具体实施方式
1、基于Radon变换的LFM信号参数估计原理:
首先给出理想的无限长LFM信号的数学模型
s(t)=a0exp[jπ(2f0t+μ0t2)],-∞≤t≤∞ (7)
其中a0、f0和μ0为未知参数,分别代表信号的幅度、中心频率和调频率,其中中心频率和调频率为工程实践中比较关心的参数。根据定义,信号s(t)的模糊函数(ambiguity function,AF)表达式为
相应的(τ,ξ)平面通常称为模糊域。将式(7)代入上述定义式并取模
|AFs(τ,ξ)|=|a0 2exp{j2πf0τ}δ(ξ-μ0τ)|=a0 2δ(ξ-μ0τ) (9)
由上式可知,理想LFM信号的AF的模在模糊域上是一条过原点的直线型冲击函数,且该直线的斜率就是LFM信号的调频率。对式(9)做过原点斜率为k的直线ξ=kτ上的Radon变换(Radon Transform),不断变化直线的斜率k,形成如下的检测统计量
显然当直线斜率为μ0时,η(k)的值最大。利用这一特性,可以通过对η(k)的谱峰位置搜索实现LFM信号的调频率估计。用公式表示为
以上就是基于Radon-Ambiguity Transform(以下简称RAT)的LFM信号调频率估计原理。实际工程中,通常利用模糊函数和分数阶相关的关系来简化RAT的运算过程[26]。
以上推导是理想情况下的检测结果。实际工程实现时,扫描曲线ξ=kτ只能是以一定的扫描间隔Δμ通过多次扫描遍历而寻最优,则第k次扫描的曲线为ξ=kΔμτ,故这很有可能所有整数倍扫描斜率kΔμ都没法落在理想斜率μ
0上,故本专利采用能量中心插值方法来估计μ
0,即找出峰值投影值周围几根投影值的能量中心位置作为最终的调频率估计
由于我们已经得到了观测信号调频率的估计值,根据文献[27]的结论,可以计算出该LFM信号能量最聚集域的FRFT角度为:
对信号做角度为α
0的FRFT,得到能量最聚集域上的FRFT谱
。通过对
的谱峰位置搜索即可实现LFM信号的中心频率估计,用公式表示为
以上就是基于FRFT的LFM信号中心频率估计原理。
综上所述,LFM信号的调频率和中心频率估计问题可以转化为式(11)和式(14)所示的两个一维谱峰搜索问题。实际应用中,我们只能得到信号RAT域和FRFT域上的两个离散谱。由于受到栅栏效应的影响,在真实的谱峰位置未对准谱线间隔的整数倍位置时,若采用传统的扫描方法,以峰值谱线的位置作为真实谱峰位置的估计,则最大可能造成50%谱线间隔的误差。在对LFM信号参数精度要求比较高的应用场合,只能细化扫描步长、增大信号的采样率,但这样做会使计算量呈级数增加,不利于工程实现。所以需要寻找一种更加简单快捷的超分辨率谱峰搜索方法。
2、离散谱校正的能量重心法
离散谱校正理论是为了解决正弦信号的频率和相位估计问题而提出的。由于计算机只能对正弦信号的有限个样本进行运算,FFT和谱分析也只能在有限区间内进行,这就不可避免地存在由于时域截断而产生的能量泄漏,使谱峰值变小、精度降低,即经FFT得到的离散频谱的幅值、相位和频率都可能产生较大的误差。另外,由点数为N的FFT处理得到的离散谱受频率分辨率Δω=2π/N的限制,很难保证信号的真实频率处在Δω的整数倍位置,所以无法通过峰值搜索获得准确的频率和相位值。
文献[28]通过对常用窗函数的能量谱特性的分析,推导出各种对称窗函数谱的能量重心都位于它们的对称轴上的结论。本发明将该方法进行了一些修正,描述如下。
假设X(u)为u域上的一个连续谱函数,若该谱函数在某一支撑区[a,b]内是关于谱峰点u=u0对称的,如图1所示,则显然X(u)在该支撑区内的能量重心也位于该峰值点上。用公式表示为
离散情况下,对X(u)进行等间隔采样,采样间隔为Δu,得到
X(ui)|u=iΔu=X(u)|u=iΔu,i∈Z (16)
假设序号某一序号m∈z的对应的谱线X(um)=X(mΔu)处于峰值谱线的位置。则此时能量重心位置可以由所有谱线能量的位置加权和与总的谱线能量之比得到,实际应用中,在谱峰能量比较集中的情况下,可以在峰值谱线两边各取能量较大的n根谱线做近似计算,即
ui=iΔu (17)
式(17)说明,若一个连续谱在某一支撑区内关于谱峰对称,则可以通过其离散谱线的能量重心位置来恢复真实的谱峰位置。以上就是离散谱校正的能量重心法原理。
3、基于RAT和FRFT的能量重心插值估计的理论基础
根据前面的结论,我们将证明有限长LFM信号的RAT和FRFT连续谱分别关于其谱峰点对称,从而可以通过计算两个离散谱的能量重心位置来恢复真实的谱峰位置,实现谱峰位置的超分辨率估计。具体的证明过程如下:
首先证明RAT谱η(k)关于峰值点k0的对称性,给出时间长度为T的单位能量LFM信号表达式
取该信号的AF并取模
-T≤τ≤T(19)
对上式做直线ξ=kτ上的Radon变换
考察函数g(ε)=η(k+ε)
将k=k0=μ0代入上式并化简,得
显然式(22)是关于ε的偶函数,则可以说明η(k)关于轴k=μ0对称。
另外证明FRFT谱|Sα(u)|关于峰值点u0的对称性,假设由RAT方法得到了如式(18)所示的信号调频率μ0的无偏估计,对该信号做式(12)所示的能量最聚集域上的FRFT
