【技术实现步骤摘要】
本专利技术属于信号处理，尤其涉及一种多辐射源信号分选时延估计方法及系统。
技术介绍
1、时延估计作为信号处理领域的重要组成部分，在通信、导航定位、遥测等领域有着广泛的应用。随着现代电子技术的发展，空间电磁环境越发复杂，主要表现为：空间辐射源数量多、密度大、调制方式复杂。且辐射源分布广信号交错，这使得在现今的电磁环境下对信号辐射源的时延估计工作变得越发困难。因此，如何在交错多辐射源信号中分选出属于同一个辐射源的信号及对分选后属于同一辐射源的信号进行准确的时延估计，具有重要的研究意义和应用价值。
2、现阶段，信号分选算法主要包括单参数信号分选算法和多参数联合信号分选算法。单参数信号分选算法仅利用了的信号的单一特征信息，在辐射源数量较少、参数信号变化较小的电磁环境中能够取得比较好的信号分选效果。随着信号体制越来越复杂、参数变化越来越多样，各参数之间存在严重交叠，仅利用单参数对信号分选算法已经无法满足性能需求。随着信号接收设备的不断发展，其能够从接收到的信号中提取出时域、频域及空域等多种参数信息，如载频、脉宽、方位角等，从而联合这些参数进行信号分选，多参数联合信号分选算法能获得比单参数信号分选算法更好的算法性能。
3、人工智能中神经网络算法信号多参数联合分选算法取得了较多研究成果。james等人提出了一种基于多参数的神经网络分类算法，该算法通过对相似的信号分类来简化信号的分选过程。与此同时，各类监督神经网络算法也在信号分选中得到了广泛研究但基于监督神经网络的信号分选算法需要对先验样本进行训练处理，而未知的辐射源分
4、现阶段，常用的时延估计方法主要有最小均方(lms)自适应法、子空间类时延估计方法、广义互相关法(gcc)等。lms自适应法无需信号和噪声的统计先验知识即可实现信号间时延差估计，但存在适应时间长难满足实时性的问题；子空间类法大多需要进行多径数目估计、特征分解、谱峰搜索等操作，计算复杂度较高且在实际中多径数目难估计；gcc方法具有原理简单、计算量小、稳定性好、适用性强等优势，在时延估计领域受到广泛关注。
5、gcc时延估计方法通过信号间互相关函数的峰值检测估计时延，该方法基于理想信号模型，即假设噪声与信号，噪声与噪声两两正交，对平稳随机信号，在高信噪比条件下可获得精确的时延估计值。然而，在实际中这种假设并不成立，gcc函数峰值受各种噪声和混响的影响将不再尖锐，甚至出现伪峰值，时延估计会出现较大偏差。为解决该问题，有学者通过引入改进的小波阈值函数进行信号去噪与重构，采用gcc方法进行时延估计，这种方法克服了传统软硬阈值函数的缺点，提升了时延估计性能，但存在信号去噪效果受小波基选择、分解尺度等因素制约的问题。一些学者采用倒谱法分离声门脉冲机制和声道响应，结合谱减法设计了区分含噪信号有用频段的有效方案，利用经验模态分解后的本征模函数谱特性进行信号重构，该方法显著提高了时延估计算法的抗噪性能，但存在算法复杂度高、应用场景单一等问题。基于上述分析，如何克服接收信号中含有各种干扰噪声，提高时延估计精度时仍需重点解决的问题。
6、通过上述分析，现有技术存在的问题及缺陷为：1.现有的聚类算法具有一些明显缺点：算法的适应性差，在处理内部结构复杂的数据集和如流形数据等具有特定结构的数据时，聚类分选效果差；聚类表现被链式反应严重影响等。2.现有的时延估计算法难以适应多样的实际应用场景，在接收信号信噪比不理想的情形下，时延估计的准确度低等。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种多辐射源信号分选时延估计方法及系统。
2、本专利技术是这样实现的，多辐射源信号分选时延估计方法，所述多辐射源信号分选时延估计方法包括以下步骤：
3、步骤一，采用基于相对参量的自适应密度峰值聚类算法，根据接收信号的特征数据集，完成对多辐射源信号的聚类分选；
4、步骤二，采用基于二阶差分奇异值分解的时延估计算法对分选后的信号完成时延估计。
5、进一步，所述基于相对参量的自适应密度峰值聚类算法包括：计算数据集中数据点的相对局部密度ρi和相对连通距离θi；根据每个数据点的相对局部密度ρi和相对连通距离θi绘制决策图，确定簇中心；根据新的点分配策略分配剩余数据点。
6、进一步，所述基于相对参量的自适应密度峰值聚类算法具体包括以下步骤：
7、步骤一，对数据集x中的数据进行标准化处理；
8、步骤二，自适应的确定k值并计算每个数据点的相对局部密度ρi；
9、步骤三，计算每个数据点的欧氏距离dij、连通距离d(i,j)；
10、步骤四，计算每个数据点的相对连通距离θi；
11、步骤五，以ρi和θi为坐标轴，绘制决策图本文档来自技高网...
