CN117113004A - 一种低信噪比条件下线性调频信号参数估计方法 - Google Patents

一种低信噪比条件下线性调频信号参数估计方法 Download PDF

Info

Publication number
CN117113004A
CN117113004A CN202311071170.4A CN202311071170A CN117113004A CN 117113004 A CN117113004 A CN 117113004A CN 202311071170 A CN202311071170 A CN 202311071170A CN 117113004 A CN117113004 A CN 117113004A
Authority
CN
China
Prior art keywords
frequency
signal
time
value
frame
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
Application number
CN202311071170.4A
Other languages
English (en)
Inventor
罗久飞
禄盛
邓聪颖
冯松
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202311071170.4A priority Critical patent/CN117113004A/zh
Publication of CN117113004A publication Critical patent/CN117113004A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于数字信号处理领域，具体涉及一种低信噪比条件下线性调频信号参数估计方法，包括：采集信号并将其离散化；将离散序列分帧成子信号，加窗补零操作后对进行FFT，并获取帧序向量；搜索每帧信号频谱的最大谱峰，并采用三次样条插值法修正得到对应的频率；将两组向量在平面内进行等步距逐次旋转扫描；同步投影不同旋转角度的频率向量，划分频带记录频率数量统计结果；采用中值滤波消除趋势项，求得统计量的最大值，进而得到参数初步估计值；利用最小二乘法拟合得出线性调频信号初始频率和调频率的最终估计结果。本发明克服了现有技术中低信噪比条件下线性调频信号参数估计难度大、精度低、计算复杂的难题，具有良好的工程实用性。