(23)
对上式取模
考察函数
将u=f0/cscα0代入上式并化简,得
显然式(26)是关于ε的偶函数,则可以说明
关于轴u=u
0=f
0/cscα
0对称,证明结束。
4、具体的调频率和中心频率的估计流程
综上所述,关于chirp信号的调频率参数估计的流程图如图2所示。
给定输入信号s(n),首先求取其模糊函数AFs(τ,ξ),然后不断更换扫描直线ξ=kτ,借助Radon变换计算得出AFs(τ,ξ)在扫描直线ξ=kτ上的投影,并记录所有投影值,构造全景离散谱,接着搜索出该离散谱的谱峰位置,并借助式(17)所示的能量重心插值公式,估计实际峰值投影值,最后根据式(11)得出信号调频率的估计。
得出信号调频率估计值
后,其中心频率
的估计流程如图3所示。
图3中,借助本专利提出的基于能量重心插值估计和RAT的调频率估计方法,用得到的调频率估计值
对信号做分数阶傅立叶变换,进而搜索出分数阶傅立叶谱的峰值谱,借助式(17)计算出谱能量重心位置
,再借助
即可得到信号重心频率的估计。
下面首先对实施本发明的硬件予以简单说明。参见图4,为精确估计出LFM信号x(t)的调频率和中心频率参数,需借助信号调理电路对输入信号进行模拟预处理,以对信号幅度范围进行必要调整,并去除外干扰噪声等;再经过A/D(模数转化器)采样得到样本序列x(n)以并行数字输入的形式进入DSP器件,经过DSP器件的内部的算法处理,而得到信号参数的估计,最后借助输出驱动及其显示模块显示出调频率和中心频率的估计值,即图4的整个系统构成了一个“高精度LFM信号参数估计仪”。
其中图4的DSP(Digital Signal Processor,数字信号处理器)为核心器件,在信号参数估计过程中,完成如下的主要功能:
(1)调用核心算法,完成接收信号的参数估计处理;
(2)根据实际需要调整采样率fs,使得在该采样率下,尽量高精度地估计出信号参数;
(3)内部RAM存储数据不足时,将处理数据与外部RAM进行数据交换,以配合核心算法处理;
(4)将相位估计结果实时输出到驱动和显示模块。
本发明将所提出的“基于RAT和FRFT能量重心插值估计”的核心估计算法植入DSP器件内,基于此完成高精度、高速、高效的LFM信号参数估计。需指出,由于采用了数字化的估计方法,因而决定图4系统的复杂度、实时程度和稳定度的主要因素并不是图4中的DSP器件的外围连接,而是DSP内部程序存储器所存储的核心估计算法。DSP器件的内部程序流程如图5所示。
为了从数值上说明本发明所提出的LFM信号参数估计方法的有效性,构造一个单分量LFM信号,参数选取:幅度a0=1,中心频率f0=10.725Hz,调频率μ0=1.858Hz/s,采样点数N=501,采样频率fs=1000Hz。在10dB高斯白噪声环境中,分别考察传统扫描方法和本发明方法的调频率和中心频率的估计精度。图6为该观测信号的模糊函数。相应的信号RAT谱和能量最聚集域的FRFT谱如图7、图8所示。
按照前文所述步骤对该信号的参数进行估计,重复进行100次Monte Carlo仿真,统计结果如表1所示。
表1单分量情况的仿真结果
另外构造一个由两个LFM分量组成的复合信号,参数选取:幅度a0=1.5,a1=1;中心频率f0=6.352Hz,f1=12.885Hz;调频率μ0=2.145Hz/s,μ1=1.293Hz/s;采样点数N=501,采样频率fs=1000Hz。在10dB高斯白噪声环境中,分别考察传统扫描方法和本发明方法的调频率和中心频率的估计精度。按照前文所述步骤对该复合信号的参数进行估计,重复进行100次Monte Carlo仿真,统计结果如表2所示。
表2多分量情况的仿真结果
表1实验数据表明,在单分量情况下,特别是在真实谱峰位置未对准扫描步长的整数倍位置时,本文方法的估计精度远优于传统方法,对信号的RAT和FRFT谱峰位置(μ0和u0)的估计误差分别达到了扫描步长的1.55%和4.94%;对于两个分量的情况,由于分量之间的交叉项干扰,使得估计精度略有下降,但本文方法仍然优于传统的扫描方法。
图3流程中各处理阶段所涉及的具体硬件资源耗费情况,分别作如下阐述:
(1)对输入信号x(t)进行采样而得到离散数据x(n)
这里对采样频率fs值并不需要作严格限制,不要求信号频率为频率分辨率(由采样值fs除以信号长度N而决定)的整数倍。另外,对采样器的转换精度也没有提出过高要求,选用常用的字长数大于8bit以上的采样器即可。事实上,一般DSP器件所配备的最低的A/D转换精度就很高(如TMS320LF2407与TMS320F2812内部自带的A/D转换器为10bit的转换精度),因而这足以保证本发明的算法在硬件实现时具有足够高的参数估计精度。
(2)内部数据的存储