【技术保护点】
1.一种多辐射源信号分选时延估计方法，其特征在于，包括以下步骤：
2.如权利要求1所述的多辐射源信号分选时延估计方法，其特征在于，所述基于相对参量的自适应密度峰值聚类算法包括：计算数据集中数据点的相对局部密度ρi和相对连通距离θi；根据每个数据点的相对局部密度ρi和相对连通距离θi绘制决策图，确定簇中心；根据新的点分配策略分配剩余数据点。
3.如权利要求1所述的多辐射源信号分选时延估计方法，其特征在于，所述基于相对参量的自适应密度峰值聚类算法具体包括以下步骤：
4.如权利要求3所述的多辐射源信号分选时延估计方法，其特征在于，通过构造信息熵函数，根据数据集中数据点的分布情况自适应的设置最佳K值；
5.如权利要求3所述的多辐射源信号分选时延估计方法，其特征在于，对于数据集中的数据点i，相对局部密度ρi为：
6.如权利要求3所述的多辐射源信号分选时延估计方法，其特征在于，点分配策略为在确定簇中心后，计算剩余点到簇中心的连通距离，将点分配给到该簇中心连通距离最近的簇中心所属的簇。
7.如权利要求1所述的多辐射源信号分
8.如权利要求8所述的多辐射源信号分选时延估计方法，其特征在于，对完成聚类分选后的原始含噪声信号X＝{x(i)}，i＝1，2，…，N，N为信号的采样长度，构造具有如下形式的Hankel矩阵：
9.如权利要求8所述的多辐射源信号分选时延估计方法，其特征在于，通过对Δ中的奇异值进行进一步处理，根据其奇异值的分布规律，用一种基于二阶差分运算的方式，来确定有效秩阶次；对奇异值数据做归一化处理，得到：
10.如权利要求1～15任一项所述的一种基于多辐射源信号分选时延估计方法的多辐射源信号分选时延估计系统，其特征在于，该系统包括：
...【技术特征摘要】
1.一种多辐射源信号分选时延估计方法，其特征在于，包括以下步骤：
2.如权利要求1所述的多辐射源信号分选时延估计方法，其特征在于，所述基于相对参量的自适应密度峰值聚类算法包括：计算数据集中数据点的相对局部密度ρi和相对连通距离θi；根据每个数据点的相对局部密度ρi和相对连通距离θi绘制决策图，确定簇中心；根据新的点分配策略分配剩余数据点。
3.如权利要求1所述的多辐射源信号分选时延估计方法，其特征在于，所述基于相对参量的自适应密度峰值聚类算法具体包括以下步骤：
4.如权利要求3所述的多辐射源信号分选时延估计方法，其特征在于，通过构造信息熵函数，根据数据集中数据点的分布情况自适应的设置最佳k值；
5.如权利要求3所述的多辐射源信号分选时延估计方法，其特征在于，对于数据集中的数据点i，相对局部密度ρi为：
6.如权利要求3所述的多辐射源信号分选时延估计方法...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。