分 类号 ：

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:

A Dissertation for the Degree of M. Eng

Parameter Estimation and Sorting for Multiple

Frequency Hopping Signals

Candidate: Guo Xiaochen

Supervisor: Prof. Li Yibing
Academic Degree Applied for: Master of Engineering
Specialty: Information and Communication Engineering
Date of Submission: Jan. 2019
Date of Oral Examination: Mar. 2019
University: Harbin Engineering University
 多网台跳频信号参数估计与分选

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

3.4 本章小结 ........................................................................................................... 26

第 4 章 基于欠定盲源分离的网台分选 ........................................................................ 27
4.1 跳频信号 UBSS 数学模型 ............................................................................... 28
4.2 基于单源点检测的混合矩阵估计算法 ........................................................... 29
4.2.1 改进的单源点检测准则 ........................................................................ 30
4.2.2 势函数聚类算法 .................................................................................... 31
4.2.3 混合矩阵及 DOA 估计 ......................................................................... 32
4.2.4 信号拼接 ................................................................................................ 32
4.3 仿真分析 ........................................................................................................... 33
4.4 同步非正交组网下混合矩阵估计的讨论 ....................................................... 36
4.5 本章小结 ........................................................................................................... 37
第 5 章 基于 ARMA 的跳频信号实时处理 .................................................................. 38
5.1 数学模型 ........................................................................................................... 38
5.2 基于 ARMA 的频率跟踪算法 ......................................................................... 39
5.3 改进的 ARMA 频率跟踪算法 ......................................................................... 41
5.4 基于粒子滤波的网台分选算法 ....................................................................... 43
5.5 仿真分析 ........................................................................................................... 44
5.5.1 跳时检测概率随通道数变化 ................................................................ 44
5.5.2 跳时检测概率随信噪比变化 ................................................................ 45
5.5.3 频率跟踪能力 ........................................................................................ 46
5.5.4 载频估计误差 ........................................................................................ 47
5.5.5 DOA 估计结果 ....................................................................................... 48
5.6 本章小结 ........................................................................................................... 48
结 论 .............................................................................................................................. 50
参考文献 .......................................................................................................................... 52
攻读硕士学位期间发表的论文和取得的科研成果 ...................................................... 57
致 谢 .............................................................................................................................. 58
 第 1 章 绪论

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

分布（Pseudo Wigner-Ville Distribution，PWVD）的跳频信号跳周期、跳时和频率估计方

法，算法的基本原理是：单跳频信号的时频分布中，每一时刻时频变换幅值的最大值所
组成的波形具有周期性。在此基础上，文献[22-27]分别使用魏格纳-维尔分布（Wigner-
Ville Distribution，WVD）、平滑伪魏格纳-维尔分布（Smoothed Pseudo Wigner-Ville
Distribution，SPWVD）、短时傅立叶变换（Short Time Fourier Transform，STFT）、小
波变换、Gabor 变换、谱图、重排 SPWVD 等时频分析方法进行参数估计。上述算法原
理与文献[21]类似，同样利用时频脊线的方法，估计性能也相差不大，只是不同的时频
分析具有不同的优缺点，但只适用于单跳频信号。
为了解决多跳频信号参数估计问题，文献[28]和[29]分别利用 STFT、STFT-SPWVD
进行多跳频信号的参数估计。算法首先通过时频变换得到信号的时频数据，然后根据跳
变时刻前后信号、频率个数的变化估计出跳时。低信噪比下，由于噪声的影响，跳变时
刻采样点前后信号、频率个数的差异不是很明显，因此此类算法抗噪性弱，精度有限，
且只适用于同步正交组网的跳频信号。文献[30]提出了基于时频图修正算法的跳周期估
计算法，算法首先建立了时频图修正优化模型，然后利用匹配搜索得到二进制时频矩阵，
最后根据信号幅度为 1 的持续时长来估计跳周期。该算法可得到较清晰时频图，一定程
度上可以提升估计精度，适用于异步组网跳频信号。但算法复杂度较大，且优化模型中
的稀疏性约束代价因子很难选取且对结果有较大影响。文献[31]提出了一种基于二位峰
值修正和跳变中心时刻变换的跳周期估计算法，算法首先利用谱图变换得到时频矩阵，
然后设定门限进行二维峰值检测和修正，最后对信号的中心时刻进行跳周期变换，将大
于门限谱峰的时刻作为跳周期的估计。但是，直接设定阈值进行二维峰值检测致使算法
在低信噪比下性能较差。
时频分析是目前解决跳频信号参数估计的主流方法，基于时频分析的跳频信号参数
估计直观简单，不需要先验信息，但也存在着一些问题：第一，现有较成熟的算法大多
针对单跳频信号，而针对多网台跳频信号的研究较少；第二，参数估计精度有待提高，
算法抗噪性较差；第三，多数算法不能同时适用于同步、异步跳频组网。
原子分解算法，也被称为匹配追踪算法，能够把跳频信号分解成多个时频原子的组
合。解决跳频信号参数估计的一般做法是，构建原子字典，然后用其中的原子去逐渐近
似源信号。文献[32]分别求解跳频信号时频原子的 WVD，以去除交叉项干扰的影响。文
献[33]根据跳频信号的载频、跳周期等特征参数构建时频原子，并描述跳频信号，利用
匹配追踪算法估计出跳频参数。文献[34-38]分别以 Gabor 函数、加窗正弦函数、高斯函

