CN109343059B - 一种正交非线性调频信号生成方法及装置 - Google Patents
一种正交非线性调频信号生成方法及装置 Download PDFInfo
- Publication number
- CN109343059B CN109343059B CN201811291772.XA CN201811291772A CN109343059B CN 109343059 B CN109343059 B CN 109343059B CN 201811291772 A CN201811291772 A CN 201811291772A CN 109343059 B CN109343059 B CN 109343059B
- Authority
- CN
- China
- Prior art keywords
- signal
- time
- nlfm
- frequency
- nlfm signal
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例公开了一种正交非线性调频信号生成方法及装置,该方法包括:基于分段线性函数,构建非线性调频NLFM信号的时域函数;根据时域函数、以及NLFM信号的自相关性能和互相关性能,确定第一信号优化模型和第二信号优化模型,第一信号优化模型为窄主瓣宽度、低旁瓣高度的优化模型,第二信号优化模型为窄主瓣宽度、低旁瓣高度以及低互相关的优化模型;获取初始NLFM信号;利用增广拉格朗日遗传算法、第一信号优化模型和时域函数,对初始NLFM信号进行优化,得到第一最优正交NLFM信号;利用增广拉格朗日遗传算法、第一最优正交NLFM信号、第二信号优化模型和时域函数,对初始NLFM信号进行优化,得到第二最优正交NLFM信号。
Description
技术领域
本发明涉及雷达发射信号设计及优化技术,尤其涉及一种正交非线性调频(Non-linear frequency modulation,NLFM)信号生成方法及装置。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)的应用越来越广泛,SAR通过向目标场景发送连续的无线电脉冲,然后接收并处理每个脉冲的回波信号,获得大面积高分辨率雷达图像,但是雷达图像的方位模糊与距离模糊是一对相互制约的技术指标,很难同时兼顾,因此,星载SAR在使用时,为了在不增加方位模糊的情况下抑制距离模糊,一般采用交替发射正交信号的方式,相较于其他信号是降低了目标图像的模糊程度,但是传统的正交信号(例如,正负调频信号)的互相关能量只是被打散到整个时域,当星载SAR的目标图像是分布式图像时,互相关能量会被积累起来,也就是说导致距离模糊的互相关能量并没有降低,这些问题都会影响星载SAR获得模糊程度低的目标图像;而目前的正交信号设计方法主要是针对NLFM信号的自相关性能进行优化,生成自相关性能好的信号,都没有关注信号的正交性能,综上所述,如何在保证自相关性能的前提下,设计出属于同频带且正交性能好的信号是亟待解决的问题。
发明内容
本发明的主要目的在于提出一种正交非线性调频信号生成方法及装置,旨在实现保证两个属于同频带的信号中每个信号的自相关性能的前提下,提高这两个信号的互相关性能,即提高这两个信号的正交性能。
本发明的技术方案是这样实现的:
本发明实施例提供一种正交非线性调频信号生成方法,所述方法包括:
基于分段线性函数,构建NLFM信号的时域函数;
根据所述时域函数、以及所述NLFM信号的自相关性能和互相关性能,确定第一信号优化模型和第二信号优化模型,所述第一信号优化模型为窄主瓣宽度、低旁瓣高度的优化模型,所述第二信号优化模型为窄主瓣宽度、低旁瓣高度以及低互相关的优化模型;
获取初始NLFM信号;
利用增广拉格朗日遗传算法、所述第一信号优化模型和所述时域函数,对所述初始NLFM信号进行优化,得到第一最优正交NLFM信号;
利用所述增广拉格朗日遗传算法、所述第一最优正交NLFM信号、所述第二信号优化模型和所述时域函数,对所述初始NLFM信号进行优化,得到第二最优正交NLFM信号。
在上述方案中,所述基于分段线性函数,构建非线性调频NLFM信号的时域函数,包括:
基于所述分段线性函数对所述NLFM信号对应的时频信息进行函数表示,得到所述NLFM信号的时频函数;
根据所述时频函数和所述NLFM信号对应的幅度,构建所述时域函数。
在上述方案中,所述基于所述分段线性函数对所述NLFM信号对应的时频信息进行函数表示,得到所述NLFM信号的时频函数;根据所述时频函数和所述NLFM信号对应的幅度,构建所述时域函数,包括:
将所述NLFM信号的时频关系坐标定义为(t,f),所述NLFM信号的脉冲宽度为T对应于所述时频关系坐标的时间坐标t,所述NLFM信号的带宽为B对应于所述时频关系坐标的频率坐标f,在所述时频关系坐标中将所述脉冲宽度和所述带宽分为2n+2段线性函数,2n+3个时间分段点均匀分布,包括所述2n+3个时间分段点的向量ts为:其中,时间分段点T1i为:时间分段点T2i为: 在所述时频关系坐标中定义2n个频率控制点,包括所述2n个频率控制点的控制点向量Bc为:Bc=[B2n,…,B21,B11,…,B1n],则根据所述2n+3个时间分段点和所述2n个频率分段点,得到所述NLFM信号的时频函数f(t)为:
根据所述时频函数和所述NLFM信号的幅度A,构建所述时域函数g(t)为:
其中,j为虚数单位。
在上述方案中,所述根据所述时域函数、以及所述NLFM信号的自相关性能和互相关性能,确定第一信号优化模型和第二信号优化模型,包括:
根据所述时域函数和所述自相关性能,确定所述第一信号优化模型;
根据所述时域函数、以及所述自相关性能和所述互相关性能,确定所述第二信号优化模型。
在上述方案中,所述根据所述时域函数和所述自相关性能,确定所述第一信号优化模型,包括:
根据所述自相关性能,确定第一性能参数,所述第一性能参数包括峰值旁瓣比和3dB主瓣宽度;
根据所述第一性能参数,确定所述第一信号优化模型。
在上述方案中,所述根据所述时域函数、以及所述自相关性能和所述互相关性能,确定所述第二信号优化模型,包括:
根据所述自相关性能和所述互相关性能,确定第二性能参数,所述第二性能参数包括峰值旁瓣比、3dB主瓣宽度和互相关能量;
根据所述第二性能参数,确定所述第二信号优化模型。
在上述方案中,所述利用增广拉格朗日遗传算法、所述第一信号优化模型和所述时域函数,对所述初始NLFM信号进行优化,得到第一最优正交NLFM信号,包括:
根据所述初始NLFM信号中每个NLFM信号对应的一组频率控制点,确定初始染色体组;
当预设的优化停止条件包括所述增广拉格朗日遗传算法收敛、且所述初始染色体组能够使所述增广拉格朗日遗传算法收敛时,从所述初始染色体组中确定出第一最优染色体;
