CN108462509B - 基于时频图信息的异步跳频网台分选方法 - Google Patents

基于时频图信息的异步跳频网台分选方法 Download PDF

Info

Publication number
CN108462509B
CN108462509B CN201810250298.XA CN201810250298A CN108462509B CN 108462509 B CN108462509 B CN 108462509B CN 201810250298 A CN201810250298 A CN 201810250298A CN 108462509 B CN108462509 B CN 108462509B
Authority
CN
China
Prior art keywords
frequency
time
signal
frequency hopping
hopping
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810250298.XA
Other languages
English (en)
Other versions
CN108462509A (zh
Inventor
司江勃
陈雨浩
李赞
齐佩汉
关磊
乔涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Electronic Science and Technology
Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd
Original Assignee
Xian University of Electronic Science and Technology
Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Electronic Science and Technology, Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd filed Critical Xian University of Electronic Science and Technology
Priority to CN201810250298.XA priority Critical patent/CN108462509B/zh
Publication of CN108462509A publication Critical patent/CN108462509A/zh
Application granted granted Critical
Publication of CN108462509B publication Critical patent/CN108462509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H04B1/713—Spread spectrum techniques using frequency hopping
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H04B1/713—Spread spectrum techniques using frequency hopping
    • H04B1/715—Interference-related aspects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提出了一种基于信号时频图信息的异步跳频网台分选方法，用于解决现有技术中存在的分选算法计算复杂度较高的问题，实现步骤为：构建接收信号模型；获取接收信号模型的二值化时频图；获取跳频信号的时频图像；提取跳频信号的时频图像的频率骨架图；获取跳频网台频率集。本发明通过时频图信息结合信号的不同时域特性，避免了分选过程中的冗余参数提取，减少了计算复杂度从而提高了分选效率，在提高分选效率的同时，避免了频率碰撞对分选算法的影响，可用于异步跳频电台分选的工程实现中。