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]。

信息 信息调制器 跳频调制器 跳频解调器 信息解调器 信息

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

假设整个通信过程中发射端传输的跳频信号个数为 N ，其中第 n 个源信号 sn (t ) 可

以表示为：
sn (t ) = bn (t )e j [ωn ( t ) t +ϕn ( t )] , n = 1, 2, , N (2-1)
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。考虑单通道线性混合模型，单天线接收到的混合信号为：
N
x(t ) =  sn (t ) + v(t ) (2-2)
n =1

上式中， x(t ) 为 N 个接收信号与噪声的混合， v (t ) 为零均值、方差为 σ 2 的高斯白噪

声。将上式写成矩阵形式为：
N
x =  sn + v (2-3)
n=1

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

不考虑噪声的情况下，第 m 个阵元对源信号 sn (t ) 进行观测得到的观测信号可表示为：

xmn (t ) = sn (t − τ mn )
= bn (t − τ mn )e j [ωn ( t −τ mn )( t −τ mn ) +ϕ n ( t −τ mn )]
≈ bn (t )e j [ωn ( t )( t −τ mn ) +ϕ n ( t )] (2-6)
= bn (t )e j [ωn ( t ) t +ϕ n ( t )]e − jωn ( t )τ mn
= sn (t )e − jωn ( t )τ 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

列位置的元素 amn (t ) = e − jωn ( t )τ mn = e − j 2π f n ( t )τ mn 。

根据式(2-4)和式(2-7)我们得到：
 x1 (t )   1 1  1   s1 (t ) 
 x (t )   e− jω1 ( t )τ 21 e − jω2 ( t )τ 22
 e − jω N ( t )τ 2 N  
s (t ) 
 2 =  2  (2-9)
          
   − jω1 ( t )τ M 1 − jω N ( t )τ MN   
 xM (t )  e e− jω2 (t )τ M 2  e   sN (t ) 

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)
−∞

当 h(t ) = 1 时，STFT 即为 FT。

h(t ) 的宽度对 STFT 的分辨率有着直接的影响。 h(t ) 越宽，STFT 频率分辨率越高，
时间分辨率越低。二者无法在同时得到最优，是互相矛盾的，这被称为测不准原理。对
于能量有限信号，测不准原理表现为：
1
BT ≥ (2-11)
2

