基于GCRBF网络的LFM信号参数估计方法技术

本发明专利技术提出了一种基于GCRBF网络的LFM信号参数估计方法，用于解决现有技术在低广义信噪比脉冲噪声下对LFM信号参数估计准确率低的技术问题。实现步骤为：1、采集雷达天线中含有脉冲噪声的LFM信号，得到观测信号；2、利用GCRBF网络对观测信号进行去噪，得到去噪后的LFM信号；3、利用LVD时频方法，对去噪后的LFM信号进行时频分析，得到LVD时频谱；4、利用LVD时频谱提取LFM信号参数，得到LFM信号的参数估计。本发明专利技术有效地提高了在低广义信噪比脉冲噪声下LFM信号参数估计的准确率，可用于雷达信号处理技术领域。

【技术实现步骤摘要】
基于GCRBF网络的LFM信号参数估计方法
本专利技术属于通信信号处理
，涉及一种LFM信号参数估计方法，具体涉及一种基于GCRBF网络的LFM信号参数估计方法，可用于雷达信号处理

技术介绍
随着雷达技术的迅速发展以及抗干扰的需要，低截获概率雷达成为雷达发展的一个重要方向。线性调频(LinearFrequencyModulationLFM)信号，属于典型的低截获概率雷达信号，常用于扩频通信、声纳以及地震勘探等众多领域，是一种具有代表性的非平稳信号。在采用数字接收的情况下，对LFM信号的初始频率和调频斜率两个参数进行精确估计，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，其中有基于极大似然的估计方法，以及时频分析方法等。对于LFM信号，上述分析方法将背景噪声建立为高斯模型，直观地给出了LFM信号的参数信息，可以直接进行LFM信号的参数估计。但是大量的研究发现，实际环境中的干扰和噪声，例如通信多通道干扰、低频空气噪声、水声和雷达杂波等均服从非高斯分布，并且具有一定的脉冲特性，将符合这种具有脉冲特性的噪声称为脉冲噪声。在脉冲噪声背景下，基于高斯噪声模型的分析方法对LFM信号的参数估计性能严重下降，现阶段，针对脉冲噪声下LFM信号参数估计的方法一般为先对观测信号作去噪处理，达到去除观测信号中大脉冲的目的，然后采用时频分析方法对去噪处理后的信号进行参数估计。现有技术在一定广义信噪比下可以对脉冲噪声环境中的LFM信号进行参数估计，但在广义信噪比较低时，由于去噪部分不能对脉冲噪声进行有效的抑制，导致利用时频方法来对去噪后的信号进行时频分析时，得不到参数的准确估计。例如，授权公告号CN103412287B，名称为“基于LVD的线性调频信号参数估计方法”的中国专利，公开了一种针对脉冲噪声的分数低阶统计量方法。该方法首先对含噪的观测信号进行降阶预处理，即利用分数低阶统计量来抑制观测信号中的脉冲噪声，然后利用LVD时频方法在时频域对预处理后的信号进行参数估计。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，但是不足之处在于当广义信噪比较低，即脉冲噪声的强度增强时，该方法性能退化，且分数低阶处理中分数低阶算子的取值对结果影响较大，但该分数低阶算子没有严格的选取标准。综上所述，对于脉冲噪声下LFM信号的参数估计，上述已有技术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，尤其当广义信噪比较低时，上述已有技术性能退化甚至失效。
技术实现思路
本专利技术的目的在于克服上述已有技术存在的缺陷，提出了一种基于GCRBF网络的LFM信号参数估计方法，旨在提高低广义信噪比脉冲噪声下LFM信号参数估计的准确率。本专利技术的技术思路是：对采集到的含有脉冲噪声的观测信号，先利用GCRBF网络对观测信号进行去噪，得到去噪后的LFM信号，然后利用LVD时频方法对去噪后的LFM信号进行时频分析，得到LVD时频谱，最后利用LVD时频谱提取LFM信号的初始频率参数和调频斜率参数，实现LFM信号的参数估计。