论文研究-低信噪比下的跳频信号参数估计.pdf

所需积分/C币:5 2019-09-13 10:18:55 516KB .PDF

针对基于时频分布的跳频信号参数估计存在信噪比阈值的问题,提出了一种参数估计的算法。该算法首先基于粒子群优化,利用匹配追踪算法对信号进行自适应分解,获取匹配原子;然后基于原子参数对跳频信号进行参数估计。仿真结果表明,该方法不仅解决了匹配追踪算法运算量巨大的问题,而且克服了跳频信号各参数估计误差的相互影响,同时在低信噪比下参数估计的方差也比较小,更加适应于实际的电子战环境。
1442010,46(27) Computer Engineering and Applications计算机工程与应用 0 SPWVD 35 MPPso 40 +MPPSO SPWvd 50 -140 LMPPSO 0 信噪比dB 言噪比dB 信噪比dB 图1跳频周期估计的方差曲线 图2跳变时刻佔计的方差曲线 图3归·化跳频频率估计的平均方差曲线 次统计独立的实验,求岀跳颎信号参数估计的性能曲线。图1提出算法在低信噪比情况下进行参数估计的可行性和实用 是跳频周期估计的方差曲线。由于信号稀疏分解的特性,跳性,为复杂电子战环境下跳频信号的时频分析提供了一条新 频信号在进行匹配追踪分解时,将在某一分量上达到最大匹的途径 配,而噪声不具有正弦信号的特征,因此在这分量上投影接 近于零,从而达到滤除噪声的日的。由图1可以看出,基于参考文献: SPWVD的跳频信号参数估计在小于2dB的情况下,参数估计[1 Barbarossa S Parameter estimation of spread spcctrum frcqucn 性能急剧变差,具有明显的阈值效应,而基于 MPPSO的跳频 cy hopping signals using line-frequency distributions[C]/First 信号参数估计在整个信噪比的范围内,跳频周期的方差均小 IEEE Signal Processing Working on Signal Processing Advanc 于-20dB。图2是跳变时刻估计的方差曲线。在小于信噪比 es in wireless communications 1997. 213-216 國值2dB的情况下,基于 MPPSO算法的跳变时刻估计方差远 [2]赵俊,张朝阳,赖利峰,等.一种基于时频分析的跳频信号参数盲估 小于基于 SPWVD方法的估计方差,这是山于后者跳变时刻 计方法门电路与系统学报,2003,8(3);46-50 估计受跳频周期影响较大,以及极大值序列估计误差造成的。 [3]郭建涛随机跳频信号的模糊函数与时频分析[门计算机工程与应 用,2008,44(18):121-123 图3是归一化频率估计的平均方差曲线。与跳频周期和 [4]栾海妍,江桦基于小波变换的逃频信号跳速盲估计算法研究[门 跳变时刻的估计不同,跳频频率估计的方差在整个信噪比范 通信技术,2007,40(7):30-32 中围内都低于基于 SPWVD算法待到的方差。从第4章参数估1茹乐,杜兴民,毕笃彦STFT与 i SOPC技术相结合实现高速跳频图 计算法可知,跳频频率估计尽管受到跳周期和跳变时刻估计 案的识别与跟踪电视技术,2005(1):40-44 的影响,但是其频率由原子参数独立给出;而基于 SPWVD算[6] Ma shiwei, Zhu Xiaojin, Chen guanghua,etal. Parametric adap 法的跳频频率估计山于受到跳频周期和跳变时刻累积误差的 tive time-frequency representation based on time-sheared Gabor 影响,使其方差在高信噪比的情况下也大于本文得到的结果。 atoms[J]Journal of System Engineering and Electronics, 2007, 18 6结论 [7 Li Liu, Wenxin Liu, David A, et al. Particle swarn opliInizd- 匹配追踪算法在进行跳频信号自适应分解时,由于原子 tion-based parameter identification applied to permanent mag net synchronous motors[J]. Engineering Applications of Artifi 库的过完备性和原子与信号内积的高维计算,带来巨大的运 cial Intelligence,2008,21(7):1092-1100 算量。因此,引入粒子群进行原子参数的优化选取。结合提81 Tseng Chun-Chieh, Isich Jer-Guang, Jeng Jyh-llorng Active con 出的跳频信号参数估计算法,在低信噪比的情况下,基于 tour model via multi-population particle swarm optimization] MPPSO算法的参数估计性能优于基于 SPWVD方法,证明了 Expert Systems with Applications, 2008, 23(4): 1-5 (上接137页) (2006).http://hunch.net/-jl/projects/predictionbounds/bound/bound [4] Provost F J, Hennessy D N Scaling up: Distributed machine learn tar. gz with cooperation[C]//Thirleenth National Conference on Arli 9 Quinlan J R Sourcc codc of C4.5 rclcasc 8 algorithm[EB/OL al Intelligence(AAAl-96), 1996: 74-79 (2004).http://www.cse.unsw.edu.au/-quinlan/c4.5r8.tar.gz [5 Hall o I, Chawla N, Bowyer W KLearning rules from distrib [10J Aounallah M, Mineau G. Le forage distribu e des donn ees uted data[ C]/Workshop on Large-Scale Parallel KDD Systems une methode simple, rapide et efficace Revue des nouvelles (KDD99),1999:7783 Technologies de I Information, extraction et gestion des con [6 Tsoumakas G, Vlahavas I Distributed data mining of large classi naissance,I(RNTI-E-6)[C].2000: 95-106 fier ensembles[C]/Vlahavas I P, Spyropoulos C D. Proceedings [Il] Aounallah MLe forage distribu e des donn ees: une approche Companion Volume of the Second Hellenic Conference on Arti basee sur I'agr'egation et le raffinement de modeles[D].Ia ficial Intclligcncc, Thessaloniki, Grcccc, April 2002: 249-256 val University, 2006 [7 Langford J Tutorial on practical prediction theory for classifica- [12] Fayyad U M, Djorgovski S G, Weir N. Advances in knowledge tion[J] Journal of Machine Learning Research, 2005(6): 273-306 discovery and data miningIM]. Menlo Park, California: AAAI [8] Langford J. True error bound calculation source code[EB!OLI Press/The Mit Press. 2006: 471-493

...展开详情
img
  • 至尊王者

    成功上传501个资源即可获取

关注 私信 TA的资源

上传资源赚积分,得勋章