CN102510363A - 一种强干扰源环境下的lfm信号检测方法 - Google Patents

Abstract

一种强干扰源环境下的LFM信号检测方法，属于信号处理技术领域。它采用以下步骤：首先采用阵列接收时域复数盲分离技术，将接收到的多分量信号及各种干扰源信号进行时域分离，分解成多路时域接收信号，然后分别对每路时域接收信号进行信号与干扰的判别，根据电子侦察接收机的宽带接收体制，及频谱密度函数的二阶中心矩所代表的信号频谱宽度特性，选择出宽带高斯噪声干扰源信号，通过云模型特征向量提取与信号频谱序列相似度判别，选择出同频窄带干扰源信号，最后对剩余的各路时域分离信号分别通过Wigner-Hough变换进行多分量LFM信号的检测与参数估计。它能够有效提取多分量信号中的各分量线性调频信号并进行精确的参数估计。

Description

一种强干扰源环境下的LFM信号检测方法

技术领域：

本发明涉及信号处理技术领域，尤其涉及一种强干扰源环境下的LFM信号检测方法。

背景技术：

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。线性调频雷达信号作为一种最成熟的低截获概率雷达信号，目前在各种体制的雷达中十分广泛地使用着。线性调频信号是通过非线性相位调制获得的大时宽带宽积的脉冲压缩信号。采用脉冲压缩技术后，雷达的峰值发射功率得到显著的降低，并有可能低于截获接收机的灵敏度，从而实现低截获的目的。随着数字信号处理技术的发展，在采用数字接收的情况下，如何在低信噪比下快速地检测出信号，并估计出信号参数具有重要的现实意义。

在已有的研究线性调频信号检测与参数估计的方法中，最大似然(ML)估计能够给出线性调频信号参数的精确估计，但需要进行二维搜索，存储和计算量都很大，而且只能在较高的信噪比下才能可靠地工作，并且在多分量信号存在情况下线性调频信号的检测会受到很大影响。近年来，随着时频分析方法研究的不断深入，基于各种时频分析工具的多分量LFM信号的检测与参数估计技术不断出现，如基于短时Fourier变换(STFT)和小波变换(WT)的参数估计算法，但STFT窄的观察窗和WT宽度变化的时间窗影响了时频域的分辨率；还有基于Wigner-Ville分布(WVD)的信号检测和参数估计方法，在非线性的时频分布中，WVD对LFM信号具有很好的时频聚集性，非常适合于对LFM信号的处理，但是，由于其变换过程的非线性，在利用这类方法处理多分量信号时，必然会受到交叉项的困扰，虽然可通过选择合适的核函数来抑制交叉项，但同时也降低了信号的时频聚集性；基于WVD-hough变换(WHT)及基于分数阶Fourier变换(FRFT)的LFM信号检测与参数估计方法，可以使交叉项干扰得到进一步的抑制，但依然不能彻底消除上述典型时频分析方法中交叉项干扰的存在，在强干扰源环境下特别是在强窄带干扰(信干比＜-20dB)和强宽带高斯噪声干扰源(信噪比＜-20dB)同时存在情况下，上述现有方法还无法对多分量LFM信号进行有效检测。从窄带干扰抑制的角度分析，抑制窄带干扰目前大致有两种处理方式，一种是基于时域预测的窄带干扰抑制，其依据某种最优准则预测干扰，然后从接收信号中将其减掉，来达到抑制窄带干扰的目的，但这种处理方式通常需要知道干扰的先验知识，且在非平稳的干扰信号存在情况下，抑制性能较低；另一种是基于变换域的窄带干扰抑制，其通过在变换域将阈值较大的频谱分量去掉，即在信号中剔除干扰所占频段的信号，常用的方法有：离散傅立叶变换(DFT)、离散余弦变换(DCT)、重叠变换(LT)、S变换(ST)、小波包变换(WPT)等，但这些抑制方法在抑制窄带干扰的同时，也将同频率的信号成份去除，损失了信号的能量，带来了信噪比的损失，从而影响了信号参数估计的准确性。