Description

基于时频图信息的异步跳频网台分选方法
技术领域
本发明属于通讯技术领域，涉及一种异步跳频网台分选方法，具体涉及一种基于信号时频图信息的异步跳频网台分选方法，可以用于对异步跳频网台的分选。
背景技术
跳频通信作为一种有效的抗干扰通信手段已被现代军事通信系统广泛采用，作为非合作通信的第三方，要对跳频通信实施侦察和对抗，最重要的前提就是能够正确的进行跳频网台分选，其中异步跳频网台组网方式因其便捷的组网形式，更快的组网速度和组网难度，使得异步组网更为常见。由于实际的作战环境非常复杂，有时同时存在多个定频信号、多个跳频电台信号，且工作的频率范围又可能重合，从而增加了异步跳频网台分选的难度。
现有的异步跳频网台分选算法包括基于最大信噪比算法的分选算法、基于跳频特征聚类的分选算法和基于跳频信号时频特性的分选算法等。其中基于信号时频特性的分选算法通过对跳频信号进行时频变换，依据不同跳频电台信号时频特性的差异来实现不同电台的分选过程，这种方式由于通过分析时频特性，保证了其分选算法的实时性，但面对日益复杂的电磁环境，会导致分选过程提取到冗余的信号参数，增加了分选算法的计算复杂度。
郭海召在“跳频信号的检测、参数估计与分选算法研究[D].成都：电子科技大学，2016，1-7”中提出了一种基于时频分布的异步跳频网台分选方法。通过谱图变换和非相干积累的联合处理，识别时频图中的跳频信号，并结合多重差分联合的方法估计出载频频率，并根据载频频率与时间形成的时频图进行异步跳频电台的分选得到每个跳频电台的频率集合。这种算法通过时频图分析的方式让信号分选变得有实时性，但需要进行跳频信号的识别，以及估计跳时、跳周期和驻留时间等步骤，计算复杂度较高，导致分选效率较低。
发明内容
本发明的目的是在于克服上述现有技术中存在的缺陷，提出了一种基于时频图信息的异步跳频网台分选方法，通过区分各信号时域特性分离跳频信号和干扰信号，并在提取跳频信号的频率骨架图的基础上进行分选，避免了多余参数的提取，减少了现有分选算法的计算复杂度。
为实现上述目的，本发明采取的技术方案包括以下步骤：
(1)构建接收信号模型：
对多个单跳频信号模型进行叠加，得到包括多跳频信号、定频干扰信号和突发干扰信号的接收信号模型；
(2)获取接收信号模型的二值化时频图：
(2a)对接收信号模型中的多跳频信号、定频干扰信号和突发干扰信号进行短时傅里叶变换，得到时频矩阵；
(2b)沿时频矩阵中时域轴和频域轴构成的平面，对时频矩阵进行截断，得到接收信号模型的二值化时频图；
(3)获取跳频信号的时频图像：
(3a)计算判断信号类型的门限值λ：
计算二值化时频图BW1(t,f)中每一行信号的持续时间并取其中的最大持续时间为判断信号类型的门限值λ，其中t为时间变量，f为频率变量；
(3b)剔除二值化时频图中的干扰信号：
将二值化时频图BW1(t,f)中信号的持续时间满足的信号判定为突发干扰信号，信号持续时间满足的信号判定为定频干扰信号，并将定频干扰信号和突发干扰信号置0，得到跳频信号的时频图像，其中和β为预先设置的阈值，且0.5≤β≤1；
(4)提取跳频信号的时频图像的频率骨架图BW2(t,fm)：
(4a)计算跳频信号的时频图像中每个跳频信号的带宽，并通过每个跳频信号的带宽，计算每个跳频信号的中心频率fm；
(4b)将跳频信号的时频图像中每个跳频信号除中心频率fm以外的其它频率的值置0，得到跳频信号的时频图像的频率骨架图BW2(t,fm)；
(5)获取跳频网台频率集：
(5a)缓存跳频信号的时频图像的频率骨架图BW2(t,fm)中的t和fm：
按照跳频信号的时频图像的频率骨架图BW2(t,fm)中时间轴上的t由小到大的顺序，将BW2(t,fm)中的t和fm存入预先设置的缓存向量framei＝[ti,fi]中，其中ti为BW2(t,fm)中时间轴的时间刻度，fi为ti对应的中心频率集合，i为时间顺序标号，i＝1,2,3...,N，N为观测总时长；
(5b)获取存储向量freqi并初始化：
设置数量与中心频率集合f1中中心频率个数相同的储存向量freqi，并将中心频率集合f1中的每个中心频率存入不同的存储向量freqi中；
(5c)对存储向量freqi进行更新：
按照缓存向量framei＝[ti,fi]中i由小到大的顺序，依次比较缓存向量framei＝[ti,fi]中相邻的中心频率集合fi，若相邻的中心频率集合fi中的中心频率个数没有变化且出现新的中心频率，则将新的中心频率存入对应的存储向量中，若相邻的中心频率集合fi中的中心频率个数增加，则设置与中心频率增加的个数相同数量的存储向量，并将每个新增加的中心频率存入新设置的不同存储向量中，并将得到的存储向量集作为跳频网台频率集。
本发明与现有技术相比，具有以下优点：
1.本发明由于在获取跳频信号的时频图像时，是通过时频图信息，并结合跳频信号、定频干扰信号和突发信号干扰在时频图中的时域特性，对跳频信号和干扰信号进行分离实现的，避免了现有技术中通过D重差分生成信号峰值图并统计峰值个数分离跳频信号和干扰信号导致的计算复杂度高的缺陷，与现有技术相比，有效地提高了异步跳频网台分选的效率。
2.本发明中在获取跳频网台频率集时，所使用的时频图，是通过计算跳频信号的带宽，计算中心频率的方式，提取了跳频信号的频率骨架图，相比现有技术通过估计跳周期、跳变时刻和跳频载频频率的方式构造时频图的方式，避免了分选的跳周期和跳变时刻估计，在提高分选效率的同时，避免了频率碰撞对分选算法正确率的影响，与现有技术相比提高了异步跳频网台分选的效率和正确率。
附图说明
图1是本发明的实现流程图；
具体实施方式
以下结合附图和具体实施例，对本发明进一步详细描述。
参照图1，一种基于时频图信息的异步跳频网台分选方法，包括以下步骤：
