Professional Documents
Culture Documents
密级 :
U D C :
编号 :
工 学硕 士 学 位论 文
多 网 台 跳 频信 号 参 数 估 计 与 分 选
硕士研 究生 :
郭 小晨
指 导 教 师 李 兵 教
授
一
学科 、 专业 : 信息 与通信工程
论文主审 人 : 叶 方 副教授
哈 尔 滨 工 程 大学
20 1 9 年 3
月
哈 尔滨 工程 大 学
学 位论 文 原 创 性声 明
本 人 郑重 声 明 :
本 论文 的 所有 工 作 ,
是在 导 师 的 指 导 下 ,
由作 者本 人独 立 完 成
的 。 有 关观 点 、 方法 、 数据 和 文 献 的 引 用 己 在 文 中 指 出 , 并与 参 考 文 献 相对 应 。 除文
中 已注 明 引 用 的 内 容外 ,
本 论 文不 包 含 任 何 其 他 个 人 或 集 体 已 经 公 开 发 表 的 作 品 成
果 。 对 本 文 的 研 究 做 出 重 要 贡 献 的 个 人 和 集体 , 均 已在文 中 以 明 确 方式 标 明 。 本 人完
全 意 识 到 本 声 明 的 法 律 结 果 由 本人 承 担 。
g
作者 ( 签字 ) :
抑水紅
曰 期 : 於 ” 年 j月 h曰
哈 尔 滨 工程大 学
学 位 论 文 授权 使 用 声 明
本 人 完 全 了 解 学 校 保护 知 识 产 权 的 有 关 规 定 ,
即 研 究 生 在 校 攻 读 学 位期 间 论 文 工
作 的知 识 产 权 属 于 哈 尔滨工 程大 学 。 哈 尔 滨 工 程 大学 有 权 保 留 并 向 国 家有 关 部 门 或 机
构 送交论 文 的 复 印 件 。
本 人 允 许 哈 尔 滨 工 程 大 学 将 论 文 的 部 分 或 全 部 内 容编 入 有 关 数
据 库 进 行检 索 ,
可采 用 影 印 、 缩 印 或 扫 描等 复 制 手 段 保存 和 汇 编 本 学 位 论文 , 可 以公
布论 文 的 全 部 内 容 同 时 本 人 保 证 毕 业 后 结 合 学 位论 文 研 究 课 题 再 撰 写 的 论文 律注
一
明 作 者第 署 名 单 位 为 哈 尔 滨 工程 大 学 涉 密 学 位 论 文 待解 密 后 适 用 本 声 明
一
。
。
本论文 ( □ 在 授 予 学 位后 即 可 □ 在授 予 学 位 1 2 个月 后 □ 解密 后 ) 由 哈尔 滨 工
%
程 大 学 送 交有 关 部 门 进 行 保 存 、 汇编等 。
a
作者 ( 签 字 导 师) :
( 签 字 ]
日 期 灰
:
年 3 月 災 日 年 芩 月
日
巧
分类号: 密级:
UDC : 编号:
工学硕士学位论文
多网台跳频信号参数估计与分选
硕 士 研 究 生 :郭小晨
指 导 教 师 :李一兵 教授
学 位 级 别 :工学硕士
学 科 、 专 业 :信息与通信工程
所 在 单 位 :信息与通信工程学院
论文提交日期 :2019 年 01 月
论文答辩日期 :2019 年 03 月
学位授予单位 :哈尔滨工程大学
Classified Index:
U.D.C:
摘 要
本文针对跳频侦察中的两项关键技术展开了研究,包括跳频信号的参数估计和网台
分选。跳频通信因其优良的保密性能、强抗干扰能力、低截获概率和灵活的组网方式,
被广泛应用于多种军用和民用领域,成为了战时通信对抗中抗干扰和反侦察的重要手段。
考虑到实际应用中,接收机截获的信号是多个跳频信号的混合,难以获取信号先验信息,
并且接收设备的数量有限,本文将研究重点放在多网台跳频信号的参数盲估计和欠定条
件下网台的分选。本文的主要工作概括如下:
首先,本文提出了一种基于最大能量差的跳时、跳周期估计算法,以解决现有基于
时频分析的参数估计算法抗噪性弱、精度不高的缺陷。首先,对接收到的混合信号进行
时频变换得到时频矩阵;其次,根据时频能量分布估计信号的载频,并针对每一载频处
的时频数据确定信号段和窗长;再次,根据跳变时刻两侧窗内能量之差达到最大这一原
理估计出每跳的跳时和跳周期;最后利用中心聚类算法对所有跳的跳周期估计值进行聚
类,得到最终的参数估计结果。仿真实验表明,本文提出的基于最大能量差的跳时、跳
周期估计算法具有较好的抗噪性和估计精度,且适用于异步、同步组网的跳频信号。
其次,提出了一种基于单源点检测的改进混合矩阵估计算法,以解决欠定盲源分离
模型下的跳频网台分选问题。首先利用短时傅里叶变换得到信号的稀疏表示,设定阈值
去除受噪声影响较大的时频点,然后根据推导的单源点检测准则进一步筛选时频点,再
根据时频比在单源点处的聚类特性,利用势函数聚类得到聚类中心,从而得到混合矩阵
的估计和到达方向估计值,最终实现网台的分选。仿真实验表明,该算法相比于对比算
法具有较好的混合矩阵估计性能。
最后,在自回归滑动平均模型的基础上,针对跳频信号的实时处理问题,本文提出
了一种基于快速傅里叶变换和多通道聚类的频率跟踪算法,并介绍了一种基于粒子滤波
的网台实时分选算法。首先对多通道接收到的信号样本进行快速傅里叶变换处理,通过
聚类估计源信号个数和载频,然后利用载频与模型系数的关系估计模型系数构建自回归
滑动平均模型,再根据信号样本和模型对信号进行预测、估计判决门限,最后根据信号
样本预测值和真实值的绝对误差判断是否发生了频率跳变,实现频率的实时跟踪。仿真
实验验证了本算法对于解决跳频信号频率跟踪问题的有效性,同时与现有算法进行了对
比,实验结果表明在接收到了足够多的信号样本后,改进算法相比原 ARMA 算法有更
高的频率估计精度,相比稀疏贝叶斯学习算法则大大减少了算法的计算量和复杂度。最
哈尔滨工程大学硕士学位论文
后通过仿真也实现了跳频网台的实时分选。
关键词:跳频信号;参数估计;网台分选;混合矩阵估计;时频分析;频率跟踪
多网台跳频信号参数估计与分选
ABSTRACT
Two key technologies in frequency-hopping reconnaissance are studied in this paper,
including parameter estimation and sorting of network stations. FH communication is widely
used in military and civilian fields due to its excellent security performance, strong anti-
interference ability, low probability of interception and flexible networking capability. FH
communication has become an important method of anti-interference and anti-reconnaissance
in wartime communication confrontation. The signal intercepted by the receiver is a mixture of
signals with no prior information, and the number of receiving devices is limited in practical
applications. Therefore, the study of this paper focuses on the blind parameter estimation of
multi-network FH signals and the sorting of the network under underdetermined conditions.
The contributions of this paper include the following three aspects:
First of all, a new hopping time and hop cycle estimation algorithm based on maximum
energy difference is proposed in this paper, to improve the anti-noise performance and the
estimation accuracy. First, the TF matrix of the mixed signal is obtained by TF analysis. Then
the carrier frequency of the signal is estimated according to the TF energy distribution, and the
signal segment and the length of window are determined based on the TF data. Next, hopping
time and hop cycle are estimated based on the maximum energy difference. Finally, center
clustering algorithm is used to cluster the estimated values to obtain the final result. The
simulation results illustrate that the new algorithm based on maximum energy difference has
better anti-noise performance and estimation accuracy, and is suitable for asynchronous and
synchronous networking.
Secondly, a new mixing matrix estimation algorithm based on single source point detection
is proposed to sort FH network stations under UBSS model. Firstly, STFT is used to obtain the
sparse representation of the signal, the threshold is set to remove the TF points which are greatly
affected by the noise. Then the TF points are filtered according to the single source point
criterion. Next, the potential function clustering method is utilized to cluster the angles of the
TF ratios at single source points. The mixing matrix estimation and the DOA estimation are
obtained according to clustering centers, and finally the sorting of the network is realized.
Experiments indicate that the algorithm based on single source point detection and potential
哈尔滨工程大学硕士学位论文
function clustering method has better mixing matrix estimation performance than the
comparison algorithm.
Finally, an improved frequency tracking algorithm based on FFT, multi-channel clustering
and autoregressive moving average model is proposed and a real-time sorting algorithm based
on particle filter is introduced in this paper. Firstly, FFT is performed on the received signal
samples, the number of source signals and the carrier frequency are estimated by clustering
method. Then the model coefficients are estimated to construct the model, the signal is predicted
and the threshold is estimated. Finally, hopping time is detected based on the error of the
predicted value, and real-time frequency tracking is realized. The simulation experiment
verifies the effectiveness of the proposed algorithm. The experimental results show that the
proposed algorithm has higher frequency estimation accuracy than ARMA method after
receiving enough signal samples, and has less computation and complexity than the Sparse
Bayesian Learning method. The real-time sorting of the network station is also realized through
simulation.