发明内容：

本发明的目的是提供一种强干扰源环境下的LFM信号检测方法，它能有效解决强同频窄带干扰和强宽带高斯噪声干扰对参数估计的影响，消除了现代多分量时频分析方法中普遍存在的交叉项干扰问题，能够有效提取多分量信号中的各分量线性调频信号并进行精确的参数估计。

为了解决背景技术所存在的问题，本发明采用以下技术方案：它采用以下步骤：首先采用阵列接收时域复数盲分离技术，将接收到的多分量信号及各种干扰源信号进行时域分离，分解成多路时域接收信号，然后分别对每路时域接收信号进行信号与干扰的判别，根据电子侦察接收机的宽带接收体制，及频谱密度函数的二阶中心矩所代表的信号频谱宽度特性，通过归一化频谱密度函数的二阶中心矩计算，选择出宽带高斯噪声干扰源信号，通过云模型特征向量提取与信号频谱序列相似度判别，选择出同频窄带干扰源信号，最后对剩余的各路时域分离信号分别通过Wigner-Hough变换(WHT)进行多分量LFM信号的检测与参数估计。

本发明通过时域分离将接收信号分解为多路，然后对每一路分别进行处理，有效抑制了传统的基于WVD类时频分析方法检测多分量线性调频信号时受交叉项困扰的问题；通过基于频谱密度二阶中心矩处理方法进行LFM信号与宽带覆盖式干扰源噪声的带宽的比较，抑制了强宽带高斯噪声干扰源对传统时频分析检测方法的影响；同时结合频谱序列云模型特征向量提取，通过与基准线性调频信号特征向量相似度比较，消除了强同频窄带干扰对LFM信号检测的影响。

附图说明：

图1本发明基于复数盲分离联合云模型的多分量线性调频信号检测方法的处理示意框图

图2为本发明基于复数盲分离联合云模型的多分量线性调频信号检测方法的算法流程框图；

图3为本发明实施例中所使用的强干扰源与二分量LFM混合信号(信干噪比为-30dB)的传统WHT检测效果图；

图4为本发明实施例中所使用的强干扰源与二分量LFM混合信号经复数FastICA分离后的结果图；

图5本发明方法分离出的各分量LFM信号及同频窄带干扰信号的频谱序列图

图6-7为本发明实施例中用本发明基于复数盲分离联合云模型的多分量线性调频信号检测方法进行多分量LFM信号检测的效果图。

具体实施方式：

本具体实施方式采用以下技术方案：参照图1-2，本具体实施方式采用以下技术方案：它采用以下步骤：首先采用阵列接收时域复数盲分离技术，将接收到的多分量信号及各种干扰源信号进行时域分离，分解成多路时域接收信号，然后分别对每路时域接收信号进行信号与干扰的判别，根据电子侦察接收机的宽带接收体制，及频谱密度函数的二阶中心矩所代表的信号频谱宽度特性，通过归一化频谱密度函数的二阶中心矩计算，选择出宽带高斯噪声干扰源信号，通过云模型特征向量提取与信号频谱序列相似度判别，选择出同频窄带干扰源信号，最后对剩余的各路时域分离信号分别通过Wigner-Hough变换(WHT)进行多分量LFM信号的检测与参数估计。

本具体实施方式假设电子侦察信号环境中雷达辐射源数n小于等于多通道接收系统的观测信号数m(m≥n)、各雷达辐射源相互统计独立、干扰源信号分别为强宽带高斯噪声和强同频窄带干扰，其混合信号模型可表示如下：

$x\left(t\right)=\underset{i=0}{\overset{k-1}{\mathrm{\Σ}}}{A}_i{e}^{j2\mathrm{\π}(f_{i}t+({\mathrm{\μ}}_i{t}^2/2))}+J\left(t\right)+n\left(t\right),$ -Δt/2≤t≤Δt/2(1)

式中：A_i、f_i、μ_i(i＝0，…，k-1)分别表示各分量辐射源信号的幅度、中心频率、调频斜率；J(t)为同频窄带干扰；n(t)为零均值、方差为σ²的高斯白噪声。