Description

一种低信噪比条件下线性调频信号参数估计方法
技术领域
本发明属于数字信号处理领域，具体涉及一种低信噪比条件下线性调频信号参数估计方法。
背景技术
线性调频信号的瞬时频率随时间线性变化，其具有大的时宽带宽积以及较好的脉冲压缩特性，可以同时满足在保证一定探测距离的同时且具有较好的分辨率的要求，因此被广泛应用于雷达、声纳、卫星通信等领域。通过对初始频率以及调频率两个参数的确定可以得到线性调频信号的瞬时频率信息，从而实现对目标的准确探测，因此对这两个参数进行精确的估计显得尤为重要。
目前对线性调频信号的分析常采用时频分析方法，包括Wigner-Ville分布(WVD)、Radon-Ambiguity变换(RAT)和分数阶傅里叶变换(FRFT)等，这几种方法都利用了线性调频信号在时频方面具有良好的能量聚集特性。其中，WVD分布作为一种二次型时频变换，对单分量线性调频信号的分析具有很好的优势，但对于多分量信号，会产生严重的交叉项干扰；RAT运算速度较慢，限制了其工程应用，且RAT算法丢失了信号的初始频率信息，仅适用于对调频率感兴趣的场合；分数阶傅里叶变换作为一种新兴的时频分析工具，尽管目前已经出现了多种改进的优化算法，但都避免不了FRFT需要进行二维搜索、计算量较大的缺陷。故单采用上述时频分析方法对线性调频信号进行分析，难以同时兼顾运算量小，精度高等要求，本发明利用单分量线性调频信号具有很好的时频聚集性的优势，采用多种分析方法联合使用的设计思路，较好地克服了上述方法存在的不足。
受多种不可控因素的影响，雷达接收机接收到的回波信号不可避免地会混杂大量随机噪声，对信号的检测带来严重干扰，当噪声的频率和能量到达一定阈值时，就会淹没有用信号，造成信号失真，甚至导致信号检测工作无法正常进行。
发明内容
为解决上述技术问题，本发明提出一种低信噪比条件下线性调频信号参数估计方法，包括以下步骤：
S1、采集线性调频雷达发射波中含有随机噪声的连续线性调频信号，并将其离散化处理，得到离散的信号序列；
S2、将离散的信号序列通过高斯窗进行时域截断，并补零填充后形成一系列连续时间变化、帧长相等的不同子信号，对每帧子信号进行FFT变换，将其从时域转换至时频域，同时将子信号按照时间先后顺序命名为帧序向量；
S3、获取时频域子信号STFT的能量频谱，搜索每帧信号频谱中的最大谱峰，设定幅值阈值，提取频谱中大于给定阈值的所有峰值；
S4、采用三次样条插值法对提取的频谱峰值进行修正，获得准确的谱峰幅值，根据准确谱峰幅值提取出其对应的频率；
S5、将提取出的频率和帧序向量投射至二维时频面，构造旋转方程进行等步距旋转扫描；
S6、依次同步投影不同旋转角度的频率向量，划分细小频带记录频率数量统计结果；
S7、采用中值滤波消除噪声趋势项，求得频率数量的最大统计值，进而得到参数的初步估计值；
S8、选取初步估计值邻域内的样本点进行拟合，消除异常数据的干扰，得到初始频率以及调频率的最终估计结果。
本发明的有益效果：
本发明采用短时傅里叶变换对信号进行时频分析，运算简单，且不需要进行多维搜索，将信号的参数估计问题转化为峰值搜索问题，大大减少了运算量，且容易实现；
本发明利用线性调频信号的能量聚集特性构造旋转方程，当时频线与频率轴正交时，信号的能量聚集性最强，其能量投影汇聚成一点，表现为冲击形式，此时噪声的能量聚集特性明显不会高于信号，采用中值滤波消除噪声趋势项有效排除了强噪声的干扰，实现了在极低信噪比条件下对线性调频信号初始频率和调频率的精确估计。
本发明采用多种方法联合使用的设计方案，在整个信号处理过程不断优化样本数据，消除了异常数据点的影响，达到了高精度估计参数的要求。
附图说明
图1为本发明的流程图；
图2为本发明待处理的原始线性调频信号示意图；
图3为本发明传统短时傅里叶变换的时频分布示意图；
图4为本发明多峰值抽取的短时傅里叶变换时频分布示意图；
图5为本发明R-F平面旋转扫描示意图；
图6为本发明频率向量Fk投影统计示意图；
图7为本发明剔除趋势项结果对比图；
图8为本发明最小二乘样本数据分布情况；
图9为本发明参数估计的拟合结果图。
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，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。基于本发明中的实施例，本领域普通技术人员在没有做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。
一种低信噪比条件下线性调频信号参数估计方法，如图1所示，包括：
S1、采集线性调频雷达发射波中含有随机噪声的连续线性调频信号，并将其离散化处理，得到离散的信号序列；
S2、将离散的信号序列通过高斯窗进行时域截断，并补零填充后形成一系列连续时间变化、帧长相等的不同子信号，对每帧子信号进行FFT变换，将其从时域转换至时频域，同时将子信号按照时间先后顺序命名为帧序向量；
S3、获取时频域子信号STFT的能量频谱，搜索每帧信号频谱中的最大谱峰，设定幅值阈值，提取频谱中大于给定阈值的所有峰值；
