CN109446665A - 一种非线性调频信号优化方法及装置、存储介质 - Google Patents

一种非线性调频信号优化方法及装置、存储介质 Download PDF

Info

Publication number
CN109446665A
CN109446665A CN201811290543.6A CN201811290543A CN109446665A CN 109446665 A CN109446665 A CN 109446665A CN 201811290543 A CN201811290543 A CN 201811290543A CN 109446665 A CN109446665 A CN 109446665A
Authority
CN
China
Prior art keywords
model
nlfm signal
signal
initial
time
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.)
Granted
Application number
CN201811290543.6A
Other languages
English (en)
Other versions
CN109446665B (zh
Inventor
金国栋
王宇
邓云凯
龙雅君
刘开雨
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.)
Institute of Electronics of CAS
Original Assignee
Institute of Electronics of CAS
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 Institute of Electronics of CAS filed Critical Institute of Electronics of CAS
Priority to CN201811290543.6A priority Critical patent/CN109446665B/zh
Publication of CN109446665A publication Critical patent/CN109446665A/zh
Application granted granted Critical
Publication of CN109446665B publication Critical patent/CN109446665B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Complex Calculations (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种非线性调频信号优化方法，所述方法包括：基于分段线性函数，建立非线性调频NLFM信号的时域函数模型；基于所述NLFM信号的时域函数模型对应的自相关性能，建立优化数学模型；基于所述优化数学模型，建立增广拉格朗日遗传模拟退火混合算法的算法模型；获取初始NLFM信号，并基于所述初始NLFM信号和所述增广拉格朗日遗传模拟退火混合算法的算法模型，得到与所述初始NLFM信号对应的最优NLFM信号。本发明的实施例同时公开了一种非线性调频信号的优化装置和存储介质。

Description

一种非线性调频信号优化方法及装置、存储介质
技术领域
本发明涉及技术领域，尤其涉及一种非线性调频信号的优化方法及装置、存储介质。
背景技术
线性调频(Linear Frequency Modulation，LFM)信号因其对目标具有高分辨率成像能力，常被用于现代雷达中，比如合成孔径雷达(Synthetic Aperture Radar，SAR)。雷达在使用LFM信号时会产生高的旁瓣，而高的旁瓣电平会使目标产生旁瓣虚假信息。实际应用中，通常采用加窗处理来抑制LFM信号的旁瓣并保持相位信息。然而，进行加窗处理来抑制旁瓣会导致雷达信噪比(SNR)下降。为了克服在进行旁瓣抑制时导致的SNR丢失的难题，非线性调频信号(Non-linear frequency modulation，NLFM)因其能同时保存雷达的SNR又能达到通过加窗处理抑制旁瓣的效果，得到了广大雷达发射信号处理工作者的青睐。
然而现有技术中，在进行NLFM信号处理时，在抑制旁瓣的同时不可避免地展宽了主瓣，而宽主瓣会导致NLFM信号分辨率降低，进而降低NLFM信号的成像能力。因此，如何优化NLFM信号，使其能够最大限度降低旁瓣的同时保持较窄的主瓣是当前亟需解决的问题。
发明内容
有鉴于此，本发明实施例提供一种NLFM信号的优化方法及装置、存储介质，解决了现有技术中NLFM信号分辨率降低的问题。
为达到上述目的，本发明的技术方案是这样实现的：
第一方面，提供了一种NLFM信号优化方法，所述方法包括：
基于分段线性函数，建立非线性调频NLFM信号的时域函数模型；
基于所述NLFM信号的时域函数模型对应的自相关性能，建立优化数学模型；
基于所述优化数学模型，建立增广拉格朗日遗传模拟退火混合算法的算法模型；
获取初始NLFM信号，并基于所述初始NLFM信号和所述增广拉格朗日遗传模拟退火混合算法的算法模型，得到与所述初始NLFM信号对应的最优NLFM信号。
在上述方案中，所述基于所述初始NLFM信号和所述增广拉格朗日遗传模拟退火混合算法的算法模型，得到与所述初始NLFM信号对应的最优NLFM信号，包括：
基于所述初始NLFM信号，获得初始染色体信息；
利用所述增广拉格朗日遗传模拟退火混合算法的算法模型，对初始迭代参数和初始染色体信息进行持续迭代，得到最优染色体信息；
基于所述最优染色体信息，得到所述最优NLFM信号。
在上述方案中，基于所述初始NLFM信号，获得初始染色体信息，包括：
根据所述初始NLFM信号，获得初始频率控制点信息；
确定所述初始频率控制点信息为所述初始染色体信息。
在上述方案中，根据所述初始NLFM信号，获得初始频率控制点信息，包括：
选取窗函数；
基于所述窗函数和驻定相位原理，计算所述初始NLFM信号对应的群时延函数；
根据所述群时延函数，得到所述初始NLFM信号对应的初始时频关系；
根据所述初始时频关系，获得所述初始频率控制点信息。
在上述方案中，基于分段线性函数，建立NLFM信号的时域函数模型，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信号的时频关系模型；
根据所述时频关系模型，确定所述NLFM信号的相位模型；
根据所述NLFM信号对应的幅度和所述相位模型，建立所述时域函数模型。
在上述方案中，基于所述NLFM信号的时域函数模型对应的自相关性能，建立优化数学模型，包括：
根据所述NLFM信号对应的自相关性能，确定性能参数；其中，所述性能参数包括峰值旁瓣比PSLR和主瓣宽度MW；
根据所述峰值旁瓣比PSLR和主瓣宽度MW，建立所述优化数学模型。
在上述方案中，基于所述优化数学模型，建立增广拉格朗日遗传模拟退火混合算法的算法模型，包括：
基于所述优化数学模型，利用增广拉格朗日遗传模拟退火混合算法建立优化目标函数；
其中，所述优化目标函数用于计算所述染色体信息对应的适应度，使得根据所述染色体信息对应的适应度选择父体染色体，对所述父体染色体进行模拟退火寻优后，进行交叉处理、变异处理，得到下一次迭代的染色体信息；
利用增广拉格朗日算法确定参数函数；其中，所述参数函数用于基于当前的迭代参数计算下一次的迭代参数。
在上述方案中，利用所述增广拉格朗日遗传模拟退火混合算法的算法模型，对初始迭代参数和初始染色体信息进行持续迭代，得到最优染色体信息，包括：
利用所述算法模型，基于所述优化目标函数和所述参数函数，分别计算所述初始染色体信息对应的适应度和第二次迭代参数，以及根据所述初始染色体信息对应的适应度选择父体染色体信息，并根据模拟退火算法对所述选取的父体染色信息体进行调整，将调整后的父体染色体进行交叉处理和变异处理得到第二染色体信息；
利用所述算法模型，对所述第二染色体信息和第二迭代参数进行迭代；得到第三染色体信息和第三迭代参数；
利用所述算法模型，持续对迭代的染色体信息和迭代参数进行迭代，直到所述增广拉格朗日遗传模拟退火混合算法收敛。
在上述方案中，根据模拟退火算法对所述选取的父体染色信息体进行调整，包括：
利用模拟退火算法，对当前选取的父体染色体进行优化迭代，直到获得最优的父体染色体。
在上述方案中，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信号的时频关系模型，根据所述时频关系模型，确定所述NLFM信号的相位模型，根据所述NLFM信号对应的幅度和所述相位模型，建立所述时域函数模型，包括：
将所述NLFM信号的时频信息的坐标定义为(t,f)，其中，t表示横坐标轴上对应的时间，f表示纵坐标轴上对应的频率，并将脉冲宽度为T和信号的带宽为B的所述NLFM信号分为2n+2段线性函数表示，其中，横坐标轴上共有2n+3个时间分段点并且所述时间分段点是均匀分布的，即 纵坐标上有2n+3个频率分段点所述频率分段点中的未知量构成所述NLFM信号的频率控制点Bc＝[B2n,…,B21,B11,…,B1n]，n为大于等于0的正整数，得到所述NLFM信号对应的所述时频关系模型为：
其中，k2n…k21、k20、k10、k11…k1n表征每段所述NLFM信号对应的调频率；
根据所述时频关系模型，确定所述NLFM信号对应的所述相位模型：
其中，c0、c1…cn、d0、d1…dn为常数；
根据所述相位模型构建幅度为A的所述NLFM信号的时域模型：
s(t)＝Ae-jθ(t)
其中，j为所述时域模型的虚部。
在上述方案中，根据所述峰值旁瓣比PSLR和主瓣宽度MW，建立所述优化数学模型，包括：
其中，Bc为频率控制点，且Bc的取值范围为[-B/2,B/2]，和c(MW)≤0表征在不展宽主瓣宽度的情况下降低旁瓣；
或者，所述信号优化模型为：
其中，Bc为频率控制点，且Bc的取值范围为[-B/2,B/2]，和c(PLSR)≤0表征在不升高旁瓣的情况下缩小主瓣宽度。
在上述方案中，基于所述优化数学模型，利用增广拉格朗日算法确定目标函数：
Θ(p,λ,s)＝g(Bc)-λslog(s-c(Bc))；
其中，λ为拉格朗日算子，s为偏移量，λ、s均为非负数；g(Bc)为频率控制点Bc对应的PSLR或MW，c(Bc)为频率控制点Bc对应的MW或PSLR；
利用增广拉格朗日算法确定参数函数，包括：
其中，μ为保证s-c(Bc)大于0的数值。
第二方面，提供了一种NLFM信号的优化装置，所述装置包括：
函数模型建立单元，用于基于分段线性函数，建立非线性调频NLFM信号的时域函数模型；
优化数学模型建立单元，用于基于所述NLFM信号的时域函数模型对应的自相关性能，建立优化数学模型；
算法模型建立单元，用于基于所述优化数学模型，建立增广拉格朗日遗传模拟退火混合算法的算法模型；
处理单元，用于获取初始NLFM信号，并基于所述初始NLFM信号和所述增广拉格朗日遗传模拟退火混合算法的算法模型，得到与所述初始NLFM信号对应的最优NLFM信号。
第三方面，提供了一种NLFM信号的优化装置，所述装置包括：处理器和配置为存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器配置为运行所述计算机程序时，执行第一方面所述方法的步骤。
第四方面，提供了一种计算机可读存储介质，其特征在于，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，以实现如第一方面所述的NLFM信号的优化方法的步骤。
本发明实施例提供了一种非线性调频信号优化方法及装置、存储介质，首先，基于分段线性函数，建立非线性调频NLFM信号的时域函数模型；其次，基于所述NLFM信号的时域函数模型对应的自相关性能，建立优化数学模型；再次，基于所述优化数学模型，建立增广拉格朗日遗传模拟退火混合算法的算法模型；最后，获取初始NLFM信号，并基于所述初始NLFM信号和所述增广拉格朗日遗传模拟退火混合算法的算法模型，得到与所述初始NLFM信号对应的最优NLFM信号；如此，利用建立的增广拉格朗日遗传模拟退火混合算法的算法模型对初始NLFM信号进行处理，得到的最优NLFM信号，能够在最大限度降低旁瓣的同时，最低限度展宽主瓣，保证了NLFM信号分辨率，提高了NLFM信号的成像能力。
附图说明
在附图(其不一定是按比例绘制的)中，相似的附图标记可在不同的视图中描述相似的部件。附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。
图1为本发明实施例提供的一种NLFM信号优化方法的流程示意图；
图2为本发明实施例提供的一种示例性的NLFM信号时频关系模型示意图；
图3为本发明实施例提供的一种示例性的NLFM信号最优信号的时频关系曲线；
图4为本发明实施例提供的一种示例性的NLFM信号最优信号的时域波形；
图5为本发明实施例提供的一种示例性的NLFM信号的最优信号的自相关输出波形；
图6为本发明实施例提供的一种NLFM信号优化装置的结构组成示意图；
图7为本发明实施例提供的一种NLFM信号优化装置的硬件结构组成示意图。
具体实施方式
为了能够更加详尽地了解本申请实施例的特点与技术内容，下面结合附图对本申请实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本发明实施例。
本发明实施例提供了一种NLFM信号优化方法，图1为本发明实施例提供的一种NLFM信号优化方法实现流程图，如图1所示，该NLFM信号优化方法包括：
步骤101、基于分段线性函数，建立NLFM信号的时域函数模型。
这里，步骤101基于分段线性函数，建立非线性调频NLFM信号的时域函数模型可以由NLFM信号优化装置来实现；所述信号优化装置可以应用于任意类型的雷达设备中。
在本发明的实施例中，可以通过多个不同的线性函数组合来表征一个NLFM信号；如此可以通过所述多个不同的线性函数的时频关系来建立NLFM信号的时域函数模型。
具体地，所述基于分段线性函数，建立NLFM信号的时域函数模型包括：
步骤1011、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信号的时频关系模型；
步骤1012、根据所述时频关系模型，确定所述NLFM信号的相位模型；
步骤1013、根据所述NLFM信号对应的幅度和所述相位模型，建立所述时域函数模型。
其中，步骤1011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信号的时频关系模型包括：
在笛卡尔坐标系中，定义时频关系(t,f)平面；其中t为横坐标轴，用于表示NLFM信号的时间；f为纵坐标轴，用于表示NLFM信号的频率。
具体地，如图2所示，预先设置NLFM信号的脉冲宽度为T，信号的带宽为B；在上述笛卡尔坐标系表示的时频关系平面中，将NLFM信号分为2n+2段线性函数来表示。如此，在上述笛卡尔坐标系表示的时频面内，横坐标轴上共有2n+3个均匀分布的时间分段点即 这里，在有2n+3个时间分段点的情况下，则对应有2n+3个频率分段点其中，频率分段点中的未知量构成NLFM信号的频率控制点Bc＝[B2n,…,B21,B11,…,B1n]。这里，n为大于等于0的正整数。
在本发明实施例中，基于上述描述，在时频面内确定了时间分段点和频率分段点之后，就能得到利用分段线性函数描述的NLFM信号对应的时频关系模型。
优选地，NLFM信号对应的时频关系模型如式(1)所示：
其中，k2n…k21、k20、k10、k11…k1n用于表征每段LFM信号对应的调频率，具体可通过以下公式(2)和公式(3)获得，其中公式(2)和公式(3)如下：
其中，公式(2)和公式(3)中的i仅用于计数，取值范围为1到n的正整数。
在本发明的其他实施例中，步骤1012根据所述时频关系模型，确定所述NLFM信号的相位模型可以包括：
根据公式(1)NLFM信号的时频关系模型，可确定NLFM信号的相位模型，具体如公式(4)所示：
其中，c0、c1…cn、d0、d1…dn为常数。
在本发明的其他实施例中，步骤1013、根据所述NLFM信号对应的幅度和所述相位模型，建立所述时域函数模型，可以包括：
基于公式(4)NLFM信号的相位模型，幅度为A的NLFM信号的时域模型可以通过以下公式(5)表示，具体地：
s(t)＝Ae-jθ(t) (5)；
其中，t的取值范围仍然同式(1)和(4)中的取值范围，j为该时域模型的虚部。
通过上述步骤，可以获知频率控制点决定了NLFM信号的具体形式。可以理解为，在确定了控制点的个数n之后，由于时间分段点ts在横坐标上是均匀分布的，因此ts为已知量；这样，NLFM信号实际上可以由频率控制点Bc来决定。即在公式(5)中的时域模型中，Bc为未知量；而在实际应用中，只要确定了Bc的取值，那么NLFM信号随之也能够确定。
步骤102、基于所述NLFM信号的时域函数模型对应的自相关性能，建立优化数学模型。
这里，步骤102基于所述NLFM信号的时域函数模型对应的自相关性能，建立优化数学模型可以由NLFM信号优化装置来实现。
在本发明实施例中，由于NLFM信号的自相关函数的理想性能为：尽量窄的主瓣宽度(Main Lobe Width，MW)，尽可能低的峰值旁瓣比(Peak Side Lobe Ratio，PSLR)，以及快速下降的旁瓣波动包络；又由于这三个理想性能是不能同时满足的，因此，这里，选取NLFM信号的两个关键性能参数PSLR和MW作为优化的目标。也就是说，NLFM信号优化装置在设计信号优化模型时，根据NLFM信号的自相关性能即自相关函数的理想性能确定用于设计信号优化模型的两个性能参数：PSLR和MW。
具体地，基于所述NLFM信号的时域函数模型对应的自相关性能，建立优化数学模型包括：
步骤1021、根据所述NLFM信号对应的自相关性能，确定性能参数；其中，所述性能参数包括PSLR和MW。
步骤1022、根据所述PSLR和MW，建立优化数学模型。
在本发明的其他实施例中，NLFM信号的时频信号为：s(t)＝Ae-jθ(t)时，则NLFM信号的自相关函数为：将NLFM的信号幅度转变为dB形式，计算NLFM信号的PSLR和MW。PSLR是除了主瓣之外的旁瓣最大值，MW可为主瓣-3dB处对应宽度；具体地，PSLR和MW的定义如下：
PSLR：最高旁瓣与主瓣峰值高度的比值，单位为dB；
3dB MW：3dB主瓣宽度的大小，一般归一化为采样点。
优选地，基于计算的MW和PSLR建立优化数学模型，包括两种优化数学模型。
其中，模型一为在不展宽主瓣宽度的情况下降低旁瓣的优化数学模型，模型一可以通过公式(6)表示，具体为：
其中，Bc为频率控制点，且Bc的取值范围为[-B/2,B/2]，和c(MW)≤0表征在不展宽主瓣宽度的情况下降低旁瓣；
需要说明的是，为目标函数，即寻找最优Bc并达到根据该最优Bc确定对应的PSLR最小的目标；而c(MW)≤0为约束条件，即在控制MW不展宽的情况下实现目标函数中的PSLR最小。
另外，模型二为在不升高旁瓣的情况下缩小主瓣宽度的优化数学模型，模型二可以通过公式(7)表示，具体为：
其中，Bc为频率控制点，且Bc的取值范围为[-B/2,B/2]，和c(PLSR)≤0表征在不升高旁瓣的情况下缩小主瓣宽度。
需要说明的是，为目标函数，即寻找最优Bc并达到根据该最优Bc确定对应的MW最小的目标；而c(PLSR)≤0为约束条件，即在控制PSLR不升高的情况下实现目标函数中的MW最窄。
步骤103、基于优化数学模型，建立增广拉格朗日遗传模拟退火混合算法的算法模型。
这里，步骤103基于优化数学模型，建立增广拉格朗日遗传模拟退火混合算法的算法模型可以由NLFM信号优化装置来实现。
具体地，基于优化数学模型，建立增广拉格朗日遗传模拟退火混合算法的算法模型包括：
步骤1031、基于所述优化数学模型，利用增广拉格朗日遗传模拟退火混合算法建立优化目标函数；其中，所述优化目标函数用于计算所述染色体信息对应的适应度，使得根据所述染色体信息对应的适应度选择父体染色体，对所述父体染色体进行模拟退火寻优后，进行交叉处理、变异处理，得到下一次迭代的染色体信息；
步骤1032、利用增广拉格朗日算法确定参数函数；其中，所述参数函数用于基于当前的迭代参数计算下一次的迭代参数。
其中，步骤1031基于所述优化数学模型，利用增广拉格朗日遗传模拟退火混合算法建立优化目标函数，包括：
基于所述优化数学模型，利用增广拉格朗日算法确定目标函数：
Θ(Bc,λ,s)＝g(Bc)-λslog(s-c(Bc)) (8)；
这里，λ为拉格朗日算子，s为偏移量，λ、s均为非负数；g(Bc)为频率控制点Bc对应的PSLR或MW，c(Bc)为频率控制点Bc对应的MW或PSLR。
在本发明其他实施例中，步骤1032利用增广拉格朗日算法确定参数函数，包括：
其中，μ为保证s-c(Bc)大于0的数值。
在本发明的其他实施例中，增广拉格朗日遗传模拟退火混合算法是遗传模拟退火混合算法的推广形式，是遗传模拟退火混合算法和广义拉格朗日算法混合的解决复杂约束优化的先进算法；这里，增广拉格朗日遗传模拟退火混合算法其数学描述可以通过公式(10)来表示，具体为：
其中，λi为拉格朗日乘子，为一个非负的数；si为一个非负的数，表征偏移量，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，f(x)为适应度函数，m代表非线性约束的个数，mt代表总约束个数。
将步骤102中建立的优化数学模型引入至公式(10)中，建立的目标函数为公式(8)。需要说明的是，当优化数学模型为模型一时，g(Bc)为频率控制点Bc对应的PSLR，c(Bc)为频率控制点Bc对应的MW；当优化数学模型为模型二时，g(Bc)为频率控制点Bc对应的MW，c(Bc)为频率控制点Bc对应的PSLR。
增广拉格朗日遗传模拟退火算法可以将具体的求解问题分成两部分：一部分为传统的遗传和模拟退火算法的混合算法，一部分为增广拉格朗日算法。
其中，增广拉格朗日算法用于解决约束问题，可以通过公式(9)不断地更新λ和s。
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。首先，按一定的规则进行选择染色体；其次，被选中染色体对依据交配概率rc进行交叉产生后代；最后，依据一定的变异概率rm对染色体的基因进行变异操作，在搜索变量空间中产生新的个体。在整个迭代更新优化过程中，适应度高的染色体被选中用于产生后代的概率大，适应度低的染色体被更优的后代取代；这里，可以通过目标函数值来确定染色体的适应度。
模拟退火算法是源于“固体退火”原理，从某一较高初温出发，伴随温度参数的不断下降，结合概率突跳特性在搜索变量空间中随机寻找目标函数的全局最优解，即在达到局部最优解时能以一定的概率跳出，并最终趋于全局最优。如此，可以利用模拟退火算法对选择的每一个染色体进行优化，增大整个种群的多样性，避免遗传算法过早的陷入局部搜索。
在实际应用中，根据各染色体的适应度选择父体染色体时，各个染色体被选中的概率与其适应度大小成正比，这里，可采用轮盘选择法(Roulette Wheel Selection，RWS)或其他的算法选择父体染色体。
步骤104、获取初始NLFM信号，并基于所述初始NLFM信号和所述增广拉格朗日遗传模拟退火混合算法的算法模型，得到与所述初始NLFM信号对应的最优NLFM信号。
这里，步骤104获取初始NLFM信号，并基于所述初始NLFM信号和所述增广拉格朗日遗传模拟退火混合算法的算法模型，得到与所述初始NLFM信号对应的最优NLFM信号可以由NLFM信号优化装置来实现。
其中，初始NLFM信号是指经过信号优化装置处理的信号，也就是说，该初始非线性调频信号为本发明实施例中的原始信号。
具体地，基于所述初始NLFM信号和所述增广拉格朗日遗传模拟退火混合算法的算法模型，得到与所述初始NLFM信号对应的最优NLFM信号，包括：
步骤1041、基于所述初始NLFM信号，获得初始染色体信息。
这里，基于所述初始NLFM信号，获得初始染色体信息包括：
根据所述初始NLFM信号，获得初始频率控制点信息；确定所述初始频率控制点信息为所述初始染色体信息。
其中，初始NLFM信号可以有多个，每个初始NLFM信号中具有对应的频率控制点Bc＝[B2n,…,B21,B11,…,B1n]；这样，针对NLFM信号，可以将Bc看成是一个染色体，可以将频率控制点Bc中的每个元素看成是染色体中的基因。
在本发明的其他实施例中，根据所述初始NLFM信号，获得初始频率控制点信息包括：
选取窗函数；
基于所述窗函数和驻定相位原理，计算所述初始NLFM信号对应的群时延函数；
根据所述群时延函数，得到所述初始NLFM信号对应的初始时频关系；
根据所述初始时频关系，获得所述初始频率控制点信息。
其中，NLFM信号优化装置获得初始NLFM信号之后，选取窗函数P(f)作为功率谱，并利用驻定相位原理，通过公式(11)得到初始NLFM信号对应的群时延函数，其中，公式(11)表示为：
其中，C为一个常数，可以通过公式(12)得到；其中，公式(12)为：
其中，T为NLFM信号对应的脉冲宽度。
在得到群时延函数式(11)之后，根据式(11)获得初始NLFM信号对应的瞬时频率，该瞬时频率即为初始NLFM信号对应的时频关系，具体该时频关系如式(13)所示：
f(t)＝T-1(f) (13)；
需要说明的是，式(13)所示的时频关系为反函数形式，此时，由于t对应了时间分段点的取值是自变量，f对应了频率分段点的取值是因变量，利用数值方法，在确定了频率控制点的个数时，根据已知量时间分段点ts，就能获得频率控制点Bc，进而获得频率分段点Bs。
还需要说明的是，信号优化装置获得的频率控制点Bc会随选取的窗函数的不同具有不同的值。一般来说，选取一个窗函数便可得到一个Bc，选用多个窗函数可得多个Bc。
步骤1042、利用所述增广拉格朗日遗传模拟退火混合算法的算法模型，对初始迭代参数和初始染色体信息进行持续迭代，得到最优染色体信息。
具体地，利用所述增广拉格朗日遗传模拟退火混合算法的算法模型，对初始迭代参数和初始染色体信息进行持续迭代，得到最优染色体信息包括：
利用所述算法模型，基于所述优化目标函数和所述参数函数，分别计算所述初始染色体信息对应的适应度和第二次迭代参数，以及根据所述初始染色体信息对应的适应度选择父体染色体信息，并根据模拟退火算法对所述选取的父体染色信息体进行调整，将调整后的染色体进行交叉处理和变异处理得到第二染色体信息；
利用所述算法模型，对所述第二染色体信息和第二迭代参数进行迭代；得到第三染色体信息和第三迭代参数；
利用所述算法模型，持续对迭代的染色体信息和迭代参数进行迭代，直到所述增广拉格朗日遗传模拟退火混合算法收敛。
其中，在对初始的染色体进行迭代之前，可先初始化算法参数，算法参数包括迭代参数和遗传参数，其中，迭代参数包括拉格朗日算子λ和偏移量s，遗传参数包括交叉概率rc和变异概率rm，遗传参数还可包括染色体个数N，染色体个数N表征NLFM信号的个数。初始化的迭代参数可称为初始迭代参数，以用于迭代过程中的第一次迭代。
在第一次迭代时，利用目标函数和初始化迭代参数计算各初始染色体的适应度，根据各初始染色体的适应度从初始染色体中选取多个父体染色体，根据模拟退火算法对所述选取的多个父体染色信息体进行优化调整，对调整后的父体染色体进行交叉处理和变异处理，得到第二次迭代的染色体，并通过参数函数计算初始化迭代参数对应的第二次迭代参数。
在第二次迭代时，利用所述目标函数和第二次迭代参数计算各第二次迭代的染色体的适应度，根据各第二次迭代的染色体的适应度从第二次迭代的染色体中选取多个父体染色体，根据模拟退火算法对所述选取的多个父体染色信息体进行优化调整，对调整后的父体染色体进行交叉处理和变异处理，得到第三次迭代的染色体，并通过参数函数计算第二次迭代参数对应的第三次迭代参数。
需要说明的是，在第二次迭代完成后，基于算法模型对染色体持续进行迭代，直到增广拉格朗日遗传模拟退火混合算法收敛停止，得到的染色体为最优染色体。
这里，可当两次迭代中的最优染色体对应的适应度不再改变时，确定增广拉格朗日遗传模拟退火混合算法收敛；也可以设定迭代阈值，当迭代次数达到迭代阈值时，确定增广拉格朗日遗传模拟退火混合算法收敛。
根据步骤103的分析，在本实施例中可以采用轮盘选择法(Roulette WheelSelection，RWS)或其他的算法选择父体染色体。
这里，RWS的一种算法为：当从N个染色体中选择父体染色体时，第j个个体染色体被选中的概率为，
其中，为第j个个体染色体的适应度。
具体地，RWS的过程为：
S1、在[0,1]内产生一个均匀分布的随机数r；
S2、若r≤q1，该染色体被选中；
S3、若qm-1<r≤qm(2≤m≤N)，则染色体被选中。
其中，qm是指染色体的积累概率，积累概率的公式为：
在本发明实施例中，对RWS的具体的算法不进行任何限制。
在迭代过程中，定义选中的父体染色体的总个数为K。
首先，判断选择出来的父体染色体是否经过X次选择和遗传处理，遗传处理包括交叉和变异处理。为了使得染色体对应的适应度更高，以及种群的多样性增大，在选择和遗传处理进行了X次之后，还需对选择父体的染色体进行模拟退火操作。
因此，在选择出父体染色体之后，使用模拟退火算法对选取的K个父体染色进行优化调整。具体地，使用模拟退火算法对选取的多个父体染色进行优化调整包括：
利用模拟退火算法，对当前选取的父体染色体进行优化迭代，直到获得最优的父体染色体。
具体地，使用模拟退火算法对选取的多个父体染色进行优化调整时，首先需要设置初始温度T0，迭代指标k＝0，终止温度Tf，温度衰减因子α，步长因子ε，每一温度下的迭代终止容限Tolerance。
在本发明的其他实施例中，将当前的父体染色体作为初始最优解，基于步长因子ε对该初始最优解做随机变动，在变量搜索空间中产生一个新的最优解；计算目标函数差，根据一定的概率判断新的最优解是否被接受，当新的最优解被确定接受时，用新的最优解代替当前最优解。
进而，再基于步长因子ε对当前的最优解做随机变动，在变量搜索空间中产生另一个新的最优解重复以上步骤，直至达到每个温度下的迭代终止容限Tolerance。最后根据初始温度T0，迭代指标k＝0，终止温度Tf，温度衰减因子α，判断是否跳出该模拟退火算法。需要说明的是，迭代终止容限Tolerance可以是连续若干个新的最优解都没有被接受时，或者达到了规定的迭代次数。
通过上述步骤，可以将得到的最优解作为调整后的父体染色体；进而，对该调整后的父体染色体进行交叉处理和变异处理，得到下一次迭代的染色体。
具体地，对调整后的K个父体染色体进行交叉处理和变异处理。其中，交叉过程具体为：先为这K个父体染色体产生K个随机数，如果父体染色体对应的随机数低于交叉概率rc，则表明这些父体染色体被选中用于交叉操作。这里，采取1个交叉点交叉操作，交叉点的位置由随机产生。父体染色体在交叉点互换基因可以产生第二次迭代的第二染色体。
变异处理是指染色体中的基因发生变化的操作。变异的基因能够被随机选中，在本实施例中，每个NLFM信号中的频率控制点Bc中含有2n个元素，因此，每个父体染色体的基因个数为2n，则基因总个数L为L＝2nK，变异的个数M由变异概率rm决定，具体为M＝rmL。在L个基因中随机选中M个基因进行变异操作，当第k个染色体的第i个基因变异时，变异运算如公式(14)所示：
其中，rand为0至1之间的随机数。
综上所述，基于遗传模拟退火混合算法的NLFM信号优化过程可总结成算法如下所示：
步骤1、初始化算法参数：设定初始化算法参数：染色体个数N，交叉概率rc，变异概率rm，拉格朗日算子λ，偏移量s。
其中，染色体个数N为正数，N的值越大，优化结果越好，收敛速度越慢；0<rc<1，rc的值越大，全局优化结果越好，收敛速度越慢；0<rm<1，rm的值越大，全局优化结果越好，收敛速度越慢。
步骤2、根据式(13)得到初始化N个频率控制点Bc，得到N个初始化染色体。
步骤3、对于每个染色体所表示的频率控制点，依据(1)至(5)式确定对应的NLFM信号，进行自相关运算,然后进行计算输出信号的主瓣宽度MW及峰值旁瓣比PSLR，最后依据式(8)计算染色体的适应度。并依据式(9)利用增广拉格朗日算法计算下一次优化的λ和偏移量s。
步骤4、根据RWS选择K个父体染色体。判断所述K个父体染色体是否经过X次选择和遗传处理；若经过X选择和遗传处理，执行步骤5；
步骤5、使用模拟退火算法对选择的父体染色体进行优化调整；
步骤6、根据交叉概率rc对步骤5调整后的父体染色体进行一个交叉点交叉操作。
步骤7、根据变异概率rm对交叉处理后的染色体进行公式(14)的变异操作。
步骤8、循环步骤2至步骤6，直至算法收敛。
算法收敛表明已完成了NLFM信号设计和优化。
在本发明的其他实施例中，使用模拟退火算法对父体染色体的优化调整过程可总结成算法如下所示：
步骤1、以当前染色体为初始最优解I，根据公式(8)计算目标函数值。
步骤2、设置初始温度T0，迭代指标k＝0，终止温度Tf，温度衰减因子α，步长因子ε，每一温度下的迭代终止容限Tolerance。
步骤3、对当前最优解I以步长因子ε对该初始最优解做随机变动，在变量搜索空间得到一个新的最优解J；计算目标函数增量△Θ＝Θ(J)-Θ(I)；
若增量△Θ<0，接收新的最优解J为当前最优解，使I＝J，执行步骤5；若△Θ≥0，执行步骤4。
步骤4、以概率p接受新的最优解J；其中，p＝exp{-△Θ/Tk}，Tk为当前温度；
具体地，生成随机数rand，rand∈(0,1)；若p＞rand，则接受I＝J。
步骤5、判断是否达到热平衡状态；
具体地，判断当前迭代是否满足当前温度Tk的迭代终止容限Tolerance；若满足，则执行步骤6；若不满足，则执行步骤3。
步骤6、判断是否满足终止条件；
具体地，降低当前温度，使Tk+1＝αTk，k＝k+1降低当前温度；若Tk+1<Tf，停止算法，得到最优解；若Tk+1≥Tf则执行步骤3。
步骤1043、基于所述最优染色体信息，得到所述最优NLFM信号。
这里，最优染色体信息表征的是最优的频率控制点Bc；将最优的频率控制点代入至步骤101建立的时域函数模型中，即可得到最优NLFM信号。
本发明实施例提供了一种非线性调频NLFM信号优化方法，首先，基于分段线性函数，建立非线性调频NLFM信号的时域函数模型；其次，基于所述NLFM信号的时域函数模型对应的自相关性能，建立优化数学模型；再次，基于所述优化数学模型，建立增广拉格朗日遗传模拟退火混合算法的算法模型；最后，获取初始NLFM信号，并基于所述初始NLFM信号和所述增广拉格朗日遗传模拟退火混合算法的算法模型，得到与所述初始NLFM信号对应的最优NLFM信号；如此，利用建立的增广拉格朗日遗传模拟退火混合算法的算法模型对初始NLFM信号进行处理，得到的最优NLFM信号，能够在最大限度降低旁瓣的同时，最低限度展宽主瓣，保证了NLFM信号分辨率，提高了NLFM信号的成像能力。
基于前述实施例，本发明实施例结合具体的合成孔径雷达系统常用的大时宽信号设计参数对本发明实施例提供的NLFM信号进行说明。
设置大时宽信号的脉宽为10us，带宽为100MHz，采样频率为120MHz，其中，初始化NLFM信号是通过公式(11)～(13)，基于驻定相位原理，以-32dB泰勒窗函数为功率谱形成的。
使用上述实施例提供基于遗传模拟退火混合算法对NLFM信号进行优化，其优化结果如表1所示：
表1
可以看出，使用本发明实施例提供的NLFM信号的优化方法进行NLFM信号优化后的最优NLFM信号，相比于初始NLFM信号能够在不展宽主瓣的条件下，使旁瓣降低了6dB。此外，由于泰勒窗是一种性能较优的窗函数，所以此时的初始NLFM信号的PSLR和MW指标已经很好，通过本发明实施例提供的NLFM信号优化方法能在不展宽主瓣的情况下还能降低6dB，充分证实了本发明实施例提供的NLFM信号优化方法的有效性。
图3-5为优化后的NLFM时频关系曲线、时域波形及自相关函数输出波形。图5为优化信号的时域波形图。与加窗产生等效旁瓣水平的相同时宽LFM信号相比，具有1.2dB的系统信噪比保持能力，具有很大的实际工程意义。此外，该最优NLFM信号的时频关系曲线如图3所示，横坐标为时间信息：脉宽为10us，纵坐标为频率信息：带宽为100MHz；该最优NLFM信号的时域波形如图4所示，横坐标为时间信息：脉宽为10us，纵坐标为幅度信息：幅度为2，并且实线表征该信号时域波形中的实部信息，虚线表征该时域波形中的虚部信息；该最优NLFM信号的自相关输出波形如图5所示：与加窗产生等效旁瓣水平的相同时宽LFM信号相比，具有1.2dB的系统信噪比保持能力。
基于前述实施例，本发明实施例还提供了一种NLFM信号的优化装置，如图6所示，本发明NLFM信号的优化装置包括：
函数模型建立单元61，用于基于分段线性函数，建立非线性调频NLFM信号的时域函数模型；
优化数学模型建立单元62，用于基于所述NLFM信号的时域函数模型对应的自相关性能，建立优化数学模型；
算法模型建立单元63，用于基于所述优化数学模型，建立增广拉格朗日遗传模拟退火混合算法的算法模型；
处理单元64，用于获取初始NLFM信号，并基于所述初始NLFM信号和所述增广拉格朗日遗传模拟退火混合算法的算法模型，得到与所述初始NLFM信号对应的最优NLFM信号。
在本发明的其他实施例中，上述处理单元64，具体用于：
基于所述初始NLFM信号，获得初始染色体信息；
利用所述增广拉格朗日遗传模拟退火混合算法的算法模型，对初始迭代参数和初始染色体信息进行持续迭代，得到最优染色体信息；
基于所述最优染色体信息，得到所述最优NLFM信号。
在本发明的其他实施例中，处理单元64，还用于：
根据所述初始NLFM信号，获得初始频率控制点信息；
确定所述初始频率控制点信息为所述初始染色体信息。
在本发明的其他实施例中，所述处理单元64，还可以用于：
选取窗函数；
基于所述窗函数和驻定相位原理，计算所述初始NLFM信号对应的群时延函数；
根据所述群时延函数，得到所述初始NLFM信号对应的初始时频关系；
根据所述初始时频关系，获得所述初始频率控制点信息。
在本发明的其他实施例中，函数模型建立单元61，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信号的时频关系模型；
根据所述时频关系模型，确定所述NLFM信号的相位模型；
根据所述NLFM信号对应的幅度和所述相位模型，建立所述时域函数模型。
在本发明的其他实施例中，优化数学模型建立单元62，能够用于：
根据所述NLFM信号对应的自相关性能，确定性能参数；其中，所述性能参数包括峰值旁瓣比PSLR和主瓣宽度MW；
根据所述峰值旁瓣比PSLR和主瓣宽度MW，建立所述优化数学模型。
在本发明的其他实施例中，优化数学模型建立单元62，还用于：
基于所述优化数学模型，利用增广拉格朗日遗传模拟退火混合算法建立优化目标函数；
其中，所述优化目标函数用于计算所述染色体信息对应的适应度，使得根据所述染色体信息对应的适应度选择父体染色体，对所述父体染色体进行模拟退火寻优后，进行交叉处理、变异处理，得到下一次迭代的染色体信息；
利用增广拉格朗日算法确定参数函数；其中，所述参数函数用于基于当前的迭代参数计算下一次的迭代参数。
在本发明的其他实施例中，优化数学模型建立单元62，具体用于：
利用所述算法模型，基于所述优化目标函数和所述参数函数，分别计算所述初始染色体信息对应的适应度和第二次迭代参数，以及根据所述初始染色体信息对应的适应度选择父体染色体信息，并根据模拟退火算法对所述选取的父体染色信息体进行调整，将调整后的父体染色体进行交叉处理和变异处理得到第二染色体信息；
利用所述算法模型，对所述第二染色体信息和第二迭代参数进行迭代；得到第三染色体信息和第三迭代参数；
利用所述算法模型，持续对迭代的染色体信息和迭代参数进行迭代，直到所述增广拉格朗日遗传模拟退火混合算法收敛。
在本发明的其他实施例中，优化数学模型建立单元62，还可以用于：
利用模拟退火算法，对当前选取的父体染色体进行优化迭代，直到获得最优的父体染色体。
在本发明的其他实施例中，函数模型建立单元61，具体用于：
将所述NLFM信号的时频信息的坐标定义为(t,f)，其中，t表示横坐标轴上对应的时间，f表示纵坐标轴上对应的频率，并将脉冲宽度为T和信号的带宽为B的所述NLFM信号分为2n+2段线性函数表示，其中，横坐标轴上共有2n+3个时间分段点并且所述时间分段点是均匀分布的，即 纵坐标上有2n+3个频率分段点所述频率分段点中的未知量构成所述NLFM信号的频率控制点Bc＝[B2n,…,B21,B11,…,B1n]，n为大于等于0的正整数，得到所述NLFM信号对应的所述时频关系模型为：
其中，k2n…k21、k20、k10、k11…k1n表征每段所述NLFM信号对应的调频率；
根据所述时频关系模型，确定所述NLFM信号对应的所述相位模型：
其中，c0、c1…cn、d0、d1…dn为常数；
根据所述相位模型构建幅度为A的所述NLFM信号的时域模型：
s(t)＝Ae-jθ(t)
其中，j为所述时域模型的虚部。
在本发明的其他实施例中，优化数学模型建立单元62，具体用于：根据所述峰值旁瓣比PSLR和主瓣宽度MW，建立所述优化数学模型，包括：
其中，Bc为频率控制点，且Bc的取值范围为[-B/2,B/2]，和c(MW)≤0表征在不展宽主瓣宽度的情况下降低旁瓣；
或者，所述信号优化模型为：
其中，Bc为频率控制点，且Bc的取值范围为[-B/2,B/2]，和c(PLSR)≤0表征在不升高旁瓣的情况下缩小主瓣宽度。
在本发明的其他实施例中，处理单元64，具体用于：基于所述优化数学模型，利用增广拉格朗日算法确定目标函数，包括：
Θ(p,λ,s)＝g(Bc)-λslog(s-c(Bc))；
其中，λ为拉格朗日算子，s为偏移量，λ、s均为非负数；g(Bc)为频率控制点Bc对应的PSLR或MW，c(Bc)为频率控制点Bc对应的MW或PSLR；
利用增广拉格朗日算法确定参数函数，包括：
其中，μ为保证s-c(Bc)大于0的数值。
需要说明的是，以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明装置实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
需要说明的是，本发明实施例中，如果以软件功能模块的形式实现上述的即时通讯方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台即时通讯设备(可以是终端、服务器等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实施例不限制于任何特定的硬件和软件结合。
基于上述NLFM信号的优化装置中各单元的实现，为了实现本发明实施例提供的NLFM信号的优化方法，本发明实施例还提供了一种NLFM信号的优化装置，如图7所示，所述装置70包括：处理器71和配置为存储能够在处理器上运行的计算机程序的存储器72，
其中，所述处理器71配置为运行所述计算机程序时，执行前述实施例中的方法步骤。
当然，实际应用时，如图7所示，该NLFM信号的优化装置70中的各个组件通过总线系统73耦合在一起。可理解，总线系统73用于实现这些组件之间的连接通信。总线系统73除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图7中将各种总线都标为总线系统73。
在示例性实施例中，本发明实施例还提供了一种计算机可读存储介质，例如包括计算机程序的存储器72，上述计算机程序可由NLFM信号的优化装置70的处理器71执行，以完成前述方法所述步骤。计算机可读存储介质可以是磁性随机存取存储器(FRAM，ferromagnetic random access memory)、只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、快闪存储器(FlashMemory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)等存储器。
本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
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 (15)

1.一种非线性调频信号优化方法，其特征在于，所述方法包括：
基于分段线性函数，建立非线性调频NLFM信号的时域函数模型；
基于所述NLFM信号的时域函数模型对应的自相关性能，建立优化数学模型；
基于所述优化数学模型，建立增广拉格朗日遗传模拟退火混合算法的算法模型；
获取初始NLFM信号，并基于所述初始NLFM信号和所述增广拉格朗日遗传模拟退火混合算法的算法模型，得到与所述初始NLFM信号对应的最优NLFM信号。
2.根据权利要求1所述的方法，其特征在于，所述基于所述初始NLFM信号和所述增广拉格朗日遗传模拟退火混合算法的算法模型，得到与所述初始NLFM信号对应的最优NLFM信号，包括：
基于所述初始NLFM信号，获得初始染色体信息；
利用所述增广拉格朗日遗传模拟退火混合算法的算法模型，对初始迭代参数和初始染色体信息进行持续迭代，得到最优染色体信息；
基于所述最优染色体信息，得到所述最优NLFM信号。
3.根据权利要求2所述的方法，其特征在于，所述基于所述初始NLFM信号，获得初始染色体信息，包括：
根据所述初始NLFM信号，获得初始频率控制点信息；
确定所述初始频率控制点信息为所述初始染色体信息。
4.根据权利要求3所述的方法，其特征在于，所述根据所述初始NLFM信号，获得初始频率控制点信息，包括：
选取窗函数；
基于所述窗函数和驻定相位原理，计算所述初始NLFM信号对应的群时延函数；
根据所述群时延函数，得到所述初始NLFM信号对应的初始时频关系；
根据所述初始时频关系，获得所述初始频率控制点信息。
5.根据权利要求1所述的方法，其特征在于，所述基于分段线性函数，建立NLFM信号的时域函数模型，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信号的时频关系模型；
根据所述时频关系模型，确定所述NLFM信号的相位模型；
根据所述NLFM信号对应的幅度和所述相位模型，建立所述时域函数模型。
6.根据权利要求1所述的方法，其特征在于，所述基于所述NLFM信号的时域函数模型对应的自相关性能，建立优化数学模型，包括：
根据所述NLFM信号对应的自相关性能，确定性能参数；其中，所述性能参数包括峰值旁瓣比PSLR和主瓣宽度MW；
根据所述峰值旁瓣比PSLR和主瓣宽度MW，建立所述优化数学模型。
7.根据权利要求2所述的方法，其特征在于，所述基于所述优化数学模型，建立增广拉格朗日遗传模拟退火混合算法的算法模型，包括：
基于所述优化数学模型，利用增广拉格朗日遗传模拟退火混合算法建立优化目标函数；
其中，所述优化目标函数用于计算所述染色体信息对应的适应度，使得根据所述染色体信息对应的适应度选择父体染色体，对所述父体染色体进行模拟退火寻优后，进行交叉处理、变异处理，得到下一次迭代的染色体信息；
利用增广拉格朗日算法确定参数函数；其中，所述参数函数用于基于当前的迭代参数计算下一次的迭代参数。
8.根据权利要求7所述的方法，其特征在于，所述利用所述增广拉格朗日遗传模拟退火混合算法的算法模型，对初始迭代参数和初始染色体信息进行持续迭代，得到最优染色体信息，包括：
利用所述算法模型，基于所述优化目标函数和所述参数函数，分别计算所述初始染色体信息对应的适应度和第二次迭代参数，以及根据所述初始染色体信息对应的适应度选择父体染色体信息，并根据模拟退火算法对所述选取的父体染色信息体进行调整，将调整后的父体染色体进行交叉处理和变异处理得到第二染色体信息；
利用所述算法模型，对所述第二染色体信息和第二迭代参数进行迭代；得到第三染色体信息和第三迭代参数；
利用所述算法模型，持续对迭代的染色体信息和迭代参数进行迭代，直到所述增广拉格朗日遗传模拟退火混合算法收敛。
9.根据权利要求8所述的方法，其特征在于，所述根据模拟退火算法对所述选取的父体染色信息体进行调整，包括：
利用模拟退火算法，对当前选取的父体染色体进行优化迭代，直到获得最优的父体染色体。
10.根据权利要求5所述的方法，其特征在于，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信号的时频关系模型，根据所述时频关系模型，确定所述NLFM信号的相位模型，根据所述NLFM信号对应的幅度和所述相位模型，建立所述时域函数模型，包括：
将所述NLFM信号的时频信息的坐标定义为(t,f)，其中，t表示横坐标轴上对应的时间，f表示纵坐标轴上对应的频率，并将脉冲宽度为T和信号的带宽为B的所述NLFM信号分为2n+2段线性函数表示，其中，横坐标轴上共有2n+3个时间分段点并且所述时间分段点是均匀分布的，即 纵坐标上有2n+3个频率分段点所述频率分段点中的未知量构成所述NLFM信号的频率控制点Bc＝[B2n,…,B21,B11,…,B1n]，n为大于等于0的正整数，得到所述NLFM信号对应的所述时频关系模型为：
其中，k2n…k21、k20、k10、k11…k1n表征每段所述NLFM信号对应的调频率；
根据所述时频关系模型，确定所述NLFM信号对应的所述相位模型：
其中，c0、c1…cn、d0、d1…dn为常数；
根据所述相位模型构建幅度为A的所述NLFM信号的时域模型：
s(t)＝Ae-jθ(t)
其中，j为所述时域模型的虚部。
11.根据权利要求6所述的方法，其特征在于，所述根据所述峰值旁瓣比PSLR和主瓣宽度MW，建立所述优化数学模型，包括：
其中，Bc为频率控制点，且Bc的取值范围为[-B/2,B/2]，和c(MW)≤0表征在不展宽主瓣宽度的情况下降低旁瓣；
或者，所述信号优化模型为：
其中，Bc为频率控制点，且Bc的取值范围为[-B/2,B/2]，和c(PLSR)≤0表征在不升高旁瓣的情况下缩小主瓣宽度。
12.根据权利要求7所述的方法，其特征在于，所述基于所述优化数学模型，利用增广拉格朗日算法确定目标函数：
Θ(p,λ,s)＝g(Bc)-λslog(s-c(Bc))；
其中，λ为拉格朗日算子，s为偏移量，λ、s均为非负数；g(Bc)为频率控制点Bc对应的PSLR或MW，c(Bc)为频率控制点Bc对应的MW或PSLR；
利用增广拉格朗日算法确定参数函数，包括：
μk+1＝μk，sk+1＝μk+1λk+1；
其中，μ为保证s-c(Bc)大于0的数值。
13.一种非线性调频NLFM信号的优化装置，其特征在于，所述装置包括：
函数模型建立单元，用于基于分段线性函数，建立非线性调频NLFM信号的时域函数模型；
优化数学模型建立单元，用于基于所述NLFM信号的时域函数模型对应的自相关性能，建立优化数学模型；
算法模型建立单元，用于基于所述优化数学模型，建立增广拉格朗日遗传模拟退火混合算法的算法模型；
处理单元，用于获取初始NLFM信号，并基于所述初始NLFM信号和所述增广拉格朗日遗传模拟退火混合算法的算法模型，得到与所述初始NLFM信号对应的最优NLFM信号。
14.一种非线性调频信号的优化装置，所述装置包括：处理器和配置为存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器配置为运行所述计算机程序时，执行权利要求1至12任一项所述方法的步骤。
15.一种计算机可读存储介质，其特征在于，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，以实现如权利要求1至12中任一项所述的非线性调频信号的优化方法的步骤。
CN201811290543.6A 2018-10-31 2018-10-31 一种非线性调频信号优化方法及装置、存储介质 Active CN109446665B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811290543.6A CN109446665B (zh) 2018-10-31 2018-10-31 一种非线性调频信号优化方法及装置、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811290543.6A CN109446665B (zh) 2018-10-31 2018-10-31 一种非线性调频信号优化方法及装置、存储介质

Publications (2)

Publication Number Publication Date
CN109446665A true CN109446665A (zh) 2019-03-08
CN109446665B CN109446665B (zh) 2020-09-22

Family

ID=65550207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811290543.6A Active CN109446665B (zh) 2018-10-31 2018-10-31 一种非线性调频信号优化方法及装置、存储介质

Country Status (1)

Country Link
CN (1) CN109446665B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114339781A (zh) * 2020-10-10 2022-04-12 大唐移动通信设备有限公司 无线网络覆盖优化方法和装置、电子设备、存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763086A (zh) * 2009-12-29 2010-06-30 浙江大学 一种高效的工业过程动态优化系统及方法
US8022863B1 (en) * 2009-11-06 2011-09-20 Lockheed Martin Corporation Spatially variant apodization (SVA) filter
CN102722613A (zh) * 2012-05-31 2012-10-10 北京航空航天大学 采用遗传-模拟退火组合对天线宽带匹配网络中电子元件参数的优化方法
CN103412307A (zh) * 2013-08-05 2013-11-27 电子科技大学 基于非线性调频信号的czt成像方法
WO2014028486A1 (en) * 2012-08-15 2014-02-20 Scidea Reseach, Inc. Structured random permutation pulse compression systems and methods
CN103761138A (zh) * 2014-01-16 2014-04-30 昆明理工大学 一种交通仿真软件的参数校正方法
CN105259534A (zh) * 2015-09-17 2016-01-20 中国科学院电子学研究所 一种非线性调频信号的生成方法和装置
CN106680776A (zh) * 2016-12-13 2017-05-17 西北工业大学 对多普勒信息不敏感的低旁瓣波形设计方法
CN107247254A (zh) * 2017-05-27 2017-10-13 中国科学院国家空间科学中心 一种非线性调频信号去斜处理方法
CN107462875A (zh) * 2017-07-25 2017-12-12 西安电子科技大学 基于iga‑np算法的认知雷达最大mi波形优化方法
CN107729289A (zh) * 2017-09-30 2018-02-23 中国人民解放军战略支援部队航天工程大学 一种基于遗传优化的多项式相位信号自适应时频变换方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8022863B1 (en) * 2009-11-06 2011-09-20 Lockheed Martin Corporation Spatially variant apodization (SVA) filter
CN101763086A (zh) * 2009-12-29 2010-06-30 浙江大学 一种高效的工业过程动态优化系统及方法
CN102722613A (zh) * 2012-05-31 2012-10-10 北京航空航天大学 采用遗传-模拟退火组合对天线宽带匹配网络中电子元件参数的优化方法
WO2014028486A1 (en) * 2012-08-15 2014-02-20 Scidea Reseach, Inc. Structured random permutation pulse compression systems and methods
CN103412307A (zh) * 2013-08-05 2013-11-27 电子科技大学 基于非线性调频信号的czt成像方法
CN103761138A (zh) * 2014-01-16 2014-04-30 昆明理工大学 一种交通仿真软件的参数校正方法
CN105259534A (zh) * 2015-09-17 2016-01-20 中国科学院电子学研究所 一种非线性调频信号的生成方法和装置
CN106680776A (zh) * 2016-12-13 2017-05-17 西北工业大学 对多普勒信息不敏感的低旁瓣波形设计方法
CN107247254A (zh) * 2017-05-27 2017-10-13 中国科学院国家空间科学中心 一种非线性调频信号去斜处理方法
CN107462875A (zh) * 2017-07-25 2017-12-12 西安电子科技大学 基于iga‑np算法的认知雷达最大mi波形优化方法
CN107729289A (zh) * 2017-09-30 2018-02-23 中国人民解放军战略支援部队航天工程大学 一种基于遗传优化的多项式相位信号自适应时频变换方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HAI DENG ET.AL: "Polyphase Code Design for Orthogonal Netted Radar System", 《IEEE》 *
HIROFUMI TSUDA ET.AL: "Non-Linear Programming: Maximize SNR for Designing Spreading Sequence – Part I: SNR versus Mean-Square Correlation", 《ARXIV》 *
刘海鹏: "MIMO雷达信号设计及其目标特性研究", 《中国优秀硕士学位论文全文数据库信息科技辑（月刊）》 *
秦绪凯: "雷达信号高精度到达时差与参数估计的FGPA实现", 《中国优秀硕士学位论文全文数据库信息科技辑（月刊）》 *
邓云凯等: "随机调频信号旁瓣抑制及成像", 《电子与信息学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114339781A (zh) * 2020-10-10 2022-04-12 大唐移动通信设备有限公司 无线网络覆盖优化方法和装置、电子设备、存储介质
CN114339781B (zh) * 2020-10-10 2023-12-05 大唐移动通信设备有限公司 无线网络覆盖优化方法和装置、电子设备、存储介质

Also Published As

Publication number Publication date
CN109446665B (zh) 2020-09-22

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
CN107609298B (zh) 一种Jiles-Atherton模型参数辨识方法和装置
CN106154259B (zh) 一种随机集理论下的多传感器自适应管控方法
CN109343058A (zh) 基于混合算法的正交非线性调频信号生成方法及装置
CN117354652A (zh) 基于变分自编码器的高速多模光模块性能优化方法
CN109446665A (zh) 一种非线性调频信号优化方法及装置、存储介质
CN109343059A (zh) 一种正交非线性调频信号生成方法及装置
CN105974416B (zh) 积累互相关包络对齐的8核dsp片上并行实现方法
CN113962163A (zh) 一种实现无源微波器件高效设计的优化方法、装置和设备
Azmat et al. Bio‐inspired collaborative spectrum sensing and allocation for cognitive radios
CN110401474B (zh) 一种相控天线矢量调制器控制电压确定方法及系统
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
CN110716167B (zh) 任意波形发生器幅度扫频自适应分辨率校准方法及系统
CN109471073A (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
CN109615680B (zh) 基于泰森多边形和距离反比实现无线频谱资源空间分布插值处理的方法、装置及其存储介质
CN115189990B (zh) 一种基于循环储蓄学习网络的ofdm时域信道预测方法及系统
CN108896967A (zh) 基于杂波协方差矩阵估计的距离扩展目标检测方法及装置
CN109309536A (zh) 一种可降低Nakagami逆CDF函数近似复杂度的方法
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
CN108445749B (zh) 一种应用于高阶滑模控制器的参数整定方法
Hariyoshi et al. Control with actuation anticipation
Lellouch et al. Orthogonal frequency division multiplexing phenomenology: radar technique combining genetic algorithm‐based pulse design and energy detector for target recognition
CN113408122B (zh) 一种多自由度调频信号的生成方法、装置及存储介质
Stanovov et al. Visualizing crossover rate influence in differential evolution with expected fitness improvement
Geng et al. Millimetre wave channel modeling based on grey genetic optimization model

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