本方法采用多通道宽带接收体制对多分量雷达辐射源信号进行检测，采用盲信号处理技术中的复数FastICA算法，对上述多分量雷达信号进行时域分离预处理。

采用的含噪声干扰源独立分量分析的线性模型可表示如下：

$x_i\left(t\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{s}_j\left(t\right)$ (i＝1，2，…，m)(2)

式中s_j(j＝1，…，k，k+1，…，n)为各分量信号(其中包括n-k路线性调频信号和k路噪声干扰源信号)，x_i(i＝1，…，m)为各接收通道的观测信号。

用复数信号矩阵形式来表示，即

$X=A\left(\begin{array}{c}S\\ n\end{array}\right)---\left(3\right)$

这里，s为n-1个独立源复数信号矢量s＝(s₁，s₂，...，s_n-k)其中包括n-k个LFM分量信号和k-1个窄带干扰源信号，n为零均值高斯白噪声干扰源信号，x是m个观测随机复数信号矢量x＝(x₁，x₂，...，x_m)，A是m×n维复数混合矩阵，并且A列满秩。

基于复数FastICA的多分量LFM时域分离技术主要步骤如下：一是对经过多通道阵列接收的多分量LFM与噪声混合信号x进行白化处理，白化处理可去除各选取信号间的相关性；二是独立分量的提取，主要通过衡量所提取信号的最大非高斯性达到分离目的。

对多分量LFM信号与噪声的混合信号x进行中心化，将观测信号x减去其均值E{x}，即

使均值为0。利用中心化后的观测矩阵

的协方差矩阵

进行特征分解，获得协方差矩阵R_x的特征矢量矩阵U和以特征值为对角元素的对角矩阵D，则观测数据的线性白化矩阵为：

Q＝D^-1/2U^T    (4)

经过中心化的观测数据

通过白化矩阵Q，得到零均值矢量

有E{XX^H}＝I。

采用峭度来衡量所分离信号的非高斯性。对于一个复随机变量y(这里y是经过白化预处理的，其实部、虚部不相关且方差相等)，峭度定义如下：

kurt(y)＝E{|y|⁴}-2(E{|y|²})²-|E{y²}|²

＝E{|y|⁴}-2         (5)

根据中心极限定理，如果我们得到的观测信号趋近于高斯变量，则其峭度值比源信号更接近零。如果可以找到一个矩阵W，使得Y＝W^HX的各个分量的峭度值距离零最远，那么就可以认为Y是对源信号s的估计。

选用合适的非线性函数G(y)来代替y使得算法的鲁棒性更好，则分离矩阵的期望函数为：

J_G(W)＝E{G(|Y|²)}＝E{G(|W^HX|²)}   (6)

选用的非线性函数G为：

G(y)＝log(a+y)                    (7)

这里，取a≈0.1。

复数信号的FastICA就是寻找函数E{G(|w^Hx|²)}的极值。假设寻找的分离矩阵为w，随机地选择一个初始分离向量w，则分离向量的固定点算法如下：

w⁺＝E{x(w^Hx)^*g(|w^Hx|²)}-E{g(|w^Hx|²)

+|w^Hx|²g′(|w^Hx|²)}w             (8)

$w_{\mathrm{new}}=\frac{w^{+}}{\left|\right|w^{+}\left|\right|}---\left(9\right)$

(8)式中非线性函数是G(y)的导数。判断w_new是否收敛(收敛意味着新值w_new和旧值w指向同一方向，即它们的点积为常数)。如果不收敛，则将(9)式中得到的w_new替代(8)式中的w，直至w_new收敛。当仅需要计算出一个独立分量时，则该分量就为W^Hx。当存在多个独立分量时，为了防止重复分离同一个信号，需要对产生的分离向量进行施密特正交判断。假设存在p个独立分量信号，通过上面的计算方法算出第一个独立分量的分离向量设其为w_i，在计算第p个分离向量时，对于每一次迭代运算产生的w_new，进行如下操作：

$w_{\mathrm{pnew}}=w_p-\underset{j=1}{\overset{p-1}{\mathrm{\Σ}}}{w}_j{w}_j^H{w}_{\mathrm{pnew}}---\left(10\right)$

