共查询到17条相似文献,搜索用时 156 毫秒
1.
为了减小低信噪比下干扰和噪声对跳频信号检测的影响,提出一种基于时频分析的多跳频信号盲检测算法。针对跳频信号、定频信号、高斯白噪声具有的不同时频分布特点,该算法利用短时傅里叶变换得到的时频图构造时频对消比;理论分析得到各信号的时频对消比是不同的,因此将其作为检测统计量,实现高斯白噪声背景下跳频、定频信号的盲检测。仿真结果表明,本文算法具有抗噪声功率不确定性能;与改进型功率谱对消法相比,本文算法在低信噪比环境下,具有更高的跳频信号和定频信号检测概率。此方法也能实现存在定频信号、扫频信号和突发信号干扰的复杂电磁环境中跳频信号盲检测,当信干比为5 dB且跳频信号的检测概率达到100%时,本文算法比改进型功率谱对消法改善信噪比10 dB;在干噪比为0.05 dB时的虚警概率几乎为0。 相似文献
2.
复杂电磁环境下跳频信号检测及拼接算法 总被引:1,自引:0,他引:1
为了有效解决现代战场复杂电磁环境下跳频信号的侦察问题,采用STFT时频分析法进行跳频信号处理。针对存在定频干扰的情况,根据跳频信号的时频图随时间变化的差异性,提出了一种基于时频图跳频图案进行功率谱非线性对消的跳频信号检测算法,可以有效地抑制定频干扰,提高跳频信号的检测概率。对于跳频信号的自动拼接处理,提出在校时时通过补零法则来精确定位拐点的位置,仿真结果表明,改进的校时算法能实现跳频信号零误差拼接。 相似文献
3.
为了在α稳定分布噪声的环境下获得清晰的跳频信号时频图,提出一种基于分数低阶SPWVD(Smoothed Pseudo Wigner-Vile Distribution)与形态学滤波相结合的跳频信号时频图修正算法。首先,根据接收到的多跳频信号建立跳频信号的模型和α稳定分布噪声模型;然后,采用低阶SPWVD变换抑制时频图中脉冲噪声;最后,根据形态学滤波处理方法对残留噪声进一步抑制进而得到清晰时频图。理论分析和仿真结果表明,所提算法在广义信噪比为-5 dB时仍可以得到清晰可靠的跳频信号时频图,并且基于时频图的参数估计性能优良。 相似文献
4.
5.
基于快速折叠算法和时频分析的LPI跳频信号截获 总被引:1,自引:0,他引:1
该文提出了一种新的低截获概率(LPI)跳频信号的截获方法,该方法基于快速折叠算法和时频分析。在低信噪比环境下,该方法能有效检测跳频信号;通过恰当地选择折叠周期范围和分辨率,能实现对跳频参数如跳频周期、跳变时刻和跳频频率的估计。仿真结果和性能分析表明,该方法能有效截获信噪比为0dB的跳频信号,与自适应门限检测方法相比具有更好的性能。 相似文献
6.
为实现扩频带宽大于跳频间隔、干扰信号强度较大及存在信道噪声时直扩/跳频(DS/FH)信号参数精确估计,提出了一种结合图像处理算法与时频分析技术的DS/FH信号参数估计方法。该方法首先利用时频分析算法提取DS/FH信号的时频分布图,然后结合干扰分量在时频图中的图像特征,利用图像处理的开运算与闭运算剔除了图像中的孤立干扰点及"空洞"干扰点。特别地,为抑制复杂的毛刺干扰信号提出了一种迭代相关匹配算法。最后通过分析图像像素位置与时频参数的对应关系完成DS/FH信号的参数估计。仿真实验表明,该方法可以有效消除干扰信号的影响,准确快速提取混合扩频信号的时频参数。 相似文献
7.
在复杂的短波信道环境下,为了降低各种干扰信号和噪声对跳频信号的影响,实现低信噪比下跳频信号盲检测,结合时频分析技术,提出一种基于MeanShift算法的连通域标记跳频信号快速盲检测算法。首先,对信道环境灰度时频图进行二次灰度形态学滤波得到二值化时频图。其次,通过连通域标记算法,计算信号最大持续时长。再次,利用MeanShift算法对信号最大持续时长进行聚类分析。最后,结合自适应双门限对聚类结果进行二次判决。仿真结果表明,在无任何先验信息的情况下,所提算法能够在低信噪比下快速分离各种干扰信号与尖锐噪声,实现跳频信号快速盲检测,检测概率较高,在短波信道环境下抗干扰能力较强,计算复杂度较低,具有较高的工程实用价值。 相似文献
8.