可把LFM信号参数估计的程序存放在DSP器件的程序存储器内。由上面的描述可知,本发明提出的估计算法需要N个输入数据进行存储处理。需指出的是,通过能量重心插值措施,在不增加采样频率和样点个数的前提下保证了很高的参数估计精度;反过来考虑,这意味着在同样的估计精度的前提下,本发明提出的方法所需的样点数比传统方法要少得多。通过上面的仿真实验可知,该算法在采样点数N=501时,已经具有了很高的估计精度,就算以16位的采样精度进行采样,在每个数据占用2个字节(2Bytes)的存储空间,这意味着仅需1002个字节(不到1kBytes)的内部RAM空间就可获得很高的估计精度,这对通用DSP芯片的内部RAM来说(如TMS320c2407的内部RAM为5kBytes,TMS320c2812的内部RAM为20kBytes,TMS320c5407的内部RAM为40kBytes,TMS320c6x的内部RAM为256kBytes),足以存下这些数据;另外,该算法的主要处理是在谱生成和谱峰搜索环节,而在处理过程中,无需开辟新的数据存储空间进行算法处理。
(3)算法程序调用
而就算法程序本身而言,包括以下部分:①数据预处理过程;②RAT变换处理过程;③RAT谱峰的搜索和校正过程;④FRFT变换处理过程;⑤FRFT谱峰的搜索和校正过程。共5个步骤组成,程序简单。另外,在RAT变换的数据运算时,利用了模糊函数和分数阶相关的关系来对运算过程进行简化,即采用FRFT以及Fourier变换的运算来实现RAT变换的运算,而FRFT和Fourier变换具有快速算法,运算复杂度仅为O(NlgN)。对取得的谱线做峰值搜索时,只需记录其序号即可,然后取峰值谱线两旁的能量较为集中的几根谱线参与校正,这部分的运算复杂度很小,可以忽略。总而言之,整个LFM信号参数估计程序非常简单,无需外部扩展程序存储器进行程序调用。
(4)计算结果输出
在由DSP硬件计算得到LFM信号的调频率和中心频率的估计值后,直接可通过DSP的输出总线输出至外部显示驱动设备进行数码显示。
需指出,由于采用了DSP实现,使得整个参数估计操作变得更为灵活,可根据信号所包含的各种分量的具体情况,通过编程灵活改变算法的内部参数设置,如谱分析的阶数N、参与校正的谱线个数等。
参考文献:
[1]L.科恩.时频分析:理论与应用,白居宪译,西安:西安交通大学出版社。
[2]B.Boashash.Estimating and Interpreting the Instantaneous Frequency of a Signal.Part 2:Algorithms and Application,Proceeding of the IEEE,80(4),1992:540-568。
[3]B.Boashash,G.Jones,P.O.Shea.Instantaneous Frequency of Signals:Concepts,Estimation Techniques and Applications.Proc.of SPIE,vol.1152,1989:382-400。
[4]B.Boashash,P.O.Shea,M.Arnold.Algorithms for Instantaneous Frequency Estimation:AComparative Study.Proc.of SPIE,vol.1348,1990。
[5]B.Ferguson.A ground-based narrow-band passive acoustic technique for estimating thealtitude and speed of a propeller-driven aircraft.Journal of the Acoustical Society of America,92(3),1992:1403-1407。
[6]D.L.Snyder.A State Space Approach to Analog Communication System.Cambridge,MA:MIT Press。
[7]L.Griffiths.Rapid Measurement of Digital Instantaneous Frequency.IEEE Trans.on ASSP,23(2),1975:207-222。
[8]S.Haykin.Adaptive Filter Theory.Englwood Cliffs,NJ:Prentice Hall,1991 2nded。
[9]T.A.C.M.Classen,W.F.G.Mecklenbrauker.The Wigner Distribution.Part II.PhilipsJournal of Research,Vol.35,1980:276-300。
[10]L.B.White,B.Boashash.Estimating the Instantaneous Frequency of a Gaussian RandomProcess.IEEE Trans.on ASSP,Vol.36,1988:1518-1521。
[11]A.M.Haimovich,et al.SAR Imagery of Moving targets:Application of Time-FrequencyDistributions for Estimating Motion Parameters.Proc.1994 SPIE′s International Symposium onAerospace and Sensing,1994,Vol.2238:238-247。