$w_{\mathrm{pnew}}=\frac{w_{\mathrm{pnew}}}{\left|\right|w_{\mathrm{pnew}}\left|\right|}---\left(11\right)$

其中(10)式中w_j(j＝1，...，p-1)表示前p-1个分离向量，w_pnew表示第p个分离向量的新值。

最后判断w_pnew是否收敛。如果不收敛，则将(11)式中得到的w_pnew替代式(8)中的w和式(10)中的w_p，直至w_pnew收敛，从而获得第p个分离向量。为了同时估计所有的独立分量，也可以使用式(12)进行对称去相关^[7]。

W＝W(W^HW)^-1/2        (12)

其中W＝(w₁，...，w_n)是矢量矩阵。

通过矢量矩阵w可以计算出分离信号y₁，y₂，…，y_n，从而完成将多分量LFM及噪声干扰源混合信号的时域分离过程。

在满足m≥n的条件下，能够找到一个线性变换矩阵W，使得观测信号x经过变换后得到的新信号矢量Y的各个分量之间尽可能的独立，即

Y＝W^HX    (13)

式中，Y就是时域分离矢量信号，即为源信号矢量s的估计值。

在信号分析与信号处理中，信号的频率中心及频带宽度说明了信号在频域的中心位置以及在频域的扩展情况。对于经上述预处理得到的信号y(t)，它是能量有限信号，其能量表示为

$E={\left|\right|y\left(t\right)\left|\right|}^2=\&Integral;{\left|y\left(t\right)\right|}^2\mathrm{dt}=\frac{1}{2\mathrm{\&pi;}}\&Integral;{\left|Y\left(\mathrm{j\&Omega;}\right)\right|}^2\mathrm{d\&Omega;}<\&infin;---\left(14\right)$

式(14)中，||·||表示范数Y(jΩ)是y(t)的傅里叶变换。这样，归一化函数|y(t)|²/E及|Y(jΩ)|²/E可看作是信号y(t)在时域和频域的密度函数。利用上述密度函数，引入概率中矩的概念可对信号y(t)的特征进行描述。引入频域一阶矩可得到y(t)的“频率均值”表示为

$\mathrm{\&mu;}\left(\mathrm{\&Omega;}\right)=\frac{1}{2\mathrm{\&pi;E}}\&Integral;\mathrm{\&Omega;}{\left|Y\left(\mathrm{j\&Omega;}\right)\right|}^2\mathrm{d\&Omega;}={\mathrm{\&Omega;}}_0---\left(15\right)$

式中，Ω₀为信号y(t)的频域中心，y(t)的傅里叶变换Y(jΩ)通过快速傅里叶变换(FFT)算法实现。

信号的频率宽度反映了Y(jΩ)围绕Ω₀的扩展程度，由概率论的知识，频率宽度应被定义为密度函数的二阶中心矩，即

${\mathrm{\&Omega;}}_0=\frac{1}{E}{\&Integral;}_{-\&infin;}^{\&infin;}\mathrm{\&Omega;}{\left|Y\left(\mathrm{j\&Omega;}\right)\right|}^2\mathrm{d\&Omega;}---\left(16\right)$

${\mathrm{\&Delta;}}_{\mathrm{\&Omega;}}^2=\frac{4\mathrm{\&pi;}}{E}{\&Integral;}_{-\&infin;}^{\&infin;}{(\mathrm{\&Omega;}-{\mathrm{\&Omega;}}_0)}^2{\left|Y\left(\mathrm{j\&Omega;}\right)\right|}^2\mathrm{d\&Omega;}---\left(17\right)$

$E={\&Integral;}_{-\&infin;}^{\&infin;}{\left|y\left(t\right)\right|}^2\mathrm{dt},$ B＝2Δ_Ω            (18)

式(17)为方差的标准定义。通常定义2Δ_Ω为信号带宽。

由于电子侦察采用的是宽带接收体制，在强宽带噪声干扰源存在的情况下宽带接收机接收的多分量信号中宽带干扰源噪声的带宽要远大于各分量调频信号的带宽。基于此，本发明方法通过预处理将多分量LFM与噪声干扰源混合信号进行时域分离，并对分离信号y₁，y₂，…，y_n分别进行归一化频率密度函数的二阶中心矩处理，求得分离信号的频带宽度信息表示B，通过B值对分离信号中噪声干扰源信号与各分量信号进行判别，并将判别出的宽带高斯噪声源信号从时域分离信号集中去除。