Key words: FH signals; parameter estimation; network sorting; mixing matrix estimation; TF
analysis; frequency tracking
多网台跳频信号参数估计与分选
目 录
第 1 章 绪论 ...................................................................................................................... 1
1.1 课题背景和意义 ................................................................................................. 1
1.2 国内外发展现状 ................................................................................................. 2
1.2.1 跳频信号参数估计研究现状 .................................................................. 2
1.2.2 跳频网台分选研究现状 .......................................................................... 5
1.3 主要内容安排 ..................................................................................................... 6
第 2 章 跳频通信系统概述 .............................................................................................. 8
2.1 跳频通信工作原理与特点 ................................................................................. 8
2.2 跳频通信系统的主要参数及性能指标 ............................................................. 9
2.3 跳频通信系统的组网方式 ............................................................................... 10
2.4 跳频通信系统的数学模型 ............................................................................... 11
2.4.1 单通道混合模型 .................................................................................... 11
2.4.2 多通道混合模型 .................................................................................... 12
2.5 跳频信号的时频分析 ....................................................................................... 13
2.5.1 短时傅里叶变换 .................................................................................... 13
2.5.2 谱图 ........................................................................................................ 14
2.5.3 魏格纳-维尔分布及其推广................................................................... 14
2.6 本章小结 ........................................................................................................... 15
第 3 章 多跳频信号的参数估计 .................................................................................... 16
3.1 数学模型 ........................................................................................................... 16
3.2 基于最大能量差的跳时、跳周期估计算法 ................................................... 17
3.2.1 信号载频的确定 .................................................................................... 18
3.2.2 信号段及对应窗长确定 ........................................................................ 20
3.2.3 跳时和跳周期估计 ................................................................................ 21
3.2.4 中心聚类算法 ........................................................................................ 22
3.3 仿真分析 ........................................................................................................... 23
3.3.1 异步组网跳频信号仿真实验 ................................................................ 23
3.3.2 同步组网跳频信号仿真实验 ................................................................ 25
哈尔滨工程大学硕士学位论文
第 1 章 绪论
1.1 课题背景和意义
在军事通信领域,电子战对抗双方都力争取得通信方面的优势,以便在战争中取得
先机。战场环境下,为了保证通信信息的安全,首先要保证信号发送过程中不被干扰,
其次要保证信号传输过程中不被截获,最后要保证信号不被破译。为了保证通信信号的
抗干扰、低截获和稳定,跳频通信系统应运而生。
跳频通信是指通信合作双方在相同跳频序列的约束下,信号载频以相同的跳变规律
在共同频率集内伪随机随时间跳变的通信。跳频通信信号的载频在较宽的频带内跳变,
起到了扩频的作用,是主要的扩频通信类型之一。跳频通信由于其保密性好、抗干扰能
力强、截获概率低和组网能力灵活等优点[1],被广泛应用于短波、超短波电台等军用领
域,以及数据链技术[2]、蓝牙、GSM、卫星通讯[3]等民用领域[4],这也促进了跳频通信侦
察技术的研究热潮。但跳频通信相较于传统通信方式的种种优势也对跳频通信侦察带来
了严峻的挑战。通常情况下,跳频通信侦察主要包括以下三个方面:跳频信号的检测,
跳频信号参数的估计,跳频网台的分选[5]。在截获跳频信号的基础上,如何对敌方信号
信息加以利用并施加干扰是通信对抗领域的研究热点。
跳频信号的检测即判断宽带接收机截获到的各种调制方式的信号以及噪声干扰的
混合中是否含有跳频信号,并去除掉跳频信号之外的无用信号,如定频、干扰等。现在
用于跳频信号检测的技术大多已成熟,主要包括信道化接收[6-8]、自相关检测[9-10]和时频
分析[11-12]等。
跳频通信中频率随机跳变的特性,决定了其特有的特征参数。跳频信号参数包括调
制样式、信息速率等常规参数,估计这些参数所采用的算法,如包络谱[13]、高阶累积量
[14]
、非线性谱[15]等,都已较为成熟。载频、网台个数、跳周期和跳时等是跳频信号特有
的参数,这些参数的有效估计是跳频信号侦察处理中的关键问题。如果可以准确估计出
信号的跳周期、跳时和载频等参数,就可以通过解跳、解调等过程帮助己方取得情报,
并对敌方进行干扰。因此,对跳频信号参数估计的研究不仅具有理论上的必要性,在跳
频侦察、通信对抗中也具有重要的应用价值。由于跳频信号具有非平稳性和时频稀疏性,
时频分析[16]是目前解决跳频信号参数估计的主要方法之一,具有算法简单、计算量低、
结果直观且应用广泛的特点。但直接利用时频分析得到的时频图进行跳周期、跳时估计
抗噪性较弱,且精度不高。此外,现有的、较成熟的算法大多针对单网台跳频信号,而
1
哈尔滨工程大学硕士学位论文
实际应用中,接收机截获到的信号往往是多个跳频网台发射信号的混合。因此需要进一
步研究多网台跳频信号混合下的跳周期估计方法,并进一步提升估计算法的抗噪性。
跳频网台分选一般是指通过跳频信号的各种特征参数,将属于同一跳频网台的各跳
信号及特征参数进行对应和分类。由于截获到的信号经常是多个信号的混合,估计出的
参数是分散无序的。信号的分选可以实现参数估计结果与跳频网台的关联,以针对某个
特定跳频电台进行情报分析或对其进行干扰。异步组网跳频网台可以根据跳时、跳周期
信号特征参数进行分选,而同步组网跳频电台大多数利用阵列信号处理中的到达方向
(Direction of Arrival,DOA)信息进行分选。一般侦察环境下,阵列天线数目因场地、
成本等因素受到制约,往往小于源信号数目,很难满足常规阵列信号处理所要求的超定
或适定情况,因此研究欠定情况下跳频网台的分选更具有应用价值和发展空间。
传统的跳频侦察技术往往需要获知一些先验信息,然而通信侦察的对抗性以及保密
性,常常使得侦察方无法获知敌方电台的先验信息。因此盲条件下的参数估计、网台分
选也是跳频侦察的关键问题。常规的跳频信号情报分析对算法的实时性要求不高,采用
的侦察方法也大多是批量处理的方式,但这些方法不能满足电子对抗中的实时情报支援
系统对信号处理的实时性要求。如果能在接收到信号后很短时间内估计出信号的频率,
就可以迅速地对目标电台施加干扰。因此跳频信号的实时处理也是跳频侦察的研究重点。
综上所述,跳频信号参数估计是进行情报分析和对敌方电台施加干扰的前提,网台
分选将特征参数与各个网台相关联,将估计得到的参数转化为重要的通信情报,实现了
网台的分类识别。但目前跳频信号侦察仍存在一些关键问题需要进一步的研究,如盲信
息下多网台混合信号的处理、欠定条件下网台的分选以及跳频信号的实时处理等。因此,
对跳频信号侦察技术的研究具有重要的理论价值。
1.2 国内外发展现状
本文主要从跳频信号的参数估计与分选两个方面对课题的发展现状进行讨论。
1.2.1 跳频信号参数估计研究现状
文献[17-19]提出了基于多跳信号自相关的跳时、跳速估计方法,利用信号的自相关
域特征构建检验统计量,随后进行跳速、跳时刻估计。此类方法只能估计出部分参数,
且需要已知跳速范围、信号功率等先验信息。此外,上述算法只能处理单跳频信号[20]。
跳频信号是典型的非平稳信号,而时频分析是处理非平稳信号问题的重要工具。文
献[21]首次使用时频分析解决跳频信号的参数估计问题,提出了一种基于伪魏格纳-维尔
2
第 1 章 绪论
3
哈尔滨工程大学硕士学位论文
数作为基函数,构造原子字典,然后利用时频原子估计出跳频参数。此类方法可以获取
信号精确的时频分布,能够在低信噪比下得到较好的参数估计性能,且不受交叉项干扰
的影响,但算法复杂,计算量较大,且多数算法只适用于单跳频信号。
为了得到清晰、聚集性高的时频图,文献[39]和[40]将稀疏重构应用到跳频信号的参
数估计。由于跳频信号的时频稀疏性,将全频段等间隔划分得到一组由频率组成的傅里