步骤1)构建接收信号模型：
对多个单跳频信号模型进行叠加，得到包括多跳频信号、定频干扰信号和突发干扰信号的接收信号模型，其中接收信号模型的表达式为：
其中，s(t)为接收信号，t为时间变量，T为观测时间，且0≤t≤T，Am为跳频信号幅度， 为跳频周期，为跳频起跳时间，fk是跳变频率，N是跳变频率个数，M＝3是异步跳频电台个数，Ji(t)为定频干扰信号和突发干扰信号，n(t)为高斯白噪声；
其中，在本实施例中的观测时间为10ms，跳频周期1ms，跳频起跳时间为0ms，跳变频率随机生成，跳变频率个数为10个，异步跳频电台个数为3个，定频干扰信号参数为QPSK调制且载频频率为2.56MHz，突发干扰信号载频频率为1MHz；
步骤2)获取接收信号模型的二值化时频图：
步骤2a)对接收信号模型中的多跳频信号、定频干扰信号和突发干扰信号进行短时傅里叶变换，得到时频矩阵，其表达式为：
其中，STFTs(t,f)是接收信号模型中接收信号s(t)的短时傅里叶变换，t是时间变量，f是频率变量，h(t)是窗函数，在本实施例中窗函数为256点的高斯窗；
步骤2b)沿时频矩阵中时域轴和频域轴构成的平面，对时频矩阵进行截断，得到接收信号模型的二值化时频图，该时频图相对于时频矩阵上能量轴的位置，具体表示为：
其中，μBW1(x,y)为二值化时频图的能量值，STFTs(t,f)为时频矩阵的能量值，γ为截断阈值，其中，在本实施例中γ＝max[STFTs(t,f)]/5，该阈值设置过小可能会导致不能去除噪声的效果不好，过大会导致跳频信息丢失，所以根据实际情况进行调整；
步骤3)获取跳频信号的时频图像：
步骤3a)计算判断信号类型的门限值λ：
计算二值化时频图BW1(t,f)中每一行信号的持续时间并取其中的最大持续时间为判断信号类型的门限值λ，其中t为时间变量，f为频率变量，其中，本实施例的门限值λ取10ms；
步骤3b)剔除二值化时频图中的干扰信号：
将二值化时频图BW1(t,f)中持续时间满足的信号判定为突发干扰信号，持续时间满足的信号判定为定频干扰信号，并将定频干扰信号和突发干扰信号置0，得到跳频信号的时频图像，其中，本实施例中的取值为0.2，β取值为0.5；
步骤4)提取跳频信号的时频图像的频率骨架图BW2(t,fm)：
步骤4a)计算跳频信号的时频图像中每个跳频信号的带宽，并通过每个跳频信号的带宽，计算每个跳频信号的中心频率fm；
步骤4b)将跳频信号的时频图像中每个跳频信号除中心频率fm以外的其它频率的值置0，得到跳频信号的时频图像的频率骨架图BW2(t,fm)，其中带宽范围的中心点值是每个时刻调频信号的中心值，该骨架图提取基于图像处理中图像骨架化的思想，剔除了冗余的频率信息，而且避免了相邻频率的跳频信号，因带宽过大而造成的频率碰撞问题；
步骤5)获取跳频网台频率集：
步骤5a)缓存跳频信号的时频图像的频率骨架图BW2(t,fm)中的t和fm：
按照跳频信号的时频图像的频率骨架图BW2(t,fm)中时间轴上的t由小到大的顺序，将BW2(t,fm)中的t和fm存入预先设置的缓存向量framei＝[ti,fi]中，其中ti为BW2(t,fm)中时间轴的时间刻度，fi为ti对应的中心频率集合，i为时间顺序标号，i＝1,2,3...,10；
步骤5b)获取存储向量freqi并初始化：
设置数量与中心频率集合f1中中心频率个数相同的储存向量freqi，并将中心频率集合f1中的每个中心频率存入不同的存储向量freqi中，其中，本实施例中的中心频率集合f1中心频率个数为3个，则设置3个储存向量freqi；
步骤5c)对存储向量freqi进行更新：
按照缓存向量framei＝[ti,fi]中i由1到10的顺序，依次比较缓存向量framei＝[ti,fi]中相邻的中心频率集合fi，若相邻的中心频率集合fi中的中心频率个数没有变化且出现新的中心频率，则将新的中心频率存入对应的存储向量中，若相邻的中心频率集合fi中的中心频率个数增加，则设置与中心频率增加的个数相同数量的存储向量，并将每个新增加的中心频率存入新设置的不同存储向量中，并将得到的存储向量集作为跳频网台频率集，分选过程中频率值比较有一定的误差范围，将一定误差范围内相等的值视为相等的频率值，表1为获得的3个跳频网台频率集合。
表1
f<sub>1</sub> f<sub>2</sub> f<sub>3</sub>
441 520.5 1033
1149.5 1288.5 1574.5
796.5 987 1455
90.5 187.5 981
315 530 1162.5
200 274 970
441 978 1724.5
273 436 720
132.5 571 1242.5
675.5 749 993
以下通过仿真实验，对本发明的技术效果作进一步说明:
1仿真条件和内容：
本发明的仿真实验是在CPU为IntelCore(TM)i5、主频3.20GHz，内存为4G的WINDOWS 7系统上用MATLAB 2015a软件进行。本发明通过仿真实施例中构造的信号模型，来比较两种分选方式用时情况。表2为采用本发明和现有技术中基于时频分布的异步跳频网台分选算法的用时情况。
表2
方法 用时(ms)
本发明 320
基于时频分布的异步跳频网台分选 384
2仿真结果分析：
由表2可以看出，由于避免多余参数提取，直接根据时频图信息进行异步跳频网台分选节省了1/5左右的分选时间，提高了分选算法的效率。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其他各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (4)

