基于MGCSTFT的线性调频信号参数估计方法技术

本发明专利技术公开了一种基于MGCSTFT的线性调频信号参数估计方法，利用广义柯西分布，构造了一类适用于α稳定分布噪声环境的损失函数，通过最大似然估计理论准确实现了线性调频信号的参数估计。具体步骤包括：1、采集线性调频信号，2、确定判别门限，3、判断是否含有脉冲噪声，4、设置损失函数，5、做最大似然广义柯西短时傅里叶变换MGCSTFT，6、提取线性调频信号的参数。本发明专利技术克服了传统的时频分析技术在α稳定分布噪声环境下估计信号参数失效的问题，提高了参数估计精度。

【技术实现步骤摘要】

本专利技术属于通信信号处理领域，更进一步涉及到雷达信号处理
中的一种基于最大似然广义柯西短时傅里叶变换MGCSTFT(maxmium-likehoodgeneralizedCauchyShortTimeFourierTransformMGCSTFT)的线性调频信号参数估计方法。本专利技术利用时频分析技术，在时频域经过迭代去除脉冲噪声，可以准确实现在α稳定分布噪声环境中线性调频信号的参数提取。
技术介绍
线性调频信号LFM(LinearFrequencyModulationLFM)，又称chirp信号，作为非平稳信号的典型代表，因为保留连续信号和脉冲的特性，广泛应用于雷达，语音，声呐和生物医学等方面。在数字接收的情况下，对线性调频信号初始频率和调频斜率参数进行精确估计，可以实现电子侦察系统中的目标检测和识别。目前，研究者针对非平稳信号的参数估计先后提出了多种有效的处理方法，其中包括以短时傅里叶变换(STFT)为代表的线性时频分析方法和Wigner-Ville分布(WVD)为代表的双线性时频分析方法。短时傅里叶变换作为最早提出的一类时频分析方法，因为可以结合各种窗函数的优点，且对于多分量信号的处理没有交叉项干扰，因而被广泛应用于非平稳信号的处理中。但是STFT的时频聚集性不够良好，容易受到噪声的干扰，尤其在α稳定分布噪声影响下，STFT方法对非平稳信号参数的估计性能大幅下降。南京信息工程大学申请的专利“基于分数低阶统计量的正交小波盲均衡方法”(申请号CN201110208437A，公开号CN102355435A)中公开了一种分数低阶统计量的方法。该方法利用分数低阶统计量来抑制α稳定分布噪声，利用信源的先验信息，在迭代过程中自适应修正模值，并且对均衡器输入信号进行了正交小波变换，在减小输入信号自相关性的同时，提高了系统的均衡性。虽然该方法利用的降阶技术在一定程度上抑制了较大脉冲，但是该方法存在的不足之处是，当脉冲噪声的强度增强，该方法性能退化，且分数低阶算子的取值没有严格的选取标准。朱敏等人提出的L-DFT估计方法(Alpha稳定分布噪声下基于L-DFT的LFM-BPSK复合调制信号参数估计，振动与冲击，2015.9)，利用平方倍频法消除编码调相，L-DFT方法抑制脉冲噪声的同时，估计线性调频信号的起始频率和调制斜率，且效果明显优于分数低阶统计量，但此类方法存在的不足是，L估计求解过程复杂，对强脉冲噪声较为敏感，当广义信噪比降低时，此方法性能下降，难以满足非平稳信号参数估计的要求。综上所述，对于线性调频信号在脉冲噪声下的参数估计方法，目前已有的时频分析技术在脉冲噪声的环境下不具有稳健性，容易受到脉冲噪声的干扰，从而使信号的参数估计达不到实际要求的精度，尤其当广义信噪比降低时，基于非线性滤波的方法性能退化，甚至失效。
技术实现思路
本专利技术的目的在于克服上述已有时频分析技术在脉冲噪声环境下无法实现信号参数估计的不足，在传统的短时傅里叶变换时频分析技术的基础上，利用广义柯西分布，构造了一类适用于α稳定分布噪声环境的损失函数，通过最大似然估计理论，得到了一种改进的短时傅里叶变换，即最大似然广义柯西短时傅里叶变换MGCSTFT。此类方法估计线性调频信号的参数，可以提高α稳定分布噪声下线性调频信号参数估计的准确性和稳定性，从而提高线性调频信号的参数估计性能。实现本专利技术的具体思路是：将广义柯西分布用来拟合α稳定分布噪声，由其概率密度函数得到最大似然估计理论中的损失函数，此类损失函数可以较好适应α稳定分布噪声环境。在短时傅里叶变换的时频平面，线性调频信号的最大似然估计由一个迭代的过程来实现。通过迭代，得到线性调频信号的最大似然广义柯西短时傅里叶变换MGCSTFT时频分布图，对时频分布图进行霍夫变换直线检测，最终得到线性调频信号的初始频率和调频斜率。本专利技术的具体步骤包括如下：(1)采集线性调频信号：信号采集系统通过脉压雷达的接收机设备，采集雷达天线中任意一段含有实际噪声的线性调频信号；(2)确定判别门限：采用局部幅值特征方法，得到局部阈值，将该阈值作为判别门限；(3)判断幅值统计模块采集的线性调频信号局部幅值是否大于判别门限，若是，则认为线性调频信号中含有α稳定分布噪声，执行步骤(4)，否则，对采集的线性调频信号做短时傅里叶变换后，执行步骤(6b)；(4)按照下式，设置最大似然估计的损失函数：F(e)＝-logpv(t)其中，F(e)表示最大似然估计的损失函数，e表示估计误差，t表示采集信号的采样时间，v(t)表示采集信号中的背景噪声，pv(t)表示背景噪声v(t)的概率密度函数；(5)做最大似然广义柯西短时傅里叶变换MGCSTFT：(5a)对步骤(3)中得到的脉冲指示信号做短时傅里叶变换，将短时傅里叶变换的结果，作为最大似然广义柯西短时傅里叶变换MGCSTFT迭代的初始值；(5b)按照下式，依次迭代得到最大似然广义柯西短时傅里叶变换MGCSTFT值： M ( i ) = 1 Q · Σ m = 0 N - 1 ω ( n Δ t - t ) · x ( n Δ t ) e - j 2 π f n Δ t | e ( i - 1 ) 本文档来自技高网...

