基于Radon-Wigner变换和REALX算法的多分量LFM信号分离方法技术

针对多分量线性调频(Linear Frequency Modulation,LFM)信号的参数估计和信号分离问题，提出一种基于RWT(Radon‑Wigner Transform,RWT)和RELAX思想的方法。该算法首先根据多分量LFM信号的RWT域特征估计强信号分量参数，然后基于RELAX思想对已估信号分量参数进行循环优化，最终实现对全部信号分量的参数估计，并实现信号分量的分离。相比于传统的基于时频变换估计LFM信号参数的方法，RELAX的应用可以在循环估计信号参数的过程中极大地消除强弱信号干扰和时频面谱峰展宽的影响，提高参数估计精度。

【技术实现步骤摘要】
基于Radon-Wigner变换和REALX算法的多分量LFM信号分离方法
本专利技术属于信号与信息处理技术，具体涉及一种对多分量线LFM信号的分离方法。
技术介绍
线性调频信号具有频率时变、大时宽带宽积以及良好的抗干扰性能等特点，是应用于雷达、声呐、导弹引信等的常用信号。现代战争中电磁环境日益复杂，对于非合作方式下工作的机载电子对抗侦察接收机而言，如何准确有效地分离侦收到的多分量线性调频信号(以下简称“多分量LFM信号”)并估计各个信号分量的参数，成为实现辐射源识别和威胁等级判断的重要基础，也是实施精确电子干扰的必要条件。针对线性调频信号的分离与参数估计问题，传统的极大似然估计法和解线调法存在估计精度和计算复杂度的矛盾，而且在低信噪比条件下估计精度不高。基于分数阶傅里叶变换(FractionalFouriertransform,FrFT)、Radon-Wigner变换(Radon-Wignertransform,RWT)、Radon-Ambiguity变换(Radon-Ambiguitytransform,RAT)和Wigner-Hough变换(Radon-Houghtransform,WHT)等时频变换方法能够反映LFM信号的时频特征，这类方法将一维LFM信号变换到二维时频平面，使信号参数估计问题转化为时频平面的二维谱峰搜索问题，在分析单一LFM信号时可获得较高的调频率和初始频率的估计精度，因此在LFM信号的参数估计中广泛应用。然而对于多分量LFM信号，其时频分布中存在的交叉干扰项的严重影响调频率和初始频率的估计精度。而平滑伪维格纳变换和时频分布级数法等改进方法虽然有效地抑制交叉项的影响，但是会降低估计参数的频率分辨率。因此如何运用时频分析方法实现高精度的多分量LFM信号分离与参数估计成为当前研究的热点。RELAX算法是基于非线性最小方差准则的一种估计算法，相比于逐次消除(CLEAN)算法在估计精度上更具优势。该方法通过逐个地剔除信号各个分量并更新校正信号参数的估计值，使得估计精度有效提高，最终实现混合信号的参数估计。
技术实现思路
本专利技术提供了一种基于Radon-Wigner变换和RELAX算法的多分量LFM信号分离方法，包括以下步骤：S1.预处理，基于Radon-Wigner变换，将初始化的多分量LFM信号变换到RWT平面；S2.粗估计，搜索所述RWT平面的峰值，对所述多分量LFM信号中较强的LFM信号分量的进行粗估计，获得粗估计LFM信号分量；S3.精估计，基于REALX算法对所述粗估计信号分量进行循环优化精估计，直到内部收敛，获得精估计LFM信号分量；S4.信号分离，将所述精估计LFM信号分量从所述多分量LFM信号中剔除后获得剩余LFM信号分量；S5.终止门限判定，所述剩余LFM信号分量重复S2-S4，当所述多分量LFM信号中所有LFM信号分量的参数均被有效估计。