內的信號作為單一來波信號加以處理時,所引入的來波方向估計結果誤差。由文獻[3]可知,該誤差受到多種因素的影響。例如,多徑簇內來波分量的分布,來波簇入射中心角、來波簇角域範圍、來波簇內射線相關性以及陣列處理性能如採樣快拍數等。
  • 基於MAP-MRF的視差估計
    其中,基於多視圖立體(Multi-View Stereo, 以下簡稱為「MVS」)的三維重建僅以RGB圖片作為輸入,經過特徵提取與匹配,從運動恢復結構(Structure from Motion, 以下簡稱為「SfM」),深度估計,深度圖融合等多個步驟,輸出表達場景的稠密點雲,是基於視覺的三維重建技術的重要方法和研究分支。
  • OLS估計Logit模型參數
    應用背景reg2logit 是 2020 年由 Paul T. von Hippel 等人提出的由線性回歸的 OLS 估計 logistic 模型參數的新命令,其估計的理論基礎是 Haggstrom (1983) 提出的變換公式。該公式後來被 Allison (2020) 應用為「線性判別模型」(LDM) 方法。
  • 技術|基於改進擴展卡爾曼濾波的鋰電池SOC估計
    本文提出了一種改進的擴展卡爾曼濾波算法,先利用遺忘因子最小二乘法估計電池模型參數,再將估計的模型參數與電池電壓、電流進行局部加權回歸(Lowess)擬合,用擬合的函數計算每組電壓、電流所對應的模型參數,以此減小模型參數變化帶來的影響。
  • 基於聯合頻率分析的數位訊號自動調製識別
    [1];Gardner將循環譜分析用於信號調製識別[2];Assaleh等人把信號建模為一個兩階AR過程,並利用參數統計方法識別CW、PSK、FSK三類信號[3]。最後詳細介紹了基於聯合頻率分析的特徵提取及識別過程,給出了仿真測試結果。
  • 基於卡爾曼濾波器及多傳感狀態的融合估計算法介紹
    採用CarlsON 最優數據融合準則, 將基於Kalman 濾波的多傳感器狀態融合估計方法應用到雷達跟蹤系統。仿真實驗表明,多傳感器Kalman 濾波狀態融合估計誤差小於單傳感器Kalman 濾波得出的狀態估計誤差,驗證了方法對雷達跟蹤的有效性。
  • 用於感應電機轉速估計的感應線圈設計方法
    海軍工程大學艦船綜合電力技術國防科技重點實驗室的研究人員張逸超、王東等,在《電工技術學報》上撰文指出,轉子槽諧波法作為一種重要的電機轉速估計方法,受電機參數影響小,具有很強的參數魯棒性,在感應電機無速度傳感器控制領域應用前景良好。
  • LTE信道估計擴展
    該函數接受以下參數作為輸入:通過導頻(hp)計算的有限信道響應集;與資源網格維度相關的參數,包括資源塊(Nrb)的數量、每個資源塊中的子載波數(Nrb_sc)和每個插槽的OFDM符號數(Ndl_symb)以及其他兩個參數;指定CSR信號相對於資源塊(邊緣)邊緣的位置的向量,以及選擇將響應擴展到整個網格(模式)的算法。
  • 一種FFT插值正弦波快速頻率估計算法
    對被噪聲汙染的正弦波信號進行頻率估計是信號參數估計中的經典問題,目前國內外已提出不少方法。文獻給出了在高斯白噪聲中對正弦波信號頻率進行最大似然估計算法,該算法能夠達到卡拉美-羅限(CRB),但計算量大,實現困難。
  • 基於單目圖像的深度估計算法,大幅度提升基於單目圖像深度估計的精度
    基於單目圖像的深度估計算法,大幅度提升基於單目圖像深度估計的精度 李倩 發表於 2018-06-04 15:46:49 基於視覺的自動駕駛系統需要基於單目攝像頭獲取的圖像
  • 質量專業輔導:理論與實務之參數估計(1)
    一、內容提要:  1、點估計的概念  2、點估計的優良性標準  3、矩法估計  4、正態總體參數的估計  5、區間估計的概念  6、正態總體參數的置信區間  7、比例P的置信區間  >二、考試大綱  1.熟悉點估計的概念  2.掌握矩法估計方法  3.熟悉點估計優良性的標準  4.熟悉二項分布、泊松分布、指數分布、正態分布參數的點估計  5.熟悉區間估計 (包括置信水平、且信區間)的概念  6.熟悉正態總體均值、方差和標準差的置信區間的求法  7.了解比率p的置信區間
  • 基於改進閾值的小波分解和經驗模態分解的人體脈搏信號濾波算法研究
    而且,受到不同的人體內生理狀況、外在環境條件和數據採集方法的影響,脈搏信號通常都有很大差異。一般地,影響脈搏信號的噪聲可分為50Hz工頻幹擾、高頻隨機幹擾、人體微小動作引起的幹擾(例如人體呼吸、肌肉收縮等)。而脈搏信號的頻率主要集中分布在0.5~5Hz[2],因此,脈搏信號中的有用信號經常和低頻噪聲混雜在一起。
  • 最大似然法估計二項式分布參數
    ,求解指數分布參數。今天我們再來看看最大似然法如何求解二項式分布參數。1.二項式分布與似然值估計公式如在人們對兩種口味飲料無偏好時,即人們喜歡香橙口味的概率p=0.5,喜歡葡萄口味的概率p=0.5,那麼7個人中4個人喜歡香橙口味的概率為0.273。計算公式如下:
  • 基於GANs無監督回歸三維參數化人臉模型
    傳統的三維人臉重建基於迭代方法[2],即針對輸入人臉,利用人臉關鍵點,反覆調整基向量的參數使得三維人臉渲染後提取的人臉關鍵點與二維人臉關鍵點接近,以此達到具有輸入人臉特徵的三維人臉網格。然而,該方法較為依賴人臉關鍵點的檢測結果,在人臉姿勢較大或有遮擋物時,效果較差,迭代過程耗時也較長。
  • 都卜勒流量測量概述-信號解調方法等(二)
    1.2.4頻譜估計方法  傳統超聲都卜勒信號的頻率估計常採用零交叉計數法和快速傅立葉變換法(FFT)等經典譜估計算法,這些方法存在頻率解析度低,旁瓣洩漏嚴重等缺點。