设U是一个用精确数值表示的定量论域，C是U上的定性概念。若定量值x∈U，且x是定性概念C的一次随机实现，x对C的确定度μ(x)(∈[0，1])是有稳定倾向的随机数，则x在论域U上的分布称为云(Cloud)，每一个x称为一个云滴。

云模型是一种定性定量不确定性转换模型，它将模糊集理论中的模糊性和概率理论中的随机性有机地结合起来，通过期望Ex，熵En，超熵He三个数字特征来整体表征一个概念。

期望Ex反映了云滴群的重心位置，是最能够代表定性概念的云滴，它属于这个定性概念的确定度为1，可以表示对象的本质特征；熵En是概念模糊度和随机性的综合度量，反映了在论域空间可被概念接受的云滴的取值范围，熵越大可被接受的云滴的取值范围越广，它可以表示对象的动态特征；超熵He是熵的不确定性度量，表示该概念所对应的云的厚度，超熵越大，云滴的离散度越大，云的厚度越厚。

本发明对上述去除宽带噪声处理后的各分量信号进行快速傅立叶变换(FFT)求得各分量信号的频谱；通过对频谱的重采样，求得各分量信号的频谱序列；然后对各频谱序列进行云模型数字特征的提取，构成云模型特征向量；最后利用各云模型特征向量与基准LFM信号频谱序列云模型特征向量之间的夹角余弦表示相似度度量，通过上述相似度的度量值来判别LFM信号与同频窄带干扰源信号。具体步骤如下：

步骤1：对各分量信号频谱进行重采样获得各分量信号的频谱序列(x₁，x₂，…，x_n)；

步骤2：假设(x₁，x₂，…，x_n)(n表示云滴数)是一个定性概念下的所有云滴，利用逆向云算法计算频谱序列云模型的三个数字特征(Ex，En，He)：

(1)根据x_i(1≤i≤n)计算这组数据的均值 $\stackrel{\&OverBar;}{X}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i,$ 方差 $S^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_i-\stackrel{\&OverBar;}{X})}^2;$

(2) $\mathrm{Ex}=\stackrel{\&OverBar;}{X};$

(3) $\mathrm{He}=\sqrt{\frac{\mathrm{\&pi;}}{2}}\&times;\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}|x_i-\mathrm{Ex}|;$

(4) $\mathrm{En}=\sqrt{S^2-\frac{1}{3}{\mathrm{He}}^2}.$

步骤3：计算相似度，每个分量的频谱序列可以构成一个云，由两个云i，j的数字特征组成向量

和

它们之间的余弦夹角定义为云i和j之间的相似度，其计算公式如下：

其中， ${\stackrel{\&RightArrow;}{V}}_i=({\mathrm{Ex}}_i,{\mathrm{En}}_i,{\mathrm{He}}_i),$ ${\stackrel{\&RightArrow;}{V}}_j=({\mathrm{Ex}}_j,{\mathrm{En}}_j,{\mathrm{He}}_j).$

步骤4：设归一化线性调频信号(初始频率0、终止频率0.5)的频谱序列构成基准云j，将各分量归一化频谱序列构成的云i与基准云j的相似度计算结果sim(i，j)与0.5进行比较，相似度sim(i，j)＜0.5判为窄带干扰，并从分量信号集中去除。

通过频谱序列空间中表征各分量信号的云滴分布的相似性来区分LFM信号与窄带干扰信号，可以消除同频强窄带干扰信号的强功率对LFM信号检测的影响。

通过上述宽带高斯噪声源与窄带干扰源判别处理技术得到分离后的各分量信号y₁(t)，y₂(t)，…y_n(t)，这些时域分离信号y_i(t)，(i＝1，2…，n)分别做WHT变换，可以对各分量线性调频信号进行识别与参数估计。