1.一种基于时频图信息的异步跳频网台分选方法，其特征在于，包括以下步骤：
(1)构建接收信号模型：
对多个单跳频信号模型进行叠加，得到包括多跳频信号、定频干扰信号和突发干扰信号的接收信号模型；
(2)获取接收信号模型的二值化时频图：
(2a)对接收信号模型中的多跳频信号、定频干扰信号和突发干扰信号进行短时傅里叶变换，得到时频矩阵；
(2b)沿时频矩阵中时域轴和频域轴构成的平面，对时频矩阵进行截断，得到接收信号模型的二值化时频图；
(3)获取跳频信号的时频图像：
(3a)计算判断信号类型的门限值λ：
计算二值化时频图BW1(t,f)中每一行信号的持续时间并取其中的最大持续时间为判断信号类型的门限值λ，其中t为时间变量，f为频率变量；
(3b)剔除二值化时频图中的干扰信号：
将二值化时频图BW1(t,f)中信号的持续时间满足的信号判定为突发干扰信号，信号的持续时间满足的信号判定为定频干扰信号，并将定频干扰信号和突发干扰信号置0，得到跳频信号的时频图像，其中和β为预先设置的阈值，且0.5≤β≤1；
(4)提取跳频信号的时频图像的频率骨架图BW2(t,fm)：
(4a)计算跳频信号的时频图像中每个跳频信号的带宽，并通过每个跳频信号的带宽，计算每个跳频信号的中心频率fm；
(4b)将跳频信号的时频图像中每个跳频信号除中心频率fm以外的其它频率的值置0，得到跳频信号的时频图像的频率骨架图BW2(t,fm)；
(5)获取跳频网台频率集：
(5a)缓存跳频信号的时频图像的频率骨架图BW2(t,fm)中的t和fm：
按照跳频信号的时频图像的频率骨架图BW2(t,fm)中时间轴上的t由小到大的顺序，将BW2(t,fm)中的t和fm存入预先设置的缓存向量framei＝[ti,fi]中，其中ti为BW2(t,fm)中时间轴的时间刻度，fi为ti对应的中心频率集合，i为时间顺序标号，i＝1,2,3...,N，N为观测总时长；
(5b)获取存储向量freqi并初始化：
设置数量与中心频率集合f1中中心频率个数相同的储存向量freqi，并将中心频率集合f1中的每个中心频率存入不同的存储向量freqi中；
(5c)对存储向量freqi进行更新：
按照缓存向量framei＝[ti,fi]中i由小到大的顺序，依次比较缓存向量framei＝[ti,fi]中相邻的中心频率集合fi，若相邻的中心频率集合fi中的中心频率个数没有变化且出现新的中心频率，则将新的中心频率存入对应的存储向量中，若相邻的中心频率集合fi中的中心频率个数增加，则设置与中心频率增加的个数相同数量的存储向量，并将每个新增加的中心频率存入新设置的不同存储向量中，并将得到的存储向量集作为跳频网台频率集。
2.根据权利要求1所述的基于时频图信息的异步跳频网台分选方法，其特征在于，步骤(1)中所述的接收信号模型，其表达式为：
其中，s(t)为接收信号，t为时间变量，T为观测时间，且0≤t≤T，Am为跳频信号幅度， 为跳频周期，为跳频起跳时间，fk是跳变频率，N是跳变频率个数，M是异步跳频电台个数，Ji(t)为定频干扰信号和突发干扰信号，n(t)为高斯白噪声。
3.根据权利要求1所述的基于时频图信息的异步跳频网台分选方法，其特征在于，步骤(2a)中所述的短时傅里叶变换表达式为：
其中，STFTs(t,f)是接收信号模型中的接收信号s(t)的短时傅里叶变换，t是时间变量，f是频率变量，h(t)是窗函数。
4.根据权利要求3所述的基于时频图信息的异步跳频网台分选方法，其特征在于，步骤(2b)中所述的接收信号模型的二值化时频图，其相对于时频矩阵上能量轴的位置，具体表示为：
其中，为二值化时频图的能量值，STFTs(t,f)为时频矩阵的能量值，γ为截断阈值。
CN201810250298.XA 2018-03-26 2018-03-26 基于时频图信息的异步跳频网台分选方法 Active CN108462509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810250298.XA CN108462509B (zh) 2018-03-26 2018-03-26 基于时频图信息的异步跳频网台分选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810250298.XA CN108462509B (zh) 2018-03-26 2018-03-26 基于时频图信息的异步跳频网台分选方法