13
 哈尔滨工程大学硕士学位论文

其中， B 是带宽， T 表示时宽。在实际应用中，可以根据具体需求、使用场景合理设置

窗函数。

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)
−∞

谱图与 STFT 一样简单、易于实现，但比 STFT 具有更好的抗噪性和时频聚集性。

如果各信号的时频图没有重叠，混合信号的谱图则不受交叉项的影响，但谱图同样受测
不准原理制约。

2.5.3 魏格纳-维尔分布及其推广

WVD 是 Cohen 类时频分布中最简单的一种，定义如下：

+∞ τ τ
WVDx (t , f ) =  x∗ (t − ) x(t + )e − j 2π f τ dτ (2-13)
−∞ 2 2
上式中， x* (t ) 是 x(t ) 的复共轭。由上式可以看出，连续时间信号 x(t ) 的 WVD 是其自相
关函数 Rx (t ,τ ) = x ∗ (t − τ 2) x (t + τ 2) 关于 τ 的 FT。WVD 的优势是可以使时、频分辨率同
时达到最优，因此分析精度高。但 WVD 也存在一个最大的缺陷，即会产生原本不存在
的时频分量，交叉项的存在大大地限制了 WVD 在实际中的应用。为了解决这个问题，
陆陆续续出现了几种 WVD 的改进方法。
与 STFT 类似，在时域上对 WVD 进行加窗平滑处理，可以去除交叉项的影响，从
而得到了 PWVD，定义为：
+∞ τ τ
PWVDx (t , f ) =  h(τ ) x∗ (t − ) x(t + )e − j 2π f τ dτ (2-14)
−∞ 2 2
PWVD 抑制了大部分的交叉项干扰，但代价是导致了频率分辨率的降低。
为了更好地抑制交叉项干扰的影响，在时域和频域同时添加独立的平滑窗 h(τ ) 和
g (τ ) ，从而引出 SPWVD，定义为：
+∞ +∞ τ τ
SPWVDx (t , f ) =   h(τ ) g(v) x∗ (t − v − ) x(t − v + )e − j 2π f τ dτ dv (2-15)
−∞ −∞ 2 2
这样带来的优势是最大程度地去除了 WVD 中的交叉项干扰，但进一步降低了时频
分辨率，算法的复杂程度变大，计算量也增多。

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

其中，x(t ) 为 N 个接收信号与噪声的混合，v (t ) 为零均值、方差为 σ 2 的高斯白噪声。

将上式写成矩阵形式为：
N
x =  sn + v (3-3)
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

任取一个载频处的时频数据介绍算法原理，如载频为 2.8 × 106 Hz，原理示意图如图

3.2 所示。设图中信号持续时间为 T ，跳时刻为 T0 。假设有一条直线 l 沿时间轴 t 移动，
直线两侧分别有一个长度为 T 的窗，当 l 移动到跳时刻 T0 时，两个窗内的信号能量差值
达到最大。根据此原理，即可估计出跳时、跳周期。

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)

设信号 x(t ) 的谱图为 X ( f q , t p ) ， p = 1, 2, , P, q = 1, 2, , Q ， P 和 Q 分别是时间采样

点数和频率采样点数。载频估计的准确性直接影响到后续窗长的估计和跳时、跳周期的
估计，因此我们应尽可能精确地估计信号载频。
计算时频矩阵 X ( f q , t p ) 中每个频率点处所有时间采样点时频能量的和，记为 X ( f q ) ，
信号能量在载频处有较大值，而在非载频处的值较小，所以 X ( f q ) 呈现明显的峰状，以
图 3.1 中跳频信号为例，各频率归一化能量曲线图如图 3.4 所示。由信号载频设置和图

18
 第 3 章 多跳频信号的参数估计

3.1 可知，混合信号共有 8 个不同的载频，所以图 3.4 中有 8 个明显的峰。估计信号载频

一般的做法是设定一个阈值 σ 1 ，将能量小于 σ 1 的频率点当作非信号频率并去除掉，保留
大于 σ 1 的频率点。但当信噪比较小时，图 3.4 所示的载频处和非载频处能量高低的差异
性并不明显。为了更精确地估计信号载频，做以下处理。

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′

图 3.5 diff(sort( X ( f q ' ))) 曲线图

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

图 3.7 能量随时间变化图 图 3.8 去除噪点后能量随时间变化图

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

设直线 l 沿时间轴移动， l 两侧分别有一个长为 wlen 的窗。信号段内的能量要比噪

声段内大得多，所以在跳变时刻两侧窗内能量之差达到最大。根据以下步骤估计跳时、

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

对所有载频处的时频数据做以上处理，对得到的 NUM f 组跳周期采用文献[30]中的

中心聚类方法进行聚类。此方法不需要预设聚类中心初值和个数，即可实现聚类。假设
一共得到了 L 个跳周期估计值 T = [T1 , T2 , , TL ] ，当两个值 Ti 和 T j (1 ≤ i, j ≤ L ) 满足下式时
认定其是一类
Ti − T j ≤ ε (3-7)

其中，根据文献[30]的叙述确定门限 ε 的取值范围为 0.0001~0.0004。聚类的具体步

骤如下：
（1）对 T 中的每个元素，用式(3-7)判断 T 中与其属于一类的个数 ci ，并记录位置

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）去除 C(0) 中相应位置的元素，得到新的个数向量 C (1) ；

