论文部分内容阅读
跳频通信由于具有良好的抗干扰、抗截获及较强的组网能力,已经在军事和民用通信领域中得到了广泛的应用,同时也对第三方的通信监测提出了严峻的挑战。跳频信号参数估计作为跳频信号分析处理的主要任务之一,具有十分重要的现实意义。本文就跳频信号参数估计的相关技术展开深入研究,具体工作及创新点如下:1、研究了基于时频脊线的跳频信号参数估计方法。首先,针对传统时频分析复杂度较高的问题,给出了一种基于盒维数的跳周期快速估计方法,该方法利用盒维数与跳频频率正相关的规律,采用盒维数曲线代替时频脊线,将跳周期估计转化为盒维数变化周期的估计。仿真表明相对于短时傅里叶变换(STFT),该方法以较小的性能损失换取了计算量上的较大优势;然后,针对STFT频率估计精度低的缺点,给出了一种基于滑动旋转不变技术(ESPRIT)的跳频频率估计方法,该方法利用ESPRIT超分辨的优势提取时频脊线,提高了跳频频率的估计精度。2、研究了基于自混频的跳频信号跳周期和跳时估计方法。针对跳周期估计,由延时共轭相乘构造自混频信号,理论分析了低频分量、延迟时间及跳周期的关系。然后根据低频分量曲线拐点的位置估计跳周期,给出了一种基于延时自混频的跳周期估计方法;针对跳时估计,给出了一种基于分段自混频的跳时估计方法,按照不同偏移时间对信号进行分段自混频,根据低频分量、偏移时间及跳时的关系,得出了低频分量最大值对应的偏移时间含有跳时信息的结论。仿真结果表明上述两种方法均能有效估计出跳周期或跳时,且都适用于多跳频信号的情况。3、研究了跳频信号的实时跟踪问题。首先分析了以跳频频率为系统状态的状态空间模型,并引入粒子滤波算法对频率进行跟踪。针对跟踪性能欠佳的问题,给出了一种基于ESPRIT辅助的改进方法,通过ESPRIT算法为粒子更新提供参考信息,提高了频率跟踪性能。对于粒子滤波不适用于多跳频信号的情况,研究了一种基于稀疏重构的多跳频信号频率跟踪及DOA估计方法。该方法利用跳频信号在频域和空域的稀疏性,建立基于阵列接收的信号稀疏表示模型,采用稀疏贝叶斯学习(SBL)算法进行模型求解,通过频率估计和跳变时刻检测完成多跳频信号频率的实时跟踪和DOA估计。仿真结果验证了该方法的有效性。