[12]B.Boashash.Representation of temps-frequency.Ph.D Thesis,Univ.Grenoble,France,1982。
[13]Rao,F.Taylor.Estimation of Instantaneous Frequency Using the Discrete WignerDistribution.Electron.Lett,26(4),1990:246-248。
[14]B.Boashash,P.O.Shea.Time-varying High Order Spectra.Proc.SPIE,Conf.AdvancedAlgorithms and Architectures of Signal Processing VI,1991。
[15]S.Barbarossa,V.Petrone.Analysis of Polynomial-Phase Signals by the IntegratedGeneralized Ambiguity Function.IEEE Trans.on SP,1997,45(2):316-327。
[16]S.Peleg,B.Porat.Estimation and Classification of Polynomial-Phase Signal.IEEE Trans.on Info.Theory,37(3),1991:422-430。
[17]H.Choi,W.J.Williams.Improved Time-frequency Representation of MulticomponentSignals Using Exponential Kernels.IEEE Trans.on SP,1988,37(6):862-871。
[18]S.Barbarossa.Analysis of Multicomponent LFM Signals by a Combined Wigner-HoughTransform.IEEE Trans.on SP,1995,43(6):1511-1515。
[19]田孝华,廖桂生,吴云韬.LFM脉冲雷达回波Doppler与多径时延的联合估计.电子学报,2002,30(6):857-860。
[20]T.J.Abatzoglou.Fast maximum likelihood joint estimation of frequency and frequencyrate.IEEE Trans.on AES,1986,22(6):708-715。
[21]R.Kuaresen,S.Verma.On Estimating the Parameters of Chirp Using Rank ReductionTechniques.Proc.21st Asilomar Conference on Signal,Systems and Computers,1987:555-558。
[22]陶然,邓兵,王越.分数阶傅里叶变换及其应用[M].北京:清华大学出版社,2009.9。
[23]L.B.Almeida.The fractional Fourier transform and time-frequency representations[J].IEEE Trans on SP,1994,42(11):3084~3091。
[24]H.M.Ozaktas,Orhan Arikan.Digital Computation of the Fractional Fourier Transform[J]IEEE Trans on SP,1996,44(9):2141~2150。
[25]齐林,陶然,周思永,王越.基于分数阶Fourier变换的多分量LFM信号的检测和参数估计[J].中国科学(E辑),2003,33(8):749~759。
[26]Akay O.Fractional convolution and correlation via operator methods and an application todetection of linear FM signals[J].IEEE Trans on SP,2001,49(5):979-993。
[27]Qi Lin,Tao Ran,Zhou Siyong,et al.Detection and parameter estimation ofmulticomponent LFM signal based on the fractional Fourier transform[J].Science in China,Ser.F,2004,47(2):184-198。
[28]丁康,江利旗.离散频谱的能量重心校正法[J].振动工程学报,2001,14(3):354~359。