预处理后得到的时域分离信号y_i(t)的Wigner-Ville分布为

$W_{\mathrm{yi}}(t,f)={\&Integral;}_{-\&infin;}^{\&infin;}{y}_i(t+\frac{\mathrm{\&tau;}}{2})y_i^{*}(t-\frac{\mathrm{\&tau;}}{2})e^{-j2\mathrm{\&pi;\&tau;f}}\mathrm{d\&tau;}$ i＝1，2，…n    (19)

将Wigner-Ville分布时频分析与基于Hough变换的图像检测技术相结合形成Wigner-Hough变换，有限能量LFM解析信号y_i(t)的Wigner-Hough变换表示为：

${\mathrm{WH}}_{\mathrm{yi}}(f,\mathrm{\&mu;})={\&Integral;}_{-\&infin;}^{\&infin;}{\&Integral;}_{-\&infin;}^{\&infin;}{y}_i(t+\frac{\mathrm{\&tau;}}{2})\&times;y_i^{*}(t-\frac{\mathrm{\&tau;}}{2})\exp [-j2\mathrm{\&pi;}(f+\mathrm{\&mu;t})\mathrm{\&tau;}]\mathrm{dtd\&tau;}---\left(20\right)$

式中：f为线性调频信号的初始频率；μ为调频斜率。

若预处理后的时域分离信号y_i(t)，(i＝1，2…，n)是初始频率为f₀、调频斜率为μ₀的LFM信号，则在WHT平面的(f₀，μ₀)处积分值最大，并形成尖峰。偏离(f₀，μ₀)时，积分值迅速减小。通过求(f，μ)平面上最大峰值对应的坐标值即可得到(f₀，μ₀)，Wigner-Hough变换对单LFM信号具有良好的聚集性。

将式(20)转化为极坐标形式，则表达式为：

${\mathrm{WH}}_{\mathrm{yi}}(f,g)={\&Integral;}_{-\&infin;}^{+\&infin;}{\&Integral;}_{-\&infin;}^{+\&infin;}{y}_i(t+\frac{\mathrm{\&tau;}}{2})\&times;y_i^{*}(t-\frac{\mathrm{\&tau;}}{2})\exp (-j2\mathrm{\&pi;}\frac{1}{\sin \mathrm{\&theta;}}(\mathrm{\&rho;}-t\cos \mathrm{\&theta;})\mathrm{\&tau;}]\mathrm{dtd\&tau;}$

$={\&Integral;}_{-\&infin;}^{+\&infin;}{W}_{\mathrm{yi}}(t,\frac{1}{\sin \mathrm{\&theta;}}(\mathrm{\&rho;}-t\cos \mathrm{\&theta;}))\mathrm{dt}$ θ∈(0，π)            (21)

通过WHT平面中尖峰的位置，找到对应的参数，可以实现对线性调频信号的参数估计。频率单元长度为L的Wigner-Ville分布在时间轴上的时间分辨单位为ΔT，在频率轴上的频率分辨单元为Δf，且

$\mathrm{\&Delta;f}=\frac{1}{2\mathrm{L\&Delta;T}}---\left(22\right)$

则在二维极坐标WHT平面上必有一最大值，该最大值点出现在(ρ₀，θ₀)处。

若在f轴上有K_f个采样点，则在t轴上必有K_t个采样点，满足

因此调频斜率μ₀、初始频率f₀与(ρ₀，θ₀)的关系为：

${\mathrm{\&mu;}}_0=\frac{K_f\mathrm{\&Delta;f}}{K_t\mathrm{\&Delta;T}}=\tan {\mathrm{\&theta;}}_0\frac{\mathrm{\&Delta;f}}{\mathrm{\&Delta;T}}---\left(23\right)$

$f_0=(\frac{L}{2}-\frac{N}{2}\tan {\mathrm{\&theta;}}_0+\frac{{\mathrm{\&rho;}}_0}{\cos {\mathrm{\&theta;}}_0})\mathrm{\&Delta;f}---\left(24\right)$

