没有合适的资源?快使用搜索试试~ 我知道了~
2.干扰模型噪声调频干扰的时域表达式为其中,调制噪声,初始相位,二者相互独立,为干扰幅度,为干扰信号中心频率,为干扰信号的调频斜率 3.算法原理图1 干扰抑制流
资源推荐
资源详情
资源评论
干扰环境下的雷达侦察仿真研究
一、干扰抑制
(1)基于经验模态分解的噪声调频干扰抑制
1.信号模型
信号采用 LFM 信号,其时域表达式为
2
0
( ) exp(2 )
t
s t A rect f t j kt
T
= × × p + p
其中,
A
表示幅度,
1,
2
0,
2
T
t
t
rect
T
T
t
ì
£
ï
ï
=
í
ï
>
ï
î
为矩形包络函数,
T
是脉宽,
0
f
是起始
频率,
k
是调频率。
2.干扰模型
噪声调频干扰的时域表达式为
0
( ) exp[ (2 2 ( ') ' )]
t
j j FM
J t A j f t K n t dt
j
= p + p +
ò
其中,调制噪声
2
( ) (0, )
n
n t N
d
:
,初始相位
[0, 2 ]U
j
p:
,二者相互独立,
j
A
为干
扰幅度,
j
f
为干扰信号中心频率,
FM
K
为干扰信号的调频斜率。
3.算法原理
验模态分解
(EMD)
选取目标信号
对应的IMFS
重建目标信号
X
(
t
)
X
’
(t)
图 1 干扰抑制流程图
经验模态分解(EMD)是一种完全由数据驱动的方法,可以用来分析非线性
和非平稳信号。对于一个给定的信号
( )x t
,进行有效的 EMD 分解步骤如下
1) 找出信号 x(t)的所有极值点;
2) 用插值法对极小值点形成下包络 emin(t),对极大值形成上包络 emax(t);
3) 计算均值 m(t)=( emin(t)+ emax(t))/2;
4) 抽离细节 d(t)=x(t)-m(t);
5) 对残余的 m(t)重复上诉步骤。
在实际中,上述过程需要通过一个筛选过程进行重定义,筛选过程的第一个
迭代步骤是对细节信号 d(t)重复从 1-4 步,直到 d(t)的均值是 0,或者满足某种停
止准则才停止迭代。 一旦满足停止准则,此时的细节信号 d(t)就被称为 IMF,d(t)
对应残量信号用第 5 步计算。通过以上过程,极值点的数量伴随着残量信号的产
生而越来越少,整个分解过程会产生有限个模函数(IMF)。
4.仿真实验及分析
雷达信号采用 LFM 信号,脉宽为 1ms,带宽为 200 KHz 。 中 心 频 率 为
100KHz。干扰信号为噪声调频信号,带宽为 30KHz,中心频率为 150KHz。干
信比为 15dB。利用经验模态分解的干扰抑制方法,对截取的一段数据进行处理。
图 2 为接收信号干扰抑制前和干扰抑制后的结果对比图。
(a)干扰抑制前
(b)干扰抑制后
图 2 干扰抑制前后时域波形图
(2)基于频域对消的噪声调幅干扰抑制
1.信号模型
雷达接收机信号为
( ) ( ) ( ) ( )
( ) ( ) ( )
( )
( )
( )
( )
w w j
= + +
= + + + +
0
exp exp
c n j
x t s t J t n t
A t j t U U t j t n t
(1)
( )
A t
为包含目标信息的回波基带信号,
w
c
为包含多普勒频率的回波信号中
频;
0
U
为载波电压,调制噪声
( )
n
U t
是为零均值、方差为
s
2
n
的高斯带限白噪声;
w
j
为干扰信号中频。
j
为干扰信号
[ ]
p
0,2
均匀分布的初始相位。
如果能准确估计干扰信号载波参数并对干扰信号进行解调,利用解调后干扰
与回波信号在频域的特点,可以实现干扰对消,达到抑制干扰的目的。
2.参数估计
对(1)两边进行对数变化,并对
( )
x t
在 0 点附近做泰勒展开,得
( )
( )
( ) ( ) ( )
( )
( )
( )
( )
( ) ( )
= + +
é ù
» + +
ë û
ln ln
1
ln
x t s t n t J t
J t s t n t
J t