叶正交基,观测信号就可以表示为这组基与一系列非零系数的积的形式,这组系数非零
行位置对应信号的频率,利用优化函数求解非零系数,最后得到信号的时频图,解决了
传统时频分析方法抗噪声能力弱、时频聚集性不强的缺点。文献[40]在此基础上还完成
了跳频信号的参数估计,但没有考虑信号的时域相关性,聚类易受噪声的影响。文献[41]
通过稀疏重构得到时频图后,利用形态学滤波对其进行修正,将时频矩阵中每一跳的非
零元素长度的平均值作为跳周期的估计,利用每一跳的非零元素中间元素点对应的时间
值估计跳时刻。这种方法的估计精度取决于时频图的时频聚集性,当信噪比较低时,性
能欠佳。文献[42]利用稀疏线性回归(Sparse Linear Regression,SLR)将多个跳频信号
的参数估计问题转化稀疏重构问题,通过时频分布估计跳时和频率。此类方法也能较精
确地得到跳频信号参数估计,但过程复杂,计算量大。
以上算法都是在接收到足够多的信号样本后进行的,这些批处理方式不满足跳频信
号实时处理的要求。为了解决跳频信号实时参数估计问题,Liu 提出了一种基于自回归
滑动平均(Autoregressive Moving Average,ARMA)模型的单或多通道跳频信号跳时检
测与频率追踪算法[43],该算法首先根据接收到的信号建立时域 ARMA 模型,然后根据
模型系数与载频的关系,用较少的信号样本实时估计载频,并利用模型对下一时刻的信
号进行预测,最后根据信号真实值与预测值的误差检测跳时。但该算法需要预先知道源
信号的个数,算法性能受信噪比和观测通道个数影响较大,使用模型估计出的信号载频
精度不高。
在原有 ARMA 模型的基础上,文献[44]提出了一种根据跳周期修正跳变时刻的方
法,基本思想是对跳时刻序列做差聚类,以提升跳时刻估计精度,减少了虚检和漏检,
但是算法还是存在批量处理的思想,并没有解决提高实时频率跟踪精度的问题。沙志超
将粒子滤波方法引入到 ARMA 模型中,构建了多通道接收跳频信号的实时处理体系[45]。
首先通过粒子滤波估计频率-方位积,然后恢复源信号波形,估计信号载频,利用载频估
计值建立时域 ARMA 模型,在实现了较高精度的实时频率估计、跳时检测的同时,还
实现了 DOA 估计。文献[46]和文献[47]中提出了基于稀疏贝叶斯学习的跳频信号频率跟
4
第 1 章 绪论
踪方法,通过建立贝叶斯稀疏表示模型,估计信号载频及检测跳时刻。上述基于粒子滤
波、稀疏贝叶斯学习的实时处理算法可以有效地提高频率跟踪、跳时检测的精度,完成
信号 DOA 估计,但算法过于复杂、计算量过大。
综上所述,基于自相关的跳频信号参数估计算法需要信号的先验信息,且只能处理
单个跳频信号;原子分解有较好的估计性能和抗噪性,但算法复杂,运算量较大,只适
用于单个跳频信号;时频分析方法直观简单,不需要先验信息,但参数估计精度和抗噪
性有待提升;稀疏重构算法估计精度高,但算法复杂,计算量较大;基于 ARMA 的频
率跟踪具有实时性,但估计精度不高。为了不引入大量的运算量和计算复杂度,本文选
择时频分析方法进行批量数据的参数估计,并利用 ARMA 模型进行实时参数估计。
1.2.2 跳频网台分选研究现状
针对异步组网中各网台信号存在的跳时、跳周期的差异,文献[48-50]提出了基于到
达时刻的网台分选方法。这类方法对参数估计精度要求较高,且不适用于同步组网的跳
频信号。
文献[51-55]则考虑利用不同网台间信号的幅度、频率、驻留时间、组网信息、DOA
等特征差异进行分选。但是准确估计上述特征参数本来就很困难,且参数估计的精度有
限。
盲源分离是一种不需要源信号和阵列结构的先验信息,就可以从混合信号中分离出
各个源信号的方法。根据阵列天线数 M 与源信号数 N 的关系,盲源分离可以分为适定
(M = N )
、超定( M > N )和欠定( M < N )三类[56]。基于盲源分离的网台分选方法不
需要或需要很少的先验信息,阵列误差影响小,相比于传统的基于信号特征差异性的分
选方法有较大优势。目前,已有较多学者将盲源分离应用到跳频信号的分选和分离问题
上。
杨小牛提出了基于盲源分离的跳频信号网台分选算法,证明了使用盲源分离解决跳
频网台分选问题的可行性[57]。随后,文献[58]使用独立分量分析解决了跳频信号的分离
问题。上述算法都是在超定模型(即阵列天线数大于源信号数)的假设下进行的,但是
在实际应用中,受到成本及场地的限制,以及网台个数的不确定性,很难满足超定或适
定情况,因此越来越多的学者将研究重点放在欠定网台分选上。稀疏分量分析(Sparse
Component Analysis,SCA) 由混合矩阵估计和源信号分离两大内容组成,它突破了传统
独立分量分析超定的限制,是目前解决欠定盲源分离(Underdetermined Blind Source
Separation,UBSS)问题的主要方法。文献[59]提出了基于时频比的跳频信号盲分离算法。
5
哈尔滨工程大学硕士学位论文
文章指出,当只有一个源信号起作用时,时频比与混合矩阵有关,于是使用均值和最小
方差法寻找时频单源域,估计混合矩阵,最后分离信号。但是对所有时频数据进行搜索
处理使得算法计算量大,且估计精度低。在此基础上,文献[60]对信号进行了去噪和去
除负频率成分的预处理,减少了寻找时频单源域的计算量,一定程度上提高了算法性能。
上述算法都是用线性瞬时混合模型解决信号的分离问题的,但考虑到不同的信号存
在一定的传输时延,相比瞬时混合模型,线性时延模型能更好的描述系统的实际工作状
态。文献[61]提出了一种基于时频比的改进 K-means 混合矩阵估计算法,得到时频矩阵
之后,比较混合矩阵任意两列的欧式距离以进行混合矩阵的修正,减小噪声对混合矩阵
的影响。文献[62-64]提出了针对同步正交组网跳频信号的欠定盲分离算法,首先对混合
信号进行时频分析,设定阈值去除能量较小的时频数据,对时频比聚类估计混合矩阵,
求得到达角进行分选,最后完成信号的分离。文中直接设定阈值筛选单源点,使得算法
在低信噪比下的性能较差。为了提升混合矩阵估计精度和抗噪性能,文献[65]和[66]引入
了单源点检测标准,以更加准确地筛选单源点。为了减少算法的运算量和复杂度,文献
[67]用滤波替代时频分析,提出了一种新的跳频信号 UBSS 算法。首先通过滤波将频域
跳频信号稀疏化,然后根据观测信号比值的均值求出混合矩阵,相对时频域方法,该算
法由于省略了短时傅里叶变换,减小了数据量,降低了计算复杂度,但是没能有效提升
算法性能。
综上,欠定线性时延模型是目前描述跳频信号的主要模型,混合矩阵估计一般可以
利用信号本身或在变换域中的稀疏性和聚类分析得到。但现有的混合矩阵估计方法存在
着一些不足,主要体现在由单源点筛选不精确和聚类精度不高导致的混合矩阵估计性能
不佳。
1.3 主要内容安排
跳频信号参数估计是通信侦察的基础,网台分选可以实现参数估计结果与跳频网台
的关联,以针对某个特定跳频电台进行情报分析或对其进行干扰。由上节内容可知,现
有基于时频分析的参数估计算法、基于时频比聚类的混合矩阵估计算法都存在精度不高
等缺陷,因此本文在第 3 章和第 4 章对这两个问题进行了深入研究。上述算法需要已接
收到足够多数量的信号数据,在跳频信号实时处理场景中不再适用,因此本文第 5 章的
研究内容为跳频信号的实时处理。各章节内容具体为:
第 1 章首先介绍了跳频通信的广泛应用,以及跳频信号参数估计与分选在通信侦察、
电子战中的重要性;然后描述了国内外各学者解决跳频信号参数估计与网台分选问题的
6
第 1 章 绪论
发展过程以及各算法的优缺点;最后对各章内容进行了概括。
第 2 章首先介绍了跳频通信的工作原理以及具有的优势和特点,然后介绍了跳频系
统的主要参数指标及三种组网方式,随后介绍了跳频通信的单、多通道接收模型,最后
介绍了几种常用的时频分析方法。
第 3 章研究了多网台跳频信号的跳时、跳周期估计算法。现有的基于时频分析的参
数估计算法抗噪性弱,精度有限。为此,本文提出了一种基于最大能量差值的跳时、跳
周期估计算法。首先利用时频分析得到混合信号的时频矩阵,然后根据时频能量分布确
定信号载频,再针对每一频率点的时频数据确定信号段和窗长,根据跳变时刻两侧窗内
能量之差达到最大估计出跳时和跳周期,最后利用中心聚类算法对跳周期聚类,得到最
终的结果。
第 4 章研究了基于 UBSS 的同步正交跳频网台分选问题,由于混合矩阵含有 DOA
信息,所以将问题转化为混合矩阵估计,并提出了一种基于单源点检测的改进混合矩阵
估计算法。该算法首先利用 STFT 得到时频矩阵,去除受噪声影响较大的时频点,然后
根据单源点检测准则进一步筛选时频点,利用时频比在单源点处的聚类特性,最后根据
势函数聚类算法得到聚类中心,得到混合矩阵的估计和 DOA 估计值,从而实现网台的
分选。此外,本章还讨论了同步非正交组网下 DOA 的修正问题。
第 5 章研究了跳频信号的实时处理问题。在 ARMA 模型的基础上,提出了一种基
于快速傅里叶变换(Fast Fourier Transformation,FFT)和多通道聚类的改进 ARMA 频
率跟踪算法,并介绍了一种实时分选算法。首先对多通道接收到的信号样本进行 FFT 处
理,通过聚类估计源信号个数和载频的估计,然后估计模型系数并构建 ARMA 模型,
再对信号进行预测、估计判决门限,最后根据信号样本预测值和真实值的误差判断是否
发生了频率跳变,实现频率的实时跟踪。
最后一部分为结束语,对本文的工作内容进行了总结,并且对本文在跳频侦察领域
尚未解决的问题进行了展望。
7
哈尔滨工程大学硕士学位论文
第 2 章 跳频通信系统概述
2.1 跳频通信工作原理与特点
在跳频通信中,跳频信号的载频在较宽的频带内随时间有规律跳变,起到了扩频的
作用,因此跳频通信属于扩频通信,也是最常用的扩频方式之一。跳频通信的工作原理
示意图如图 2.1 所示[68]。
频率合成器 频率合成器
跳频频率表 跳频频率表
跳频序列 跳频序列
跳频同步
图 2.1 跳频通信原理示意图
上图中,合作双方跳频序列的产生、频率的生成以及时钟的同步,是整个系统中最
为关键的三个步骤。跳频通信的基本原理是:在发送方,待发送的原始信息经过调制得
到中频调制信号,在伪随机的跳频序列的作用下,生成高稳定度和高精度的离散射频频
率,信号再通过射频调制发送给接收端。接收端使用相同的伪随机序列生成取值相同、
同步跳变的本振,最后通过解跳和解调恢复出原始信息。非合作条件下,敌方不清楚跳
频信号的载频跳变规律,因此无论是人为施加的干扰信号还是随机的干扰信号,即使进
入了接收端,由于外来跳频图案与本地图案不一致,无法通过解跳和解调,因此系统不
会受到干扰。
对于非合作侦察方,由于载频跳变规律未知,为了尽可能的获取更多的情报,往往
需要接收预设频段内的所有信号,并进行一系列处理。跳频侦察处理的主要内容如图 2.2
所示[69]。
宽带滤 跳频信号 跳频信号 跳频信号
解跳解调
波器 检测 参数估计 网台分选
图 2.2 跳频侦察处理主要内容框图
由于频率伪随机跳变,与传统的通信方式相比跳频通信具有以下优势和特点[70]:
(1)具有较强的抗干扰能力
8
第 2 章 跳频通信系统概述
跳频信号的频率在一个很宽的范围内伪随机跳变,使干扰信号不能保证每一时刻都
与其频率相同,因此有效躲避了敌方的干扰。且跳频信号的带宽越大、频率数目越多、
跳率越高,抗干扰能力越强。
(2)截获概率低
跳频信号的频率在伪随机序列的控制下随机跳变,使得敌方难以获取跳频图案,难
以获知频率跳变规律,难以截获通信信息。
(3)组网能力灵活
不同的用户可以使用不同的频率集,也可以使用相同的频率集,但必须是不同的跳
频序列,以保证绝大多数的频率在同一时刻是不同的,避免用户之间的干扰。用户只能
解调与自己保持同步、具有相同跳频序列和相同频率集的跳频信号,不会或很少受到其
他用户的干扰。
(4)具有抗衰落能力
在信号传输过程中具有较强的抗频率选择性衰落能力,因为跳频信号的载频以伪随
机序列的长度为周期不停发生跳变,起到了频率分集的作用。
(5)兼容性强
跳频通信系统虽然带宽很大,但每一个时刻都可以看作是窄带的,可以与常规窄带
通信系统在固定频率上通信,并且两个系统间可以互相转换。
2.2 跳频通信系统的主要参数及性能指标
根据跳频信号的载频有规律在某时刻出现并持续一段时间,随后发生跳变的特性可
以得知,跳频信号的特征参数主要包括载频、跳时刻、跳周期等,如图 2.3 所示。
跳周期
跳时刻
频
率
时间
图 2.3 跳频信号主要特征参数示意图
上图中还描述了载频随时间的变化规律,这种规律被称为跳频图案。跳频图案的一
9
哈尔滨工程大学硕士学位论文