式中N为时间单元长度。

由式(23)和(24)可以计算出调频斜率μ₀与初始频率f₀，从而完成LFM信号的参数估计。

本具体实施方式通过时域分离将接收信号分解为多路，然后对每一路分别进行处理，有效抑制了传统的基于WVD类时频分析方法检测多分量线性调频信号时受交叉项困扰的问题；通过基于频谱密度二阶中心矩处理方法进行LFM信号与宽带覆盖式干扰源噪声的带宽的比较，抑制了强宽带高斯噪声干扰源对传统的时频分析检测方法的影响；同时结合频谱序列云模型特征向量提取，通过与基准线性调频信号特征向量相似度比较，消除了强同频窄带干扰对LFM信号检测的影响。

实施例：为了验证本发明方法的有效性，选取一组二分量LFM与宽带高斯噪声干扰源及强同频窄带干扰混合信号进行测试，各分量信号的参数设置为：

信号1：LFM信号，起始频率为10MHz，调频带宽为20MHz，终止频率为30MHz，采样频率为200MHz，脉宽为10us，幅值系数为1，采样点数N＝1000；

信号2：LFM信号，起始频率为40MHz，调频带宽为20MHz，终止频率为20MHz，采样频率为200MHz，脉宽为10us，幅值系数为0.5，采样点数N＝1000；

信号3：宽带高斯噪声干扰源，带宽为100MHz；

信号4：同频窄带干扰源信号，中心频率＝28MHz，带宽＝0.5MHz。

其中，弱分量LFM信号2与高斯噪声干扰源的信噪比为-30dB，弱分量LFM信号2与同频窄带干扰源的信干比为-30dB。采用本发明方法与传统的WHT检测方法进行比较，仿真结果如图2-6所示：

由图3可以看出，在噪声干扰源存在情况下(信干噪比为-30dB)，利用传统WHT方法检测，时频图中强窄带干扰源、各分量LFM信号及噪声的时频峰同时存在，已无法分辨各分量LFM信号的时频峰，信号被噪声所淹没，可能会造成LFM信号与噪声干扰源的误判。

由图4看出我们可以通过复数FastICA算法将各分量信号及噪声干扰源信号分离。由于盲分离处理输出信号次序的不确定性，分离后哪路是LFM信号，哪路是干扰源噪声无法自动区分。我们采用基于频谱密度二阶中心矩的信号与噪声判别处理方法进行LFM信号与宽带高斯噪声的判别，分别得到各分量信号的归一化带宽表示B为：B1＝0.9972，B2＝0.2118，B3＝0.0323，B4＝0.2142，通过B值的比较可以对宽带噪声干扰源进行判别并将其滤除。再将剩余三路信号进行如图5所示的信号频谱序列提取，通过云模型特征向量与基准LFM信号进行频谱序列相似度计算sim1＝0.9619，sim2＝0.9594，sim3＝0.4924，通过相似度大小的比较将相似度较小(sim＜0.5)的强同频窄带干扰源信号从分量信号集中去除。

由图6-7可以看出，在信干噪比为-30dB时，混合信号经过本发明的方法后可以使信号的能量分布图受噪声的影响减小，混合信号中的各分量LFM信号的时频峰明显突现。

由仿真结果可见，本发明通过时域分离将接收信号分解为多路，然后对每一路分别进行处理，有效抑制了传统的基于WVD类时频分析方法检测多分量线性调频信号时受交叉项困扰的问题；通过基于频谱密度二阶中心矩处理方法进行LFM信号与宽带覆盖式干扰源噪声的带宽的比较，抑制了强宽带高斯噪声干扰源对传统的时频分析检测方法的影响；同时，结合频谱序列云模型特征向量提取，通过与基准线性调频信号特征向量相似度比较，消除了强同频窄带干扰对LFM信号检测的影响。

运用本发明方法对LFM信号进行参数估计，估计的结果与传统WHT方法的检测结果进行比较，如表1所示：

表1本发明方法与传统方法检测结果的比较

由表1所示的检测结果可以看出，在噪声干扰源存在情况下(信干噪比为-30dB)，本发明方法能对信号的参数进行准确估计，第一个信号初始频率f₁₀的相对估计误差为0.85％，调频斜率μ₁₀的相对估计误差为0.5％，第二个信号初始频率f₂₀的相对估计误差为0.8％，调频斜率μ₂₀的相对估计误差为0.38％。