当所述预设的优化停止条件不包括所述增广拉格朗日遗传算法收敛、或所述初始染色体不能使所述增广拉格朗日遗传算法收敛时,利用所述增广拉格朗日遗传算法和所述第一信号优化模型,确定染色体与适应度的第一关系模型,并根据所述增广拉格朗日遗传算法、所述第一关系模型和所述第一信号优化模型,对所述初始染色体组进行迭代优化,得到第一最优染色体;
将所述第一最优染色体代入所述时域函数,得到所述第一最优正交NLFM信号。
在上述方案中,所述根据所述增广拉格朗日遗传算法、所述第一关系模型和所述第一信号优化模型,对所述初始染色体组进行迭代优化,得到第一最优染色体,包括:
根据所述第一关系模型,得到所述初始染色体组中每个染色体的适应度;
根据所述初始染色体组中每个染色体的适应度,利用所述增广拉格朗日遗传算法对所述初始染色体组中所有染色体进行交叉变异,得到第一变异后的染色体组;
根据所述增广拉格朗日遗传算法和所述第一关系模型,对所述第一变异后的染色体组进行迭代优化,直到满足所述预设的优化停止条件,并从所述第一变异后的染色体组中确定出所述第一最优染色体。
在上述方案中,所述利用增广拉格朗日遗传算法、所述第一最优正交NLFM信号、所述第二信号优化模型和所述时域函数,对所述初始NLFM信号进行优化,得到第二最优正交NLFM信号,包括:
根据所述初始NLFM信号中每个NLFM信号对应的一组频率控制点,确定初始染色体组;
当预设的优化停止条件包括所述增广拉格朗日遗传算法收敛、且所述初始染色体组能够使所述增广拉格朗日遗传算法收敛时,从所述初始染色体组中确定出第二最优染色体;
当所述预设的优化停止条件不包括所述增广拉格朗日遗传算法收敛、或所述初始染色体不能使所述增广拉格朗日遗传算法收敛时,利用所述增广拉格朗日遗传算法、所述第一最优正交NLFM信号和所述第二信号优化模型,确定染色体与适应度的第二关系模型,并根据所述增广拉格朗日遗传算法、所述第一最优正交NLFM信号、所述第二关系模型和所述第二信号优化模型,对所述初始染色体组进行迭代优化,得到第二最优染色体;
将所述第二最优染色体代入所述时域函数,得到所述第二最优正交NLFM信号。
在上述方案中,所述根据所述增广拉格朗日遗传算法、所述第一最优正交NLFM信号和所述第二关系模型,对所述初始染色体组进行迭代优化,得到第二最优染色体,包括:
根据所述第一最优正交NLFM信号和所述第二关系模型,得到所述初始染色体组中每个染色体的适应度;
根据所述初始染色体组中每个染色体的适应度,利用所述增广拉格朗日遗传算法对所述初始染色体组中所有染色体进行交叉变异,得到第二变异后的染色体组;
根据所述增广拉格朗日遗传算法、所述第一最优正交NLFM信号和所述第二关系模型,对所述第二变异后的染色体组进行迭代优化,直到满足所述预设的优化停止条件,并从所述第二变异后的染色体组中确定出所述第二最优染色体。
在上述方案中,在所述得到第二最优正交NLFM信号之后,所述方法还包括:
获取包括所述第一最优正交NLFM信号的初始NLFM信号;
利用所述增广拉格朗日遗传算法、所述第二最优正交NLFM信号、所述第二信号优化模型和所述时域函数,对所述包括所述第一最优正交NLFM信号的初始NLFM信号进行优化,得到更新后的第一最优正交NLFM信号。
在上述方案中,在所述得到第一最优正交NLFM信号和第二最优正交NLFM信号之后,所述方法还包括:
向目标区域交替发射所述第一最优正交NLFM信号和所述第二最优正交NLFM信号,从而获得所述目标区域的空间位置。
本发明实施例提供了一种正交非线性调频信号生成装置,所述装置包括:
构建单元,用于基于分段线性函数,构建NLFM信号的时域函数;
第一确定单元,用于根据所述时域函数、以及所述NLFM信号的自相关性能和互相关性能,确定第一信号优化模型和第二信号优化模型,所述第一信号优化模型为窄主瓣宽度、低旁瓣高度的优化模型,所述第二信号优化模型为窄主瓣宽度、低旁瓣高度以及低互相关的优化模型;
获取单元,用于获取初始NLFM信号;
优化单元,用于利用增广拉格朗日遗传算法、所述第一信号优化模型和所述时域函数,对所述初始NLFM信号进行优化,得到第一最优正交NLFM信号;利用所述增广拉格朗日遗传算法、所述第一最优正交NLFM信号、所述第二信号优化模型和所述时域函数,对所述初始NLFM信号进行优化,得到第二最优正交NLFM信号。
本发明实施例提供了一种正交非线性调频信号生成装置,所述装置包括:处理器、存储器和通信总线,所述存储器通过所述通信总线与所述处理器进行通信,所述存储器存储所述处理器可执行的一个或者多个程序,当所述一个或者多个程序被执行时,通过所述处理器执行上述任意一种正交非线性调频信号生成方法的步骤。
本发明实施例提供了一种正交非线性调频信号生成方法及装置,基于分段线性函数,构建NLFM信号的时域函数;根据所述时域函数、以及所述NLFM信号的自相关性能和互相关性能,确定第一信号优化模型和第二信号优化模型,所述第一信号优化模型为窄主瓣宽度、低旁瓣高度的优化模型,所述第二信号优化模型为窄主瓣宽度、低旁瓣高度以及低互相关的优化模型;获取初始NLFM信号;利用增广拉格朗日遗传算法、所述第一信号优化模型和所述时域函数,对所述初始NLFM信号进行优化,得到第一最优正交NLFM信号;利用所述增广拉格朗日遗传算法、所述第一最优正交NLFM信号、所述第二信号优化模型和所述时域函数,对所述初始NLFM信号进行优化,得到第二最优正交NLFM信号。如此,基于初始NLFM得到的第一、第二最优正交NLFM信号是属于同频带的,并使用针对自相关性能的第一信号优化模型,对初始NLFM信号进行优化,能够获得自相关性能被优化的第一最优正交NLFM信号,再使用针对互相关性能和自相关性能的第二信号优化模型、以及利用第一最优正交NLFM信号,对初始NLFM信号进行优化,得到与第一最优正交NLFM信号的互相关性能被优化的、且自相关性能也被优化的第二最优正交NLFM信号。
附图说明
图1为本发明实施例提供的一种正交非线性调频信号生成方法实现流程图;
图2为本发明实施例提供的一种示例性的时频关系模型示意图;
图3(a)为本发明实施例提供的一种示例性的第一最优正交NLFM信号与LFM信号1的频谱对比图;
图3(b)为本发明实施例提供的一种示例性的第二最优正交NLFM信号与LFM信号2的频谱对比图;
图4为本发明实施例提供的一种示例性的第一最优正交NLFM信号和第二最优正交NLFM信号的自相关函数示意图;
图5为本发明实施例提供的一种正交非线性调频信号生成装置的结构示意图一;
图6为本发明实施例提供的一种正交非线性调频信号生成装置的结构示意图二。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
实施例一