致性保障了通信双方的正常通信,跳频图案的获取是侦查方能否获得敌方情报的关键所
在。
描述跳频通信系统性能主要有以下几个技术指标[71]:
(1)跳速
顾名思义是指载频变化的速度,一般用一秒内的跳变次数描述,单位为跳/秒。跳周
期定义为一跳的持续时间,因而与跳速有着倒数关系。
根据跳速与信息符号速率之间的关系,可以将跳频系统分为慢变和快变两种。前者
定义为在一跳中可传输多个信息符号,即跳速低于符号速率,后者反之。
(2)带宽
指跳频信号覆盖的频带宽度,由图 2.3 可以看出,跳频信号在不同时刻具有不同的
频率,所以带宽一般指系统正常运作时最高频率与最低频率的差值。
(3)跳频频率集
指跳频序列控制生成的频率的集合,也指系统正常运作时信号载频的集合。这些频
率的个数被称为跳频频率数目。
(4)同步时间
指发射端、接收端双方开始建立同步到完成同步,可以进行正常通信的时间。
跳频通信系统的每一个指标均可以影响系统的工作性能。一般情况下,我们希望有
更多的频率数目、更快的跳速、更宽的带宽和更短的同步时间。
2.3 跳频通信系统的组网方式
与其他通信系统类似,跳频通信也有自己的组网方式,主要分为频分和码分两大类
[4]
。前者要求不同的用户使用不同的频率集,后者允许不同的用户使用相同的频率集,
但必须是不同的跳频序列,以保证绝大多数的频率在同一时刻是不同的,以避免用户之
间的干扰。在实际应用中,一般将这两种组网方法结合使用。根据载频是否同时跳变和
频率是否存在碰撞,码分组网又可以进一步分为同步、异步组网与正交、非正交组网[72]。
图 2.4 和 2.5 分别为正交组网和非正交组网跳频信号载频变化规律示意图。
一般情况下,异步组网中很难保证各网台间的频率是正交的,总会有频率碰撞的情
况发生,所以跳频通信的组网一般分为以下三种:
(1)同步正交组网
网中各个跳频信号的载频同时发生跳变,即各跳频信号拥有一样的跳时,且要求同
一时刻不准存在两个及以上的网台具有相同的载频,不会发生频率碰撞的现象。这样带
10
第 2 章 跳频通信系统概述
来的优点是系统内不存在网台间干扰,且具有良好的抗侦察、抗敌方干扰能力。
(2)同步非正交组网
各网台载频同时发生跳变,但对跳频序列的要求没有同步正交组网严格,允许在某
些时刻出现某几个电台的频率碰撞。
(3)异步非正交组网
各网台载频不同时发生跳变,各跳频信号跳时不一致。这种情况下对跳频序列设计
的要求比较高,频率碰撞的出现导致网间干扰在所难免,但应尽可能保证通信的正常进
行。放弃载频的同步与正交带来的好处是大大降低了系统要求、简化了组网过程、加快
了组网速度。
频 频
率 率
时间 时间
图 2.4 同步组网载频变化规律示意图 图 2.5 异步组网载频变化规律示意图
2.4 跳频通信系统的数学模型
2.4.1 单通道混合模型
11
哈尔滨工程大学硕士学位论文
2.4.2 多通道混合模型
假设信号接收端采用的为图 2.6 所示的均匀线性天线(Uniform Linear Antenna,ULA),
天线个数为 M 。
图 2.6 均匀线性天线接收示意图
上 图 中 θ n 为 源 信 号 sn ( t ) 的 入 射 角 , 并 假 设 不 同 源 信 号 的 入 射 角 不 同 。
x1 (t ), x2 (t ), , xM (t ) 为 M 个天线阵元接收的信号。天线间的距离为 d ,一般有 d ≤ λmin / 2 ,
λmin = c / f max , c 为电磁波的传播速度, f max 为信号载频的最大值。
不同的阵元接收到 sn (t ) 的时刻是不一样的,信号 sn (t ) 先后传输到第一个阵元和第
m 个阵元产生的时延为:
1
τ mn = ( m − 1) d sin θ n , m = 1, 2, , M ; n = 1, 2, , N (2-4)
c
假设在时延 τ mn 内信号的幅值和载频都没有发生变化,那么有
b(t − τ mn ) ≈ b(t )
ϕ (t − τ mn ) ≈ ϕ (t ) (2-5)
ω (t − τ ) ≈ ω (t )
mn
第 m 个阵元接受到 N 个源信号的混合信号为:
N N
xm (t ) = xmn (t ) = sn (t )e − jωn (t )τ mn (2-7)
n =1 n =1
M 个阵元接收到的观测信号为:
x(t ) = A (t )s(t ) (2-8)
其中 x(t ) = [ x1 (t ), x2 (t ), , xM (t )]T , s(t ) = [ s1 (t ), s2 (t ), , sN (t )]T , A (t ) 是一个时变复数
混合矩阵,表示各通道对第 n 个信号的阵列响应。A (t ) = [a1 , a 2 , , a N ] ∈ C M × N ,第 m 行 n
12
第 2 章 跳频通信系统概述
2.5 跳频信号的时频分析
傅里叶变换(Fourier Transform,FT)只能得到信号的整体频谱分布信息,只适于分
析确定性的平稳信号。跳频信号的载频随时间不断跳变,是一种典型的时变、非平稳信
号,传统的傅里叶变换不再适用。
时频分析可以准确描述在某一时间点及某一频率处信号的能量密度或强度,可以同
时从时间、频率两个维度去分析信号,获知信号频率随时间的变化关系,已经成为处理
非平稳信号的有效手段。
常用的时频分析方法根据是否满足线性叠加原理一般分为线性和非线性两种,前者
主要包括 STFT、小波变换、S 变化等,后者主要包括谱图、Winger-Ville 变化及其衍生
方法等[73]。下面介绍几种常用的时频分析方法。
2.5.1 短时傅里叶变换
STFT 能够处理非平稳信号的原理是:每一个非平稳信号都可以看作是一系列在极
短时间段内平稳信号的累加,因此对信号进行时频加窗截取,让窗内信号满足平稳性假
设,再对窗内信号进行傅里叶变换,将窗沿时间轴在信号持续时间内滑动,最终获得信
号在时频域的表征。STFT 原理简单、容易实现,时频分布可以线性叠加,因此没有交
叉干扰项。
设 h(t ) 为窗函数,则连续时间信号 x(t ) 的 STFT 的定义为:
+∞
STFTx ( t , f ) = x (τ ) h ( t − τ ) e− j 2π f τ dτ (2-10)
−∞
13
哈尔滨工程大学硕士学位论文
2.5.2 谱图
二次时频方法与线性方法相比,可以描述信号的时频能量分布情况。在二次时频表
示方法中,谱图是最简单的,定义其为信号 STFT 模值的平方,信号 x(t ) 的谱图表示为:
+∞ 2
2
SPECx = STFTx (t , f ) = x(τ )h(t − τ )e − j 2π f τ dτ (2-12)
−∞
2.5.3 魏格纳-维尔分布及其推广
14
第 2 章 跳频通信系统概述
2.6 本章小结
本章主要介绍了跳频系统相关的基础理论。首先介绍了跳频通信的系统模型、基本
原理与特点。然后介绍了跳频系统中的主要参数、性能指标和三种组网方式。接着介绍
了跳频信号的单通道、多通道接收模型。最后引入了时频分析,说明了时频分析相比于
传统的傅里叶变换对处理非平稳信号,包括跳频信号的优势,并介绍了几种常用的时频
分析方法。
15
哈尔滨工程大学硕士学位论文
第 3 章 多跳频信号的参数估计
跳频信号的频率随时间有规律地跳变,具有非平稳性和时频稀疏性。时频分析可以
全面地描述信号的时频局部特征,是处理跳频信号的有力工具,在跳频通信侦察处理中
也发挥着重要的作用。基于时频分析的跳频信号参数估计算法直观简单,不需要先验信
息,是目前解决跳频信号参数估计的主要方法之一。
针对单跳频信号的参数估计研究,目前已有很多成果。文献[21-27]将 STFT、WVD、
PWVD、SPWVD、重排 SPWVD、Gabor 变换、谱图等方法应用到跳频信号的参数估计。
上述算法原理简单易实现,利用接收信号时频分布中时频峰值点的周期性得到跳周期估
计,但上述算法精度低且抗噪性差。
多跳频信号应用场景中,上述算法不再适用。文献[28]和[29]利用跳频信号时频变换
中跳变时刻前后信号、频率个数的变化估计出跳时,但此类算法抗噪性较差,精度有限,
且不适用于异步正交组网的跳频信号。文献[30]为了提高参数估计的精度,将研究重点
放在了时频矩阵的修正,提出了基于时频图修正的跳周期估计算法。算法首先建立了时
频图修正最优化稀疏模型,然后利用匹配搜索得到二进制时频矩阵,最后根据时频图中
信号幅度为 1 的持续时长来估计跳周期。本算法可得到较清晰的时频图,提升了估计精
度,但优化模型中的稀疏性约束代价因子很难选取且对结果有较大影响,算法鲁棒性较
差。
为了提升跳频信号参数估计的抗噪性以及估计精度,并且使算法同时适用于同步、
异步组网,本文提出一种基于跳变时刻前后窗内最大能量差的跳时、跳周期估计算法。
首先,利用 STFT、SPWVD 等时频分析方法得到时频矩阵;其次,根据能量随频率的分
布确定信号载频及时频矩阵有效频率数据;然后,针对每一频率点处所有时间的时频数
据设定信号段和窗长;最后,根据跳变时刻两侧窗内能量之差达到最大的原则估计出跳
时和跳周期。
3.1 数学模型
非合作条件下,由于没有敌方信源的先验信息,首先考虑使用单通道接收模型。
由 2.4.1 节可知,源信号 sn (t ) 可以表示为:
sn (t ) = bn (t )e j [ωn (t )t +ϕn (t )] , n = 1, 2, , N (3-1)
其中, bn (t ) 为信号 sn (t ) 的基带复包络, ωn (t ) = 2π f n (t ) 和 ϕn (t ) 分别为跳频在 t 时刻
的载频及相位。单天线接收到的混合信号为:
16
第 3 章 多跳频信号的参数估计
N
x(t ) = sn (t ) + v(t ) (3-2)
n =1
3.2 基于最大能量差的跳时、跳周期估计算法
理想情况下时频分布可以完全体现出跳频信号的载频、跳周期和跳时等特征。基于
时频分析的跳时、跳周期等参数估计算法通常包括两步:一是对信号进行时频变换,如
STFT、WVD、SPWVD 等,得到时频域数据;二是根据时频分布、时频数据幅值的相对
大小,直接或间接地估计出参数。
不同的时频分析方法有不同的时频分辨率、算法复杂度、交叉项干扰影响,可根据
具体的源信号特征、应用背景和限制条件选取合适的时频变换。因此,本章将重点放在
如何根据时频矩阵数据,得到多跳频信号参数的估计,且解决之前提到的现有算法存在
的抗噪性差、估计精度不高的问题。下面简述所提算法原理。
如图 3.1 是信噪比为-15dB 时一段源信号个数为 2 的异步组网跳频信号的时频图,
信号采样频率为 10MHz,信号的跳速分别为 400 跳/秒和 320 跳/秒,跳频频率集分别为
f1 = [2.8 3.0 3.1 2.9 2.7] × 106 Hz, f 2 = [3.3 2.6 2.8 3.2] × 106 Hz。
图 3.1 一段跳频信号的时频图
17
哈尔滨工程大学硕士学位论文
2.8MHz
图 3.2 利用最大能量差值估计跳时原理示意图
可以看出,要完成上述过程,需要预先估计信号的载频和窗长,窗长即信号段持续
时间。为了进一步提高参数估计精度,对所有载频处得到的参数估计值进行中心聚类,
以得到最终估计结果。因此,本章提出的基于最大能量差的跳时、跳周期估计算法的步
骤框图如图 3.3 所示:
跳时、跳
时频数据 载频估计 窗长估计 中心聚类 最终结果
周期估计
图 3.3 基于最大能量差的跳时、跳周期估计算法步骤框图
3.2.1 信号载频的确定
谱图可以描述信号的能量随时间和频率变化的情况,无干扰项影响,计算量小,因
此本文选取谱图分析方法。由 2.5 节可知信号 x(t ) 的谱图定义为其短时傅里叶变换模值
的平方:
SPEC =| STFTs (t p , f q ) |2 (3-4)
18
第 3 章 多跳频信号的参数估计
0.9
0.8
归归归归归
0.7
0.6
0.5
0.4
0 50 100 150 200 250 300
频频频频频 q
图 3.4 各频率处所有时间采样点能量曲线图
根据 X ( f q ) > X ( f q −1 ) 且 X ( f q ) > X ( f q +1 ) 标记峰值点,记峰值点处能量集合为 X ( f q ' ) ,
求 X ( f q ' ) 降序排列差分的绝对值,即 diff(sort( X ( f q ' ))) ,其中 sort() 代表排序, diff() 表
示求差分。q ' = 1, 2, , length( X ( f q ' )) ,画出归一化能量随 q ' 变化曲线图,如图 3.5 所示。
0.9
0.8
0.7
