CN111208480B - 用于电子对抗装备侦收信号的载波的自适应辨识方法 - Google Patents

用于电子对抗装备侦收信号的载波的自适应辨识方法 Download PDF

Info

Publication number
CN111208480B
CN111208480B CN201910929823.5A CN201910929823A CN111208480B CN 111208480 B CN111208480 B CN 111208480B CN 201910929823 A CN201910929823 A CN 201910929823A CN 111208480 B CN111208480 B CN 111208480B
Authority
CN
China
Prior art keywords
matrix
signal
data
column vector
column
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
CN201910929823.5A
Other languages
English (en)
Other versions
CN111208480A (zh
Inventor
吴剑锋
裴虎城
余勇军
田锦昌
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.)
Beijing Electromechanical Engineering Research Institute
Original Assignee
Beijing Electromechanical Engineering Research Institute
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 Beijing Electromechanical Engineering Research Institute filed Critical Beijing Electromechanical Engineering Research Institute
Priority to CN201910929823.5A priority Critical patent/CN111208480B/zh
Publication of CN111208480A publication Critical patent/CN111208480A/zh
Application granted granted Critical
Publication of CN111208480B publication Critical patent/CN111208480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Complex Calculations (AREA)

Abstract

本发明提供一种用于电子对抗装备侦收信号的载波的自适应辨识方法，能够有效对信号的载波进行辨识。包括：采集电子对抗装备接收到的离散时间信号序列；将该信号均分成K组信号数据；将K组信号数据处理成K个列向量；基于K个列向量构建矩阵A；获取A的相关矩阵R，估计R的秩P；对A进行奇异值分解，并将矩阵VA表示成列向量的形式；从矩阵VA中提取后LN‑P个列向量得到新的LN×1维列向量，并将第k个列向量表示为gk；对gk中的元素进行处理，得到L(P‑N+1)×P维矩阵Θk；利用Θk构建矩阵η；对η进行奇异值分解，并将Uη表示成列向量的形式；提取Uη的最后一列列向量uη,L(P‑N+1)，处理得到列向量h(l)；将上步得到的列向量组合成向量h；基于向量h求得信号载波z。