（4）重复步骤（2）和（3）直到已聚类个数等于网台个数。
综上，本章基于最大能量差的跳时、跳周期估计算法的具体步骤如下：
（1）对接收到的跳频混合信号进行谱图变换，得到时频矩阵；
（2）估计信号载频，根据式(3-5)去除受噪声影响较大时频数据；
（3）任选一载频处的时频数据，确定信号段即窗长；
（4）利用最大能量差原理估计跳时、跳周期；
（5）对所有载频处的时频数据作以上处理，对跳周期估计值进行中心聚类，得到
最终结果。

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 Ti − T
E=  (3-8)
R i =1 T
上式中， R 表示实验重复次数， Ti 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

本次仿真实验设置信号参数如下：跳频源信号的数目 N = 2 ，信号采样频率为 10MHz，

跳 速 分 别 为 400 跳 / 秒 和 320 跳 / 秒 ， 跳 频 频 率 集 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。无噪环境下混合信号时频图如图 3.10 所示。
采用 200 次蒙特卡洛仿真，以 2dB 为步进，在[-16dB,-2dB]信噪比间进行实验。图
3.11 为本文提出算法与对比算法估计误差随信噪比变化曲线。

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

设跳频源信号数目 N = 2 ，信号采样频率为 10MHz。跳速为 400 跳/秒，跳频频率集

f1 = [2.6 3.0 3.2 2.8] × 106 Hz, f 2 = [3.3 2.9 2.7 3.1] × 106 Hz。无噪情况下混合信号时频图如图
3.12 所示。
6
x 10
3.6

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。

4.1 跳频信号 UBSS 数学模型

现有的盲源分离问题大多将信号建模成线性混合进行研究，目前主要的混合方式包
括线性瞬时、线性时延和线性卷积三种。其中，时延混合能够充分描述跳频信号到达不
同接收器产生的传输时延特性，因此本章使用线性时延混合模型进行研究。假设在接收
时间段 Δt 内 M 元阵列天线接收到了 N 个同步正交的跳频源信号，且假设不同信号的
DOA 不同，基于 UBSS 的线性时延混合模型可以表示为：
x(t ) = A (t )s(t ) + v (t ) (4-1)
其中，x(t ) = [ x1 (t ), x2 (t ), , xM (t )]T 为接收信号，A (t ) = [a1 , a 2 , , a N ] ∈ C M × N 为混合矩
阵，A (t ) 中第 (m, n) 个元素 amn = e − jωn ( t )τ mn = e − j 2π f n ( t )τ mn ，τ mn 为第 n 个信号 sn (t ) 到达第 m 个
阵元的相对时延， s(t ) = [ s1 (t ), s2 (t ), , sN (t )]T 为源信号， v (t ) 为高斯白噪声。
将上式写为矩阵形式：
 x1 (t )   1  1   s1 (t ) 
  =       (4-2)
    
 xM (t )  e− j 2π f1 (t )( M −1) d sin(θ1 )/c  e− j 2π f N ( t )( M −1) d sin(θ N )/c   sN (t ) 

由混合模型可以看出，混合矩阵 A (t ) 与信号的 DOA 有关，因此可以通过 UBSS 模

型利用 SCA 的混合矩阵 A (t ) 求解 DOA，达到网台分选的目的，这样就将信号的 DOA
估计问题转化为了 UBSS 模型下的混合矩阵估计问题。
一般的 UBSS 算法都要求混合矩阵是固定不变的，但由于跳频信号的工作特性致使
式(4-2)中的 A (t ) 不符合这一要求。为了使混合矩阵固定，我们将每一次处理的数据限制
在单跳信号内，即相邻两个跳时之间。跳频信号的跳时、跳周期等参数可以利用第 3 章
算法估计得到，根据这些参数便可将接收数据分割为多个单跳信号。本章后续的处理都
是在信号已按跳分段的基础上，针对单跳信号进行，故混合模型可以改写为：
x(t ) = As(t ) + v (t ) (4-3)
由于跳频信号在时频域具有稀疏性，将上式等式两侧进行时频变换，这里使用 STFT，