表1的结果也可以看出，由于在传统的WHT时频分布图中各分量LFM信号已完全被干扰源噪声淹没，因此已不能对信号参数进行正确估计。

Claims (5)

1.一种强干扰源环境下的LFM信号检测方法，其特征在于它采用以下步骤：首先采用阵列接收时域复数盲分离技术，将接收到的多分量信号及各种干扰源信号进行时域分离，分解成多路时域接收信号，然后分别对每路时域接收信号进行信号与干扰的判别，根据电子侦察接收机的宽带接收体制，及频谱密度函数的二阶中心矩所代表的信号频谱宽度特性，通过归一化频谱密度函数的二阶中心矩计算，选择出宽带高斯噪声干扰源信号，通过云模型特征向量提取与信号频谱序列相似度判别，选择出同频窄带干扰源信号，最后对剩余的各路时域分离信号分别通过Wigner-Hough变换进行多分量LFM信号的检测与参数估计。

2.根据权利要求1所述的一种强干扰源环境下的LFM信号检测方法，其特征在于所述的基于复数FastICA的多分量LFM时域分离技术主要步骤为：一是对经过多通道阵列接收的多分量LFM与噪声干扰源混合信号x进行白化处理，白化处理可去除各选取信号间的相关性；二是独立分量的提取，主要通过衡量所提取信号的最大非高斯性达到分离目的。

3.根据权利要求1所述的一种强干扰源环境下的LFM信号检测方法，其特征在于由于电子侦察采用的是宽带接收体制，在强宽带高斯噪声干扰源存在的情况下宽带接收机接收的多分量信号中宽带干扰源噪声的带宽要远大于各分量调频信号的带宽，通过预处理将多分量LFM与噪声干扰源混合信号进行时域分离，并对分离信号y₁，y₂，…，y_n分别进行归一化频谱密度函数的二阶中心矩处理，调用公式 ${\mathrm{\&Omega;}}_0=\frac{1}{E}{\&Integral;}_{-\&infin;}^{\&infin;}\mathrm{\&Omega;}{\left|Y\left(\mathrm{j\&Omega;}\right)\right|}^2\mathrm{d\&Omega;},$ $E={\&Integral;}_{-\&infin;}^{\&infin;}{\left|y\left(t\right)\right|}^2\mathrm{dt},$ ${\mathrm{\&Delta;}}_{\mathrm{\&Omega;}}^2=\frac{4\mathrm{\&pi;}}{E}{\&Integral;}_{-\&infin;}^{\&infin;}{(\mathrm{\&Omega;}-{\mathrm{\&Omega;}}_0)}^2{\left|Y\left(\mathrm{j\&Omega;}\right)\right|}^2\mathrm{d\&Omega;},$ B＝2Δ_Ω，求得分离信号的频带宽度信息表示B，通过B值对分离信号中宽带高斯噪声源信号与各分量信号进行判别。

4.根据权利要求1所述的一种强干扰源环境下的LFM信号检测方法，其特征在于对去除宽带高斯噪声处理后的各分量信号进行快速傅立叶变换(FFT)求得各分量信号的频谱；通过对频谱的重采样，求得各分量信号的频谱序列；对各频谱序列进行云模型数字特征的提取，构成云模型特征向量；利用各云模型特征向量与基准LFM信号频谱序列云模型特征向量之间的夹角余弦表示相似度度量，通过上述相似度的度量值来判别LFM信号与同频窄带干扰源信号。

5.根据权利要求1所述的一种强干扰源环境下的LFM信号检测方法，其特征在于通过宽带高斯噪声源与同频窄带干扰源判别处理技术，将判别出的宽带高斯噪声源信号从时域分离信号集中去除，将判别出的同频窄带干扰源信号从时域分离信号集中去除，再将得到的时域分离各分量信号y₁(t)，y₂(t)，…，y_n(t)分别单独进行WHT变换，从而完成对多分量线性调频信号的检测与参数估计。

Images