Description

用于电子对抗装备侦收信号的载波的自适应辨识方法
技术领域
本发明涉及电子对抗装备信号分选识别技术领域，尤其涉及一种用于电子对抗装备侦收信号的载波的自适应辨识方法，用于对电子对抗装备所侦收的信号进行载波自适应辨识的方法。
背景技术
电子对抗装备在进行对抗前一般需要首先对外界环境中可能存在的威胁源信号进行侦察、分选和识别，以便判断威胁源的类型、工作参数、工作状态等信息，并据此制定行之有效的电子对抗策略，因此，信号的正确识别对电子对抗装备具有举足轻重的意义，因为它是取得有效对抗效果的重要保证和依凭。
传统电子对抗装备的电子对抗策略较为简单，对信号分选识别的精细化要求较低，其最主要的需求为我们熟知的脉冲描述字(PDW)，主要包括信号的频率、脉冲宽度以及脉冲重复周期等三要素。随着电子对抗技术的不断发展，特别是智能技术在电子对抗技术领域的应用，对信号分选识别的要求变得越来越高，现代电子对抗装备的最新需求是具有对侦收信号进行指纹识别的能力，这属于信号精细识别的范畴，而信号精细识别的重要前提是能够正确辨识出信号的载波和基带部分；然而，由于电子对抗装备主要侦收的对象是第三方威胁源发射的信号，信号处理的对象属于非合作信号，非合作信号的主要特点是没有任何先验信息，对这种信号的载波进行辨识的难度非常大。
发明内容
在下文中给出关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
本发明的目的在于克服现有技术的不足，提供一种用于电子对抗装备侦收信号的载波的自适应辨识方法，能够解决上述现有技术中存在的技术问题。
本发明的技术解决方案：本发明提供一种用于电子对抗装备侦收信号的载波的自适应辨识方法，该方法包括以下步骤：
步骤1、采集电子对抗装备接收到的离散时间信号序列，表示为：x(1),x(2),…,x(LN),x(LN+1),…,x(i),…,x(K×LN)，式中，x(i)表示第i*ts时刻采集到的信号，信号的采样周期是ts，K,L,N为正整数；
步骤2、将步骤1采集到的信号均分成K组信号数据，每组信号数据包含LN个信号；
步骤3、将步骤2得到的K组信号数据处理成K个列向量[x1 x2 … xn … xK]；
步骤4、基于步骤3得到的K个列向量构建矩阵AH＝[x1 x2 … xn … xK]，其中，H表示矩阵取共轭转置；
步骤5、获取矩阵A的相关矩阵R，并估计矩阵R的秩P，其中P为正整数；
步骤6、对矩阵A进行奇异值分解，得到：
Figure BDA0002219907050000021
并将矩阵VA表示成列向量的形式：VA＝[vA,1 vA,2 … vA,LN]，其中，UA为K×K维的酉矩阵；
VA为LN×LN维的酉矩阵；ΣA＝diag(λA,1,λA,2,…,λA,LN)，符号“diag”代表对角矩阵，且λA,1≥λA,2≥…≥λA,LN；
步骤7、从矩阵VA中提取后LN-P个列向量得到新的LN×1维列向量，并将第k个列向量表示为gk，k＝1,2,…,LN-P；
步骤8、对列向量gk中的元素进行处理，得到L(P-N+1)×P维矩阵Θk；
步骤9、利用步骤8得到的LN-P个矩阵Θk构建矩阵η，
Figure BDA0002219907050000031
步骤10、对η进行奇异值分解，得到：
Figure BDA0002219907050000032
并将Uη表示成列向量的形式为：Uη＝[uη,1 uη,2 … uη,L(P-N+1)]；其中，Uη为L(P-N+1)×L(P-N+1)维的酉矩阵；Vη为(LN-P)P×(LN-P)P维的酉矩阵；Ση＝diag(λη,1,λη,2,…,λη,M)，其中，M为矩阵η的秩，λη,1≥λη,2≥…≥λη,M；
步骤11、提取矩阵Uη的最后一列列向量uη,L(P-N+1)，通过处理得到列向量h(l)，l＝1,2,…,P-N+1；
步骤12、将步骤11得到的P-N+1个列向量组合成L(P-N+1)×1维向量
Figure BDA0002219907050000033
步骤13、基于所述向量h求得信号载波z。
进一步地，所述步骤3具体包括：
3.1对步骤2得到的K组信号数据的每组数据进行数据分块处理，每组数据分成L块数据，其中每块数据包含N个信号；
3.2将所述L个数据块组成列向量即得。
进一步地，所述步骤3.1中，采用下述方法对每组数据进行数据分块处理，使得每组数据分成L块数据，其中每块数据包含N个信号：
根据步骤2得到K组信号数据中的第n组信号数据为：x((n-1)LN+1),x((n-1)LN+2),…,x((n-1)LN+LN)；
以N倍采样周期ts对所述第n组信号数据进行倍抽取，倍抽取的起点分别设置为x((n-1)LN+1),x((n-1)LN+2),…,x((n-1)LN+N)，从而可得到L个分块数据，其中，第l个分块数据可表示为子列向量