(2)
在强干扰条件下,(2)近似成立,展开它的干扰项,得
( )
( )
( )
( )
( )
w j
= + + L +
0
ln ln
n j
J t U U t j t
(3)
式中
( )
( ) ( )
( )
w w p p p
L = - Î + = K2 , 2 ,2 1 , 0,1,2,
j j
t t k t k k k
为锯齿波函数。容易看
出,锯齿波信号
( )
w
L
j
t
的频率和初相分别与干扰信号载波频率和初相相等。式(2)
虚部为
( ) ( )
( )
( )
( )
( )
x w j q
= = L + +Im ln
j
t J t t t
。由于强干扰背景下,锯齿波信号
幅度非常高,它的信号频率和初始相位较为容易估计得到
( ) ( )
x x
w w j j
= =
ˆ ˆ ˆ ˆ
,
j
t t
3.频率对消
得到干扰信号参数后对原信号解调得
( ) ( )
( )
( )
w j
= - +
ˆ ˆ
exp
j
y t x t j t
( ) ( ) ( )
( )
( ) ( )
w w
ì
= -
ï
í
= +
ï
î
0
1 exp *exp
2
c j
n
y t A t j t j t
y t U U t
利用干扰信号及雷达信号的不同频域结构,对消干扰信号。做傅立叶变换
( ) ( ) ( )
( ) ( )
( )
( ) ( )
( )
( ) ( )
( )
ì
= +
ï
=
ï
ï
í
=
ï
ï
=
ï
î
1 2
1 1
2 2
Y f Y f Y f
Y f FT y t
Y f FT y t
Y f FT y t
( )
1
y t
为复信号,具有单边频谱结构;
( )
2
y t
为实信号,具有共轭对称对双边带
结构。将
( )
Y f
位于左半平面信号减去右半平面信号复共轭,即有
( ) ( ) ( )
( )
= -
*
1,L L R
Y f Y f Y f
利用干扰信号频谱对复对称性,在频域实现干扰对消,即可得到干扰抑制后
对信号频域分量。
4.仿真实验
设雷达信号为 LFM 信号,带宽 B=2MHz,脉冲宽度 T=50μs,中心频率
f0=4MHz,采样频率 fs=20MHz;干扰信号载频 fj=4MHz,干信比 60dB。
图 3 雷达信号的时域波形及其频谱
图 4 干扰下的信号频谱(JSR=60dB)
图5 干扰对消后的频谱
(3)噪声调频干扰抑制
1.干扰抑制算法
设雷达同时接收到欺骗干扰与噪声调频干扰。一般而言,欺骗式干扰信号的
幅度是真实目标回波信号幅度的 1.3~1.5 倍, 与压制式干扰相比,欺骗式干扰与
目标回波幅度的强度都很小,考虑到噪声调频干扰信号的恒模特性,则可以将雷
达接收信号写成以下形式
剩余25页未读,继续阅读
资源评论
咖啡碎冰冰
- 粉丝: 11
- 资源: 292
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 01-spring-boot-overview
- vgg模型-基于深度学习AI算法对猫的动作行为识别-不含数据集图片-含逐行注释和说明文档.zip
- vgg模型-CNN图像分类识别人脸-不含数据集图片-含逐行注释和说明文档.zip
- Detect It Easy v3.03
- shufflenet模型-基于人工智能的卷积网络训练识别鞋类-不含数据集图片-含逐行注释和说明文档.zip
- shufflenet模型-python语言pytorch框架训练识别樱桃新鲜度-不含数据集图片-含逐行注释和说明文档.zip
- 优质资源,让 .NET 开发更简单,更通用,更流行
- resnet模型-基于深度学习对苹果颜色识别-不含数据集图片-含逐行注释和说明文档.zip
- mobilenet模型-基于图像分类算法对食物美食识别-不含数据集图片-含逐行注释和说明文档.zip
- ImmunityDebugger
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功