Publications (2)

Publication Number Publication Date
CN108462509A CN108462509A (zh) 2018-08-28
CN108462509B true CN108462509B (zh) 2019-10-11

Family

ID=63237820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810250298.XA Active CN108462509B (zh) 2018-03-26 2018-03-26 基于时频图信息的异步跳频网台分选方法

Country Status (1)

Country Link
CN (1) CN108462509B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109462422B (zh) * 2018-11-15 2021-06-18 同方电子科技有限公司 一种实现超短波跳频信号跟踪干扰的系统和方法
CN110336585A (zh) * 2019-04-17 2019-10-15 四川大学 一种基于mwc的跳频信号参数估计方法
CN110334591B (zh) * 2019-05-24 2022-07-15 西华大学 一种基于聚类分析的无人机跳频信号检测及识别方法
CN110401502B (zh) * 2019-06-17 2022-02-11 同方电子科技有限公司 基于时频碰撞原理的网台分选方法
CN111600629B (zh) * 2020-05-12 2021-07-06 中国电子科技集团公司第五十四研究所 一种基于改进的CluStream框架的网台分选方法
CN111600631B (zh) * 2020-05-12 2021-07-06 中国电子科技集团公司第五十四研究所 一种到达时间重叠的两网台信号分选方法
CN112350745B (zh) * 2020-11-27 2022-03-29 中国人民解放军空军通信士官学校 一种跳频通信电台的分选方法
CN113452408B (zh) * 2021-04-30 2022-07-22 郑州大学 一种网台跳频信号分选方法
CN115085761B (zh) * 2022-07-19 2022-11-04 成都华日通讯技术股份有限公司 基于跳频描述字的异步跳频网台分选方法
CN115314075B (zh) * 2022-07-20 2023-10-03 电信科学技术第五研究所有限公司 一种在复杂多辐射源电磁环境下的跳频信号参数计算方法
CN115567163A (zh) * 2022-09-29 2023-01-03 安徽乾栋智能科技有限公司 一种跳频信号盲检测方法、系统及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003008476A (ja) * 2001-06-25 2003-01-10 Canon Inc 画像形成装置
CN106685478A (zh) * 2016-12-19 2017-05-17 电子科技大学 基于信号时频图像信息提取的跳频信号参数估计方法
CN107273860A (zh) * 2017-06-20 2017-10-20 电子科技大学 基于连通区域标记的跳频信号动态聚类提取方法
CN107528611A (zh) * 2017-08-29 2017-12-29 电子科技大学 奇数个用户l‑g模型同步正交跳频电台分选方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7079812B2 (en) * 2002-05-16 2006-07-18 Cognio, Inc. Systems and methods for interference mitigation with respect to periodic interferers in short-range wireless applications