S4、采用三次样条插值法对提取的频谱峰值进行修正，获得准确的谱峰幅值，根据准确谱峰幅值提取出其对应的频率；
S5、将提取出的频率和帧序向量投射至二维时频面，构造旋转方程进行等步距旋转扫描；
S6、依次同步投影不同旋转角度的频率向量，划分细小频带记录频率数量统计结果；
S7、采用中值滤波消除噪声趋势项，求得频率数量的最大统计值，进而得到参数的初步估计值；
S8、选取初步估计值邻域内的样本点进行拟合，消除异常数据的干扰，得到初始频率以及调频率的最终估计结果。
所述含有随机噪声的连续线性调频信号，包括：
x(t)＝Acos[2π(f0t+0.5kt2)+θ0]+w(t)
其中，x(t)为采集的线性调频雷达发射波中含有随机噪声的连续线性调频信号，A为信号幅度，f0为待估计的初始频率，k为待估计的调频率，t为时间，θ0为初始相位，w(t)为连续线性调频信号的随机噪声。
在本实施例中，初始化原始信号参数为：幅值：A＝1，初始频率：f0＝982.5Hz，调频率：k＝202.5Hz/s，初始相位：θ0＝45°，时间：t＝10s，采样频率：fs＝10000Hz，采样点数：N＝100000信噪比：SNR＝-19dB。
所述将含有随机噪声的连续线性调频信号离散化处理，得到离散的信号序列，包括：
x(n)＝A cos{2π[f0nTs+0.5k(nTs)2]+θ0}+w(n)
其中，x(n)为数字采样离散化处理后的离散信号序列，A为信号幅度，f0为待估计的初始频率，k为待估计的调频率，t为时间，θ0为初始相位，Ts为采样时间间隔，Ts＝1/fs，fs为采样频率，n为样本序号，w(n)为离散信号序列的噪声。
如图2所示，理想的线性调频信号幅值为一常量，加入噪声后幅值有所波动。因此，通过将离散的信号序列通过高斯窗进行时域截断，并补零填充后形成一系列连续时间变化、帧长相等的不同子信号，对每帧子信号进行局部FFT，将其从时域转换至时频域，包括：
S21、选取高斯窗作为分析窗，设置窗口长度为M、窗口滑动步长为L，在时间轴上移动窗函数，将数字采样离散化处理后的离散信号序列x(n)划分为R帧，记为xr(m)，其中，r＝0,1,...,R-1表示帧序号，m＝0,1,...,M-1表示每帧信号中样本序号；
S22、对xr(m)进行补零填充，在原始数据后增加(β-1)M个零值数据点，将信号在时域上延长总计βM个样本，得到连续时间变化、帧长相等的子信号序列，并对加窗补零后信号进行FFT变换，得到时频域子信号序列。
在本实施例中，设置高斯窗的长度：M＝2000，滑动步长：L＝100。在整个时宽范围内，即t＝10s，移动窗函数，将信号截断成R＝1000帧，记为xr(m)；
将每帧信号后补充零值数据点将样本数延长至20000，并对信号进行FFT，将xr(m)从时域转换至时频域；
线性调频信号瞬时频率表达式在时频域表现为一条一次曲线，其纵轴截距为初始频率，斜率为调频率，公式表示如下：
f＝f0+kt
其中，f为线性调频信号瞬时频率，f0为初始频率，k为调频率，t为时间。
如图3所示，受到强噪声干扰时，传统的短时傅里叶变换在低信噪比条件下，其时频线分布不清晰。因此，通过获取时频域子信号STFT的能量频谱，搜索每帧信号频谱中的最大谱峰，设定幅值阈值，提取频谱中大于给定阈值的所有峰值，包括：
获取每个时频域子信号序列的能量频谱Xr(m)，搜索能量频谱Xr(m)中每帧信号的幅值最大谱峰Er，设定谱峰阈值μEr(0＜μ≤1)，提取Xr(m)中幅值大于给定阈值的全部峰值，记为Ar,s，其索引峰值频率记为fr,s；离散信号序列的R帧数据中总计抽取峰值数目记为J，对应的峰值频率向量按照帧序号大小为序，记为F＝(f0,f1,...,fj,...,fJ-2,fJ-1)，相应的帧序号向量记为R＝(r0,r1,...,rj,...,rJ-2,rJ-1)。
如图4所示，采用多峰值抽取的短时傅里叶变换，获得更多的峰值频率，采用三次样条插值法对Ar,s进行修正，获得准确的峰值幅值及其索引频率；分别记为并将在峰值频率向量向量F中更新。
将提取出的频率、帧序向量投射至二维时频面，构造旋转方程进行等步距旋转扫描，包括：
将修正后的提取的峰值频率向量F和帧序号向量R投射至二维时频面，记为R-F平面，构造扫描方程：Fk＝F-xR，其中，x为旋转量；设定扫描步距为Δk，扫描范围记为[-KΔk,KΔk]，使得R-F平面依次步进旋转得到频率向量Fk。
在本实施例中，设置扫描范围：K＝400，扫描步距：Δk＝1；
构造扫描方程：Fk＝F-xR，其中x∈[-400,400]；
使得R-F平面依次步进旋转得到向量Fk。
如图5所示，R-F平面旋转至时频线正交于频率轴时，信号的能量聚集性最强。
依次同步投影不同旋转角度的频率向量，划分细小频带记录频率数量统计结果，包括：
将有效分析频带fs/2均分为P个宽度为fΔ的细化频带，即P＝ceil{fs/(2fΔ)}，其中，ceil{·}表示向上取整操作；将旋转不同角度的频率向量Fk向P个小频带内做投影，统计每个频带内的频率数量，最大统计值及所属频带分别记为hk和pk；完成遍历扫描过程后，得到最大统计值的向量H＝(h-K,h-K+1,...,h0,...,hK-1,hK)以及相应的频带向量P＝(p-K,p-K+1,...,p0,...,pK-1,pK)。
