线性调频（Linear Frequency Modulated,LFM）信号,以其低截获率（Low Probability of Intercept,LPI）特性被广泛应用于各种雷达系统中,是一种应用极其广泛的辐射源信号。LFM信号的检测与参数估计算法已经相对成熟,不同的算法适用于不...
详细信息
线性调频（Linear Frequency Modulated,LFM）信号,以其低截获率（Low Probability of Intercept,LPI）特性被广泛应用于各种雷达系统中,是一种应用极其广泛的辐射源信号。LFM信号的检测与参数估计算法已经相对成熟,不同的算法适用于不同的电磁场景,但它们大多只能估计LFM信号时频脊线的调制参数,而且存在估计精度与计算效率之间的矛盾。对于雷达系统中的广义LFM信号,经典估计算法通常需要额外的滤波或平滑处理,这不仅增加了算法的复杂度,还降低了算法的性能。本文分别从经典的LFM信号参数估计理论和深度学习理论出发,旨在研究雷达系统中广义LFM信号的参数估计问题,主要内容包括:（1）介绍了三种经典的LFM信号参数估计算法:解线性调频法、Wigner-Hough变换、分数阶傅里叶变换。为了解决广义LFM信号的参数估计问题,引入了Cohen类分布—平滑伪Wigner分布,并提出了一种基于分数阶傅里叶域滤波的LFM信号参数估计方法,仿真结果表明,该方法可以有效解决广义LFM信号的参数估计问题。（2）根据Wigner-Vile分布（Wigner-Vile distribution,WVD）独特的幅相特性,本文联合深度学习理论中的复值卷积神经网络（Complex-valued convolutional neural network,CV CNN）,提出了一种基于WVD-CV CNN的深度神经网络框架。仿真结果表明,相较于经典算法,该方法在保证较高估计精度的前提下,计算效率也得到了明显的提高。（3）为了缓解硬件系统在采集、处理大宽带LFM信号时的压力,本文采用亚奈奎斯特采样率来降低信号的采样点数,基于压缩感知理论,提出了一种基于交替方向乘子网络的迭代展开方法。该方法以离散逆分数阶傅里叶变换字典为稀疏基,求解稀疏向量的过程等价于分数阶傅里叶谱估计的过程。仿真结果表明,该方法可以在低采样比下达到和分数阶傅里叶变换同等的估计性能。
暂无评论