Figure BDA0002219907050000041
Figure BDA0002219907050000042
进一步地，所述步骤3.2包括：
将每个L块数据中的信号数据按照时间逆序进行排列组合成L个子列向量，其中，第l个子列向量可表示为
Figure BDA0002219907050000043
并有下式：
Figure BDA0002219907050000044
将L个子列向量组成列向量xn：
Figure BDA0002219907050000051
进一步地，步骤7中，通过下式获取gk：
gk＝vA,p+k k＝1,2,…,LN-P。
进一步地，通过下式获取L(P-N+1)×P维矩阵Θk；
Figure BDA0002219907050000052
式中，
Figure BDA0002219907050000053
具有如下形式：
Figure BDA0002219907050000054
其中，gk,(l-1)N+n表示向量gk的第(l-1)N+n行元素。
进一步地，所述步骤11具体包括：
11.1提取矩阵Uη的最后一列列向量
Figure BDA0002219907050000055
11.2以P-N+1倍间隔对列向量uη,L(P-N+1)中的数据进行倍抽取，倍抽取的起点分别设置为uη,L(P-N+1),1,uη,L(P-N+1),2,…,uη,L(P-N+1),P-N+1，得到列向量h(l)，l＝1,2,…,P-N+1，h(l)有如下表达式：
Figure BDA0002219907050000061
进一步地，通过下式获取信号载波z：
z(i)＝h(i)；
式中，z(i)是第i×ts时刻的载波值，ts是信号采样周期。
进一步地，所述步骤5中，相关矩阵R为R＝AHA；以及采用矩阵秩检测算法估计矩阵R的秩P。
应用本发明提供的一种用于电子对抗装备侦收信号的载波的自适应辨识方法，通过采样并处理得到一组时间序列信号，并对该组时间序列信号按照本发明方法设计的步骤进行相关处理，可有效分离出信号中的载波分量，且在信号处理过程中不需要提供信号的任何先验信息，比如：频率、基带信号类别等。本发明提供的信号载波自适应辨识方法具有一定的抗噪能力，可应用于电子对抗装备的信号精细识别技术领域，同时也可应用于其他针对非合作信号进行信号处理的电子装备，比如，被动雷达导引头。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施例，并与文字描述一起来阐释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了根据本发明实施例提供的用于电子对抗装备侦收信号的载波的自适应辨识方法的流程示意图；
图2示出了根据本发明实施例提供的原始信号的时域波形和频谱；
(a)信号时域波形；(b)信号频谱；
图3示出了根据本发明实施例提供的采用本发明方法辨识得到的载波时域波形和频谱；
(a)信号时域波形；(b)信号频谱。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
如图1所示，根据本发明实施例提供一种用于电子对抗装备侦收信号的载波的自适应辨识方法，该方法具体包括以下步骤：
假定电子对抗装备接收到的信号按照时间顺序排列为一组离散时间信号序列，设为：x(1),x(2),…,x(LN),x(LN+1),…,x(i),…,x(K×LN)，式中，x(i)表示第i时刻采集到的信号，信号的采样周期是ts，K,L,N为正整数，对这组信号作如下处理：
步骤1：将采集到的信号均分成K组信号数据，每组信号数据包含LN个信号，其中，第n组信号数据为：x((n-1)LN+1),x((n-1)LN+2),…,x((n-1)LN+LN)；
步骤2：对“步骤1”得到的K组信号数据的每组数据通过一定的方式进行数据分块，共分成L块数据，每块数据包含N个信号，然后再把这L个数据块组成列向量，从而将“步骤1”的K组信号数据处理成K个列向量；这里以第n组信号数据为例(其他组信号数据进行类似处理)说明单组数据的处理方法：
2.1首先以N倍采样周期ts对这组数据进行倍抽取，倍抽取的起点分别设置为x((n-1)LN+1),x((n-1)LN+2),…,x((n-1)LN+N)，从而可得到L个分块数据，其中，第l个分块数据可表示为子列向量
Figure BDA0002219907050000091
Figure BDA0002219907050000092
2.2将每个块数据中的信号数据按照时间逆序进行排列组合成L个子列向量，其中，第l个子列向量可表示为