本发明实施例提供一种正交非线性调频信号生成方法,如图1所示,该方法包括:
S101:基于分段线性函数,构建NLFM信号的时域函数。
在本发明实施例中,为了获得可用作雷达发射信号的、属于同频带的且正交性能好的两个信号,考虑到NLFM信号是一种连续信号,可用于雷达的分布式场景,NLFM信号还具有时频关系可调的特点,通过调节两个NLFM信号的时频关系,改变每个NLFM信号的功率谱,每个NLFM信号的能量被分配到整个频带内,从而使得两个NLFM信号互相滤波后的互相关能量,相较于其他信号的互相关能量较低,并且两个NLFM信号具有属于同频带的特点,因此,对NLFM信号进行信号处理。
示例性地,将NLFM信号的时频关系坐标定义为(t,f),NLFM信号的脉冲宽度为T对应于所述时频关系坐标的时间坐标t,NLFM信号的带宽为B对应于时频关系坐标的频率坐标f,在时频关系坐标中将脉冲宽度和带宽分为2n+2段线性函数,2n+3个时间分段点(横坐标分段点)均匀分布,包括2n+3个时间分段点的向量ts表示为:其中,时间分段点T1i和T2i为已知量,T1i表示为:T2i表示为:则相邻两个时间分段点的差表示为:在时频关系坐标中定义2n个频率控制点,包括2n个频率控制点的控制点向量Bc表示为:Bc=[B2n,…,B21,B11,…,B1n],对应的包括2n+3个频率分段点的向量Bs表示为:其中,n为大于或等于0的正整数;则根据2n+3个时间分段点和2n个频率分段点,得到NLFM信号的时频函数f(t)表示为:
进而,可以根据NLFM信号的时频函数f(t)和NLFM信号的幅度A,构建NLFM信号的时域函数g(t),g(t)表示为:
其中,j为虚数单位。
S102:根据NLFM信号的时域函数、以及NLFM信号的自相关性能和互相关性能,确定第一信号优化模型和第二信号优化模型,第一信号优化模型为窄主瓣宽度、低旁瓣高度的优化模型,第二信号优化模型为窄主瓣宽度、低旁瓣高度以及低互相关的优化模型。
在本发明实施例中,为了在保证每个NLFM信号的自相关性能的前提下,优化两个NLFM信号的互相关性能,则分别建立针对不同性能的信号优化模型,由于信号的互相关性能与两个NLFM信号都相关,因此,可以先针对NLFM信号的自相关性能,对NLFM信号进行优化,得到第一最优正交NLFM信号,再针对NLFM信号的自相关性能、以及NLFM信号和第一最优正交NLFM信号的互相关性能,对NLFM信号进行优化,得到第二最优正交NLFM信号;其中,首先要做的就是,针对不同的优化目标,建立对应的信号优化模型。
进一步地,针对不同的优化目标,建立对应的信号优化模型,可以包括:根据NLFM信号的时域函数和NLFM信号的自相关性能,确定第一信号优化模型;根据NLFM信号的时域函数、以及NLFM信号的自相关性能和互相关性能,确定第二信号优化模型。
示例性地,NLFM信号的自相关性能的优化指标可以包括:尽量窄的3dB主瓣宽度(Mainlobe width,MW)、尽可能低的峰值旁瓣比(Peak sidelobe ratio,PSLR)和快速下降的旁瓣波动包络,其中,3dB主瓣宽度是指主瓣最高点下降3dB后的位置的宽度,然而这三个自相关性能的优化指标是不能同时满足的,并且,通常针对NLFM信号的自相关性能,更关注与旁瓣高度相关的PSLR、以及与主瓣宽度相关的MW,因此,可以根据自相关性能,确定第一性能参数,第一性能参数包括PSLR和MW;根据第一性能参数,确定第一信号优化模型;其中,MW可以归一化为NLFM信号的3dB主瓣中一个采样点的宽度;PSLR可以定义为最高旁瓣高度与主瓣峰值高度的比值,单位为dB,则PSLR表示为:
示例性地,NLFM信号的互相关性能的优化指标是指尽量低的互相关,当两个信号的互相关越低时,两个信号的互相关性能越好,即两个信号的正交性能越好,例如,假设两个NLFM信号g1(t)和g2(t)正交时,则它们的互相关等于0,g1(t)和g2(t)的互相关函数等于0可以表示为:
对g1(t)和g2(t)的互相关函数进行傅里叶变换后,得到如下的表达式:
∫|G1(f)G2(f)|2df=0 (7)
然而,对于属于同频带的两个NLFM信号,不符合能量守恒定理的公式(7)是不可能成立的,即两个NLFM信号的互相关不可能等于0,所以,同频带NLFM信号的互相关性能的优化指标是尽量低的互相关,可以根据公式(6)定义表示两个NLFM信号互相关的互相关能量(Energy of Cross-correlation,ECC),互相关能量ECC表示为:
ECC=∫|G1(f)|2|G2(f)|2df (8)
其中,G1(f)和G2(f)为NLFM信号的频谱;进而,可以根据自相关性能和互相关性能,确定第二性能参数,第二性能参数包括峰值旁瓣比、3dB主瓣宽度和互相关能量;根据第二性能参数,确定第二信号优化模型。
进一步地,由公式(1)至公式(4)可知,频率控制点和时间分段点决定了NLFM信号的时频函数的对应法则,而一旦频率控制点的个数和位置被确定后,时间分段点在时间轴上均匀分布,是固定的已知量,也就是说,NLFM信号的时域函数g(t)由包括2n个频率控制点的控制点向量Bc定义的;而NLFM信号的时域函数g(t)确定后,NLFM信号的自相关性能和互相关性能也就确定了,也就是说,NLFM信号的自相关性能和互相关性能的优化指标也是由控制点向量Bc定义的,因此,对于MW窄、PSLR低的第一信号优化模型,可以用一个求解满足非线性约束条件、使目标函数取最小值的非线性约束问题表示,第一信号优化模型表示为:
其中,PSLR(Bc)为目标函数,表示根据控制点向量Bc求得的NLFM信号的PSLR;MW(Bc)≤0和-B/2≤Bc≤B/2为约束条件,MW(Bc)表示根据控制点向量Bc求得的NLFM信号的MW,B为NLFM信号的带宽;
对于MW窄、PSLR低和互相关低的第二信号优化模型,也可以用一个求解满足非线性约束条件、使目标函数取最小值的非线性约束问题表示,第二信号优化模型表示为:
其中,ECC(Bc)为目标函数,表示一个NLFM信号和由控制点向量Bc确定的另一个NLFM信号的ECC;PSLR(Bc)≤0、MW(Bc)≤0和-B/2≤Bc≤B/2为约束条件。需要说明的是,用于计算ECC(Bc)的一个NLFM信号可以是第一最优正交NLFM信号。
S103:获取初始NLFM信号。
在本发明实施例中,由于NLFM信号的时域函数由控制点向量Bc定义的,可以初始化K组频率控制点,一组频率控制点组成一个控制点向量Bc,一个控制点向量Bc对应一个NLFM信号,得到K个控制点向量Bc对应的K个NLFM信号,作为初始NLFM信号,对其进行优化。
S104:利用增广拉格朗日遗传算法、第一信号优化模型和时域函数,对初始NLFM信号进行优化,得到第一最优正交NLFM信号;利用增广拉格朗日遗传算法、第一最优正交NLFM信号、第二信号优化模型和时域函数,对初始NLFM信号进行优化,得到第二最优正交NLFM信号。