在本实施例中，设置统计频带宽度为fΔ＝1HZ，将整个有效带宽划分为P＝5000个小频带；
将旋转不同角度的Fk向5000个小频带内做投影，统计每个频带内的频率数量，最大统计值及所属频带分别记为hk和pk；
扫描结束后，可得到最大统计值的向量：H＝{h-400,h-399,...,h0,,...,h399,h400}以及相应的频带向量：P＝{p-400,p-399,...,p0,,...,p399,p400}。
如图6所示，当R-F平面旋转至最佳角度时，Fk投影后的频率数量统计峰值集中在初始频率值附近的频带范围内。
采用中值滤波消除噪声趋势项，求得频率数量的最大统计值，进而得到参数的初步估计值，包括：
采用中值滤波算法对向量H＝(h-K,h-K+1,...,h0,...,hK-1,hK)进行处理，消除噪声干扰造成的累积趋势后得到向量Hf，求取向量Hf中的无穷范数hmax＝|Hf|∞以及该值对应的旋转量kmax和统计频带pmax；此时kmax和pmax可分别视为调频率的初步估计值和初始频率的初步估计值。
在本实施例中，设置中值滤波器的长度为21，对向量H进行平滑滤波，得到Hf；进一步可以求得向量Hf中的无穷范数：hmax＝|Hf|∞≈275；对应的旋转量：kmax＝202；统计频带：pmax＝2982.4；此时线性调频信号的初步估计值可表示为：
如图7所示，趋势项的大小与噪声的能量呈正相关，平滑滤波后可以消除噪声累计趋势带来的干扰。
选取初步估计值邻域内的样本点进行拟合，消除异常数据的干扰，得到初始频率以及调频率的最终估计结果，包括：
根据得到的线性调频信号参数初步估计值kmax和pmax，选取频带pmax邻域范围内的离散频率点作为样本数据，采用最小二乘法进行线性函数估计，得到截距以及斜率/>并根据截距/>以及斜率/>最终得到线性调频信号的初始频率估计值/>和调频率估计值/>
根据截距以及斜率/>最终得到线性调频信号的初始频率估计值/>和调频率估计值/>包括：
其中，为最终的线性调频信号的初始频率估计值，/>为截距；/>为最终的线性调频信号的调频率估计值，kmax为线性调频信号参数初步估计值，/>为斜率。
在本实施例中，选取频带pmax＝2982.4邻域范围，P∈[981.4,983.4]的离散频率点作为样本数据，采用最小二乘法进行线性函数估计，参照图8，附近的频带内离散数据点用于最小二乘法估计；得到截距：斜率：/>最终得到线性调频信号的初始频率估计值/>和调频率估计值/>可表示为：/>
如图9所示，线性调频信号的初始频率估计结果为线性拟合后得到的频率值，调频率的估计结果为旋转频率值加上线性拟合后的斜率值。可以计算出调频率和初始频率的估计误差在SNR＝-19dB条件下分别为：
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种低信噪比条件下线性调频信号参数估计方法，其特征在于，包括：
S1、采集线性调频雷达发射波中含有随机噪声的连续线性调频信号，并将其离散化处理，得到离散的信号序列；
S2、将离散的信号序列通过高斯窗进行时域截断，并补零填充后形成一系列连续时间变化、帧长相等的不同子信号，对每帧子信号进行FFT变换，将其从时域转换至时频域，同时将子信号按照时间先后顺序命名为帧序向量；
S3、获取时频域子信号STFT的能量频谱，搜索每帧信号频谱中的最大谱峰，设定幅值阈值，提取频谱中大于给定阈值的所有峰值；
S4、采用三次样条插值法对提取的频谱峰值进行修正，获得准确的谱峰幅值，根据准确谱峰幅值提取出其对应的频率；
S5、将提取出的频率和帧序向量投射至二维时频面，构造旋转方程进行等步距旋转扫描；
S6、依次同步投影不同旋转角度的频率向量，划分细小频带记录频率数量统计结果；
S7、采用中值滤波消除噪声趋势项，求得频率数量的最大统计值，进而得到参数的初步估计值；
S8、选取初步估计值邻域内的样本点进行拟合，消除异常数据的干扰，得到初始频率以及调频率的最终估计结果。
2.根据权利要求1所述的一种低信噪比条件下线性调频信号参数估计方法，其特征在于，所述含有随机噪声的连续线性调频信号，包括：
x(t)＝Acos[2π(f0t+0.5kt2)+θ0]+w(t)
其中，x(t)为采集的线性调频雷达发射波中含有随机噪声的连续线性调频信号，A为信号幅度，f0为待估计的初始频率，k为待估计的调频率，t为时间，θ0为初始相位，w(t)为连续线性调频信号的随机噪声。
3.根据权利要求1所述的一种低信噪比条件下线性调频信号参数估计方法，其特征在于，所述将含有随机噪声的连续线性调频信号离散化处理，得到离散的信号序列，对每帧子信号进行局部FFT，将其从时域转换至时频域，包括：
x(n)＝Acos{2π[f0nTs+0.5k(nTs)2]+θ0}+w(n)