Figure BDA0002219907050000093
并有下式：
Figure BDA0002219907050000094
2.3将这L个子列向量组成列向量xn：
Figure BDA0002219907050000095
步骤3：将“步骤2”得到的K个列向量构建如下矩阵：
AH＝[x1 x2 … xn … xK] (4)
式中，“H”表示矩阵取共轭转置；
步骤4：求取相关矩阵R＝AHA，并采用矩阵秩检测算法估计矩阵R的秩为正整数P；
步骤5：对矩阵A进行奇异值分解，得到如下奇异值分解结果：
Figure BDA0002219907050000101
式中：
UA为K×K维的酉矩阵
VA为LN×LN维的酉矩阵，并将矩阵VA表示成列向量的形式：
VA＝[vA,1 vA,2 … vA,LN] (6)
ΣA＝diag(λA,1,λA,2,…,λA,LN)，其中，符号“diag”代表对角矩阵，且λA,1≥λA,2≥…≥λA,LN；
步骤6：从矩阵VA中提取后LN-P个列向量得到新的LN×1维列向量，为叙述方便，将这LN-P个列向量中的第k个列向量令为gk，k＝1,2,…,LN-P，因此，gk与VA的列向量之间有如下关系：
gk＝vA,p+k k＝1,2,…,LN-P (7)
步骤7：对列向量gk中的元素进行如下处理，得到新的L(P-N+1)×P维矩阵Θk：
Figure BDA0002219907050000102
式中，
Figure BDA0002219907050000111
具有如下形式：
Figure BDA0002219907050000112
其中，gk,(l-1)N+n表示向量gk的第(l-1)N+n行元素；
步骤8：根据“步骤7”可得到LN-P个矩阵Θk，k＝1,2,…,LN-P，利用这LN-P个矩阵构建矩阵η
Figure BDA0002219907050000113
步骤9：对η进行奇异值分解，得到如下奇异值分解结果：
Figure BDA0002219907050000114
式中：
Uη为L(P-N+1)×L(P-N+1)维的酉矩阵，可表示成列向量的形式：
Uη＝[uη,1 uη,2 … uη,L(P-N+1)] (12)
Vη为(LN-P)P×(LN-P)P维的酉矩阵：
Ση＝diag(λη,1,λη,2,…,λη,M)，其中，M为矩阵η的秩，λη,1≥λη,2≥…≥λη,M；
步骤10：提取矩阵Uη的最后一列列向量
Figure BDA0002219907050000115
以P-N+1倍间隔对列向量uη,L(P-N+1)中的数据进行倍抽取，倍抽取的起点分别设置为uη,L(P-N+1),1,uη,L(P-N+1),2,…,uη,L(P-N+1),P-N+1，得到列向量h(l)，l＝1,2,…,P-N+1，h(l)有如下表达式：
Figure BDA0002219907050000121
步骤11：将“步骤10”得到的P-N+1个列向量组合成L(P-N+1)×1维向量h：
Figure BDA0002219907050000122
步骤12：通过下面公式求得信号载波z：
z(i)＝h(i) (15)
式中，z(i)是第i×ts时刻的载波值，ts是信号采样周期。
应用上述配置方式，通过采样并处理得到一组时间序列信号，并对该组时间序列信号按照本发明方法设计的步骤进行相关处理，可有效分离出信号中的载波分量，且在信号处理过程中不需要提供信号的任何先验信息，比如：频率、基带信号类别等。本发明提供的信号载波自适应辨识方法具有一定的抗噪能力，可应用于电子对抗装备的信号精细识别技术领域，同时也可应用于其他针对非合作信号进行信号处理的电子装备，比如，被动雷达导引头。
为了对本发明提供的用于电子对抗装备侦收信号的载波的自适应辨识方法有更详细的了解，下面以一具体实施例进行说明：
假设空间中存在一个信号：其载波为频率fc＝100MHz的点频信号；基带信号为线性调频信号，信号带宽为fb＝10MHz；同时假定该信号含有高斯白噪声信号，其信噪比为20dB。该信号的时域波形和频谱如图2所示。
电子对抗装备对此信号进行侦收，并以采样时间ts＝1.4706ns为间隔将此信号进行存储，共存储了67915个信号，将这67915个信号用变量符号x(1),x(2)…,x(67915)，这里令L＝17，N＝17，则K＝235。
主要处理过程如下：
1、根据“步骤1”将这67915个信号按照时间顺序均分成k＝235组数据，每组包含LN＝17×17＝289个信号；
2、根据“步骤2”，将这235组数据中的每组数据按照“步骤2”中的方法先分成17块数据(每块数据含17个信号)，再依照块数据的顺序将17块数据组合成列向量xn，n＝1,2,…,235；
3、将上述得到的235个列向量组合成矩阵AH＝[x1 x2 … x235]；