在本发明实施例中,可以采用能够解决复杂约束优化问题的增广拉格朗日遗传算法,对初始NLFM信号进行优化,增广拉格朗日遗传算法是遗传算法的推广形式,是由遗传算法和增广拉格朗日算法结合的先进算法。
需要说明的是,增广拉格朗日遗传算法把具体的求解问题分成两部分:一部分为传统的遗传算法,用于解决优化问题;另一部分为增广拉格朗日算法,用于解决约束问题。一方面,遗传算法将优化问题模拟成“适者生存”的自然选择的动态优化过程,在搜索空间中,将优化问题中待确定的变量表示为染色体,遗传算法通常包括对染色体进行选择、交叉和变异操作。遗传算法的求解过程可以包括:首先对优化问题中的染色体进行初始化,获得包括多个染色体的初始染色体组;再根据由目标函数构成的信号优化模型,计算初始染色体组中每个染色体的适应度;然后,根据初始染色体组中所有染色体的适应度和交叉概率,每次选择部分染色体作为父代染色体,对所有父代染色体中的一个位置的基因进行交叉互换,产生后代染色体,并重复执行该步骤,直到产生的后代染色体的总个数等于初始染色体组中染色体的总个数;最后,根据变异概率对后代染色体的基因进行变异操作,产生新的染色体构成变异后的染色体组。需要说明的是,在整个迭代优化过程中,适应度高的染色体被选中用于产生后代染色体的概率大,适应度差的染色体被更优的后代染色体取代。
另一方面,增广拉格朗日算法的函数形式表示为:
其中,θ为变量x的适应度,h(x)为目标函数,λi为拉格朗日乘子,是一个非负的数,si为偏移量、是一个非负数、用于保证对数的真数非零,ρ为惩戒因子,ceqi(x)和ci(x)分别代表等式约束和非线性不等式约束,m代表非线性约束的个数,mt代表总约束个数;进一步地,使用增广拉格朗日遗传算法进行迭代优化时,在第1次迭代优化前,设置λ和s的初始值,之后,在第q+1次迭代优化前,可以根据式(12)更新λ和s,
其中,q具体取值为大于等于1的整数;sq+1为第q+1次迭代的偏移量;μ为根据实际应用时设置的常数,用于使偏移量按照一定的尺度缩放来进行更新;λq+1为第q+1次迭代的拉格朗日算子;sq为第q次迭代的偏移量;λq为第q次迭代的拉格朗日算子;为第q次迭代优化的染色体组的第r个染色体Bc对应的约束值,对应于式(9)该约束值为MW值,对应于式(10)该约束值为PSLR值。
示例性地,得到第一最优正交NLFM信号的实现过程,可以包括:根据初始NLFM信号中每个NLFM信号对应的一组频率控制点,确定初始染色体组;当预设的优化停止条件包括增广拉格朗日遗传算法收敛、且初始染色体组能够使增广拉格朗日遗传算法收敛时,从初始染色体组中确定出第一最优染色体;当预设的优化停止条件不包括增广拉格朗日遗传算法收敛、或初始染色体不能使增广拉格朗日遗传算法收敛时,利用增广拉格朗日遗传算法和第一信号优化模型,确定染色体与适应度的第一关系模型,并根据增广拉格朗日遗传算法、第一关系模型和第一信号优化模型,对初始染色体组进行迭代优化,得到第一最优染色体;将第一最优染色体代入NLFM信号的时域函数,得到第一最优正交NLFM信号。
进一步地,根据增广拉格朗日遗传算法、第一关系模型和第一信号优化模型,对初始染色体组进行迭代优化,得到第一最优染色体,可以包括:根据第一关系模型,得到初始染色体组中每个染色体的适应度;根据初始染色体组中每个染色体的适应度,利用增广拉格朗日遗传算法对初始染色体组中所有染色体进行交叉变异,得到第一变异后的染色体组;根据增广拉格朗日遗传算法和第一关系模型,对第一变异后的染色体组进行迭代优化,直到满足预设的优化停止条件,并从第一变异后的染色体组中确定出第一最优染色体。
示例性地,得到第二最优正交NLFM信号的实现过程,可以包括:根据初始NLFM信号中每个NLFM信号对应的一组频率控制点,确定初始染色体组;当预设的优化停止条件包括增广拉格朗日遗传算法收敛、且初始染色体组能够使增广拉格朗日遗传算法收敛时,从初始染色体组中确定出第二最优染色体;当预设的优化停止条件不包括增广拉格朗日遗传算法收敛、或初始染色体不能使增广拉格朗日遗传算法收敛时,利用增广拉格朗日遗传算法、第一最优正交NLFM信号和第二信号优化模型,确定染色体与适应度的第二关系模型,并根据增广拉格朗日遗传算法、第一最优正交NLFM信号、第二关系模型和第二信号优化模型,对初始染色体组进行迭代优化,得到第二最优染色体;将第二最优染色体代入时域函数,得到第二最优正交NLFM信号。
进一步地,根据增广拉格朗日遗传算法、第一最优正交NLFM信号和第二关系模型,对初始染色体组进行迭代优化,得到第二最优染色体,包括:根据第一最优正交NLFM信号和第二关系模型,得到初始染色体组中每个染色体的适应度;根据初始染色体组中每个染色体的适应度,利用增广拉格朗日遗传算法对初始染色体组中所有染色体进行交叉变异,得到第二变异后的染色体组;根据增广拉格朗日遗传算法、第一最优正交NLFM信号和第二关系模型,对第二变异后的染色体组进行迭代优化,直到满足预设的优化停止条件,并从第二变异后的染色体组中确定出第二最优染色体。
进一步地,在得到第二最优正交NLFM信号之后,还可以获取包括第一最优正交NLFM信号的初始NLFM信号;利用增广拉格朗日遗传算法、第二最优正交NLFM信号、第二信号优化模型和时域函数,对包括第一最优正交NLFM信号的初始NLFM信号进行优化,得到更新后的第一最优正交NLFM信号。
示例性地,得到更新后的第一最优正交NLFM信号的实现过程,可以包括:根据包括第一最优正交NLFM信号的初始NLFM信号中每个NLFM信号对应的一组频率控制点,确定包括第一最优染色体的初始染色体组;当预设的优化停止条件包括增广拉格朗日遗传算法收敛、且包括第一最优染色体的初始染色体组能够使增广拉格朗日遗传算法收敛时,从包括第一最优染色体的初始染色体组中确定出更新后的第一最优染色体;当预设的优化停止条件不包括增广拉格朗日遗传算法收敛、或包括第一最优染色体的初始染色体组不能使增广拉格朗日遗传算法收敛时,利用增广拉格朗日遗传算法、第二最优正交NLFM信号和第二信号优化模型,确定染色体与适应度的第三关系模型,并根据增广拉格朗日遗传算法、第二最优正交NLFM信号、第三关系模型和第二信号优化模型,对包括第一最优正交NLFM信号的初始NLFM信号进行迭代优化,得到更新后的第一最优染色体;将更新后的第一最优染色体代入时域函数,得到更新后的第一最优正交NLFM信号。