根据上述技术思路，实现本专利技术目的采取的技术方案包括如下步骤：(1)采集雷达天线中含有脉冲噪声的LFM信号，得到观测信号；(2)利用GCRBF网络对观测信号进行去噪：(2a)利用滑动窗对观测信号进行分组，得到与窗长相等的多组信号，并按照滑动窗滑动的顺序依次将各组信号作为GCRBF网络输入矩阵的不同列向量；(2b)利用GCRBF网络隐含层神经元的广义柯西分布径向基函数，对GCRBF网络输入矩阵进行非线性变换，得到隐含层输出矩阵；(2c)对隐含层输出矩阵进行线性求和，得到GCRBF网络的输出矩阵；(2d)按照GCRBF网络输出矩阵列向量的先后顺序，依次获取输出矩阵每个列向量中最小输出值的下标，并取下标位置处对应的GCRBF网络输入矩阵的观测信号，组成去噪后的LFM信号；(3)利用LVD时频方法，对去噪后的LFM信号进行时频分析，得到LVD时频谱：(3a)对去噪后的LFM信号进行自相关运算，得到对称参数瞬时自相关函数；(3b)对对称参数瞬时自相关函数中时间变量进行尺度变换，得到尺度变换后的对称参数瞬时自相关函数；(3c)对尺度变换后的对称参数瞬时自相关函数进行二维傅里叶变换，得到LVD时频谱；(4)利用LVD时频谱提取LFM信号参数：利用峰值检测方法搜索LVD时频谱峰值坐标(x,y)，并将峰值坐标(x,y)中x的值作为LFM信号参数中初始频率参数的估计值，y的值作为LFM信号参数中调频斜率参数的估计值。本专利技术与现有技术相比，具有如下优点：本专利技术在对脉冲噪声下LFM信号进行参数估计时，由于去噪部分使用了GCRBF网络来去除脉冲噪声，使得在低广义信噪比环境下对脉冲噪声的抑制更为有效，这样将去噪后的信号通过LVD时频方法进行参数估计时，可以更准确的得到LFM信号的参数信息，避免了现有技术在低广义信噪比下由于去噪部分对脉冲噪声中脉冲的抑制不够彻底，导致后续利用LVD时频方法对去噪后的LFM信号参数估计不准确的问题，有效地提高了LFM信号参数估计的准确率，提升了脉冲噪声下LFM信号参数估计的性能。附图说明图1是本专利技术的实现流程图；图2是本专利技术使用的GCRBF网络的结构示意图；图3是本专利技术中GCRBF网络隐含层径向基函数的参数选择分析图；图4是本专利技术中利用LVD时频分析方法得到的LVD时频谱的仿真效果图；图5是本专利技术与现有技术对脉冲噪声下LFM信号参数估计均方根误差仿真对比图。具体实施方式下面结合附图和具体实施例，对本专利技术作进一步的描述。参照图1，基于GCRBF网络的LFM信号参数估计方法，包括如下步骤：步骤1，采集雷达天线中含有脉冲噪声的LFM信号，得到观测信号：信号采集系统通过接收天线，选取一段含有LFM信号s(t)和脉冲噪声n(t)的接收信号，将所选取的接收信号作为观测信号x(t)，表示为：x(t)＝s(t)+n(t)LFM信号s(t)的模型可表示为：s(t)＝Aexp(j2πft+jπkt2),t∈[0,T]其中，A，f，k分别表示信号的幅值、初始频率和调频斜率，T表示时间区间。LFM信号为非平稳信号，其频率随时间呈线性变化。观测信号中脉冲噪声n(t)可以用标准对称α稳定分布来建模。其中，α稳定分布包含四个参数，分别为：α、β、γ和a。参数α为特征指数，表示脉冲特性的强弱，其范围为(0,2]，参数β为对称参数，用于表示分布的斜度，参数γ为分散系数，其意义类似于高斯分布中的方差，参数a为位置参数。在标准对称α稳定分布中，β值为0，γ值为1，a值为0。步骤2，利用GCRBF网络对观测信号进行去噪：本专利技术中GCRBF网络的结构如图2所示，此GCRBF网络的结构包含三层，从左到右依次为输入层、隐含层和输出层。输入层为GCRBF网络输入矩阵，隐含层利用径向基函数对GCRBF网络的输入进行非线性变换，得到隐含层输出，输出层是对隐含层输出的线性求和，另外本专利技术中各层神经元的个数相同。2a)首先用滑动窗对观测信号进行分组，设采集的观测信号长度为N，将观测信号通过窗长为M的滑动窗前，先对观测信号左右分别补零，若窗长M为奇数，则左右分别补(M-1)/2个0，若窗长M为偶数，则左边补(M-2)本文档来自技高网...