其中，x(n)为数字采样离散化处理后的离散信号序列，A为信号幅度，f0为待估计的初始频率，k为待估计的调频率，t为时间，θ0为初始相位，Ts为采样时间间隔，Ts＝1/fs，fs为采样频率，n为样本序号，w(n)为离散信号序列的噪声。
4.根据权利要求1所述的一种低信噪比条件下线性调频信号参数估计方法，其特征在于，将离散的信号序列通过高斯窗进行时域截断，并补零填充后形成一系列连续时间变化、帧长相等的不同子信号，包括：
S21、选取高斯窗作为分析窗，设置窗口长度为M、窗口滑动步长为L，在时间轴上移动窗函数，将数字采样离散化处理后的离散信号序列x(n)划分为R帧，记为xr(m)，其中，r＝0,1,...,R-1表示帧序号，m＝0,1,...,M-1表示每帧信号中样本序号；
S22、对xr(m)进行补零填充，在原始数据后增加(β-1)M个零值数据点，将信号在时域上延长总计βM个样本，得到连续时间变化、帧长相等的子信号序列，并对加窗补零后信号进行FFT变换，得到时频域子信号序列。
5.根据权利要求1所述的一种低信噪比条件下线性调频信号参数估计方法，其特征在于，获取时频域子信号STFT的能量频谱，搜索每帧信号频谱中的最大谱峰，设定幅值阈值，提取频谱中大于给定阈值的所有峰值，包括：
获取每个时频域子信号序列的能量频谱Xr(m)，搜索能量频谱Xr(m)中每帧信号的幅值最大谱峰Er，设定谱峰阈值μEr(0＜μ≤1)，提取Xr(m)中幅值大于给定阈值的全部峰值，记为Ar,s，其索引峰值频率记为fr,s；离散信号序列的R帧数据中总计抽取峰值数目记为J，对应的峰值频率向量按照帧序号大小为序，记为F＝(f0,f1,...,fj,...,fJ-2,fJ-1)，相应的帧序号向量记为R＝(r0,r1,...,rj,...,rJ-2,rJ-1)。
6.根据权利要求1所述的一种低信噪比条件下线性调频信号参数估计方法，其特征在于，将提取出的频率、帧序向量投射至二维时频面，构造旋转方程进行等步距旋转扫描，包括：
将修正后的提取的峰值频率向量F和帧序号向量R投射至二维时频面，记为R-F平面，构造扫描方程：Fk＝F-xR，其中，x为旋转量；设定扫描步距为Δk，扫描范围记为[-KΔk,KΔk]，使得R-F平面依次步进旋转得到频率向量Fk。
7.根据权利要求1所述的一种低信噪比条件下线性调频信号参数估计方法，其特征在于，依次同步投影不同旋转角度的频率向量，划分细小频带记录频率数量统计结果，包括：
将有效分析频带fs/2均分为P个宽度为fΔ的细化频带，即P＝ceil{fs/(2fΔ)}，其中，ceil{·}表示向上取整操作；将旋转不同角度的频率向量Fk向P个小频带内做投影，统计每个频带内的频率数量，最大统计值及所属频带分别记为hk和pk；完成遍历扫描过程后，得到最大统计值的向量H＝(h-K,h-K+1,...,h0,...,hK-1,hK)以及相应的频带向量P＝(p-K,p-K+1,...,p0,...,pK-1,pK)。
8.根据权利要求1所述的一种低信噪比条件下线性调频信号参数估计方法，其特征在于，采用中值滤波消除噪声趋势项，求得频率数量的最大统计值，进而得到参数的初步估计值，包括：
采用中值滤波算法对向量H＝(h-K,h-K+1,...,h0,...,hK-1,hK)进行处理，消除噪声干扰造成的累积趋势后得到向量Hf，求取向量Hf中的无穷范数hmax＝|Hf|∞以及该值对应的旋转量kmax和统计频带pmax；此时kmax和pmax可分别视为调频率的初步估计值和初始频率的初步估计值。
9.根据权利要求1所述的一种低信噪比条件下线性调频信号参数估计方法，其特征在于，选取初步估计值邻域内的样本点进行拟合，消除异常数据的干扰，得到初始频率以及调频率的最终估计结果，包括：
根据得到的线性调频信号参数初步估计值kmax和pmax，选取频带pmax邻域范围内的离散频率点作为样本数据，采用最小二乘法进行线性函数估计，得到截距以及斜率/>并根据截距/>以及斜率/>最终得到线性调频信号的初始频率估计值/>和调频率估计值/>
10.根据权利要求9所述的一种低信噪比条件下线性调频信号参数估计方法，其特征在于，根据截距以及斜率/>最终得到线性调频信号的初始频率估计值/>和调频率估计值/>包括：
其中，为最终的线性调频信号的初始频率估计值，/>为截距；/>为最终的线性调频信号的调频率估计值，kmax为线性调频信号参数初步估计值，/>为斜率。
CN202311071170.4A 2023-08-24 2023-08-24 一种低信噪比条件下线性调频信号参数估计方法 Pending CN117113004A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311071170.4A CN117113004A (zh) 2023-08-24 2023-08-24 一种低信噪比条件下线性调频信号参数估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311071170.4A CN117113004A (zh) 2023-08-24 2023-08-24 一种低信噪比条件下线性调频信号参数估计方法