9.
石鑫 《智能计算机与应用》2017,7(2)
为了提高对强电磁辐射干扰下的非平稳跳频信号检测性能,提出一种基于时频分析的非平稳跳频信号高分辨测试技术.采用短时傅立叶变换构建非平稳信号的时频分析模型,把信号划分成许多小的时间间隔,在时间轴连续滑动窗口上对信号进行固有模态分解,提取非平稳跳频信号的Hilbert谱特征,谱特征有效反映了信号的幅值在整个频率段上随频率的变化情况,从而找出信号中跳变的频率分量,实现信号高分辨测试.仿真结果表明,采用该方法在强干扰条件下进行信号测试,信号输出的分辨能力较强,准确检测概率较高,性能优于传统方法. 相似文献
10.
针对复杂环境下跳频信号的检测问题,提出一种基于能量特征提取的检测算法.该算法可以准确判断信道内跳频信号的存在性.首先将接收数据投影到能量域内进行白化,抑制接收信号中存在的色噪声;然后通过能量分布特征提取信道内存在的时域连续信号,去除接收信号中存在的短时突发信号;最后利用信道化处理将接收信号分解到各个子信道,通过短时能量对消的方法来检测跳频信号的存在性.对该算法的统计特性,虚警概率和检测概率进行理论推导,并对检测流程进行了实验仿真,验证了算法有效性. 相似文献
11.
为了解决非平稳信号的时频图特征难以提取的问题,提出了基于小波变换和残差神经网络的全盲频谱感知方法。该方法通过连续小波变换将捕获的主用户信号变换成时频信息矩阵,同时转化为图片作为输入,通过残差网络进行训练和识别。仿真测试了不同小波基对非平稳信号的分解能力和所提算法在各种复杂无线信道环境下对非平稳信号的检测性能和泛化能力,以及对不同主用户信号的适应能力。结果表明,在信噪比为-16 dB时,该方法能在虚警概率为0.1时达到0.92的检测概率,同时amor小波更适合用于非平稳信号的分解且训练识别能力更优。 相似文献
12.
13.
For frequency hopping modulation identification,a novel method based on time-frequency energy spectrum texture feature was proposed.Firstly,the time-frequency diagram of the frequency hopping signal was obtained by smoothed pseudo Wigner-Ville distribution,and the background noise of the time-frequency diagram was removed by two-dimensional Wiener filtering to improve the resolution of the time-frequency diagram under low SNR conditions.Then,the connected-domain detection algorithm was used to extract the time-frequency energy spectrum of each hop signal and convert it into a time-frequency gray-scale image.The histogram statistical features and the gray-scale co-occurrence matrix feature were combined to form a 22-dimensional eigenvector.Finally,the feature set was trained,classified and identified by optimized support vector machine classifier.Simulation experiments show that the multi-dimensional feature vector extracted by the algorithm has strong representation ability and avoids the misjudgment caused by the similarity of single features.The average recognition accuracy of the six modulation methods of frequency hopping signals BPSK,QPSK,SDPSK,QASK,64QAM and GMSK is 91.4% under the condition of -4 dB SNR. 相似文献
14.
15.
针对于跳频电台的细微特征分类识别问题,提出基于跳频信号时频能量谱的细微特征提取算法。首先,利用跳频信号在时频域的稀疏特性,通过稀疏重构方法得到跳频信号时频能量谱;然后,在不同尺度条件下对时频能量谱进行分割,分别提取时频能量谱瑞利熵、多重分形维数和差分盒维数三种特征;最后,通过支持向量机分类器对提取特征集进行训练、分类和识别,实现跳频电台个体识别。利用四部电台的跳频信号,验证对比了本文算法与另外两种算法的识别性能。实验结果表明,本文方法所提取的细微特征集具有较强的分辨能力,避免了由单一特征的相似性而引起的误判问题,能够在少量训练样本条件下,保持较高的识别正确率。 相似文献
16.
17.
针对低信噪比条件下,复杂多类雷达辐射源信号识别存在特征提取困难,识别正确率低的问题,本文提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法.首先通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征;然后进行时频图像预处理以保留时频图像完备信息,适应深度学习模型输入;最后构建扩张残差网络以自动提取信号时频图像特征,实现雷达辐射源信号分类识别.实验结果表明,信噪比为-6dB时,该方法对16类雷达辐射源信号的整体识别正确率能够达到98.2%,对时频图像特征相似的类LFM(Linear Frequency Modulation)信号的整体识别正确率超过95%.本文提供了一种新的雷达辐射源信号智能识别方法,具有较好的工程应用前景. 相似文献