28
 第 4 章 基于欠定盲源分离的网台分选

得到跳频信号 UBSS 时频域的混合模型：

X(t , f ) = AS(t , f ) + V (t , f ) (4-4)
其中，X(t , f ) = [ X 1 (t , f ), X 2 (t , f ), , X M (t , f )]T 、S(t , f ) = [ S1 (t , f ), S 2 (t , f ), , S N (t , f )]T 和
V (t , f ) 分别为接收信号、源信号和噪声的时频表示。
2
下面给出单源点的定义：对于任意一个满足 X(t , f ) 2 > 0 的时频点 (t , f ) ，如果有
Sn (t , f )  Si (t , f ) , n ≠ i ，则认为在 (t , f ) 上只存在源信号 sn (t ) ，(t , f ) 被称为 sn (t ) 的时频
单源点，简称为单源点。
（1） R M ×M
一般地，使用 SCA 解决跳频信号的分选问题，还需要符合以下假设[30]：
是非奇异的，其中， R M ×M 是 A 中任意一个子矩阵；（2） s (t ) 中存在时频点 (t , f ) 符合上
述单源点定义。

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 )

令 Δ = a21 − a22 ，将 S1 (t p , f q ) 简写为 S1 ， S 2 (t p , f q ) 简写为 S 2 ，上式等式左侧可写为：

a21S1 + a22 S 2 a S + (a21 − Δ ) S 2 a ( S + S 2 ) − ΔS 2
= 21 1 = 21 1
S1 + S 2 S1 + S 2 S1 + S 2
(4-16)
ΔS 2
= a21 −
S1 + S 2
又因为 a21 = 1 ，要想式(4-16)等于 1 则有以下两种情况：

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)

其中 γ 为能量权重因子，Δ 表示数据到聚类中心的距离，对于一维向量来说，Δ 即为差的

绝对值。 ϕ ( Δ ) 为基函数，常见有下列几种形式：
Δ
−
ϕ ( Δ ) = (e ) β σ
(4-22)
1
ϕ(Δ) = (4-23)
1+ (Δ / σ )β
λΔ
ϕ (Δ) = 1 − , λΔ < k (4-24)
k
可以总结出势函数聚类算法的一般原理是：当待估计参量接近实际值，间距 Δ 趋于
0，基函数 ϕ ( Δ ) 趋于 1，ψ (Δ ) 达到最大值；当待估计参量远离实际值， Δ 变大，基函数

31
 哈尔滨工程大学硕士学位论文

ϕ ( Δ ) 变小，ψ (Δ ) 随之变小，所以可以根据ψ (Δ ) 的峰值位置确定待估计参量。

基于以上原理，本章提出的势函数聚类公式为：
ψ (α ) =  a|α −αi | (4-25)
i∈( t p , f q )

参数 a 影响着基函数 ϕ ( Δ ) 曲线的衰减速度，以及ψ (Δ ) 的峰值幅度和曲线平滑度。

较小的 a 使得峰值位置更接近真实情况，而它可能导致伪峰。 a 越大，曲线越平滑，没
有伪峰，但峰值位置不准确。我们可以根据多次实验的结果确定 a 的值。当没有伪峰时，
a 越小越好。我们还可以根据以下等式确定值：
 
a = arg min   min( α i − E1 , α i − E2 , α i − E3 )  (4-26)
i∈(t p , fq ) 
上式中 E1 , E2 , E3 为估计出的聚类中心，参数 a 可以取值为 0.1、0.01、0.001 等， N
为聚类中心个数。

4.2.3 混合矩阵及 DOA 估计

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

但是我们最终的目的是求解信号的 DOA。假设不同源信号有不同的 DOA，根据式

(4-2)可得到第 n 个源信号的来波方向为：
−angle(e jEn )c
θ n = arcsin( ) (4-28)
2π f n d
但是运用上式求解 θ n 存在一个问题，我们无法将信号载频值与估计出的混合矩阵元
素一一对应起来。为了解决这个问题，做以下处理：
利用第 3 章的算法估计信号的载频，分别选择其中一类频率的时频域数据，根据式
′ ，将 amn
(4-7)计算得到其对应的混合系数近似值 amn ′ 与 e jEn 对比，根据其近似程度确定 e jEn
对应的载频。

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

将信号拼接。具体做法是，按照某一 DOA 排列顺序，将每跳估计的混合矩阵的列重组，

即可实现每跳数据间的对应。
综上，在单源点检测和势函数聚类基础上，利用混合矩阵估计求解跳频信号 DOA
的算法步骤如下：
（1）根据第 3 章所述算法估计的跳时对观测信号分段，对每跳信号单独处理；
（2）对 xm (t ) 进行 STFT，得到时频矩阵 X m (t , f ) ；
（3）设定噪声能量阈值 ε1 ，去除低能量点；
′ ；
（4）根据第 3 章算法得到载频估计值，计算对应的混合系数近似值 amn
（5）根据式(4-12)对时频点进行单源点检测；
X
（6）对单源点处时频比的角 α = angle( 2 ) 进行势函数聚类，根据聚类结果和式
X1
(4-27)估计出混合矩阵 AE ；
′ 和估计的混合矩阵中的元素 e jEn 对比，确定 e jEn 对应
（7）将混合系数近似值 amn
的载频值；
（8）根据式(4-28)计算各个信号的 DOA；
（9）根据 DOA 完成各跳信号的拼接。