可选地,预设的优化停止条件可以包括以下至少一项:当优化开始时刻到当前时刻的时间差大于或等于预设时间阈值;增广拉格朗日遗传算法收敛。进而,以得到第一最优正交NLFM信号为例,判断增广拉格朗日遗传算法是否收敛的方式,可以包括:将待确定染色体组中的所有染色体依次代入第一信号优化模型,确定出满足第一信号优化模型的约束条件,且使第一信号优化模型的目标函数取最小值的染色体,记为最优染色体,当待确定染色体组中的最优染色体的个数与待确定染色体组中的所有染色体的个数的比值大于或等于预设比例阈值时,增广拉格朗日遗传算法收敛,进而确定待确定染色体组中的最优染色体就是第一最优染色体,否则,增广拉格朗日遗传算法不收敛;其中,待确定染色体组可以是初始染色体组或第一变异后的染色体组。
以得到第二最优正交NLFM信号为例,判断增广拉格朗日遗传算法是否收敛的方式,可以包括:先将第一最优正交NLFM信号代入第二信号优化模型,再将待确定染色体组中的所有染色体依次代入第二信号优化模型,确定出满足第二信号优化模型的约束条件,且使第二信号优化模型的目标函数取最小值的染色体,记为最优染色体,当待确定染色体组中的最优染色体的个数与待确定染色体组中的所有染色体的个数的比值大于或等于预设比例阈值时,增广拉格朗日遗传算法收敛,进而确定待确定染色体组中的最优染色体就是第二最优染色体,否则,增广拉格朗日遗传算法不收敛;其中,待确定染色体组可以是初始染色体组或第二变异后的染色体组。
可选地,利用增广拉格朗日算法和第一信号优化模型,确定的染色体与适应度的第一关系模型,可以表示为:
Θ(Bc,λ,s)=PSLR(Bc)-λslog(s-MW(Bc)) (13)
其中,控制点向量Bc为染色体,λ为拉格朗日算子,s为偏移量,Θ(Bc,λ,s)为染色体Bc对应的适应度;
利用增广拉格朗日算法、第一最优正交NLFM信号和第二信号优化模型,确定的染色体与适应度的第二关系模型,可以表示为:
Θ(Bc,λ,s)=ECC(Bc)-λ1s1log(s1-MW(Bc))-λ2s2log(s2-PSLR(Bc)) (14)
其中,控制点向量Bc为染色体,λ、λ1和λ2为拉格朗日算子,s、s1和s2为偏移量,Θ(Bc,λ,s)为染色体Bc对应的适应度。
可选地,以初始染色体为例,利用遗传算法对初始染色体组中所有染色体进行交叉变异,得到第一变异后的染色体组,一种实现方式可以包括:初始化参数,参数包括:初始染色体个数、交叉概率、变异概率、以及第一关系模型中的拉格朗日算子和偏移量,假设初始染色体组包括K个染色体Bc;可以采用轮盘选择法(Roulette Wheel Selection,RWS)从K个染色体Bc中选择父体染色体,例如,先计算K个染色体的适应度,根据适应度小于或等于交叉概率rc的染色体是父代染色体,从K个染色体中选择部分染色体作为父代染色体,对父代染色体进行交叉操作后,生成后代染色体,当后代染色体的总个数小于K时,继续从K个染色体中选择出父代染色体,用于产生后代染色体,直到后代染色体的总个数等于K;其中,对父代染色体进行交叉操作可以包括:选择染色体中的一个基因位置作为交叉点,互换所有父代染色体在该交叉点的基因,产生个数相同的后代染色体;再对K个后代染色体进行变异操作,变异是指染色体中的基因发生变化,由于染色体Bc是由2n个频率控制点组成的,则每个染色体有2n个基因,则K个后代染色体的基因总个数L可以表示为:L=2Kn,根据变异概率rm,从K个后代染色体的L个基因中随机选择M个基因,用于进行变异操作,得到第一变异后的染色体组,M表示为:M=rmL,变异操作可以用数学描述为:
pk(i)=pk(i)*(1+rand) (15)
其中,pk(i)表示K个后代染色体中的第k个后代染色体的第i个基因;rand为随机数,每次变异操作中的随机数被改变。
需要说明的是,得到的第一最优正交NLFM信号和第二最优正交NLFM信号可以被用作雷达的发射信号,向目标区域交替发射第一最优正交NLFM信号和第二最优正交NLFM信号,从而获得目标区域的空间位置;例如,可以向目标区域先发射第一最优正交NLFM信号,并接收对应的第一回波信号,再向目标区域发射第二最优正交NLFM信号,并接收对应的第二回波信号,然后根据第一回波信号和第二回波信号,获得目标区域的空间位置。
可选地,已知信号的脉宽为20us、带宽为300MHz和采样频率为400MHz,分别采用现有的正交信号设计方法和本发明实施例的正交NLFM信号生成方法进行信号处理,在同样的优化条件下,采用现有的正交信号设计方法,可以设计得到两个LFM信号,两个LFM信号的互相关能量是116,还可以设计得到两个NLFM信号,两个NLFM信号的互相关能量是115,采用本发明实施例的正交NLFM信号生成方法,可以得到的第一最优正交NLFM信号和第二最优正交NLFM信号的互相关能量是110,三个结果如下表1所示:
表1
可以看出,使用本发明实施例的正交NLFM信号生成方法得到的第一最优正交NLFM信号和第二最优正交NLFM信号,相比于使用现有的正交信号设计方法得到的两个LFM信号,互相关能量更低,相比于使用现有的正交信号设计方法得到两个NLFM信号,互相关能量也更低。另外,比较第一最优正交NLFM信号和两个LFM信号中的LFM信号1的频谱图,比较结果如图3(a)所示,横坐标为频率,单位是MHz,纵坐标为幅度,单位是dB;比较第二最优正交NLFM信号和两个LFM信号中的LFM信号2的频谱图,比较结果如图3(b)所示,横坐标为频率,单位是MHz,纵坐标为幅度,单位是dB;可以看出,第一最优正交NLFM信号和第二最优正交NLFM信号具有相同的频谱宽度,处于同一频带,并且第一最优正交NLFM信号和第二最优正交NLFM信号,与两个LFM信号也具有相同的频谱宽度,处于同一频带。如图4所示的第一最优正交NLFM信号和第二最优正交NLFM信号分别对应的自相关函数,横坐标为采样点个数,单位是1*106,纵坐标为PSLR,单位是dB,第一最优正交NLFM信号的旁瓣高度为-19.3dB、主瓣宽度为1.1,第二最优正交NLFM信号的旁瓣高度为-23.2dB、主瓣宽度为1.15,根据信号自相关性能好的情况下主瓣不高于1.4、旁瓣不高于-13dB,可以知道,第一最优正交NLFM信号和第二最优正交NLFM信号有可接受的旁瓣高度和主瓣宽度,即自相关性能好。综上可知,采用本发明实施例的正交NLFM信号生成方法,能够得到属于同一频带的第一最优正交NLFM信号和第二最优正交NLFM信号,都具有较好的自相关性能,而且第一最优正交NLFM信号和第二最优正交NLFM信号的互相关性能被提高。
可以理解的是,基于初始NLFM得到的第一、第二最优正交NLFM信号是属于同频带的,并使用针对自相关性能的第一信号优化模型,对初始NLFM信号进行优化,能够获得自相关性能被优化的第一最优正交NLFM信号,再使用针对互相关性能和自相关性能的第二信号优化模型、以及第一最优正交NLFM信号,对初始NLFM信号进行优化,得到与第一最优正交NLFM信号的互相关性能被优化的、且自相关性能也被优化的第二最优正交NLFM信号。