4、求取相关矩阵R＝AHA，采用矩阵秩检测算法估计矩阵R的秩为18；
5、对矩阵A进行奇异值分解，得到奇异值分解结果
Figure BDA0002219907050000131
要求ΣA中235个对角元素按照从大到小(降幂)排列，矩阵VA表示为列向量形式VA＝[vA,1 vA,2 …vA,289]；
6、从矩阵VA中提取后LN-P＝17×17-18＝271个列向量，得到271个LN×1维列向量，为叙述方便，将271个列向量中的第k个列向量令为gk，k＝1,2,…,LN-P；
7、将上述gk扩展为矩阵
Figure BDA0002219907050000141
其中，矩阵Θk中的子矩阵
Figure BDA0002219907050000142
与gk中的元素间有如下关系：
Figure BDA0002219907050000143
式中，gk,(l-1)N+n表示向量gk的第(l-1)N+n行元素；
8、将上一步骤得到的LN-P＝271个矩阵构建矩阵
Figure BDA0002219907050000144
9、对矩阵η进行奇异值分解，得到奇异值分解结果
Figure BDA0002219907050000145
要求Ση中34个对角元素按照从大到小(降幂)排列，矩阵Uη表示为列向量形式Uη＝[uη,1 uη,2 …uη,34]；
10、提取Uη中的最后一个列向量uη,34，列向量中元素如表1所示；根据“步骤10”方法，得到17个子列向量，表2中标示了h中元素所对应的子列向量h(l)，l＝1,2,…,17；
11、将上述得到的17个子列向量组合成列向量h，如表2所示；
12、辨识得到信号载波在离散时间点上的数值(即为表2的数值)，图3给出了这个信号载波的时域波形和频谱，可以看到，信号相位为线性分布，信号中心频率为100MHz，因此，与原始信号的载波信号参数一致，说明本发明实施例方法信号载波辨识有效。
表1列向量uη,34中的元素
列号 1 2 3 4 5 6 7 8 9
0.148-0.000i -0.130-0.128i 0.083+0.127i 0.037-0.181i -0.057+0.143i 0.170-0.075i -0.154+0.032i 0.154+0.097i -0.118-0.112i
列号 10 11 12 13 14 15 16 17 18
0.006+0.180i 0.023-0.166i -0.146+0.109i 0.150-0.071i -0.167-0.055i 0.151+0.088i -0.044-0.175i 0.013+0.170i 0.113-0.129i
列号 19 20 21 22 23 24 25 26 27
-0.138+0.108i 0.171+0.016i -0.172-0.050i 0.083+0.147i -0.053-0.172i -0.074+0.148i 0.116-0.141i -0.161+0.019i 0.184+0.010i
列号 28 29 30 31 32 33 34
-0.107-0.120i 0.095+0.158i 0.032-0.152i -0.079+0.169i 0.142-0.055i -0.182+0.028i 0.122+0.084i
表2列向量h中的元素
Figure BDA0002219907050000151
如上针对一种实施例描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施例中使用，和/或与其它实施例中的特征相结合或替代其它实施例中的特征使用。
应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤、组件或其组合的存在或附加。
本发明以上的方法可以由硬件实现，也可以由硬件结合软件实现。本发明涉及这样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实现上文所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。本发明还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、DVD、flash存储器等。
这些实施例的许多特征和优点根据该详细描述是清楚的，因此所附权利要求旨在覆盖这些实施例的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施例限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。
本发明未详细说明部分为本领域技术人员公知技术。