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)

图 4.1 原始信号时频比实部和虚部散点图 图 4.2 SSP 后时频比实部和虚部散点图

然后对图 4.2 中数据时频比的角 α = angle( X 2 (t p , f q )/X 1 (t p ,f q )) 用式(4-25)进行势函数

聚类。使用不同的基函数会得到不同的聚类结果和性能，因此，需要根据不同基函数对
应的聚类中心估计误差选取基函数的值。
定义聚类中心估计误差 er =  (min( α i − E1 , α i − E2 , α i − E3 )) 2 ，其中参数 a 取值
i∈( t p , f q )

10 、10 、10 、10 、10 、10−6 、10−7 、10−8 ，使用各个基函数计算得到的误差如图

−1 −2 −3 −4 −5

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

实验势函数的基函数选取 ϕ (Δ) = (10−4 ) Δ 。最终得到的势函数ψ (α ) 随 α 变化曲线图如图

4.4 所示。

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

由于源信号的个数为 3，可以很明显地看到上图中有 3 个峰值，根据峰值点的横坐

标位置确定 α 的聚类中心，进而根据式(4-27)估计混合矩阵。
为了评估本章基于单源点检测和势函数聚类算法的混合矩阵估计性能，定义混合矩
阵归一化均方误差为：
 | (a − a ) |
m ,n
mn mn
2

NMSE = 10 log10 (4-31)

 | (a ) |
m ,n
mn
2

上式中， amn、amn 分别为混合系数的真实值和估计值。图 4.5 为 5dB~30dB 信噪比

下，本文所提出的算法与文献[65]、[67]中算法的混合矩阵估计 NMSE 随信噪比变化曲
线图。文献[65]中基于单源点检测和聚类的混合矩阵估计算法是解决欠定盲源分离常用
的算法，也是用于欠定线性时延混合模型中跳频网台分选的主要方法，作者引入戴维斯
博尔丁聚类评估准则以解决 K-means 方法对聚类个数已知的限制。文献[67]则提供了另
一种思路，通过滤波将信号分割成多个单频信号，根据接收信号的比值估计混合矩阵，
减少了算法的运算量和计算复杂度。

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

图 4.5 三种算法混合矩阵估计 NMSE 随信噪比变化曲线图

从图 4.5 中我们可以得到，本文提出的基于单源点检测和势函数聚类的混合矩阵估
计算法相比于滤波法和 SSP+K-means 算法，具有更低的 NMSE 以及更高的估计精度。
文献[65]中的 K-means 算法鲁棒性差、聚类精度低，致使算法整体性能不高。文献[67]
使用的滤波方法，根据滤波后观测信号比值的均值求出混合矩阵，与时频方法比较，虽
然计算量少，复杂度低，但是没有考虑噪声、干扰对信号的影响，抗噪性能较弱。此外，
滤波器设计时，不同种类的滤波器、不同的参数会导致不同的性能，致使算法鲁棒性较
差。
最后使用式(4-28)估计源信号的 θ 值，即源信号的 DOA 估计值，这里不再展开论述。

