【技术实现步骤摘要】
本专利技术涉及信号处理，尤其涉及一种复杂物理环境下辐射源信号参数处理方法。
技术介绍
1、跳频信号以其固有的低截获率和抗干扰能力在军事领域得到了广泛的应用。在电子侦察中，对跳频信号的参数估计是至关重要的。跳频通信网台中的多个发射机经常存在同时、同频工作状态，给非合作方的参数估计和分选识别带来了困难。特别地，城市中的建筑物、街区存在着大量的信号非视距传输和多径干扰，造成了非合作方传感器网络获取信息的缺失。因此，城市环境中的跳频信号参数提取更具挑战。另外，城市作为人口密集区，存在大量的电磁频谱活动，给传感器设备带来了强电磁干扰，进一步强化了非合作方传感器网络的信息缺失程度。
2、因此，如何利用传感器网络获取的有限和不连续的观测数据，实现城市环境下的高精度的跳频网台的参数估计和分选识别，是非合作通信中需要解决的重要问题。传统的参数估计方法主要通过自相关分析、时频分析和稀疏重构等技术来识别和提取跳频信号的参数。自相关方法利用信号的周期性特征实现跳频速率和时序的估计，但在多信号环境中效果不理想；时频分析方法如wigner-ville分布和其改进版能够提供较高的时频分辨率，但容易受交叉项干扰影响；稀疏重构技术利用信号的稀疏性进行参数估计，适合低速跳频信号，但在高速跳频场景中表现不佳；基于深度学习的算法，需要大量的训练数据作为输入，在非合作的情况下，少量训练数据时。无法满足实时性的要求。同时，传统的方法，在数据缺失的环境下，难以实现信号参数的准确提取，在复杂物理环境下辐射源信号参数估计往往难以完成，尤其是无法在数据缺失的情况下完成
技术实现思路
1、本专利技术的实施例提供一种复杂物理环境下辐射源信号参数处理方法，能够在数据缺失的情况下完成多源跳频信号的doa估计。
2、为达到上述目的，本专利技术的实施例采用如下技术方案：
3、一种复杂物理环境下辐射源信号参数处理方法，如图14所示的，包括：
4、s1、利用阵列信号接收模型获取初始的跳频信号；
5、s2、通过原子范数软阈值模型对所述初始的跳频信号进行预处理；
6、s3、根据经过预处理的跳频信号，生成联合特征量；
7、s4、利用所述联合特征量得到信号的doa估计结果。
8、由于复杂环境下，非合作方接收到的信号往往受到电磁干扰，以及非视距传输等因素的影响，通常会导致接收端信号的部分观测缺失。本实施例中，针对缺失信号的特点，在s1中，建立面向复杂电磁环境的阵列信号接收模型：xk(t)表示第k个跳频信号，t表示时间参数，k表示跳频信号的数量，q表示网台数量，fk,p表示第k个发射机的第p个跳频点的频率，p表示跳频点，ak为表示发射机的信号幅值，tk表示该发射机的跳频周期，表示归一化boxcar函数，当时为1，当时为0；j表示虚数。其中，采用各向同性的均匀线阵(即线性阵列天线)进行信号接收，其中，线阵共有m个阵元，阵元间距为d，满足d＜c/2fmax，c表示光速，fmax为最高频率。
9、进一步的，对所述初始的跳频信号进行采样得到角频特征量，其中，第n个时刻的第k个发射机的角频特征量为：θk表示第k个跳频信号的入射角且θk∈[-π/2,π/2]，δ表示采样间隔，fk,n为第n个时刻的第k个发射机的瞬时频率；
10、fs为阵列的采样频率，spatial-sampling表示空间采样，time-sampling表示时间采样；
11、利用角频特征量建立实际的观测时空矩阵模型y(n)表示阵列天线接收到的信号，a(n)表示阵列天线在第n次采样的采样矩阵，s(n)表示跳频信号构成的矩阵，表示缺失矩阵，yn,m表示天线的第m个阵元在第n个采样时刻接收到的信号信息；
12、其中，为第m个阵列在n时刻受到强电磁干扰，o和o’分别表示两个狄拉克函数的自变量，n’表示与n不同的一个时刻，m’表示与m不同的一个阵列。