实施例二
基于与实施例一同一发明构思,本发明实施例提供了一种正交非线性调频信号生成装置1,图5为本发明实施例提供的一种正交非线性调频信号生成装置的结构示意图一,如图5所示,该正交非线性调频信号生成装置1包括:
构建单元10,用于基于分段线性函数,构建NLFM信号的时域函数;
第一确定单元11,用于根据所述时域函数、以及所述NLFM信号的自相关性能和互相关性能,确定第一信号优化模型和第二信号优化模型,所述第一信号优化模型为窄主瓣宽度、低旁瓣高度的优化模型,所述第二信号优化模型为窄主瓣宽度、低旁瓣高度以及低互相关的优化模型;
获取单元12,用于获取初始NLFM信号;
优化单元13,用于利用增广拉格朗日遗传算法、所述第一信号优化模型和所述时域函数,对所述初始NLFM信号进行优化,得到所述第一最优正交NLFM信号;利用所述增广拉格朗日遗传算法、所述第一最优正交NLFM信号、所述第二信号优化模型和所述时域函数,对所述初始NLFM信号进行优化,得到所述第二最优正交NLFM信号。
可选地,构建单元10,具体用于
基于所述分段线性函数对所述NLFM信号对应的时频信息进行函数表示,得到所述NLFM信号的时频函数;
根据所述时频函数和所述NLFM信号对应的幅度,构建所述时域函数。
可选地,第一确定单元11,具体用于根据所述时域函数和所述自相关性能,确定所述第一信号优化模型;
根据所述时域函数、以及所述自相关性能和所述互相关性能,确定所述第二信号优化模型。
可选地,第一确定单元11,具体用于根据所述自相关性能,确定第一性能参数,所述第一性能参数包括峰值旁瓣比和3dB主瓣宽度;
根据所述第一性能参数,确定所述第一信号优化模型。
可选地,第一确定单元11,具体用于根据所述自相关性能和所述互相关性能,确定第二性能参数,所述第二性能参数包括峰值旁瓣比和互相关能量;
根据所述第二性能参数,确定所述第二信号优化模型。
可选地,优化单元13,具体用于根据所述初始NLFM信号中每个NLFM信号对应的一组频率控制点,确定初始染色体组;
当预设的优化停止条件包括所述增广拉格朗日遗传算法收敛、且所述初始染色体组能够使所述增广拉格朗日遗传算法收敛时,从所述初始染色体组中确定出第一最优染色体;
当所述预设的优化停止条件不包括所述增广拉格朗日遗传算法收敛、或所述初始染色体不能使所述增广拉格朗日遗传算法收敛时,利用增广拉格朗日遗传算法和所述第一信号优化模型,确定染色体与适应度的第一关系模型,并根据增广拉格朗日遗传算法、所述第一关系模型和所述第一信号优化模型,对所述初始染色体组进行迭代优化,得到第一最优染色体;
将所述第一最优染色体代入所述时域函数,得到所述第一最优正交NLFM信号。
可选地,优化单元13,具体用于根据所述第一关系模型,得到所述初始染色体组中每个染色体的适应度;
根据所述初始染色体组中每个染色体的适应度,利用增广拉格朗日遗传算法对所述初始染色体组中所有染色体进行交叉变异,得到第一变异后的染色体组;
根据增广拉格朗日遗传算法和所述第一关系模型,对所述第一变异后的染色体组进行迭代优化,直到满足所述预设的优化停止条件,并从所述第一变异后的染色体组中确定出所述第一最优染色体。
可选地,优化单元13,具体用于根据所述初始NLFM信号中每个NLFM信号对应的一组频率控制点,确定初始染色体组;
当预设的优化停止条件包括所述增广拉格朗日遗传算法收敛、且所述初始染色体组能够使所述增广拉格朗日遗传算法收敛时,从所述初始染色体组中确定出第二最优染色体;
当所述预设的优化停止条件不包括所述增广拉格朗日遗传算法收敛、或所述初始染色体不能使所述增广拉格朗日遗传算法收敛时,利用增广拉格朗日遗传算法、所述第一最优正交NLFM信号和所述第二信号优化模型,确定染色体与适应度的第二关系模型,并根据增广拉格朗日遗传算法、所述第一最优正交NLFM信号、所述第二关系模型和所述第二信号优化模型,对所述初始染色体组进行迭代优化,得到第二最优染色体;
将所述第二最优染色体代入所述时域函数,得到所述第二最优正交NLFM信号。
可选地,优化单元13,具体用于根据所述第一最优正交NLFM信号和所述第二关系模型,得到所述初始染色体组中每个染色体的适应度;
根据所述初始染色体组中每个染色体的适应度,利用所述增广拉格朗日遗传算法对所述初始染色体组中所有染色体进行交叉变异,得到第二变异后的染色体组;
根据增广拉格朗日遗传算法、所述第一最优正交NLFM信号和所述第二关系模型,对所述第二变异后的染色体组进行迭代优化,直到满足所述预设的优化停止条件,并从所述第二变异后的染色体组中确定出所述第二最优染色体。
可选地,优化单元13,具体用于获取包括所述第一最优正交NLFM信号的初始NLFM信号;利用所述增广拉格朗日遗传算法、所述第二最优正交NLFM信号、所述第二信号优化模型和所述时域函数,对所述包括所述第一最优正交NLFM信号的初始NLFM信号进行优化,得到更新后的第一最优正交NLFM信号
可选地,该正交NLFM信号生成装置1还包括信号发送单元14,
信号发送单元14,用于向目标区域交替发射所述第一最优正交NLFM信号和所述第二最优正交NLFM信号,从而获得所述目标区域的空间位置。
需要说明的是,在实际应用中,上述构建单元10、第一确定单元11、获取单元12、优化单元13和信号发送单元14,可由位于正交非线性调频信号生成装置1上的处理器15实现,具体为CPU(Central Processing Unit,中央处理器)、MPU(Microprocessor Unit,微处理器)、DSP(Digital Signal Processing,数字信号处理器)或现场可编程门阵列(FPGA,Field Programmable Gate Array)等实现。
本发明实施例还提供了一种正交非线性调频信号生成装置1,如图6所示,该正交非线性调频信号生成装置1包括:处理器15、存储器16和通信总线110,存储器16通过通信总线110与处理器15进行通信,存储器16存储处理器15可执行的一个或者多个程序,当所述一个或者多个程序被执行时,通过处理器15执行如实施例一所述的正交非线性调频信号生成方法。
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,所述程序被处理器15执行时实现如实施例一所述的正交非线性调频信号生成方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (7)
1.一种正交非线性调频信号生成方法,其特征在于,所述方法包括:
基于分段线性函数,构建非线性调频NLFM信号的时域函数;
根据所述时域函数、以及所述NLFM信号的自相关性能和互相关性能,确定第一信号优化模型和第二信号优化模型,所述第一信号优化模型为窄主瓣宽度、低旁瓣高度的优化模型,所述第二信号优化模型为窄主瓣宽度、低旁瓣高度以及低互相关的优化模型;