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

按照 4.2 节方法估计每跳信号的 DOA。比较每一跳数据 DOA 估计值的个数，选择

数目等于源信号个数的几跳数据，同一频率 f n 对应的 DOA 的均值作为源信号 sn (t ) 的
DOA 估计值。
对于非正交跳的 DOA 值，根据正交跳内 DOA 的估计值对其进行修正。具体做法
如下：
假设有四个源信号 s1 (t ), s2 (t ), s3 (t ), s4 (t ) ，且 s1 (t )与s2 (t ) 同频，θ1 ,θ 2 , θ3 , θ 4 是正交跳内
估计的 DOA，θ1′, θ 2′ ,θ3′ 是非正交跳内估计的 DOA。如果 θ1′ = θ1 ,θ 2′ = θ 2 ，则 θ3′ 是伪值，应
去掉，并增加 θ3 , θ 4 为 DOA 估计值。
（2）所有跳信号频率都非正交
若一跳内第 n, l 个源信号频率相同，则形成频率碰撞。并定义一个跳频序列周期内
所有跳第 n, l 个源信号频率碰撞的次数和为 H n ,l (l ≠ n) 。同理，一个跳频序列周期内所有
跳第 n, l , , p 个源信号频率碰撞的次数和为 H n ,l ,, p (n ≠ l ≠  ≠ p ) 。
N
对任意的 H ，都满足 H < 时，可以对所有跳数据的 DOA 进行修正，其中， N 为
2
源信号个数。
这种情况下，按照 4.2 节中步骤计算所有跳的 DOA，取次数最多的 N 个 DOA 作为
DOA 估计值，并对所有跳进行情况（1）中的修正处理。
实际应用中，最低频率碰撞次数的设定和跳频图案的选择对同步非正交组网方式十
分重要，频率碰撞次数过多会导致网台受到其他网台的干扰，致使通信性能下降。

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

其中，st = [ ρ1e j ( t −1)ϕ1 , , ρ N e j ( t −1)ϕ N ]T ，ρ n 包含了第 n 个源信号的幅度和初始相位信息，

a n 表示第 n 个信号的阵列响应，a n = [1, e jφn , , e j ( M −1)φn ]T ，vt 为零均值、方差为 σ 2 的高斯
白噪声。
若在频率驻留时间段内接收到了 K 个采样点信号，则接收信号可以表示为：
 1  e 
j (K −1)ϕ1
 1  1   ρ1
     
x1:K =            + v1:K (5-2)
 e j (M −1)φ1  e j (M −1)φN   ρ N  1  e j (K −1)ϕ N 

5.2 基于 ARMA 的频率跟踪算法

由文献[43]可知， N + 1 阶 ARMA 模型可以表述为：
N N

 ci xt +i =  ci v t +i
i =0 i =0
(5-3)

下式是 ARMA 模型的共轭形式：

N N

 ci x*t + N −i =  ci v*t + N −i
i =0 i =0
(5-4)

其中 c0 , c1 , , cN 是下式根为 e jϕn ( n = 1, 2, , N ) 的 N 阶等式的系数：

N
f (α ) = ∏ (α − e jϕn ) = cN α N +  + c1α + c0 = 0, cN = 1 (5-5)
n =1

上述时域 ARMA 模型关联了频率驻留时间内连续 N + 1 个观测样本，一旦发生频率

跳变，跳时前后时刻的样本将偏离已构建模型，因此，通过每个时刻利用该模型评估预
测误差，可以成功检测跳时刻。式(5-5)还将模型系数与每个信号的载频相关联，因此如
果 ARMA 系数已知，还可以通过式(5-5)来求解信号载频，从而实现了跳频信号的频率
跟踪。利用 ARMA 模型进行跳频信号实时载频估计和跳时检测原理流程图如图 5.1 所
示。
要想使用此方法解决跳频信号的频率跟踪问题，首先建立 ARMA 模型，因此先计
算模型的系数。 th (th ≥ 3N / 2 + 1) 时刻，模型的系数可以根据观测数据由下式得到：
cˆth = − X x = −( R (th − N ) )−1 r (th − N )
1:( th − N ) ( N +1):th (5-6) X Xx

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

X i = [ xi*+ N , xi*+ N −1 , , xi*+1 ] (5-10)

其中，需要满足当前时刻 th ≥ 3N / 2 + 1 的原因是为了使矩阵 RX(th − N −1) 满秩，即 cˆth −1 可
求。
开始

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

图 5.1 基于 ARMA 的跳频信号频率跟踪流程图

利用 ARMA 模型和已接收数据对当前时刻 th 的信号预测为：

N −1
xˆth = − ci xth − N + i (5-11)
i =0

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

其中， H1 假设指发生了频率跳变， H 0 假设代表了没有发生频率跳变， γ 是判决门

限。 γ 的值由噪声方差和模型系数决定，但是噪声方差未知，所以实际应用中，用接收
到的信号观测值估计 γ ，假设频率驻留时间的起始时间 t = 1 ，则 γ 可以用下式估计：
th −1
1
γ =μ ( 
th − N − 1 t = N +1
|| xt − xˆt ||22 ) (5-13)