0.6
归归归归归
0.5
0.4
0.3
0.2
0.1
0
0 10 20 30 40 50 60 70
q′
19
哈尔滨工程大学硕士学位论文
再次标记峰值点,定义峰值幅度大于峰值幅度最大值的一半为有效峰,取有效峰峰
值对应横坐标的最大值,重复多次实验取出现次数最多的有效峰峰值横坐标最大值为信
号载频个数 NUM f 。选取图 3.4 中 X ( f q ) 能量较大的 NUM f 个峰值的横坐标作为为信号
载频。
取降序排列后 X ( f q ' ) 第 NUM f + 1 个值为门限 σ 1 ,然后根据下式去除原始时频矩阵
中非载频处的时频数据:
X ( f q ,:), X ( f q ) > σ 1
X ( f q ,:) = (3-5)
0, else
上式中, X ( f q ,:) 表示 X ( f q , t p ) 中第 q 行数据,即载频为 f q 的一行数据。
网台个数可以对 X ( f q , t p ) 每个时间点存在的载频个数进行聚类得到。
3.2.2 信号段及对应窗长确定
现在对时频数据 X ( f q , t p ) 的每一个载频处的时频数据进行处理。设信号载频为
f j , j = 1, 2, , NUM f ,任选一载频处的时频数据 X ( f j , t p ), p = 1, 2, , P ,定义为 X j (t p ) ,
观察时频能量随时间的变化,以图 3.1 中载频为 3 × 106 Hz 的时频数据为例,归一化能量
随时间变化如图 3.6 所示:
0.9
0.8
0.7
0.6
归归归归归
0.5
0.4
0.3
0.2
0.1
0
0 50 100 150 200 250
时时频频频p
图 3.6 固定频率处能量随时间变化图
可以看出,在信号持续时间内的信号能量大于非信号段的噪声能量。我们据此近似
估计信号段长度,并设为窗长。
20
第 3 章 多跳频信号的参数估计
设定参数 σ 2 ,根据下式将能量较小的时频数据置为 0。
X (t ), X j (t p ) > σ 2 max( X j (t p ))
X j (t p ) = j p (3-6)
0, else
当噪声较大时,上式并不能去掉幅值较大的噪声,周围还可能存在噪点,如图 3.7
所示。
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
归归归归归
归归归归归
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 50 100 150 200 250 0 50 100 150 200 250
时时频频频 p 时时频频频 p
在这里,利用密度最大原则去除这些噪点。具体步骤如下:
(1) 初始化 X ′j (t p ) = X j (t p ) ;
(2) 取 X ′j (t p ) 中非零值对应的时间采样点 p 组成向量 P ;
(3) 计算 P 内相邻两点间距离的最大值 d = max(diff(P )) ;
(4) 对于 P 中每一个点 pl 计算与其相邻的 d 长度内属于 P 的最大点个数 N l ,计算
密度 zl = N l / d ;
(5) 设定 σ 3 ,若 min( zl ) < σ 3 max( zl ) ,则去掉 X ′j (t p ) 中时频数据以更新 X ′j (t p ) ;
(6) 重复步骤(2)至步骤(5),直到 min( zl ) ≥ σ 3 max( zl ) 。
图 3.8 为去除噪点后 X ′j (t p ) 能量随时间采样点变化图。当然,在信号的一个载频处,
可能存在多段信号,可以根据具体的时频图、P 内相邻两点间距离 diff(P ) 判断信号段个
数,这里不再展开说明。
将 X ′j (t p ) 中时间采样点的最大值与最小值之差作为每段信号的持续时间,定义为窗
长 wlen 。
3.2.3 跳时和跳周期估计
21
哈尔滨工程大学硕士学位论文
跳周期:
(1)将时频数据 X ′j (t p ) 左右两侧各扩展 1.5wlen 长度的零点,P 向左右做相应的扩
展: P ′=1 − floor(1.5wlen):P+floor(1.5wlen) ;
2
(2)直线 l 沿时间轴移动,并计算直线 l 两侧窗内能量差的绝对值的平方 ΔE ;
2
(3)画出 Δ E 随 P ′ 变化曲线,峰值点对应横坐标即为跳变时刻估计;
(4)跳变时刻之差为跳周期估计。
0.9
0.8
0.7
0.6
归归归|ΔE| 2
0.5
0.4
0.3
0.2
0.1
0
-50 0 50 100 150 200 250 300
扩扩时时频频频
2
图 3.9 归一化 ΔE 随时间变化曲线图
2 2
图 3.9 所示是归一化 ΔE 随时间变化曲线图。可以看出,在跳变时刻 Δ E 达到峰
值。
3.2.4 中心聚类算法
22
第 3 章 多跳频信号的参数估计
[i1 , i2 , , ici ] ;
cm
1
(2)取 C(0) = [c1 , c2 , , cL ] 中最大值 cm ,依据 Tˆ =
cm
T
i =1
i1 计算跳周期;
3.3 仿真分析
为了验证提出算法的有效性,本节分别进行了异步、同步组网环境下跳频信号参数
估计实验仿真,并与文献[30]中时频图修正算法进行对比,对比算法通过建立修正模型、
利用匹配追踪进行时频图修正,提高了时频分辨率,提高了参数估计精度,并且适用于
同步、异步组网。
STFT 选用长度为 512 点的汉明窗作为窗函数,窗函数步进长度为 512 点,傅里叶
变换点数为 512 点。设定阈值 σ 2 = 0.5, σ 3 = 0.4, ε = 0.0001 。为了验证算法性能,定义相
对误差:
1 R Ti − T
E= (3-8)
R i =1 T
上式中, R 表示实验重复次数, Ti 和 T 分别为第 i 次实验跳周期估计值和跳周期真
实值。
3.3.1 异步组网跳频信号仿真实验
23
哈尔滨工程大学硕士学位论文
6
x 10
3.6
3.4
3.2
频频/Hz
2.8
2.6
2.4
2 4 6 8 10 12
时时 /秒 x 10
-3
图 3.10 异步组网混合信号时频图
0
10
时频时时时
提提提提
-1
10
相相相相
-2
10
-3
10
-16 -14 -12 -10 -8 -6 -4 -2
SNR/dB
图 3.11 估计误差曲线图
由仿真实验可以看出,本文算法相比于对比算法的跳周期估计精度,在各个信噪比
下均有较好的提升。文献[30]优化模型中参数 μ1 , μ2 的选择和噪声能量有关,而噪声能量
未知,所以参数选取不精确,而 μ1 , μ2 的选取直接影响算法的估计性能,并且算法中使用
的适应度函数不为最优,受噪声影响较大,所以算法的精度不高、抗噪性差。
24
第 3 章 多跳频信号的参数估计
3.3.2 同步组网跳频信号仿真实验
3.4
3.2
频频/Hz
2.8
2.6
2.4
1 2 3 4 5 6 7 8 9
时时 /秒 -3
x 10
图 3.12 同步组网混合信号时频图
同样地,以 2dB 为步进,在[-16dB,-2dB]信噪比间进行实验。图 3.13 为本文提出算
法与文献[30]中时频图修正算法估计误差随信噪比变化曲线。
0
10
时频时时时
提提提提
-1
10
相相相相
-2
10
-3
10
-16 -14 -12 -10 -8 -6 -4 -2
SNR/dB
图 3.13 估计误差曲线图
由实验结果可以得知,本文算法的跳周期估计精度相比于对比算法,在各个信噪
25
哈尔滨工程大学硕士学位论文
比下均有较好的提升,并且适用于异步、同步组网。
3.4 本章小结
本章主要研究了多跳频信号的跳时、跳周期等参数估计问题,并针对现有算法抗噪
性弱、精度不高的缺陷,提出了一种基于最大能量差值的跳时、跳周期估计算法。该算
法首先利用时频分析得到时频矩阵,然后根据能量分布确定信号载频及时频矩阵有效行
数据,再针对每一频率点的时频数据确定信号段和窗长,根据跳变时刻两侧窗内能量之
差达到最大估计出跳时和跳周期,最后利用中心聚类算法对跳周期聚类以得到更精确的
估计结果。仿真实验表明,本章提出的算法具有较好的抗噪性和估计精度,且适用于异
步、同步组网。但算法估计精度受时频分析精度限制,可根据实际需求改换时频分析方
法。
26
第 4 章 基于欠定盲源分离的网台分选
第 4 章 基于欠定盲源分离的网台分选
通过第 3 章对混合信号的处理,我们已经得到了跳频信号的网台个数、载频、跳时、
跳周期估计,但这些参数分别属于哪个跳频网台仍然未知。由第 2 章对跳频通信原理的
描述可以知道,跳频图案,即载频随时间变化规律的获取在跳频侦察中至关重要。为了
实现已估计的参数与跳频网台的关联、获取跳频图案,为了获得情报或进行有效的干扰,
必须进行网台的分选。一般利用同一网台信号的共性特征及不同网台信号的差异性特征
进行分选。
异步组网跳频网台的分选相对简单,因为不同网台有不同的到达时间、跳周期、跳
时等特征参数,可以根据信号间的这些特征差异进行参数的关联和网台分选。同步组网
跳频网台不存在上述特征差异,因此分选难度较大。本章的研究重点放在同步组网跳频
网台。
盲源分离是一种从多个源信号的混合中分离出各个源信号的方法,目前,已有较多
学者将盲源分离应用到跳频信号的分选和分离上。基于盲源分离的网台分选无需已知阵
列结构,不需要或需要很少的源信号先验信息,阵列误差对算法影响较小,相比于传统
的基于信号特征差异性的分选方法有较大优势。在实际应用中,受到成本及场地的限制,
以及网台个数的不确定性,很难满足观测天线阵元数不小于源信号数,因而欠定跳频网
台分选算法的研究更具有实际意义。
稀疏分量分析是目前解决 UBSS 问题的主要方法,它包括混合矩阵估计和源信号分
离。稀疏信号是指在时域、频域或其他变换域的各个采样点中的值绝大部分近似为零,
而在某些很少的采样点取值较大的信号。通过对跳频信号进行时频分析可以看出,在一
段持续时间内,只有载频处的时频点具有较大的能量,所以跳频信号在时频域具有稀疏
性。
为了解决 UBSS 线性时延混合模型下的跳频网台分选问题,文献[61]提出了一种基
于时频比的混合矩阵估计算法,通过时频变换得到时频矩阵,利用改进的 K-means 算法
对时频矩阵进行聚类得到混合矩阵的估计,比较混合矩阵任意两列的欧式距离以减小噪
声对混合矩阵的影响,但是低信噪比下分离效果不是很理想,且运算量较大。文献[62-
64]提出了针对同步正交组网跳频信号的欠定盲分离算法,同样对混合信号进行时频分
析,设定阈值去除能量较小的时频点,对时频比聚类估计混合矩阵,求得到达角进行分
选,最后完成信号的分离。文中直接设定阈值筛选单源点,使得算法在低信噪比下的性
27
哈尔滨工程大学硕士学位论文
能较差。为了提升混合矩阵估计精度和抗噪性能,文献[65]和[66]引入了单源点检测标准,
以更加准确地筛选单源点。文献[67]摆脱了时频分析方法,通过滤波得到混合信号的稀
疏分量,并根据分量比值的均值求出混合矩阵。滤波法的优点是减少了算法的计算量与
复杂度,但是没能有效提升算法性能。
为了提升混合矩阵估计性能,实现网台分选,本章提出一种基于单源点检测和势函
数聚类的混合矩阵估计算法。
28
第 4 章 基于欠定盲源分离的网台分选
4.2 基于单源点检测的混合矩阵估计算法
为了便于分析,以 2 个天线阵元对 3 个源信号观测为例,无噪情况下式(4-4)的观测
时频矩阵可以表示为:
S (t , f )
X 1 (t , f ) 1 1 1 1
= S2 (t , f ) (4-5)
X 2 (t , f ) a21 a22 a23
S3 (t , f )
为了避免噪声引起的低能量点对混合矩阵估计的影响,也为了降低后续处理的计算
量,在 STFT 之后设定噪声能量阈值 ε1 ,根据下式去除模值较小的时频点:
X (t , f ), X (t p , f q ) > ε1 max( X (t , f ))
X (t p , f q ) = p q (4-6)
0,else
上式中, p = 1, , P 为时间采样点, q = 1, , Q 为频率采样点, ε1 一般取 0.1~0.4。
假设某时频点 (t p , f q ) 是信号 s1 (t ) 的单源点,则接收信号时频比为:
X 2(t p ,f q ) a21S1 (t p ,f q )
= = a21 (4-7)
X 1(t p ,f q ) S1 (t p ,f q )
则混合矩阵 A 可由单源点处观测信号时频比表示:
1 1 1
A = X 2(t p ,f q ) X 2(t p′ ,f q′ ) X 2(t p′′ ,f q′′ ) (4-8)