Claims (7)

1.一种用于电子对抗装备侦收信号的载波的自适应辨识方法，其特征在于，所述方法包括以下步骤：
步骤1、采集电子对抗装备接收到的离散时间信号序列，表示为：x(1),x(2),…,x(LN),x(LN+1),…,x(i),…,x(K×LN)，式中，x(i)表示第i*ts时刻采集到的信号，信号的采样周期是ts，K,L,N为正整数；
步骤2、将步骤1采集到的信号均分成K组信号数据，每组信号数据包含LN个信号；
步骤3、将步骤2得到的K组信号数据处理成K个列向量[x1 x2 … xn … xK]；
步骤4、基于步骤3得到的K个列向量构建矩阵AH＝[x1 x2 … xn … xK]，其中，H表示矩阵取共轭转置；
步骤5、获取矩阵A的相关矩阵R，并估计矩阵R的秩P，其中P为正整数；
步骤6、对矩阵A进行奇异值分解，得到：
Figure FDA0003486243580000011
并将矩阵VA表示成列向量的形式：VA＝[vA,1 vA,2 … vA,LN]，其中，UA为K×K维的酉矩阵；
VA为LN×LN维的酉矩阵；ΣA＝diag(λA,1,λA,2,…,λA,LN)，符号“diag”代表对角矩阵，且λA,1≥λA,2≥…≥λA,LN；
步骤7、从矩阵VA中提取后LN-P个列向量得到新的LN×1维列向量，并将第k个列向量表示为gk，k＝1,2,…,LN-P；
步骤8、对列向量gk中的元素进行处理，通过下式得到L(P-N+1)×P维矩阵Θk：
Figure FDA0003486243580000021
式中，
Figure FDA0003486243580000022
具有如下形式：
Figure FDA0003486243580000023
其中，gk,(l-1)N+N表示向量gk的第(l-1)N+N行元素；
步骤9、利用步骤8得到的LN-P个矩阵Θk构建矩阵η，
Figure FDA0003486243580000024
步骤10、对η进行奇异值分解，得到：
Figure FDA0003486243580000025
并将Uη表示成列向量的形式为：Uη＝[uη,1 uη,2 … uη,L(P-N+1)]；其中，Uη为L(P-N+1)×L(P-N+1)维的酉矩阵；Vη为(LN-P)P×(LN-P)P维的酉矩阵；Ση＝diag(λη,1,λη,2,…,λη,M)，其中，M为矩阵η的秩，λη,1≥λη,2≥…≥λη,M；
步骤11、提取矩阵Uη的最后一列列向量uη,L(P-N+1)，通过处理得到列向量h(l)，l＝1,2,…,P-N+1；具体包括：
11.1提取矩阵Uη的最后一列列向量
Figure FDA0003486243580000026
11.2以P-N+1倍间隔对列向量uη,L(P-N+1)中的数据进行倍抽取，倍抽取的起点分别设置为uη,L(P-N+1),1,uη,L(P-N+1),2,…,uη,L(P-N+1),P-N+1，得到列向量h(l)，l＝1,2,…,P-N+1，h(l)有如下表达式：
Figure FDA0003486243580000031
步骤12、将步骤11得到的P-N+1个列向量组合成L(P-N+1)×1维向量
Figure FDA0003486243580000032
步骤13、基于所述向量h求得信号载波z。
2.根据权利要求1所述的一种用于电子对抗装备侦收信号的载波的自适应辨识方法，其特征在于，所述步骤3具体包括：
3.1对步骤2得到的K组信号数据的每组数据进行数据分块处理，每组数据分成L块数据，其中每块数据包含N个信号；
3.2将L个数据块组成列向量。
3.根据权利要求2所述的一种用于电子对抗装备侦收信号的载波的自适应辨识方法，其特征在于，所述步骤3.1中，采用下述方法对每组数据进行数据分块处理，使得每组数据分成L块数据，其中每块数据包含N个信号：
根据步骤2得到K组信号数据中的第n组信号数据为：x((n-1)LN+1),x((n-1)LN+2),…,x((n-1)LN+LN)；
以N倍采样周期ts对所述第n组信号数据进行倍抽取，倍抽取的起点分别设置为x((n-1)LN+1),x((n-1)LN+2),…,x((n-1)LN+N)，从而可得到L个分块数据，其中，第l个分块数据可表示为子列向量
Figure FDA0003486243580000041
Figure FDA0003486243580000042
4.根据权利要求3所述的一种用于电子对抗装备侦收信号的载波的自适应辨识方法，其特征在于，所述步骤3.2包括：
将每个L块数据中的信号数据按照时间逆序进行排列组合成L个子列向量，其中，第l个子列向量可表示为
Figure FDA0003486243580000043
并有下式：
Figure FDA0003486243580000044
将L个子列向量组成列向量xn：
Figure FDA0003486243580000045
5.根据权利要求1所述的一种用于电子对抗装备侦收信号的载波的自适应辨识方法，其特征在于，步骤7中，通过下式获取gk：
gk＝vA,p+k k＝1,2,…,LN-P。
6.根据权利要求1所述的一种用于电子对抗装备侦收信号的载波的自适应辨识方法，其特征在于，通过下式获取信号载波z：
z(i)＝h(i)；
式中，z(i)是第i×ts时刻的载波值，ts是信号采样周期。
7.根据权利要求1-6任一项所述的一种用于电子对抗装备侦收信号的载波的自适应辨识方法，其特征在于，所述步骤5中，相关矩阵R为R＝AHA；以及采用矩阵秩检测算法估计矩阵R的秩P。
CN201910929823.5A 2019-09-29 2019-09-29 用于电子对抗装备侦收信号的载波的自适应辨识方法 Active CN111208480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910929823.5A CN111208480B (zh) 2019-09-29 2019-09-29 用于电子对抗装备侦收信号的载波的自适应辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910929823.5A CN111208480B (zh) 2019-09-29 2019-09-29 用于电子对抗装备侦收信号的载波的自适应辨识方法