【技术保护点】
基于MGCSTFT的线性调频信号参数估计方法，包括如下步骤：(1)采集线性调频信号：信号采集系统通过脉压雷达的接收机设备，采集雷达天线中任意一段含有实际噪声的线性调频信号；(2)确定判别门限：采用局部幅值特征方法，得到局部阈值，将该阈值作为判别门限；(3)判断幅值统计模块采集的线性调频信号局部幅值是否大于判别门限，若是，则认为线性调频信号中含有α稳定分布噪声，执行步骤(4)，否则，执行步骤(6b)；(4)按照下式，设置最大似然估计的损失函数：F(e)＝‑logpv(t)其中，F(e)表示最大似然估计的损失函数，e表示估计误差，t表示采集信号的采样时间，v(t)表示采集信号中的背景噪声，pv(t)表示背景噪声v(t)的概率密度函数；(5)做最大似然广义柯西短时傅里叶变换MGCSTFT：(5a)对步骤(3)中得到的脉冲指示信号做短时傅里叶变换，将短时傅里叶变换的结果，作为最大似然广义柯西短时傅里叶变换MGCSTFT迭代的初始值；(5b)按照下式，依次迭代得到最大似然广义柯西短时傅里叶变换MGCSTFT值：M(i)=1Q·Σm=0N-1ω(nΔt-t)·x(nΔt)e-j2πfnΔt|e(i-1)|p+kp]]>其中，M(i)表示第i次迭代得到的最大似然广义柯西短时傅里叶变换MGCSTFT值，i表示迭代次数，Q表示窗长函数在离散时间点的累加值，N表示采集信号的总采样点数，N的大小由采集信号的长度和采样间隔确定，m表示离散时间初始点，ω表示窗函数，n表示离散时间采样点，Δt表示离散时间段，t表示采集信号的采样时间，x表示采集信号，f表示采集信号的采样频率，e表示误差函数，k表示广义柯西分布的尺度参数，k的大小由α稳定分布噪声的系数α确定，p表示广义柯西分布的阶数，取值范围为[1,2]；(5c)判断相邻两次迭代值的相对误差是否小于门限值η，若是，则执行步骤(6)，否则，执行步骤(5b)；(6)提取线性调频信号的参数：(6a)在时间‑频率平面画出与最大似然广义柯西短时傅里叶变换MGCSTFT值对应的时频分布图；(6b)采用霍夫变换直线检测方法，在时频分布图上，提取线性调频信号的参数。...

【技术特征摘要】
1.基于MGCSTFT的线性调频信号参数估计方法，包括如下步骤：
(1)采集线性调频信号：
信号采集系统通过脉压雷达的接收机设备，采集雷达天线中任意一段含有实
际噪声的线性调频信号；
(2)确定判别门限：
采用局部幅值特征方法，得到局部阈值，将该阈值作为判别门限；
(3)判断幅值统计模块采集的线性调频信号局部幅值是否大于判别门限，
若是，则认为线性调频信号中含有α稳定分布噪声，执行步骤(4)，否则，执行
步骤(6b)；
(4)按照下式，设置最大似然估计的损失函数：
F(e)＝-logpv(t)
其中，F(e)表示最大似然估计的损失函数，e表示估计误差，t表示采集信
号的采样时间，v(t)表示采集信号中的背景噪声，pv(t)表示背景噪声v(t)的概率
密度函数；
(5)做最大似然广义柯西短时傅里叶变换MGCSTFT：
(5a)对步骤(3)中得到的脉冲指示信号做短时傅里叶变换，将短时傅里
叶变换的结果，作为最大似然广义柯西短时傅里叶变换MGCSTFT迭代的初始
值；
(5b)按照下式，依次迭代得到最大似然广义柯西短时傅里叶变换
MGCSTFT值：
M ( i ) = 1 Q · Σ m = 0 N - 1 ω ( n Δ t - t ) · x ( n Δ t ) e - j 2 π f ...

【专利技术属性】
技术研发人员：金艳，高舵，姬红兵，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61