X 1(t p ,f q ) X 1(t p′ ,f q′ ) X 1(t p′′ ,f q′′ )
上式中, (t p′ , f q′ ) 和 (t p′′ , f q′′ ) 分别是源信号 s2 (t ) 和 s3 (t ) 的单源点。可以看出,单源点处接
收数据的时频比可以较完整地描述混合矩阵,因此单源点的确定对混合矩阵 A 的估计至
关重要。
29
哈尔滨工程大学硕士学位论文
在无噪情况下或信噪比较高时,接收数据的时频比可以直接估计混合矩阵 A ,但当
噪声较大时,部分时频点不再满足单源点特性,因此需要进一步筛选,下面介绍一种改
进的单源点检测准则。
4.2.1 改进的单源点检测准则
假设某时频点 (t p , f q ) 是信号 s1 (t ) 的单源点,即只有 s1 (t ) 在 (t p , f q ) 起作用,则接收信
号时频比为:
X 2(t p , f q )
= a21 = e − j 2π f1 (t )τ 21 (4-9)
X 1(t p , f q )
X 1(t p , f q ) 1 1
= = − j 2π f1 ( t )τ 21 (4-10)
X 2(t p , f q ) a21 e
根据式(4-9)和式(4-10),可以得到:
X 2( tl , f l ) X 1( tl , f l )
− =0 (4-11)
X 1( tl , f l ) X 2( tl , f l )
考虑到噪声的影响,引入门限 ε 2 以拓宽使用条件:
X 2(tl ,fl ) X 1(tl ,f l )
− < ε2 (4-12)
X 1(tl ,f l ) X 2(tl ,f l )
其中, 0 < ε 2 1 。
现在,我们证明多源点(multiple source points,MSPs)处式(4-11)不再满足,多源
点即指有两个及以上的源信号起作用的时频点。如果 (t p , f q ) 是 s1 (t ) 和 s2 (t ) 的多源点,有:
X 2(t p , f q ) a21S1 (t p , f q ) + a22 S 2 (t p , f q )
= (4-13)
X 1 (t p , f q ) S1 (t p , f q ) + S 2 (t p , f q )
X 1(t p , f q ) S1 (t p , f q ) + S 2 (t p , f q )
= (4-14)
X 2 (t p , f q ) a21 S1 (t p , f q ) + a22 S 2 (t p , f q )
为了使式(4-11)依然成立,需要满足下式:
a21S1 (t p , f q ) + a22 S 2 (t p , f q )
=1 (4-15)
S1 (t p , f q ) + S 2 (t p , f q )
30
第 4 章 基于欠定盲源分离的网台分选
ΔS2
情况(1): =0 。
S1 + S 2
因为 S 2 非零,所以此情况下 Δ = 0 ,即 a21 = a22 。
ΔS 2
情况(2): = a21 − (sin θ + i cos θ ) ,其中, θ 为任意角。
S1 + S 2
进一步将上式扩展,得到下式:
a21S 2 − a22 S2 = a21S1 + a21S 2 − (sin θ + i cos θ )( S1 + S2 ) (4-17)
调整因式位置,得到:
a21S1 + a22 S2 = (sin θ + i cos θ )( S1 + S2 ) (4-18)
所以此情况下,有 a21 = a22 = sin θ + i cos θ 。
综合上述两种情况可知,多源点处式(4-11)成立的条件是
a21 = a22 (4-19)
上述条件在现实应用中过于严苛,可视为不可能事件,所以多源点不满足式(4-11)。
4.2.2 势函数聚类算法
理想无噪情况下由式(4-8)计算的值即为估计的混合矩阵 A ,但由于噪声的影响,这
些值成堆地散布在真实值附近,所以我们可以通过聚类算法进一步估计 A 。
依然假设时频点 (t p , f q ) 是信号 s1 (t ) 的单源点,定义参量 α 为:
X (t ,f )
α = angle( 2 p q ) = angle(a21 ) = −2π f1τ 21 (4-20)
X 1(t p ,f q )
势函数聚类算法不需要预知类的个数,也无需初始化聚类中心,并且在解决一维参
量问题时精度高、速度快,所以本章使用势函数对单源点处时频比的值进行聚类。
势函数聚类的一般形式为:
ψ (Δ) = γϕ (Δ) (4-21)
31
哈尔滨工程大学硕士学位论文
根据势函数曲线峰值位置,我们可以估计出聚类中心 E1 , E2 , E3 。根据下式得到这一
跳接收数据的混合矩阵估计:
1 1 1
AE = jE1 (4-27)
e e jE2
e
jE3
4.2.4 信号拼接
由于欠定盲源分离具有排列模糊性,每跳信号的混合矩阵各列之间并不直接具有对
应关系。为了获取跳频图案,我们需要知道各跳之间信号载频的对应关系,因此要进行
信号的拼接。
由于信号的 DOA 是固定的,不随跳数变化,在本章基础上,可以根据已估计的 DOA,
32
第 4 章 基于欠定盲源分离的网台分选
4.3 仿真分析
本次仿真实验接收端为天线阵元数目 M = 2 的均匀线性阵列,各阵元间距 d 为接收
信号最短波长的一半。源信号采用同步正交组网方式,采用 BPSK 调制,信号数 N = 3 ,
跳速为 1000 跳/秒,信号到达角为 20°,60°,80° ,跳频频率集如式(4-29)所示,采样频率
f s = 20 MHz,选取第一跳观测信号为例进行分析。
8 6 2
f c = 6.5 3.5 5 MHz
(4-29)
7.5 1 6
根据公式(4-2)得到混合矩阵为:
1 1 1
A= (4-30)
0.4762 - 0.8793i -0.5970 - 0.8022i -0.9711 - 0.2388i
采用 STFT 作为稀疏表示方法,STFT 选用长度为 1024 点的汉明窗作为窗函数,窗
函数步进长度为 512 点,傅里叶变换点数为 1024 点。设定噪声能量阈值 ε1 = 0.2 ,单源
点检测门限阈值 ε 2 = 0.1 ,
图 4.1 和图 4.2 给出了在信噪比为 5dB 时,观测信号和单源点检测后时频比
33
哈尔滨工程大学硕士学位论文
X 2 (t , f )
的实部和虚部散点图。经过对比可以看出单源点检测后时频比数据具有了明显
X 1 (t , f )
的聚类特征。
1 0.4
0.8
0.2
0.6
0.4 0
0.2
imag(X2/X1)
imag(X2/X1)
-0.2
0
-0.4
-0.2
-0.4 -0.6
-0.6
-0.8
-0.8
-1 -1
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6
real(X2/X1) real(X2/X1)
4.3 所示。
0.775
0.77
0.765
相相
0.76
0.755
0.75
0.745
-8 -7 -6 -5 -4 -3 -2 -1
10 10 10 10 10 10 10 10
a
图 4.3 不同基函数所得聚类中心与样本的误差
由上图可知,当选择 a = 10 −4 时,可以得到最优的聚类中心估计结果,所以本章仿真
34
第 4 章 基于欠定盲源分离的网台分选
58
56
54
52
50
Ψ(α )
48
46
44
42
40
38
-3.5 -3 -2.5 -2 -1.5 -1 -0.5
α
图 4.4 ψ (α ) 随 α 变化曲线图
35
哈尔滨工程大学硕士学位论文
-30
本本提提
-35 滤滤提
SSP+K均均提
-40
-45
NMSE/dB
-50
-55
-60
-65
-70
5 10 15 20 25 30
SNR/dB
4.4 同步非正交组网下混合矩阵估计的讨论
与同步正交组网不同的是,同步非正交组网允许不同跳频网台在某些时刻使用相同
的频率。由于频率相同的源信号在时频点 P (t p , f q ) 处同时起作用,不满足稀疏性假设,
上述基于单源点的时频分析方法不能准确估计混合矩阵。
我们分两种情况对此问题展开分析。
(1)存在一跳信号载频正交
仍采用本文的混合矩阵估计算法估计混合矩阵。正交的一跳内,由式(4-28)计算得
到的值可以作为 DOA 估计,且个数与源信号个数相同。非正交的跳内,由于不满足稀
疏性假设,同频信号计算得到的 θ 值是一样的,且不能作为 DOA 的估计,且 θ 个数小于
源信号个数。
36
第 4 章 基于欠定盲源分离的网台分选
4.5 本章小结
本章首先介绍了跳频信号 UBSS 混合模型及利用此模型解决跳频信号分选的可行
性,随后给出了本章提出的单源点检测标准的推导过程,介绍了一种新的势函数聚类公
式,然后提出了基于单源点检测的混合矩阵估计算法。该算法首先利用 STFT 实现观测
信号的稀疏表示,并去除了受噪声影响较大的时频点,然后根据单源点检测准则进一步
筛选时频点,利用跳频信号时频比在单源点处明显的聚类特性,得到每跳信号混合矩阵
的估计,最后得到 DOA 估计值。仿真实验表明,该算法相比于对比算法具有较好的估
计性能。在本章最后,还讨论了同步非正交组网下 DOA 的修正问题。
37
哈尔滨工程大学硕士学位论文
第 5 章 基于 ARMA 的跳频信号实时处理
本论文第三、四章分别讨论了跳频信号的载频、跳时、跳周期等参数估计问题和跳
频信号网台分选问题,以上这些研究的处理对象是连续的完整的多跳信号,都要求已接
收到足够数量的信号数据。但在很多需要对跳频信号进行实时处理的场景中上述算法不
再适用,如跳频信号的实时载频估计、实时跳时检测、实时 DOA 估计等。
为了解决跳频信号的实时处理问题,掌握跳频信号各特征的动态变化情况,Liu 提
出了一种基于 ARMA 模型的单或多通道跳频信号跳时检测与频率追踪算法[43],该算法
首先根据接收到的信号建立时域 ARMA 模型,然后根据模型系数用已接收到的、较少
的信号样本实时估计载频,并利用模型对下一时刻的信号进行预测,最后根据信号的实
际接收值与预测值检测跳时。但该算法对信噪比和观测信号个数有一定要求,并要求已
知源信号个数,使用模型估计出的信号载频精度不高。在原有 ARMA 模型的基础上,
文献[44]提出了一种根据跳周期修正跳变时刻的改进方法,基本思想是对跳时刻序列做
差聚类,以提升跳时刻估计精度,减少了虚检和漏检,但是算法还是存在批量处理的思
想,并没有解决提高实时频率跟踪精度的问题。
为了构建跳频信号实时处理体系,实现频率跟踪与网台分选,文献[45]将粒子滤波
方法引入到上述模型中。首先通过粒子的自适应更新来估计频率-方位积,然后恢复源信
号波形以估计信号载频,利用载频估计值建立时域 ARMA 模型,并利用该模型实时对
跳时刻进行检测。文献[46]和文献[47]中提出了基于稀疏贝叶斯学习的多跳频信号频率
跟踪方法,建立了贝叶斯稀疏表示模型,以估计频率驻留时间内的频率及检测跳时刻,
从而实现频率跟踪。基于粒子滤波、稀疏贝叶斯学习的实时处理算法能够有效地提高跳
频信号频率跟踪、跳时检测的精度,完成信号 DOA 估计,但算法过于复杂、计算量过
大。
针对以上问题,本章综合考虑频率跟踪精度和算法复杂度,提出了一种改进的基于
ARMA 模型的频率跟踪方法。
5.1 数学模型
假设用 M 元均匀线阵接收 N 个源信号,天线间距为 d ,接收机采样周期为 Ts ,定义
ϕn = 2π f nTs , φn = 2π f n d cos θ n /c ,在 t 时刻接收到的混合信号数据为:
N
xt = a n ρ n e j (t −1)ϕn + v t = Ast + v t (5-1)
n =1
38
第 5 章 基于 ARMA 的跳频信号实时处理
ci xt +i = ci v t +i
i =0 i =0
(5-3)
ci x*t + N −i = ci v*t + N −i
i =0 i =0
(5-4)
其中,
th − N th − N
RX(th − N ) = i =1
X iH X i + X iH X i
i =1
(5-7)
th − N th − N
rXx(th − N ) = X iH xi+ N + X iH xi*
i =1 i =1
(5-8)
X i = [ xi , xi +1 , , xi + N −1 ] (5-9)
39
哈尔滨工程大学硕士学位论文
记录跳变时刻
清除已接收信号,
初始化信号
采样点数t=0
是
预测值与真
估计载频
实值误差>r?