为了更加清楚描述本专利技术的基于Radon-Wigner变换和REALX算法的多分量LFM信号分离方法，对S2-S5步骤进一步公开，即：在S2步骤中，所述峰值为最高峰坐标，根据所述最高峰坐标推导得到粗估计中心；在S3步骤中，计算相邻两次循环优化的变化量，当所述变化量低于收敛门限时判断为内部收敛；当所述变化量高于收敛门限时，返回S2步骤；在S4步骤中，采用时域对消法将所述精估计LFM信号分量从所述多分量LFM信号中剔除后获得剩余LFM信号；在S5步骤中，首先计算所述剩余LFM信号的能量，并与设定的阈值进行比较，如果低于阈值，则判断所述多分量LFM信号中所有LFM信号分量均已分离。本专利技术的有益效果为：针对多分量LFM信号的参数估计问题，提供了一种基于RWT和RELAX思想的信号参数估计算法。该算法结合了RWT算法可对信号参数进行快速粗估计和RELAX算法估计精度高的特点，通过RWT变换对信号参数进行粗估计，然后通过RELAX算法对估计信号参数进行循环优化估计。本专利技术能够实现比传统方法更高的估计精度，具有较强的实用性。附图说明图1示出多分量LFM信号参数估计流程图；图2示出实施例9中原始信号S(t)的三维WVD图；图3示出实施例9中原始信号S(t)的二维WVD图；图4示出实施例9中原始信号S(t)的RWT图；图5示出实施例9中经过第一次信号分离后剩余信号S1(t)的三维WVD图；图6示出实施例9中经过第一次信号分离后剩余信号S1(t)的二维WVD图；图7示出实施例9中经过第一次信号分离后剩余信号S1(t)的RWT图；图8示出实施例9中经过第二次信号分离后剩余信号S2(t)的三维WVD图；图9示出实施例9中经过第二次信号分离后剩余信号S2(t)的二维WVD图；图10示出实施例9中经过第二次信号分离后剩余信号S2(t)的RWT图。具体实施方式下面结合实施例、附图对本专利技术详细描述。实施例1结合图1所示，本专利技术提供了一种基于Radon-Wigner变换和RELAX算法的多分量LFM信号分离方法，包括以下步骤：S1.预处理，基于Radon-Wigner变换，将初始化的多分量LFM信号变换到RWT平面；S2.粗估计，搜索所述RWT平面的峰值，对所述多分量LFM信号中较强的LFM信号分量的进行粗估计，获得粗估计LFM信号分量；S3.精估计，基于REALX算法对所述粗估计信号分量进行循环优化精估计，直到内部收敛，获得精估计LFM信号分量；S4.信号分离，将所述精估计LFM信号分量从所述多分量LFM信号中剔除后获得剩余LFM信号分量；S5.终止门限判定，所述剩余LFM信号分量重复S2-S4，当所述多分量LFM信号中所有LFM信号分量的参数均被有效估计。实施例2本实施例与实施例1基本相同，所不同的是：在S2步骤中，所述峰值为最高峰坐标，根据所述最高峰坐标推导得到粗估计中心；在S3步骤中，计算相邻两次循环优化的变化量，当所述变化量低于收敛门限时判断为内部收敛；当所述变化量高于收敛门限时，返回S2步骤；在S4步骤中，采用时域对消法将所述精估计LFM信号分量从所述多分量LFM信号中剔除后获得剩余LFM信号分量；在S5步骤中，首先计算所述剩余LFM信号的能量，并与设定的阈值进行比较，如果低于阈值，则判断所述多分量LFM信号中所有LFM信号分量均已分离。实施例3本实施例与实施例2基本相同，所不同的是S1步骤具体包括：S1.1初始化多分量LFM信号；所述多分量LFM信号S(t)由N个互不相关且具有可叠加性的LFM信号与背景噪声n(t)组成，比如机载平台侦收到的多分量LFM信号，所述第i个LFM信号如公式Ⅰ所示：式Ⅰ中,si(t)为第i个LFM信号，αi、ki和fi依次为第i个LFM信号的幅度、调频斜率和初始频率,t为采样时间；所述多分量LFM信号S(t)如公式Ⅱ所示：式Ⅱ中,S(t)为多分量LFM信号，αi、ki和fi依次为第i个LFM信号的幅度、调频斜率和初始频率,t为采样时间，N为LFM信号分量的总个数，n(t)为背景噪声，所述背景噪声包括侦收的混合信号中的干扰和噪声成分，i为变量，i＝1,2…N；S1.2将多分量LFM信号变换到RWT平面；所述多分量LFM信号S(t)的Wigner-Ville(简称“WVD”)分布如公式Ⅲ所示：式Ⅲ中,Wz(t,w)为S(t)本文档来自技高网...

