一种跳频信号参数盲估计方法及装置制造方法及图纸

本发明专利技术提供一种跳频信号参数盲估计方法及装置，用以解决现有技术中对跳频信号参数进行盲估计的算法复杂度较大的问题，其中，跳频信号参数盲估计方法包括：对跳频信号进行分段压缩采样，得到各分段信号；获得分段信号的压缩数字特征；对比前后两段分段信号的位置判断跳频信号频率跳变时刻的范围，得到频率跳变点两边的两段压缩采样值；使用两段压缩采样值进行正交匹配追踪重构，得到两段信号的频域系数；根据频域系数的位置以及频域系数值估计跳频信号的载频频率以及频率跳变的时刻点，该方案与传统的跳频信号参数估计方法以及基于压缩感知的完全重构后的估计方法相比，大大降低了算法复杂度，且有利于跳频信号参数估计实时性。

【技术实现步骤摘要】

本专利技术涉及通讯领域，特别是涉及一种跳频信号参数盲估计方法及装置。
技术介绍
跳频(Frequency-Hopping，FH)通信具有良好的抗干扰、抗多径和易组网等特点，在军用和民用通信领域有着广泛的应用。对于混杂着噪声的未知跳频信号进行参数估计就是需要估计出跳频周期、频率跳变时刻以及跳频频率等参数，为跳频信号的网台分选提供依据，以便于后续的解调解密或者跟踪干扰。近年来，跳频信号有向高频段、大带宽发展的趋势。根据耐奎斯特采样定理：采样速率必须大于信号最高频率的两倍，这样就对传统的模数转换器(Analog to Digital Convertor，ADC)造成了很大压力，处理和传输的数据量也随之变大。随着信息论和应用数学的发展，压缩感知(Compressed Sensing，简称CS)理论为宽带数据采集问题带来了革命性的突破，压缩感知理论能以远低于耐奎斯特采样速率对可稀疏表示的数据进行采样，并通过非自适应线性投影保持信号的原始结构，在采样的同时压缩信号中冗余的信息，在采样后端利用最优化原理精确的重构数据。这样即可减轻前端ADC处理数据的压力，也节省了后端传输和处理海量数据的成本。目前较为常见的基于压缩感知的跳频信号参数估计的方法一般采用的处理方式是对压缩采样值进行精确重构，然后再采用传统方法进行参数估计，然而精确重构原始信号需要较大的运算量，不利于信号实时处理。为了降低运算量，一般采取直接基于压缩采样值的方法，目前该方法大致分为两类：第一类为基于子空间的跳频信号同步方法；第二类是基于滑动采样的跳变时刻估计方法。第一类方法是基于跳频信号的1-稀疏和2-稀疏模型的方法，该方法认为跳频信号的在单跳周期内是1稀疏的，需要已知跳频速率作为先验条件。第二类方法主要思想是通过压缩感知对跳频信号进行整周期滑动采样，然后根据相邻两跳信号窗函数的特点，重构信号在傅里叶正交基上的两个权值最大的稀疏系数并由此对前后两跳持续时间进行判断，从而得到跳频信号的跳变时刻估计。第一种方法中，由于1-稀疏和2-稀疏模型的方法需使用与跳频周期相同的矩形窗对信号进行观测，需要的非常高的采样率才能将谱泄露的影响降低，使得一个观测窗中的信号在频域呈现稀疏性。这使得即使利用压缩感知对数据进行压缩也会有很大的数据量，对系统实时接收和处理信号意义不大；第二种方法中，仍需已知跳频周期，每次滑动时取整周期跳频信号进行压缩采样，然后通过重构算法重构压缩采样值在频域上两个权值最大的傅里叶系数，在迭代过程不断从过完备原子库中寻找与余量相关性最大的原子，当滑动周期正好处于两跳之间时，两个重构系数值仍相等且与余量的相关性最大。此方法需不断重构出信号的频域系数，大大增加了运算量，且在滑动过程中存在极大的不确定性，算法误差也较大，时效性仍有待提高。
技术实现思路
本专利技术提供一种跳频信号参数盲估计方法及装置，用以解决现有技术中对跳频信号参数进行盲估计的算法复杂度较大的问题。根据本专利技术的一个方面，提供了一种跳频信号参数盲估计方法，包括：对跳频信号进行分段压缩采样，得到各分段信号；获得所述分段信号的压缩数字特征，所述压缩数字特征为所述各分段信号在一个观测周期内投影到傅里叶正交基上的系数向量中的非零系数的位置；对比前后两段分段信号的位置判断所述跳频信号频率跳变时刻的范围，得到频率跳变点两边的两段压缩采样值；使用所述两段压缩采样值进行正交匹配追踪重构，得到所述两段信号的频域系数；根据频域系数的位置以及频域系数值估计所述跳频信号的载频频率以及频率跳变的时刻点。其中，所述获得所述分段信号的压缩数字特征，包括：确定所述跳频信号的压缩采样值与全息矩阵各列向量的相关程度；将使得所述相关程度最大的列向量确定为所述分段信号的压缩数字特征。其中，所述确定所述跳频信号的压缩采样值与全息矩阵各列向量的相关程度，包括：计算所述跳频信号的压缩采样值与全息矩阵的内积，得到所述相关程度。其中，对跳频信号进行分段压缩采样，得到分段后的各分段信号，包括：使用高斯随机采样矩阵对所述跳频信号进行分段采样。根据本专利技术的另一个方面，还提供了一种跳频信号参数盲估计装置，包括：采样模块，用于对跳频信号进行分段压缩采样，得到各分段信号；获得模块，用于获得所述分段信号的压缩数字特征，所述压缩数字特征为所述各分段信号在一个观测周期内投影到傅里叶正交基上的系数向量中的非零系数的位置；对比模块，用于对比前后两段分段信号的位置判断所述跳频信号频率跳变时刻的范围，得到频率跳变点两边的两段压缩采样值；重构模块，用于使用所述两段压缩采样值进行正交匹配追踪重构，得到所述两段信号的频域系数；估计模块，用于根据频域系数的位置以及频域系数值估计所述跳频信号的载频频率以及频率跳变的时刻点。其中，上述获得模块包括：第一确定单元，用于确定所述跳频信号的压缩采样值与全息矩阵各列向量的相关程度；第二确定单元，用于将使得所述相关程度最大的列向量确定为所述分段信号的压缩数字特征。其中，上述第一确定单元具体用于：计算所述跳频信号的压缩采样值与全息矩阵的内积，得到所述相关程度。其中，上述采样模块具体用于：使用高斯随机采样矩阵对所述跳频信号进行分段采样。本专利技术有益效果如下：本专利技术实施例提供的跳频信号参数盲估计方法通过对比前后两跳跳频信号的压缩数字特征的不同，首先得出载频跳变的大致范围，根据跳变范围处的两段压缩采样值，通过重构出原始信号的频域系数，根据该频域系数来精确估计出原跳频信号的载频频率以及跳变时刻，与传统的跳频信号参数估计方法以及基于压缩感知的完全重构后的估计方法相比，大大降低了算法复杂度，且有利于跳频信号参数估计实时性。附图说明图1是本专利技术实施例1中提供的跳频信号参数盲估计方法的流程图；图2是1-稀疏信号的观测模型；图3是2-稀疏信号的观测模型；图4是本专利技术本实施例2提供的跳频信号参数盲估计方法的流程图；图5是对跳频信号作STFT变换得到的时频特性图；图6是压缩数字特征分布情况图；图7是不同信噪比和压缩比下载频估计的归一化均方误差分布图；图8是在不同信噪比条件下对应的跳变时刻误差对比图；图9是跳频信号参数盲估计装置的结构示意图。具体实施方式为了解决现有技术中对跳频信号参数进行盲估计的算法复杂度较大的问题，本专利技术提供了一种跳频信号参数盲估计方法及装置，以下结合附图以及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不限定本专利技术。第一实施例本实施例提供了一种跳频信号参数盲估计方法，图1是该方法的流程图，如图1所示，该方法包括如下步骤：步骤101：对待估计的跳频信号进行分段压缩采样，得到各分段信号；步骤102：获得分段信号的压缩数字特征，该压缩数字特征为各分段信号在一个观测周期内投影到傅里叶正交基上的系数向量中的非零系数的位置；步骤103：对比各相邻前后两段分段信号的位置判断跳频信号频率跳变时刻的范围，得到频率跳变点两边的两段压缩采样值；步骤104：使用频率跳变点两边的两段压缩采样值进行正交匹配追踪重构，得到两段分段信号的频域系数；步骤105：根据频域系数的位置以及频域系数值估计跳频信号的载频频率以及频率跳变的时刻点。其中，在上述步骤102中，获得分段信号的压缩数字特征的步骤具体可以包括：确定跳频信号的压缩采样值与本文档来自技高网...