【技术保护点】
一种基于GCRBF网络的LFM信号参数估计方法，包括如下步骤：(1)采集雷达天线中含有脉冲噪声的LFM信号，得到观测信号；(2)利用GCRBF网络对观测信号进行去噪：(2a)利用滑动窗对观测信号进行分组，得到与窗长相等的多组信号，并按照滑动窗滑动的顺序依次将各组信号作为GCRBF网络输入矩阵的不同列向量；(2b)利用GCRBF网络隐含层神经元的广义柯西分布径向基函数，对GCRBF网络输入矩阵进行非线性变换，得到隐含层输出矩阵；(2c)对隐含层输出矩阵进行线性求和，得到GCRBF网络的输出矩阵；(2d)按照GCRBF网络输出矩阵列向量的先后顺序，依次获取输出矩阵每个列向量中最小输出值的下标，并取下标位置处对应的GCRBF网络输入矩阵的观测信号，组成去噪后的LFM信号；(3)利用LVD时频方法，对去噪后的LFM信号进行时频分析，得到LVD时频谱：(3a)对去噪后的LFM信号进行自相关运算，得到对称参数瞬时自相关函数；(3b)对对称参数瞬时自相关函数中时间变量进行尺度变换，得到尺度变换后的对称参数瞬时自相关函数；(3c)对尺度变换后的对称参数瞬时自相关函数进行二维傅里叶变换，得到LVD时频谱；(4)利用LVD时频谱提取LFM信号参数：利用峰值检测方法搜索LVD时频谱峰值坐标(x,y)，并将峰值坐标(x,y)中x的值作为LFM信号参数中初始频率参数的估计值，y的值作为LFM信号参数中调频斜率参数的估计值。...

【技术特征摘要】
1.一种基于GCRBF网络的LFM信号参数估计方法，包括如下步骤：(1)采集雷达天线中含有脉冲噪声的LFM信号，得到观测信号；(2)利用GCRBF网络对观测信号进行去噪：(2a)利用滑动窗对观测信号进行分组，得到与窗长相等的多组信号，并按照滑动窗滑动的顺序依次将各组信号作为GCRBF网络输入矩阵的不同列向量；(2b)利用GCRBF网络隐含层神经元的广义柯西分布径向基函数，对GCRBF网络输入矩阵进行非线性变换，得到隐含层输出矩阵；(2c)对隐含层输出矩阵进行线性求和，得到GCRBF网络的输出矩阵；(2d)按照GCRBF网络输出矩阵列向量的先后顺序，依次获取输出矩阵每个列向量中最小输出值的下标，并取下标位置处对应的GCRBF网络输入矩阵的观测信号，组成去噪后的LFM信号；(3)利用LVD时频方法，对去噪后的LFM信号进行时频分析，得到LVD时频谱：(3a)对去噪后的LFM信号进行自相关运算，得到对称参数瞬时自相关函数；(3b)对对称参数瞬时自相关函数中时间变量进行尺度变换，得到尺度变换后的对称参数瞬时自相关函数；(3c)对尺度变换后的对称参数瞬时自相关函数进行二维傅里叶变换，得到LVD时频谱；(4)利用LVD时频谱提取LFM信号参数：利用峰值检测方法搜索LVD时频谱峰值坐标(x,y)，并将峰值坐标(x,y)中x的值作为LFM信号参数中初始频率参数的估计值，y的值作为LFM信号参数中调频斜率参数的估计值。2.根据权利要求1...

【专利技术属性】
技术研发人员：金艳，韩雨婷，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