【技术保护点】
1.基于Radon‑Wigner变换和REALX算法的多分量LFM信号分离方法，其特征在于，包括以下步骤：S1.预处理，基于Radon‑Wigner变换，将初始化的多分量LFM信号变换到RWT平面；S2.粗估计，搜索所述RWT平面的峰值，对所述多分量LFM信号中较强的LFM信号分量的进行粗估计，获得粗估计LFM信号分量；S3.精估计，基于REALX算法对所述粗估计信号分量进行循环优化精估计，直到内部收敛，获得精估计LFM信号分量；S4.信号分离，将所述精估计LFM信号分量从所述多分量LFM信号中剔除后获得剩余LFM信号分量；S5.终止门限判定，所述剩余LFM信号分量重复S2‑S4步骤，当所述多分量LFM信号中所有LFM信号分量的参数均被有效估计。

【技术特征摘要】
1.基于Radon-Wigner变换和REALX算法的多分量LFM信号分离方法，其特征在于，包括以下步骤：S1.预处理，基于Radon-Wigner变换，将初始化的多分量LFM信号变换到RWT平面；S2.粗估计，搜索所述RWT平面的峰值，对所述多分量LFM信号中较强的LFM信号分量的进行粗估计，获得粗估计LFM信号分量；S3.精估计，基于REALX算法对所述粗估计信号分量进行循环优化精估计，直到内部收敛，获得精估计LFM信号分量；S4.信号分离，将所述精估计LFM信号分量从所述多分量LFM信号中剔除后获得剩余LFM信号分量；S5.终止门限判定，所述剩余LFM信号分量重复S2-S4步骤，当所述多分量LFM信号中所有LFM信号分量的参数均被有效估计。2.根据权利要求1所述的基于Radon-Wigner变换和REALX算法的多分量LFM信号分离方法，其特征在于，所述S2步骤中，所述峰值为最高峰坐标，根据所述最高峰坐标推导得到粗估计中心；所述S3步骤中，计算相邻两次循环优化的变化量，当所述变化量低于收敛门限时判断为内部收敛；当所述变化量高于收敛门限时，返回S2步骤；所述S4步骤中，采用时域对消法将所述精估计LFM信号分量从所述多分量LFM信号中剔除后获得剩余LFM信号；所述S5步骤中，首先计算所述剩余LFM信号的能量，并与设定的阈值进行比较，如果低于阈值，则判断所述多分量LFM信号中所有LFM信号分量均已分离。3.根据权利要求2所述的基于Radon-Wigner变换和REALX算法的多分量LFM信号分离方法，其特征在于，其中S1步骤包括：S1.1初始化多分量LFM信号；所述多分量LFM信号S(t)由N个互不相关且具有可叠加性的i个LFM信号与背景噪声n(t)组成，所述第i个LFM信号如公式Ⅰ所示：式Ⅰ中,si(t)为第i个LFM信号，αi、ki和fi依次为第i个LFM信号的幅度、调频斜率和初始频率,t为采样时间；所述多分量LFM信号S(t)如公式Ⅱ所示：式Ⅱ中,S(t)为多分量LFM信号，αi、ki和fi依次为第i个LFM信号的幅度、调频斜率和初始频率,t为采样时间，N为LFM信号分量的总个数，n(t)为背景噪声，所述背景噪声包括侦收的混合信号中的干扰和噪声成分，i为变量，i＝1,2…N；S1.2将多分量LFM信号变换到RWT平面；所述多分量LFM信号S(t)的Wigner-Ville分布如公式Ⅲ所示：式Ⅲ中,Wz(t,w)为S(t)的Wigner-Ville变换、t为时间、w为频率,τ为时延；所述多分量LFM信号S(t)通过Radon-Wigner变换后式Ⅳ所示：式Ⅳ中,S(t)为多分量LFM信号，R(a,b)为S(t)的Radon-Wigner变换，(a,b)为沿所述多分量LFM信号时频直线的积分路径参数，a为原点垂直距离，b为倾角；k和f依次为LFM信号的调频斜率和初始频率,t为采样时间。4.根据权利要求3所述的基于Radon-Wigner变换和REALX算法的多分量LFM信号分离方法，其特征在于，其中S2步骤包括：S2.1搜索RWT平面的最高峰坐标，如式Ⅴ所示：式Ⅴ中，为Radon-Wigner变换计算最大值，(a,b)为沿LFM信号时频直线的积分路径参数，a为原点垂直距离，b为倾角；s.t.为“条件满足于”数学符号；所述多分量LFM信号中每个信号分量都会在RWT平面形成峰值，当积分路径参数(a,b)与某个LFM信号分量的调频参数(k,f)准确匹配时，获得最大的积分值，并在RWT平面上出现一个对应的峰值；其中能量最强的信号分量的峰值最高，因此根据最高峰值坐标可以获得最强信号分量的参数；S2.2根据最高峰坐标推导得到粗估计中心；通过最高峰坐标获得相应的积分路径参数(a,b)，通过积分路径参数(a,b)和最高峰值的初始频率f和调频斜率k，计算得出所述最强信号分量的粗估计中心，如公式Ⅵ所示：式Ⅵ中,f为LFM信号的初始频率，k为LFM信号的调频斜率，(a,b)为沿LFM信号时频直线的积分路径参数，a为原点垂直距离，b为倾角。5.根据权利要求4所述的基于Radon-Wigner...

【专利技术属性】
技术研发人员：周一鹏，程嗣怡，董晓璇，陈游，张官荣，
申请(专利权)人：北京航天科颐技术有限公司，
类型：发明
国别省市：北京,11