【技术保护点】
一种跳频信号参数盲估计方法，其特征在于，包括：对跳频信号进行分段压缩采样，得到各分段信号；获得所述分段信号的压缩数字特征，所述压缩数字特征为所述各分段信号在一个观测周期内投影到傅里叶正交基上的系数向量中的非零系数的位置；对比前后两段分段信号的位置判断所述跳频信号频率跳变时刻的范围，得到频率跳变点两边的两段压缩采样值；使用所述两段压缩采样值进行正交匹配追踪重构，得到所述两段信号的频域系数；根据频域系数的位置以及频域系数值估计所述跳频信号的载频频率以及频率跳变的时刻点。

【技术特征摘要】
1.一种跳频信号参数盲估计方法，其特征在于，包括：对跳频信号进行分段压缩采样，得到各分段信号；获得所述分段信号的压缩数字特征，所述压缩数字特征为所述各分段信号在一个观测周期内投影到傅里叶正交基上的系数向量中的非零系数的位置；对比前后两段分段信号的位置判断所述跳频信号频率跳变时刻的范围，得到频率跳变点两边的两段压缩采样值；使用所述两段压缩采样值进行正交匹配追踪重构，得到所述两段信号的频域系数；根据频域系数的位置以及频域系数值估计所述跳频信号的载频频率以及频率跳变的时刻点。2.根据权利要求1所述的方法，其特征在于，所述获得所述分段信号的压缩数字特征，包括：确定所述跳频信号的压缩采样值与全息矩阵各列向量的相关程度；将使得所述相关程度最大的列向量确定为所述分段信号的压缩数字特征。3.根据权利要求2所述的方法，其特征在于，所述确定所述跳频信号的压缩采样值与全息矩阵各列向量的相关程度，包括：计算所述跳频信号的压缩采样值与全息矩阵的内积，得到所述相关程度。4.根据权利要求1至3任意一项所述的方法，其特征在于，对跳频信号进行分段压缩采样，得到分段后的各分段信号，包括：使用高斯随机采样矩阵对所述跳频信号进行分段采样。5...

【专利技术属性】
技术研发人员：李立春，卢迅，刘仲，
申请(专利权)人：中国人民解放军信息工程大学，
类型：发明
国别省市：河南;41