Publications (2)

Publication Number Publication Date
CN111208480A CN111208480A (zh) 2020-05-29
CN111208480B true CN111208480B (zh) 2022-07-08

Family

ID=70786118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910929823.5A Active CN111208480B (zh) 2019-09-29 2019-09-29 用于电子对抗装备侦收信号的载波的自适应辨识方法

Country Status (1)

Country Link
CN (1) CN111208480B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105807241A (zh) * 2016-03-23 2016-07-27 厦门大学 一种利用先验信息的指数信号去噪方法
CN109471074A (zh) * 2018-11-09 2019-03-15 西安电子科技大学 基于奇异值分解与一维cnn网络的雷达辐射源识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105807241A (zh) * 2016-03-23 2016-07-27 厦门大学 一种利用先验信息的指数信号去噪方法
CN109471074A (zh) * 2018-11-09 2019-03-15 西安电子科技大学 基于奇异值分解与一维cnn网络的雷达辐射源识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于奇异值分解的多载波调制信号盲识别算法;于志明 等;《吉林大学学报(工学版)》;20110531;第42卷(第3期);全文 *
基于循环谱奇异分解的干扰识别算法;孔磊 等;《军事通信技术》;20131231;第34卷(第4期);全文 *
通信信号的单通道盲分离和码元序列盲估计;卢广阔 等;《电波科学学报》;20151231;第30卷(第6期);全文 *

Also Published As

Publication number Publication date
CN111208480A (zh) 2020-05-29

Similar Documents

Publication Publication Date Title
CN102075484B (zh) 一种降低信号峰均比的方法和装置
Miller A new class of entropy estimators for multi-dimensional densities
CN109031215B (zh) 高脉冲丢失下的参差雷达脉冲重复周期估计方法
CN106506430A (zh) 一种基于压缩感知技术的补偿峰均比非线性失真的新算法
CN112364729A (zh) 基于特征参数与bp神经网络的调制识别方法
CN110187313B (zh) 基于分数阶Fourier变换的雷达信号分选识别方法及装置
CN114025379B (zh) 一种宽带多信号检测方法、装置和设备
CN111680737B (zh) 差异性信噪比条件下的雷达辐射源个体识别方法
Li A novel recognition algorithm based on holder coefficient theory and interval gray relation classifier
EP2933928B1 (en) Low complexity narrowband interference suppression
CN111832632B (zh) 基于高次频谱对称Holder系数的雷达信号分选方法及系统
CN111208480B (zh) 用于电子对抗装备侦收信号的载波的自适应辨识方法
Li et al. LPI Radar signal modulation recognition with feature fusion based on time-frequency transforms
Limin et al. Low probability of intercept radar signal recognition based on the improved AlexNet model
CN106330792A (zh) 一种基于dft变换域的带内滤噪信道估计算法及系统
CN104735007B (zh) 一种对中心频率无约束的直接中频信道化方法
CN107682119B (zh) 一种基于分组极值模型的mimo空时码识别方法
CN103718525A (zh) 一种削波方法、装置及系统
CN112364823B (zh) 5g多载波信号识别方法
CN115378776A (zh) 一种基于循环谱参数的mfsk调制识别方法
CN111308426B (zh) 一种适用于单天线接收机的低信噪比周期调频信号检测与分离方法
EP2684073B1 (en) Radio frequency digital receiver system and method
CN106291472A (zh) 一种外辐射源雷达的干扰抑制方法
CN107894595A (zh) 一种非高斯SaS冲击噪声环境下的时延估计方法
Yang et al. Adaptive median threshold algorithm used in FDIS of DSSS receivers

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