Publications (1)

Publication Number Publication Date
CN117113004A true CN117113004A (zh) 2023-11-24

Family

ID=88801553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311071170.4A Pending CN117113004A (zh) 2023-08-24 2023-08-24 一种低信噪比条件下线性调频信号参数估计方法

Country Status (1)

Country Link
CN (1) CN117113004A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116465489A (zh) * 2023-04-19 2023-07-21 重庆邮电大学 一种基于曲率的日盲紫外光电探测器信号分割方法
CN117951505A (zh) * 2024-03-27 2024-04-30 剑博微电子(南京)有限公司 一种物联网医疗芯片的降噪方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116465489A (zh) * 2023-04-19 2023-07-21 重庆邮电大学 一种基于曲率的日盲紫外光电探测器信号分割方法
CN117951505A (zh) * 2024-03-27 2024-04-30 剑博微电子(南京)有限公司 一种物联网医疗芯片的降噪方法及系统
CN117951505B (zh) * 2024-03-27 2024-06-04 剑博微电子(南京)有限公司 一种物联网医疗芯片的降噪方法及系统

Similar Documents

Publication Publication Date Title
CN117113004A (zh) 一种低信噪比条件下线性调频信号参数估计方法
US5874916A (en) Frequency selective TDOA/FDOA cross-correlation
CN108921014B (zh) 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法
CN109034042B (zh) 基于广义线性调频双同步提取变换的非平稳信号处理方法
CN102681014A (zh) 基于多项式拟合的规则线性干扰压制方法
CN108594177A (zh) 基于改进hht的雷达信号调制方式分析方法、信号处理系统
CN110347970B (zh) 分数阶同步提取广义s变换时频分解与重构方法
CN113325277A (zh) 一种局部放电处理方法
KR101294681B1 (ko) 기상 신호 처리장치 및 그 처리방법
US20110129023A1 (en) Wireless ranging system and related methods
CN104777450A (zh) 一种两级music麦克风阵列测向方法
CN106199532A (zh) 基于混合傅立叶‑小波分析的探地雷达信号降噪方法
Ma et al. Noise reduction for desert seismic data using spectral kurtosis adaptive bandpass filter
CN109100687B (zh) 一种雷达设备lfm脉冲信号pslr参数确定方法
CN114785379A (zh) 一种水声janus信号参数估计方法及系统
CN114545342B (zh) 利用多通道侦察接收机的雷达脉冲信号参数测量方法
CN106680873B (zh) 一种自动衡量地震数据谐波噪声强弱的振幅谱比值方法
CN109682492B (zh) 基于频域高斯拟合的频率估计方法
CN113281809B (zh) 一种地震信号的谱分析方法
CN112328956B (zh) 一种强频变信号时频分析方法
CN116973901A (zh) 时频分析在声呐信号处理中的算法应用
CN109282841B (zh) 一种无线无源声表面波传感器的超分辨率测量方法
CN110210081A (zh) 一种SS-OCT系统k-clock延时校正算法
CN108362939A (zh) 一种线性调频信号的频域参数测量方法
Sottek et al. High-resolution spectral analysis (HSA) vs. discrete fourier transform (DFT)

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