否
接收数据,
t=t+1
计算误差门限r
根据已接收数据预 t>3N/2+1?
测当前时刻观测值
是
根据接收信号估计
xt>0?
系数,建立模型
是
否
结束
当发生频率跳变时,预测误差将大大增加,根据预测误差大小可实现跳时检测,假
设检验的标准为:
40
第 5 章 基于 ARMA 的跳频信号实时处理
H1
|| xth − xˆth ||22 ¤ γ (5-12)
H0
41
哈尔滨工程大学硕士学位论文
可根据实验结果确定。根据元素个数确定类,类内求均值得到聚类中心。直到聚类个数
等于源信号个数,聚类结束。
源信号个数可以根据对每个网台接收信号进行 FFT 之后,频率出现的个数决定。
得到载频的估计值 F 后,将 α n = e j 2πFnTs 带入(5-14)式求解模型系数,根据式(5-11)和
式(5-12)进行信号的预测和跳时的检测。
由于不需要根据接收信号估计模型系数,改进算法不需 th ≥ 3N / 2 + 1 的限制。但是
一般需要 th > K ,以保证 K 个采样点信号进行 FFT 变换后所得的频率不会有较大误差,
一般有 K > 4 。
开始
记录跳变时刻
清除信号,初始化
是 采样点数t=0
预测值与真
实值误差>r?
否
接收数据,
计算误差
t=t+1
门限r
预测观测值 否
t>=K?
估计系数, 是
建立模型
估计载频、
xt>0?
信号个数 是
结束
42
第 5 章 基于 ARMA 的跳频信号实时处理
体实施步骤如下:
(1)初始化样本数 t = 0 ;
(2)通道逐样本接收信号, t = t + 1 。接收到 K 个信号样本后,即 t ≥ K 时,对每一
个通道接收的信号进行 FFT,记录幅频曲线峰值的个数以及峰值处的频率;
(3)对 M 个通道得到的峰值个数进行聚类,得到源信号个数 N 的估计,作为模型
的阶数,也作为聚类的类数;
(4)对 M 个通道得到的峰值处频率进行中心聚类,得到载频的估计;
(5)利用式(5-14)根据载频估计值求解 ARMA 模型系数 c ;
2
(6)根据式(5-11)得到信号预测值 xˆth ,并计算其与真实值 xth 的误差 xth − xˆth ;
2
(7)利用式(5-13)计算 γ ,根据式(5-12)进行跳时检测。若发生频率跳变,记录跳时,
返回步骤(1),否则返回步骤(2)。直到处理完所有的信号样本数据。
5.4 基于粒子滤波的网台分选算法
文献[45]中将混合矩阵 a n 中的 φn 定义为频率方位积,通过 ARMA 模型和粒子滤波
方法实时估计载频和频率方位积,便可实现网台的实时 DOA 估计。
φn 可以进一步表示为:
φn = 2π f n d cos θ n /c = 2π f n cos θ n /f s (5-17)
因此 Q 个 N 维频率方位积粒子可以初始化为:
2π f n
Φ(:, n) = rand(Q,1), n = 1, , N (5-18)
fs
其中,Φ (:, n) 是粒子矩阵 Φ 的第 n 列,rand() 表示生成规定维数的 1 以内的随机数矩阵,
还可以随机改变粒子顺序使粒子分布均匀化。
每接收到一组新的数据,都要对粒子进行更新。首先按下式生成新粒子:
= Φ + normrnd(0, σ 2 )
Φ (5-19)
φ
ξ = (5-21)
(γ + tr(PA R x ))
(th )
t=1
43
哈尔滨工程大学硕士学位论文
用下式计算新粒子的归一化权值:
(q)
g (Φ ( q ) | x1:th )
w (th ) = Q
(5-22)
g (Φ
q =1
(q)
| x1:th )
频率方位积可以用下式估计:
Q
ˆ = w( q ) (t )Φ( q )
Φ (5-24)
h
q =1
5.5 仿真分析
跳频源信号采用异步组网,信号数目 N = 2 ,接收端为多通道的均匀线性阵列,信号
到达角分别为 50° 和 80° 。信号采样频率为 50MHz。假设每个信号在观察时间内频率只
跳变一次,第一个信号的频率为 18 MHz 和 4 MHz,分别持续 48 和 24 个采样点,第二
信号的频率为 10MHz 和 24MHz,分别持续 24 和 48 个采样点,源信号的频率变化情况
如图 5.3 所示。权重因子 μ =5 ,K = 5 ,FFT 的点数为 512,中心聚类门限 ε 取 1000000。
7
x 10
2.5
信信1
信信2
2
1.5
频频/Hz
0.5
0
0 10 20 30 40 50 60 70 80
频频频
图 5.3 源信号频率变化示意图
5.5.1 跳时检测概率随通道数变化
44
第 5 章 基于 ARMA 的跳频信号实时处理
k
p= (5-26)
L
设定 SNR=20dB,L = 500 ,使用 5.3 节改进算法得到的跳时检测概率随通道数变化
情况如图 5.4 所示。
1
0.9
0.8
0.7
跳时跳跳跳频
0.6
0.5
0.4
0.3
0.2
1 2 3 4 5 6 7 8 9 10
通通通
图 5.4 跳时检测概率随通道数变化曲线图
5.5.2 跳时检测概率随信噪比变化
0.9
0.8
0.7
0.6
跳时跳跳跳频
0.5
0.4
0.3
0.2
0.1
0
5 10 15 20 25
SNR/dB
图 5.5 跳时检测概率随信噪比变化曲线图
45
哈尔滨工程大学硕士学位论文
0.9
ARMA
0.8 本本提提
0.7
0.6
跳时跳跳跳频
0.5
0.4
0.3
0.2
0.1
0
5 10 15 20
SNR/dB
图 5.6 跳时检测概率随信噪比变化曲线图
5.5.3 频率跟踪能力
1.5
频频/Hz
0.5
0
0 10 20 30 40 50 60 70 80
频频频
图 5.7 频率跟踪散点图
46
第 5 章 基于 ARMA 的跳频信号实时处理
5.5.4 载频估计误差
为了评估载频估计性能,定义载频估计相对误差 er 为:
1 f fi − fi
n
er = (5-27)
n f i =1 fi
-1 -1
10 10
载频相相相相
载频相相相相
-2 -2
10 10
-3 -3
10 10
6 8 10 12 14 16 18 20 22 24 6 8 10 12 14 16 18 20 22 24
频频频 频频频
从图中可以看出,当已接收信号样本数较少时,使用本章算法估计信号频率的误差
较大,ARMA 和 SBL 算法的频率估计精度要好一些。但随着接收样本数的增多,FFT 计
算频率的准确性大大提升,改进算法逐渐优于 ARMA 算法。当接收到足够多的样本时,
改进算法的频率估计精度明显优于 ARMA 算法。在这三种算法中,SBL 有最高的载频
估计精度,但其算法复杂度也最大。
在处理器为 Intel(R) Core(TM) i5-3317U CPU 的计算机上,用 Matlab R2010a 进行上
述算法仿真,得到的三种算法在 10dB 时平均运行一次所需的时间如表 5.1 所示。可以
看出 SBL 算法的耗时大大长于其他两种算法。
47
哈尔滨工程大学硕士学位论文
下面我们简要分析每种算法估计一个采样点的载频所需的计算量。ARMA 算法只需
式(5-15)和式(5-16)即可完成载频估计;本章算法需要进行 M 次的 512 点 FFT 和求幅度
峰值运算,以及 N 个聚类中心的聚类计算;SBL 算法的计算量则主要包括 th × P( P N ,
本次实验取 P = 100 )维载频矩阵的初始化,以及稀疏向量的自适应迭代求解,其中每
一次迭代都需要对均值矩阵、协方差矩阵、噪声方差矩阵和稀疏向量进行更新,直到目
标向量满足预设的条件。为了保证信号的稀疏性,SBL 算法中将 P 设的很大,导致每一
次迭代运算中处理的多个矩阵维数都较大,而且为了较准确地估计载频,稀疏向量的迭
代次数也较多,因此 SBL 算法在三种算法中计算量最大,耗时最长。
80
75
70
角角/角
65
60
55
50
45
0 5 10 15 20 25 30 35
频频频
5.6 本章小结
本章针对跳频信号的实时处理问题,在 ARMA 模型的基础上,提出了一种基于 FFT
和多通道聚类的改进 ARMA 频率跟踪算法。算法首先对多通道接收到的信号样本进行
48
第 5 章 基于 ARMA 的跳频信号实时处理
FFT 处理,通过聚类估计源信号个数和载频,然后利用载频与模型系数的关系估计模型
系数,以构建 ARMA 模型,再根据信号样本和模型对信号进行预测、估计判决门限,
最后根据信号样本预测值和真实值的误差判断是否发生了频率跳变,实现频率的实时跟
踪。本章的最后对跳时检测、频率跟踪等进行了仿真实验,同时与 ARMA 算法与 SBL
算法进行了对比,实验结果表明在接收到了足够多的信号样本后,改进算法相较于
ARMA 算法有更高的频率估计精度,与 SBL 算法相比则大大减少了算法的运算量和复
杂度。
49
哈尔滨工程大学硕士学位论文
结 论
跳频信号通过载频在较宽的频带内跳变来躲避通信对抗中的干扰和截获。由于其具
有较强的抗截获能力、抗干扰能力、抗衰落能力、频谱资源利用率高等优点,跳频通信
不仅广泛应用于通信对抗等军事领域,同时在蓝牙、Wifi 和无人机遥控器等民用领域也
得到了发展。由于跳频电台的强抗干扰能力等优势,常规的通信对抗技术不能实现有效
对抗,这对跳频通信侦察带来了严峻的挑战,也促进了跳频通信侦察的发展研究。本文
主要对跳频侦察中两项关键技术进行研究,包括参数估计与网台分选。考虑到实际应用
中,接收机截获的信号是各个跳频网台信号的混合,难以获取信号先验信息,并且接收
设备的数量有限,源信号的数目未知。因此本文将研究重点放在多网台跳频信号的参数
盲估计和欠定条件下网台的分选。论文的主要研究成果如下:
1. 针对现有的基于时频分析的参数估计算法抗噪性弱、精度不高的缺陷,本文提出
了一种改进的基于最大能量差值的跳周期估计算法。首先对接收到的混合信号进行短时
傅里叶、谱图等时频变换,根据时频能量分布估计信号的载频,然后针对每一载频处的
时频数据确定信号段和窗长,再根据跳变时刻两侧窗内能量之差达到最大估计出每跳的
跳时和跳周期,最后利用中心聚类算法对所有跳的跳周期估计值进行聚类,得到最终的
参数估计结果。仿真实验表明,本章提出的算法具有较好的抗噪性和估计精度,且适用
于异步组网及同步组网。
2. 本文提出了一种改进的基于单源点检测的混合矩阵估计算法,以解决 UBSS 模
型下的跳频网台分选问题。首先利用 STFT 得到信号的稀疏表示,设定阈值去除受噪声
影响较大的时频点,然后根据推导的单源点检测准则进一步筛选时频点,再利用时频比
在单源点处的聚类特性,根据势函数聚类得到聚类中心,从而得到混合矩阵的估计和
DOA 估计值,最终实现网台的分选。仿真实验表明,该算法相比于对比算法具有较好的
混合矩阵估计性能。
3. 针对跳频信号的实时处理问题,本文提出了一种基于 FFT 和多通道聚类的改进
ARMA 频率跟踪算法。首先对多通道接收到的信号样本进行 FFT 处理,通过聚类估计
源信号个数和载频,然后利用载频与模型系数的关系估计模型系数,以构建 ARMA 模
型,再根据信号样本和模型对信号进行预测、估计判决门限,最后根据信号样本预测值
和真实值的误差判断是否发生了频率跳变,实现频率的实时跟踪。仿真实验验证了本算
法对于解决跳频信号频率跟踪问题的有效性,同时与原 ARMA 模型算法与 SBL 算法进
50
多网台跳频信号参数估计与分选
行了对比,实验结果表明在接收到了足够多的信号样本后,改进算法相较于 ARMA 算
法有更高的频率估计精度,与 SBL 算法相比则大大减少了算法的运算量和复杂度。
由于时间和条件的限制,本文的研究内容存局限性。在以下几个方面还有进一步研
究的空间:
1. 本文提出的基于最大能量差的跳时、跳周期估计算法虽然可以有效提升参数估计
精度,但算法步骤有些繁杂,其中涉及的门限和阈值也较多,当观测时间段内源信号个
数增多或信号载频数增多时,算法更为复杂,估计性能可能受到影响,因此简化算法步
骤、精简阈值设定可以作为以后对该算法的进一步完善。
2. 对于同步非正交组网的跳频网台分选,本文只是给出了基于正交跳频网台分选算
法的修正,即在不同的条件下综合各跳信息对 DOA 进行修改。如何摆脱算法对信号稀
疏性的限制,或将信号进行变换找到其他稀疏域,从而找到处理同步非正交跳频网台分
选的一般算法,也是跳频侦察的难题。
3. 本文对跳频信号实时处理的研究只停留在了载频估计和跳时估计,在跳频通信侦
察中,网台的分选同样重要。将跳频信号的实时 DOA 估计算法与频率跟踪结合在一起,
组合成一个集载频估计、跳时估计和 DOA 估计于一体的跳频信号实时处理系统,并解
决现有实时 DOA 估计算法复杂度高、鲁棒性差的缺陷,对跳频侦察的研究中具有重要
的意义。
51
哈尔滨工程大学硕士学位论文
参考文献
[1] Torrieri D J. Mobile frequency-hopping CDMA system[J]. IEEE Trans. Communications,
2000, 48(8): 1318-1327.