13、所述利用角频特征量建立实际的观测时空矩阵模型的过程包括：
14、
15、其中，角频特征量的阵列流行矩阵表示为：
16、ω(n)表示高斯噪声，l表示流行矩阵的长度，sk-1(n)表示第k个发射机发射的信号。
17、具体的，在s2中，包括：建立原子范数软阈值模型：
18、其中，v为中间变量，x表示无观测缺失且无噪声干扰下的原子集合，u表示…，τ表示…，xφ表示存在观测确实下的信号原子的稀疏特征集合，表示缺失矩阵，yφ表示实际接收到的信号，yφ＝xφ+w(n)，w(n)表示高斯噪声，w＝2e0，e0是一个向量且满足e0＝[1,0,0,…,0]，t(u)表示稀疏特征矩阵且表示复数集，m表示阵元长度，h表示矩阵的共轭转置。
19、在进行预处理的过程中，将ast的sdp问题转换为非对称的二次规划形式：表示μφ的范围，μφ，μ分别表示计算过程中的中间参量一和中间参量二；
20、所述原子范数软阈值模型输出u的值和xφ作为预处理的结果。
21、在s3中，所述生成联合特征量为frequency-estimation表示频率估计，doa-estimation表示角度估计。
22、在s4中，包括：在估计时刻对联合特征量进行music空间谱估计，其中，估计时刻的联合特征量为：搜索空间谱峰值并得到信号的doa估计结果。所述music空间谱估计，包括：r(θ)表示角度，θ表示关于θ的方向矢量。
23、本专利技术实施例提供的复杂物理环境下辐射源信号参数处理方法，通过均匀线性阵列接收到远场多源跳频信号。针对观测缺失的情况下，通过线阵连续采样得到的接收信号的采样矩阵，分析得到联合特征量，并通过原子范数软阈值模型剔除由于数据缺失导致的估计伪点，得到的即为不同采样时刻下的信号的角度特征频率。之后可以通过对比不同采样时刻下角度特征频率是否发生变化，可以实现对跳频时刻的估计，得到混合信号的不同频率，从而利用所述联合特征量得到信号的doa估计结果。实现了在数据缺失的情况下完成多源跳频信号的doa估计。
本文档来自技高网...【技术保护点】
1.一种复杂物理环境下辐射源信号参数处理方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，在S1中，包括：
3.根据权利要求1或2所述的方法，其特征在于，采用各向同性的均匀线阵进行信号接收，其中，线阵共有M个阵元，阵元间距为d，满足d＜c/2fmax，c表示光速，fmax为最高频率。
4.根据权利要求3所述的方法，其特征在于，还包括：
5.根据权利要求4所述的方法，其特征在于，所述利用角频特征量建立实际的观测时空矩阵模型的过程包括：
6.根据权利要求4所述的方法，其特征在于，在S2中，包括：
7.根据权利要求6所述的方法，其特征在于，在S3中，所述生成联合特征量为frequency-estimation表示频率估计，DOA-estimation表示角度估计。
8.根据权利要求7所述的方法，其特征在于，在S4中，包括：
9.根据权利要求8所述的方法，其特征在于，所述MUSIC空间谱估计，包括：
【技术特征摘要】
1.一种复杂物理环境下辐射源信号参数处理方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，在s1中，包括：
3.根据权利要求1或2所述的方法，其特征在于，采用各向同性的均匀线阵进行信号接收，其中，线阵共有m个阵元，阵元间距为d，满足d＜c/2fmax，c表示光速，fmax为最高频率。
4.根据权利要求3所述的方法，其特征在于，还包括：
5.根据权利要求4所述的方法，其特征在于，所述利用角频...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。