获取初始NLFM信号;
利用增广拉格朗日遗传算法、所述第一信号优化模型和所述时域函数,对所述初始NLFM信号进行优化,得到第一最优正交NLFM信号;
利用所述增广拉格朗日遗传算法、所述第一最优正交NLFM信号、所述第二信号优化模型和所述时域函数,对所述初始NLFM信号进行优化,得到第二最优正交NLFM信号;
其中,所述基于分段线性函数,构建非线性调频NLFM信号的时域函数,包括:基于所述分段线性函数对所述NLFM信号对应的时频信息进行函数表示,得到所述NLFM信号的时频函数;根据所述时频函数和所述NLFM信号对应的幅度,构建所述时域函数;
其中,所述基于所述分段线性函数对所述NLFM信号对应的时频信息进行函数表示,得到所述NLFM信号的时频函数;根据所述时频函数和所述NLFM信号对应的幅度,构建所述时域函数,包括:
将所述NLFM信号的时频关系坐标定义为(t,f),所述NLFM信号的脉冲宽度为T对应于所述时频关系坐标的时间坐标t,所述NLFM信号的带宽为B对应于所述时频关系坐标的频率坐标f,在所述时频关系坐标中将所述脉冲宽度和所述带宽分为2n+2段线性函数,2n+3个时间分段点均匀分布,包括所述2n+3个时间分段点的向量ts为:其中,时间分段点T1i为:时间分段点T2i为: 在所述时频关系坐标中定义2n个频率控制点,包括所述2n个频率控制点的控制点向量Bc为:Bc=[B2n,...,B21,B11,...,B1n],则根据所述2n+3个时间分段点和所述2n个频率分段点,得到所述NLFM信号的时频函数f(t)为:
根据所述时频函数和所述NLFM信号的幅度A,构建所述时域函数g(t)为:
其中,j为虚数单位。
2.根据权利要求1所述的方法,其特征在于,所述根据所述时域函数、以及所述NLFM信号的自相关性能和互相关性能,确定第一信号优化模型和第二信号优化模型,包括:
根据所述时域函数和所述自相关性能,确定所述第一信号优化模型;
根据所述时域函数、以及所述自相关性能和所述互相关性能,确定所述第二信号优化模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述时域函数和所述自相关性能,确定所述第一信号优化模型,包括:
根据所述自相关性能,确定第一性能参数,所述第一性能参数包括峰值旁瓣比和3dB主瓣宽度;
根据所述第一性能参数,确定所述第一信号优化模型。
4.根据权利要求2所述的方法,其特征在于,所述根据所述时域函数、以及所述自相关性能和所述互相关性能,确定所述第二信号优化模型,包括:
根据所述自相关性能和所述互相关性能,确定第二性能参数,所述第二性能参数包括峰值旁瓣比、3dB主瓣宽度和互相关能量;
根据所述第二性能参数,确定所述第二信号优化模型。
5.根据权利要求1所述的方法,其特征在于,在所述得到第二最优正交NLFM信号之后,所述方法还包括:
获取包括所述第一最优正交NLFM信号的初始NLFM信号;
利用所述增广拉格朗日遗传算法、所述第二最优正交NLFM信号、所述第二信号优化模型和所述时域函数,对所述包括所述第一最优正交NLFM信号的初始NLFM信号进行优化,得到更新后的第一最优正交NLFM信号。
6.一种正交非线性调频信号生成装置,其特征在于,所述装置包括:
构建单元,用于基于分段线性函数,构建非线性调频NLFM信号的时域函数;
第一确定单元,用于根据所述时域函数、以及所述NLFM信号的自相关性能和互相关性能,确定第一信号优化模型和第二信号优化模型,所述第一信号优化模型为窄主瓣宽度、低旁瓣高度的优化模型,所述第二信号优化模型为窄主瓣宽度、低旁瓣高度以及低互相关的优化模型;
获取单元,用于获取初始NLFM信号;
优化单元,用于利用增广拉格朗日遗传算法、所述第一信号优化模型和所述时域函数,对所述初始NLFM信号进行优化,得到第一最优正交NLFM信号;利用所述增广拉格朗日遗传算法、所述第一最优正交NLFM信号、所述第二信号优化模型和所述时域函数,对所述初始NLFM信号进行优化,得到第二最优正交NLFM信号;
所述构建单元,还用于基于所述分段线性函数对所述NLFM信号对应的时频信息进行函数表示,得到所述NLFM信号的时频函数;根据所述时频函数和所述NLFM信号对应的幅度,构建所述时域函数;
所述构建单元,还用于将所述NLFM信号的时频关系坐标定义为(t,f),所述NLFM信号的脉冲宽度为T对应于所述时频关系坐标的时间坐标t,所述NLFM信号的带宽为B对应于所述时频关系坐标的频率坐标f,在所述时频关系坐标中将所述脉冲宽度和所述带宽分为2n+2段线性函数,2n+3个时间分段点均匀分布,包括所述2n+3个时间分段点的向量ts为:其中,时间分段点T1i为:时间分段点T2i为:在所述时频关系坐标中定义2n个频率控制点,包括所述2n个频率控制点的控制点向量Bc为:Bc=[B2n,...,B21,B11,...,B1n],则根据所述2n+3个时间分段点和所述2n个频率分段点,得到所述NLFM信号的时频函数f(t)为:
根据所述时频函数和所述NLFM信号的幅度A,构建所述时域函数g(t)为:
其中,j为虚数单位。
7.一种正交非线性调频信号生成装置,其特征在于,所述装置包括:处理器、存储器和通信总线,所述存储器通过所述通信总线与所述处理器进行通信,所述存储器存储所述处理器可执行的一个或者多个程序,当所述一个或者多个程序被执行时,通过所述处理器执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811291772.XA CN109343059B (zh) | 2018-10-31 | 2018-10-31 | 一种正交非线性调频信号生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811291772.XA CN109343059B (zh) | 2018-10-31 | 2018-10-31 | 一种正交非线性调频信号生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109343059A CN109343059A (zh) | 2019-02-15 |
CN109343059B true CN109343059B (zh) | 2020-08-28 |
Family