[2] 骆光明. 数据链:信息系统连接武器系统的捷径[M]. 国防工业出版社, 2008.
[3] 郑同良. “军事星”卫星通信系统综述[J]. 航天电子对抗, 2005, 21(3): 51-53.
[4] 梅文华, 王淑波, 邱永红, 杜兴民. 跳频通信[M]. 北京: 国防工业出版社, 2005.
[5] 陈利虎. 跳频信号的侦察技术研究. 国防科学技术大学, 2009, 38-45.
[6] Beaulieu N C, Hopkins W.L, Mclane P J. Interception of frequency-hopped spread-
spectrum signals[J]. IEEE Journal on Selected Areas in Communications, 1990, 8(5): 853-
870.
[7] Lehtomaki J J. Maximum based detection of slow frequency hopping signals[J]. IEEE
Communications Letters, 2003, 7(4): 201-203.
[8] Dillard R A, Dillard G M. Likelihood-Ratio detection of frequency-hopped signals[J].
IEEE Transactions on Aerospace and Electronic Systems, 1996, 32(2): 543-553.
[9] Polydoros A, Woo K T. LPI detection of frequency-hopping signals using autocorrelation
techniques[J]. IEEE Journal on Selected Areas in Communications, 1985. 3(5): 714-726.
[10] Hinedi S, Polydoros A. DS/LPI autocorrelation detection in noise plus random-tone
interference[C]. Military Communications Conference. IEEE, 1990.
[11] 郑洋, 陈西豪, 朱锐. 基于小波分解与希尔伯特——黄变换的跳频信号检测 [J]. 传
感器与微系统, 2017(9):132-135.
[12] 王辉. 短波低截获概率通信信号的检测与调制识别[D]. 郑州: 信息工程大学, 2013.
[13] Koh B S, Lee H S. Detection of symbol rate of unknown digital communication signals[J].
Electronic Letters, 1993, 29(3): 278-279.
[14] Swami A, Sadler B M. Hierarchical digital modulation classification using cumulates[J].
IEEE Trans. Communications, 2000, 48(3): 416-429.
[15] 范海波 , 杨志俊 , 曹志刚 . 卫星通信常用调制方式的自动识别 [J]. 通信学报 , 2004,
25(1): 140-149.
[16] 孙吉 , 杨志飞 , 贺丽 . 基于短时傅里叶变换的跳频信号分析方法 [J]. 通信对抗 ,
2015(4):17-21.
52
多网台跳频信号参数估计与分选
[17] Chung C D, Polydoros A. Detection and hop-Rate estimation of random FH signals via
autocorrelation technique[C]. MILCOM'91, 4-7 Nov. 1991: 345-349.
[18] Chung C D, Polydoros A. Parameter estimation of Random FH signals using
autocorrelation techniques[J]. IEEE Trans. Communications, 1995. 43(2): 1097-1106.
[19] Janani M, Vakili V T, Jamali H. The modified autocorrelation technique for parameter
estimation of random FH signals[C]. ICSP'98, 1998: 188-190.
[20] 王粒宾, 崔琛. 跳频信号参数盲估计技术综述[J]. 通信对抗, 2012, 31(1): 49-56.
[21] Barbarossa S. Parameter estimation of spread spectrum frequency hopping signals using
time-frequency distributions[C]. First IEEE Signal Processing Workshop on Signal
Processing Advances in Wireless Communications, 1997: 213-216.
[22] 赵俊, 张朝阳. 一种基于时频分析的跳频信号参数盲估计方法[J]. 电路与系统学报,
2003, 8(3): 46-50.
[23] Chaoa C, Yan Zhongb H, Xian Juna G. Parameter Estimation of Frequency-Hopping
Signals Based on Amelioration Algorithm of WVD[J]. Journal of Jilin University, 2010,
28(02).
[24] 郑文秀, 赵国庆. 跳频信号的跳速估计[J]. 系统工程与电子技术, 2006, 28(10): 1500-
1502.
[25] 张曦, 杜兴民. 基于 Gabor 谱方法的跳频信号时频分析[J]. 数据采集与处理, 2007,
22(6): 150-155.
[26] Deng L, Zhang T, Jin J, et al. Application of rearrangement spectrogram in parameter
estimation of frequency-hopping signal. Computer Engineering and Design, 2013, 34(10):
3422-3426.
[27] 张曦, 杜兴民. 基于重排 SPWVD 的跳频信号参数提取方法[J]. 计算机工程与应用,
2007, 43(15): 144-147.
[28] Fu W, Hei Y, Li X. UBSS and blind parameters estimation algorithms for synchronous
orthogonal FH signals[J]. Journal of Systems Engineering and Electronics, 2014, 25(6):
911-920.
[29] 王璐. 跳频信号参数盲估计算法研究[D]. 西安电子科技大学, 2014.
[30] 沙志超. 单/多通道跳频信号侦察处理关键技术研究[D]. 国防科学技术大学, 2013.
[31] 郭海召. 跳频信号的检测、参数估计与分选算法研究[D]. 电子科技大学, 2016.
53
哈尔滨工程大学硕士学位论文
54
多网台跳频信号参数估计与分选
55
哈尔滨工程大学硕士学位论文
56
多网台跳频信号参数估计与分选
攻读硕士学位期间发表的论文和取得的科研成果
[1] Guo Xiaochen, Tian Yuan, Li Yibing. A mixing matrix estimation algorithm for frequency
hopping signals under the UBSS model[C]. 2017 Progress in Electromagnetics Research
Symposium-Fall, 2017: 284-290. (EI: 20181605018521)
[2] Li Yibing, Guo Xiaochen, Yu Fei, Sun Qian. A New Parameter Estimation Method for
Frequency Hopping Signals[C]. 2018 IEEE International Symposium on Antennas and
Propagation and USNC-URSI Radio Science Meeting,2019: 51-52. (EI: 20190806523270)
[3] Yibing Li, Xiaoyu Geng, Xiaochen Guo, Qian Sun, Fang Ye, Tao Jiang. Mixing Matrix
Estimation of Frequency Hopping Signals Based on Single Source Points Detection. 2019 IEEE
International Symposium on Antennas and Propagation and USNC-URSI Radio Science
Meeting. (已录用)
57
哈尔滨工程大学硕士学位论文
致 谢
时间过的很快,不知不觉我已经在哈工程度过了七个春秋,研究生生活也即将结束,
而第一天跟随父母来到学校的场景仿佛就在昨天,初次来到实验室的记忆还历历在目。
回首这三年的学习生活,我抓住机遇迎接挑战,得到了很多方面的锻炼和提升,但也不
免遇到一些困难和挫折,但我都一路闯了过来。在这里,值此毕业之际,我由衷地向三
年来帮助爱护关心我的老师、实验室各成员、同学、家人致以最诚挚的感谢。
感谢李一兵老师,这三年来在学术以及生活上对我的指导和帮助。李老师对待学术
认真严谨,一丝不苟,经常用正确的科研方法教导我们。常常督促我们阅读英文文献以
扩展我们的专业领域与课题深度,鼓励我们做汇报以锻炼口语表达能力,鼓励我们去参
加国际会议以扩宽知识面。为了让我们专心科研,李老师提供了良好的实验室环境和学
习氛围,也经常组织集体活动给大家枯燥乏味的学习生活带来一丝轻松与快乐,同时也
增强了实验室大家庭的感情。李老师丰富的知识储备和对问题敏锐的观察力也帮助我解
决了科研道路上的许多问题。此外,李老师乐观积极的人生态度和温和宽厚的待人方式,
也使我学到了很多做人做事的道理,是我人生道路上一笔重要的财富。
感谢叶方老师,在我硕士期间对我的启迪和指导,叶老师扎实的专业知识、缜密的
学术思维和丰富的项目经验使我受益匪浅。在学术上,叶老师对大家提出的各种问题都
能耐心解答;在生活上,叶老师也一直对大家照顾有加,耐心帮助我们解决各种各样的
困难。
感谢实验室里的每一个成员陪我度过了快乐充实的研究生时光,让我感受到了离家
在外的温暖。感谢聂伟师兄、陈杰师姐和顿辉师兄对我课题、科研及学习上的帮助,正
是你们,让我少走了很多弯路,省下了更多宝贵的时间。三年来,实验室筹办了许多活
动,如春游、爬山、江边烧烤、包饺子等,给我留下了很多美好的回忆。
感谢我慈祥的母亲和严厉的父亲,是你们让我懂得了宽容和责任,善待世界,并用
清晰的头脑去分析身边的世界。是父母的付出使我安心学习,免于一些不必要的烦恼和
忧愁。越长大才越来越感受到父母无声无形的爱,懂得唯有以孝相待。
最后,感谢我的母校哈尔滨工程大学。这里有富有军工特色的建筑、美丽的枫树林、
沁人心脾的丁花香、响彻校园的军号声等等,环境优美,学习氛围浓厚。我以身为哈工
程的一员而感到自豪。
58