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003008476A (ja) * 2001-06-25 2003-01-10 Canon Inc 画像形成装置
CN106685478A (zh) * 2016-12-19 2017-05-17 电子科技大学 基于信号时频图像信息提取的跳频信号参数估计方法
CN107273860A (zh) * 2017-06-20 2017-10-20 电子科技大学 基于连通区域标记的跳频信号动态聚类提取方法
CN107528611A (zh) * 2017-08-29 2017-12-29 电子科技大学 奇数个用户l‑g模型同步正交跳频电台分选方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《一种基于高精度参数估计的跳频网台分选方法》;陈美良等;《通信对抗》;20170615;第36卷(第02期);第7-11、25页 *
《基于形态学处理的短波跳频信号宽带时频检测算法》;贾宏雷，江桦;《信息工程大学学报》;20130415;第14卷(第02期);第173-179页 *

Also Published As

Publication number Publication date
CN108462509A (zh) 2018-08-28

Similar Documents

Publication Publication Date Title
CN108462509B (zh) 基于时频图信息的异步跳频网台分选方法
CN102624468B (zh) 基于双fft的宽带自动检测方法
CN104038454B (zh) 一种Alpha稳定分布噪声下PSK信号的载波频率估计方法
CN105469785B (zh) 通信终端双麦克风消噪系统中的语音活动检测方法及装置
Hwang et al. Sinusoidal modeling and prediction of fast fading processes
CN103780462B (zh) 基于高阶累积量和谱特征的卫星通信信号调制识别方法
CN102664657B (zh) 一种自适应中值门限频域抗干扰方法
CN105429719B (zh) 基于功率谱和多尺度小波变换分析强干扰信号检测方法
CN107347210A (zh) 一种基于信道状态信息的精确目标定位方法
CN108512797A (zh) 一种基于正交频分复用的雷达通信一体化信号设计方法
CN106936742A (zh) 基于神经网络的多档码速率自适应解调系统及方法
CN108390678A (zh) 一种基于两级自适应门限判决的频域去干扰方法及装置
CN107870316B (zh) 一种基于时差计算的tdoa定位方法、装置及系统
CN103529436A (zh) 基于hht的无接触生命探测中呼吸和心跳信号的分离及时频分析方法
CN105158740A (zh) 基于高精度频率估计的噪声调幅干扰抑制方法
CN108280395A (zh) 一种对低小慢无人机飞控信号的高效识别方法
CN100521670C (zh) 一种多进制频移键控信号的检测和分析方法
CN102263601A (zh) 一种宽带多信号检测方法
CN105791194A (zh) 一种可抗窄带干扰的同步方法及其系统
CN101594166B (zh) 短距离无线网络中消除信号中干扰的方法和装置
CN104092634A (zh) 联合doa估计与主波束成型的测距仪脉冲干扰抑制方法
CN104468436A (zh) 一种通信信号小波域盲源分离抗干扰方法及装置
CN106879068A (zh) 一种强多径环境下信号的到达时间估计方法
CN109255874B (zh) 一种基于普通商用WiFi设备的通行及人数检测方法
CN104158777A (zh) 联合正交投影与循环波束成型的测距仪脉冲干扰抑制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant