CN110336585A - 一种基于mwc的跳频信号参数估计方法 - Google Patents
一种基于mwc的跳频信号参数估计方法 Download PDFInfo
- Publication number
- CN110336585A CN110336585A CN201910310494.6A CN201910310494A CN110336585A CN 110336585 A CN110336585 A CN 110336585A CN 201910310494 A CN201910310494 A CN 201910310494A CN 110336585 A CN110336585 A CN 110336585A
- Authority
- CN
- China
- Prior art keywords
- frequency
- net
- mwc
- frequency hopping
- parameter estimation
- 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.)
- Pending
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Measuring Frequencies, Analyzing Spectra (AREA)
Abstract
本发明属于信号处理领域,针对在信号在MWC恢复后时频图会不够清晰等问题,提出了一种了基于时频图修正的多网台跳频信号的参数估计方法。该方法包括:(1)首先进行时频图修正,用二进制矩阵B表示时频矩阵A;(2)根据修正后的时频矩阵B依次进行网台估计、跳周期估计、跳时估计等。仿真结果表明该方法用在单网台跳频信号时,抗噪性比原来方法好,且可以实现多网台跳频信号的参数估计,并且在MWC采样并恢复信号后进行参数估计情况下,用本发明的方法比用时频脊线法在低信噪比下的性能更好,且能满足多个跳频信号的参数粗估计,服务于后端的网台分选。
Description
技术领域
本发明属于信号处理领域,涉及一种跳频信号的参数估计,尤其是一种基于MWC的跳频信号参数估计,具体用于处理跳频信号MWC恢复后与原来信号存在误差,时频图不够清晰的问题。
背景技术
跳频通信具有抗干扰、低截获和易组网等优点,在民用和军事通信中有广泛的应用。近年来,为了提高抗干扰能力,跳频通信有向宽频带、高跳速发展的趋势。这给基于奈奎斯特采样架构的跳频捕获系统带来了诸多问题,最突出的就是前端采样数据量大、后续传输和处理困难。对于单天线接收系统,传统的跳频信号一般是先进行网台分选,然后进行单网台跳频信号的处理,而一般天线接收到的是多个网台的信号,所以需要首先对多个网台的信号进行粗略的参数估计,为网台分选服务。
在跳频信号参数估计这一领域所作的探索有传统方法短时傅里叶变换(STFT)、Morlet 小波算法、平滑伪魏格纳分布(SPWVD)算法等。在跳变时刻的估计上,STFT 的时间分辨率严重依赖于时间窗的长度, Morlet小波变换和SPWVD在跳变时刻的估计精度上相比STFT有提升;但是SPWVD由于采用时域平滑滤波,边缘分布和瞬时特性被破坏,时域分辨率有所下降;Morlet的多分辨率特性决定了其在频率较低的部分具有较低的时间分辨率。在不追求高频率分辨率的条件下,只要时间窗长度较短,便可以获得较高的时域分辨率,并且STFT可以采用快速傅里叶算法(FFT)来计算,因此实时性强。在对跳频信号频率的估计时,几种算法中STFT属全频域变换,频率分辨率最高, 但仍受限于序列的采样点数。近年来新兴的参数估计方法层出不穷,例如电子科技大学的吕明团队在2016年提出的专利:一种基于信号时频图像信息提取的跳频信号参数估计,中科院光电研究所于2018年提出的专利:一种基于Keystone变换的宽带DS/FH信号参数估计方法及系统和西安电子科技大学付卫红团队于2015年提出的专利:一种基于频率拼接的异步跳频信号参数盲估计方法等。
针对多跳频信号网台分选,传统的算法主要从跳频信号的特征参数角度入手进行网台分选,如起跳时刻、幅度、来波方向等,但是传统算法正确率低、算法复杂度高。目前对单天线接收下的多网台跳频信号处理的研究较少,例如近年空军工程大学信息与导航学院团队提出的针对欠定条件下多跳频信号的网台分选问题的一种基于盲源分离的自适应信噪比网台分选算法等。对于跳频信号的一般处理方法主要有:稀疏线性回归(SLR)、聚类等。但由于SLR的计算量较大,聚类基于统计原理估计精度不高,鉴于此本文提出了一种基于时频图修正的网台跳频信号参数估计算法,能有效估计出接收到信号的跳频网台数、跳周期、跳时刻和载波频率。
发明内容
本发明针对信号在MWC恢复后时频图不够清晰等问题,提出了一种了基于时频图修正的多网台跳频信号的参数估计方法。其技术方案如下:基于MWC的跳频信号参数估计,其主要有以下几个大步骤:1)对时频图进行修正,用二进制矩阵B表示时频矩阵A;2)对网台参数进行估计,确定网台个数Net;3)对跳周期进行参数估计,设定门限并将矩阵B中的向量进行聚类;4)对跳时进行参数估计,确定Net个初始跳变时刻;5)对载频进行参数估计,找到估计的频率估计点并通过公式计算载波频率。
仿真结果表明:1)本发明的方法在单网台跳频信号时,抗噪性比原来方法好,且可以实现多网台跳频信号的参数估计;2)在MWC采样并恢复信号后进行参数估计情况下,用本发明方法比用时频脊线法在低信噪比下的性能更好,且能满足多个跳频信号的参数粗估计,服务于后端的网台分选。 3)MWC采样虽然会引入噪声,但在信噪比足够的情况下,本发明的参数估计算法可以应用于MWC采样后的多网台跳频信号的参数粗估计,可以在完成网台分选后再一次用本发明或者时频脊线的方法进行参数精确估计。
附图说明
图1是基于MWC的跳频信号参数估计流程图。
图2-图3是异步多网台跳频信号初始化前后的时频图。
图4-图5是异步多网台跳频信号修正前后的时频图。
图6-图7是单网台跳频信号修正前后的时频图。
图8是多个跳频信号的网台估计图。
图9-图11是单网台跳频信号的各参数误差估计。
图12-图14是异步多网台跳频信号的各参数误差估计。
图15-图17是MWC采样恢复后的单网台跳频信号的各参数误差估计图。
图18-图20是MWC采样恢复后的异步多网台跳频信号的各参数误差估计图。
具体实施方式
图1为基于MWC的跳频信号参数估计流程图,本发明的具体实施方案分为五个步骤,下面结合附图1对本发明做进一步的详细说明。
步骤1、对时频图进行修正,用二进制矩阵B表示时频矩阵A
1)首先初始化B,对信号进行时频分析,得到时频矩阵A;
2)用二进制矩阵B表示A,对时频矩阵A设定一个阈值,按下式初始化B:
3)对初始化后的B进行修正: 因为B要满足:近似A,稀疏,差分稀疏。所以可以通过求解以下最优化模型对B进行修正:
其中A表示常规时频分析方法得到的时频矩阵,B与A都是P ×N维矩阵,D为列差分矩阵:
。
步骤2、对网台参数进行估计,确定网台个数Net
表示修正后的B的第i列,则表示某时刻的频谱。当在时刻存在多个网台信号时,列矢量中应该包含多段取值为1的元素。中值为1的元素段数记为。令,则向量K中的每个元素对应一个时刻的信号个数,统计K中出现次数最多的项作为估计的网台个数Net。
步骤3、对跳周期进行参数估计,设定门限并将矩阵B中的向量进行聚类
1)提取矩阵B中各行元素连续为1的长度,组成向量;
2)设定门限值(一般为2~4),当两个长度值与 差的绝对值小于,即满足,则认为他们是一类,否则不是。判断中与是同类的个数,并且记录这些元素的位置,所有同类个数组成向量 ;
3)定义个数门限,的确定与采集数据中包含的跳数有关,令表示观测数据中可能包含跳数的最小值,可设定。取具有最大同类个数的长度,,若,则取这个项的平均值为估计的跳周期;
4)删除中这一类所对应的长度,回到步骤1,直到为止;
5)当Net=1时,直接取中最大的一个值为最终跳周期估计值;当Net>1时,当时,用k-means聚类将聚类为Net类,否则当时,将聚类为Net类。得到最终的周期估计值。
步骤4、对跳时进行参数估计,确定Net个初始跳变时刻
1)求得各行的第一个跳变位置,;
2)取出各行中以1开始的行位置,得到以1开始的行的第一个跳变位置,;
若length(index1)< Net,index1就取index中最小的10*Net个值;
3)对index1用上节所述中心遍历的方法求得Net个初始跳变时刻即为估计的跳时刻;
4)通过以上方法得到起跳时刻,然后通过下式求其他跳时刻:。
步骤5、对载频进行参数估计,找到估计的频率估计点并通过公式计算载波频率
1)将B的每一列中元素分为M组,每组中元素相同,且与相邻组不同:,中元素相同, ,;
2)计算每一组中连续为1的长度和组数,并保存每一组的位置;
3)长度最长的一组的位置的中值为所估计的频率估计点,将中该组相应位置置零;
4)当求出估计点个数i小于网台数Net,且中元素不全为零时回到步骤1;
5)求得Net个频率估计点(i=1,…,Net)后,通过计算载波频率,其中为采样频率,L为谱图变换的频率点数。
图2至图3是异步多网台跳频信号初始化前后的时频图:SNR为-5dB,跳频信号个数为2,异步多网台跳频信号,信号1跳变频率依次为[100 640 420 260 520]MHz,跳周期为0.35us;信号2跳变频率依次为[200 750 800 150]MHz,跳周期为0.44us; 观测时长1.7us 。
图4至图5是异步多网台跳频信号修正前后的时频图:以上信号修正之后的时频图,SNR为-5dB,跳频信号个数为2,异步多网台跳频信号,信号1跳变频率依次为[100 640420 260 520]MHz,跳周期为0.35us;信号2跳变频率依次为[200 750 800 150]MHz,跳周期为0.44us; 观测时长1.7us,以表示修正后的时频矩阵。
图6至图7是单网台跳频信号修正前后的时频图:SNR为-5dB, 单网台跳频信号,信号跳变频率依次为[100 640 420 260 520]MHz,跳周期为0.35us,观测时长1.7us,修正后的时频矩阵为修正后的。
图8是多个跳频信号的网台估计:SNR为-15~5dB,跳频信号个数为2,多网台跳频信号,100次蒙特卡罗实验计算网台个数估计的正确率,可以看出本文方法在SNR≥-7dB时能达到100%的正确率。
图9是单网台跳频信号的跳周期误差估计:参数如前所示,循环100 次。误差定义如下: .结果分析:本文方法与时频脊线方法分别在SNR≥-11dB与SNR≥-8dB时,估计误差小于0.1,可以较准确地估计跳周期。
图10是单网台跳频信号的跳时误差估计:参数如前所示,循环100次,误差计算方法与周期类似。结果分析:本文方法与时频脊线方法分别在SNR为-11dB与-8dB时,估计误差首次小于0.1,可以较准确地估计跳时刻。
图11是单网台跳频信号的归一化载频误差估计:参数如前所示,循环100 次,归一化载频估计方差计算方法为 ,其中k为观测时间内包含的总跳数。结果分析:本文方法与时频脊线方法分别在SNR≥-12dB与SNR≥-10dB时,估计误差小于0.1,可以较准确地估计载波频率。
图12是异步多网台跳频信号的跳周期误差估计:参数如前所示,当SNR=[-15,5]dB时,本文方法的跳频周期估计误差,循环100次,可以看出,SNR≥-6dB时估计误差小于0.1,可以较好地估计跳周期。
图13是异步多网台跳频信号的跳时误差估计:参数如前所示,当SNR=[-15,5]dB时,本文方法的跳频时估计误差,循环100次,可以看出SNR≥-5dB时跳频时估计误差小于0.1。
图14是异步多网台跳频信号的归一化载频误差估计:参数如前所示,当SNR=[-15,5]dB时,本文方法的多个信号的平均归一化载频估计方差,循环100次,可以看出SNR≥-7dB时归一化载频估计方差小于0.1,可以较好地估计载波频率。
图15是MWC采样恢复后的单网台跳频信号的周期误差估计对比图:参数如前,将Nyquist采样与MWC采样方式作对比,同时将本文方法与原来的时频脊线方法作对比。结果分析:可以看出在每种采样方式下,在信噪比较低时本文的估计方法都要比原来的时频脊线方法的估计误差更小,MWC采样会引入额外的噪声,导致估计误差变大,但是在SNR≥0dB时,时频脊线方法的估计误差小于0.1,在SNR≥-1dB时,本文方法的估计误差小于0.1,可以较好地估计跳周期。
图16是MWC采样恢复后的单个跳频信号的跳时误差估计对比图:参数如前,将Nyquist采样与MWC采样方式作对比,同时将本文方法与原来的时频脊线方法作对比。结果分析:可以看出在每种采样方式下,在SNR≤-2dB时本文的估计方法比原来的时频脊线方法的估计误差更小,MWC采样会引入额外的噪声,导致估计误差变大,但是在SNR≥-3dB时,时频脊线方法的估计误差小于0.1,在SNR≥1dB时,本文方法的估计误差小于0.1,可以较好地估计跳周期。
图17是MWC采样恢复后的单网台跳频信号的归一化载频误差估计对比图:单网台跳频信号:参数如前,将Nyquist采样与MWC采样方式作对比,同时将本文方法与原来的时频脊线方法作对比。结果分析:可以看出在每种采样方式下,在低信噪比时本文方法比原来的时频脊线方法的归一化载频估计方差更小,在信噪比较大时两种方法的估计性能相当。
图18是MWC采样恢复后的异步多网台跳频信号的周期误差估计对比图:参数如前,将Nyquist采样与MWC采样方式作对比,用本文的方法进行参数估计:在Nyquist采样方式下,SNR≥-6dB时估计误差小于0.1,在MWC采样方式下,SNR≥8dB时,估计误差小于0.1。
图19是MWC采样恢复后的异步多网台跳频信号的跳时误差估计对比图:参数如前,将Nyquist采样与MWC采样方式作对比,用本文的方法进行参数估计:在Nyquist采样方式下,SNR≥-6dB时估计误差小于0.1,在MWC采样方式下,SNR≥8dB时,估计误差小于0.1。
图20是MWC采样恢复后的异步多网台跳频信号的归一化载频误差估计对比图:参数如前,将Nyquist采样与MWC采样方式作对比,用本文的方法进行参数估计:在Nyquist采样方式下,SNR≥-7dB时估计误差小于0.1,在MWC采样方式下,SNR≥7dB时,估计误差小于0.1。
Claims (9)
1.基于MWC的跳频信号参数估计方法是在信号通过MWC恢复后对多个跳频信号的网台、跳周期、跳时、载频进行参数估计,其特征在于:针对在MWC恢复后时频图不够清晰等问题提出了一种基于时频图修正的网台跳频信号参数估计算法,步骤如下:
步骤1、对时频图进行修正,用二进制矩阵B表示时频矩阵A
步骤2、对网台参数进行估计,统计网台个数Net
步骤3、对跳周期进行参数估计,设定门限并将矩阵B中的向量进行聚类,比较与Net大小得到跳周期
步骤4、对跳时进行参数估计,确定Net个初始跳变时刻
步骤5、对载频进行参数估计,找到估计的频率估计点并通过公式计算载波频率。
2.根据权利要求1所述的基于MWC的跳频信号参数估计,其特征在于:步骤1中用二进制矩阵B表示时频矩阵A,对时频矩阵A设定一个阈值,按下式初始化二进制矩阵B:
。
3.根据权利要求1所述的基于MWC的跳频信号参数估计,其特征在于:步骤1中通过求解以下最优化模型对二进制矩阵B进行修正(其中A表示常规时频分析方法得到的时频矩阵,B与A都是P ×N维矩阵,D为列差分矩阵):。
4.根据权利要求1所述的基于MWC的跳频信号参数估计,其特征在于:步骤2中列矢量中值为1的元素段数为,其中 对应一个时刻的信号个数,用K中出现次数最多的项作为估计的网台个数Net。
5.根据权利要求1所述的基于MWC的跳频信号参数估计,其特征在于:步骤3中通过判断向量(矩阵B中各行元素连续为1的长度)之间相差的绝对值是否小于门限值,若满足则为同类,得到同类的个数 。
6.根据权利要求5所述的基于MWC的跳频信号参数估计,其特征在于:步骤3中定义个数门限,判断最大同类个数的长度是否大于等于门限值,若是则取项的平均值为估计的跳周期。
7.根据权利要求6所述的基于MWC的跳频信号参数估计,其特征在于:步骤3中若网台个数Net=1,则取中最大的一个值为最终跳周期估计值,若当网台个数Net>1时,当时,用k-means聚类将聚类为Net类,否则当时,将聚类为Net类,得到最终的周期估计值。
8.根据权利要求1所述的基于MWC的跳频信号参数估计,其特征在于:步骤4中求得各行的第一个跳变位置,取出各行中以1开始的行位置,得到以1开始的行的第一个跳变位置,若,则index1取index中最小的10*Net个值,用中心遍历的方法求得Net个初始跳变时刻即为估计的跳时刻。
9.根据权利要求1所述的基于MWC的跳频信号参数估计,其特征在于:步骤5中矩阵B的每一列中元素分为M组,计算每一组中连续为1的长度和组数,长度最长的一组的位置的中值为所估计的频率估计点,求得Net个频率估计点(i=1,…,Net)后,通过计算载波频率,其中为采样频率,L为谱图变换的频率点数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910310494.6A CN110336585A (zh) | 2019-04-17 | 2019-04-17 | 一种基于mwc的跳频信号参数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910310494.6A CN110336585A (zh) | 2019-04-17 | 2019-04-17 | 一种基于mwc的跳频信号参数估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110336585A true CN110336585A (zh) | 2019-10-15 |
Family
ID=68139210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910310494.6A Pending CN110336585A (zh) | 2019-04-17 | 2019-04-17 | 一种基于mwc的跳频信号参数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110336585A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111600631A (zh) * | 2020-05-12 | 2020-08-28 | 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 |
CN115085761A (zh) * | 2022-07-19 | 2022-09-20 | 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104734791A (zh) * | 2015-04-22 | 2015-06-24 | 哈尔滨工业大学 | 基于fri的稀疏多频带信号频谱定位方法 |
CN106209703A (zh) * | 2016-07-08 | 2016-12-07 | 中国人民解放军信息工程大学 | 一种跳频信号参数盲估计方法及装置 |
CN108462509A (zh) * | 2018-03-26 | 2018-08-28 | 西安电子科技大学 | 基于时频图信息的异步跳频网台分选方法 |
-
2019
- 2019-04-17 CN CN201910310494.6A patent/CN110336585A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104734791A (zh) * | 2015-04-22 | 2015-06-24 | 哈尔滨工业大学 | 基于fri的稀疏多频带信号频谱定位方法 |
CN106209703A (zh) * | 2016-07-08 | 2016-12-07 | 中国人民解放军信息工程大学 | 一种跳频信号参数盲估计方法及装置 |
CN108462509A (zh) * | 2018-03-26 | 2018-08-28 | 西安电子科技大学 | 基于时频图信息的异步跳频网台分选方法 |
Non-Patent Citations (2)
Title |
---|
沙志超: "《单/多通道跳频信号侦察处理关键技术研究》", 《中国优秀博士学位论文全文数据库》 * |
马丽芬: "《欠定盲源分离及其在跳频信号分选中的应用研究》", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111600631A (zh) * | 2020-05-12 | 2020-08-28 | 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 |
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 |
CN115085761A (zh) * | 2022-07-19 | 2022-09-20 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444820B (zh) | 杂波和干扰共存时多通道雷达先干扰抑制后目标检测方法 | |
CN113542171B (zh) | 一种基于cnn和组合高阶谱图像的调制样式识别方法和系统 | |
CN110336585A (zh) | 一种基于mwc的跳频信号参数估计方法 | |
CN109738887B (zh) | 一种适用于微动干扰场景的目标人体运动状态识别方法 | |
CN111624567B (zh) | 一种恒虚警检测方法及装置 | |
Jeong et al. | Spectrogram-based automatic modulation recognition using convolutional neural network | |
CN111757250B (zh) | 一种基于张量分解的信道状态信息定位指纹构造方法 | |
CN112765550A (zh) | 一种基于Wi-Fi信道状态信息的目标行为分割方法 | |
CN113466852A (zh) | 应用于随机干扰场景下的毫米波雷达动态手势识别方法 | |
CN111680737A (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
CN112859116A (zh) | 基于主特征盲源分离的单天线gnss欺骗式干扰检测方法 | |
CN106656372B (zh) | 一种跳频系统的频带干扰检测方法 | |
CN113051972A (zh) | 一种基于WiFi的手势识别系统 | |
CN111796242A (zh) | 一种基于功率特征值提取的改进块稀疏贝叶斯抗干扰方法 | |
CN111693993A (zh) | 自适应1比特数据雷达成像方法 | |
CN111624632B (zh) | 一种卫星导航信号捕获方法及装置 | |
CN111951611A (zh) | 基于多特征融合的ads-b微弱信号检测装置及方法 | |
CN110838995B (zh) | 基于广义最大相关熵准则的盲自适应多用户检测方法 | |
CN107395300A (zh) | 一种基于cme的改进型干扰检测方法 | |
CN111901266A (zh) | 面向低信噪比和高动态场景的载波多普勒频偏捕获方法 | |
Chen et al. | WiTT: Modeling and the evaluation of table tennis actions based on WIFI signals | |
CN116738278A (zh) | 基于小波变换和多模态特征融合的自动调制分类方法 | |
CN107682119B (zh) | 一种基于分组极值模型的mimo空时码识别方法 | |
CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
CN112213698B (zh) | 一种基于稀疏表示分类的欺骗干扰识别方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191015 |