ID=65313193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811291772.XA Active CN109343059B (zh) | 2018-10-31 | 2018-10-31 | 一种正交非线性调频信号生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109343059B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109884632A (zh) | 2019-02-21 | 2019-06-14 | 中国科学院电子学研究所 | 一种抑制距离模糊方法、装置及计算机可读存储介质 |
CN116165664B (zh) * | 2023-04-21 | 2023-07-11 | 中国科学院空天信息创新研究院 | 一种基于二维波形编码的星载sar距离模糊抑制方法 |
CN116953623B (zh) * | 2023-07-05 | 2024-02-27 | 中国科学院空天信息创新研究院 | 一种正交的多相编码调频信号的生成方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452073A (zh) * | 2007-11-30 | 2009-06-10 | 清华大学 | 基于多发多收频分雷达的宽带信号合成方法 |
CN102749615A (zh) * | 2012-07-11 | 2012-10-24 | 天津理工大学 | 一种信号识别的方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101241180A (zh) * | 2008-01-29 | 2008-08-13 | 电子科技大学 | 一种具有较低自相关性能的正交离散频率编码的设计方法 |
CN102710580B (zh) * | 2012-06-12 | 2014-08-06 | 哈尔滨工程大学 | 调相和对称升余弦调频的联合调制方法 |
KR101766765B1 (ko) * | 2015-11-16 | 2017-08-10 | 경북대학교 산학협력단 | 선형 위상 변위 방식의 반사계 시스템 |
CN106600140B (zh) * | 2016-12-07 | 2022-09-02 | 特瑞斯能源装备股份有限公司 | 基于改进支持向量机的燃气管道故障预测预警系统及方法 |
CN108107421A (zh) * | 2017-12-26 | 2018-06-01 | 北京锐安科技有限公司 | 一种室内测距方法和装置 |
CN108196239B (zh) * | 2018-01-18 | 2022-03-18 | 西安电子科技大学 | 一种频率分集mimo雷达的无模糊参数估计方法 |
CN108681622B (zh) * | 2018-04-09 | 2022-05-31 | 中国科学院电子学研究所 | 用于探地雷达波形优化的方法 |
CN108681521A (zh) * | 2018-04-18 | 2018-10-19 | 大连理工大学 | 一种实时求解模型预测控制律的快速梯度算法 |
-
2018
- 2018-10-31 CN CN201811291772.XA patent/CN109343059B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452073A (zh) * | 2007-11-30 | 2009-06-10 | 清华大学 | 基于多发多收频分雷达的宽带信号合成方法 |
CN102749615A (zh) * | 2012-07-11 | 2012-10-24 | 天津理工大学 | 一种信号识别的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109343059A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108804736B (zh) | 一种多自由度调频信号设计及优化的方法和装置 | |
CN109343059B (zh) | 一种正交非线性调频信号生成方法及装置 | |
CN109212526B (zh) | 用于高频地波雷达的分布式阵列目标角度测量方法 | |
CN104537249B (zh) | 基于稀疏贝叶斯学习的波达方向角估计方法 | |
CN109212527B (zh) | 用于高频地波雷达的大孔径分布式多站目标定位方法 | |
CN104901734B (zh) | 一种阵列天线波束赋形方法 | |
CN108872929A (zh) | 基于内插虚拟阵列协方差矩阵子空间旋转不变性的互质阵列波达方向估计方法 | |
CN108445303A (zh) | 一种近场电磁散射特性模拟方法 | |
CN109407046A (zh) | 一种基于变分贝叶斯推断的嵌套阵列波达方向角估计方法 | |
CN105048112A (zh) | 基于qiwo_ift组合算法的阵列天线唯相位变换波束赋形方法 | |
CN103323845A (zh) | 一种非均匀采样综合孔径辐射计的图像反演方法 | |
CN109343058B (zh) | 基于混合算法的正交非线性调频信号生成方法及装置 | |
CN105842666B (zh) | 基于差分算法的雷达子阵划分优化方法 | |
CN107577872A (zh) | 一种频率不变波束形成器设计方法及装置 | |
CN111665474A (zh) | 一种可变分段lfm波形生成及优化方法 | |
EP3361277A1 (en) | Method and device for node location | |
CN109471073B (zh) | 基于增广拉格朗日粒子群算法的nlfm信号生成方法及装置 | |
CN104880697B (zh) | 基于稀疏约束的线性调频信号参数估计方法 | |
CN109343006B (zh) | 基于增广拉格朗日遗传算法的nflm信号优化方法及装置 | |
CN102665256A (zh) | 无线通信系统扫频方法与装置、搜网方法与终端 | |
CN104215962A (zh) | 基于单片FPGA的Chirp Scaling成像方法 | |
CN109446665B (zh) | 一种非线性调频信号优化方法及装置、存储介质 | |
CN110261862A (zh) | 一种三维激光雷达测距方法、装置及终端设备 | |
CN112162240A (zh) | 基于互质阵列的稀疏频率波形产生方法、装置及存储介质 | |
CN109492291B (zh) | 基于增广拉格朗日粒子群算法的nlfm信号优化方法及装置 |
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 |