其中， μ 为权重因子，一般设为 3~5[74]。

如果没有发生频率跳变，将估计的模型系数 cˆ0 , cˆ1 , , cˆN 带入式(5-5)，得到
fˆ (α ) = α N + cˆ α N −1 +  + cˆ α + cˆ = 0
N −1 1 0 (5-14)
将 α n = e jϕn ， ϕn = 2π f nTs 带入上式，得到载频估计值为：
fˆ = 1/ 2π T angle(αˆ ),n = 1, , N
N s n (5-15)

5.3 改进的 ARMA 频率跟踪算法

上节所介绍的频率跟踪方法，先利用接收信号估计模型系数，再由模型系数与载频
的关系求解载频，在此过程中，并没有利用跳频信号自身的特征信息，导致载频估计精
度不是很高，且需要已知源信号个数 N 。所以，本节在上述模型、原理的基础上，提出
一种改进的基于 ARMA 的频率跟踪方法。
为了不极大增加算法的运算量和复杂度，本文在已接收 th 个信号样本的假设下，选
择使用快速傅里叶变换对这些样本求频率，再由频率值估计模型系数。由于样本数少以
及噪声的存在，单独使用 FFT 求解频率的性能欠佳，所以综合使用多个阵元接收到的数
据进行频率估计。具体做法如下：
使用 M 个阵元对混合信号逐个样本接收，假设每个阵元均已接收 th 个信号样本，且
有 th ≥ 3N / 2 + 1 ，对 M 组信号样本分别进行 FFT 变换，画出幅频特性曲线，记录峰值位
置处对应的频率，峰值位置按 A(i ) > A(i + 1) && A(i ) > A(i − 1) && A(i ) > 0.5 max( A ) 的条
件选取，以去除噪声引起的低幅值点的影响，其中 A 为 FFT 后得到的幅度向量， i 为频
率对应的位置。
假设 M 组峰值位置处对应的频率组成的向量为 F ，利用聚类算法对 F 进行处理。由
于待处理样本数少，类的个数少，可以使用 3.3 节中的中心聚类算法。当两个频率值 Fi
和 F j (i ≠ j ) 满足下式时认为其是一类：
Fi − Fj ≤ ε (5-16)

其中，门限 ε 与跳频信号载频间隔有关，可以取值 1KHZ、1MHz、1GHz 等，具体

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

图 5.2 改进的 ARMA 跳频信号频率跟踪流程图

综上，改进的基于 ARMA 模型的跳频信号频率跟踪流程图如图 5.2 所示，算法的具

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

其中， normrnd() 表示生成固定均值和方差的正态分布随机数。然后按下式计算每个粒

子的接收概率：
μ = min(ξ ,1) (5-20)
− ( Mt + β )
 (γ + tr(P A R (xth ) )) 
h

ξ =  (5-21)
 (γ + tr(PA R x )) 
(th )

其中， PA = I M − (1 + δ −2 ) −1 A ( A H A ) −1 A H ， P A = I M − (1 + δ −2 ) −1 A* ( A*H A* ) −1 A*H ， A* 表示由

th
新粒子 P 得到的混合矩阵， δ 2 为信噪比， Rx h =  xt xtH 。
(t )

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 )

g (φ1:N | x1:th ) = (γ + tr(PA R (xth ) )) − ( Mth + β ) (5-23)

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

最终得到的 DOA 估计值为：

cφˆn
θˆn = arccos( ) (5-25)
2π f n d

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

假设相同条件下仿真实验重复做了 L 次，正确检测跳时的实验次数为 k 次，定义跳

时检测概率为

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

由图 5.4 可知，跳时检测概率随通道数的增加而增大。当通道数大于等于 4 时，算

法可以较准确检测跳时，概率为 0.9 以上。

5.5.2 跳时检测概率随信噪比变化

设通道个数 M 为 10，SNR 为 5~25dB。设 L = 500 ，改进算法跳时检测概率随信噪

比变化曲线图如图 5.5 所示。
1

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

可以看出，当 SNR 大于等于 15dB 时，算法可以较准确检测跳时，概率在 0.9 以上。

下面比较低信噪比下改进算法和原 ARMA 算法的跳时检测概率。取 SNR 为 5 : 20 ，
两种算法检测概率随信噪比变化曲线图如图 5.6 所示。可以看出，本章改进算法的跳时
检测概率要优于原算法。
1

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

假设通道个数 M 为 8，SNR 为 15dB，使用 5.3 节的改进算法得到的频率跟踪仿真

图如图 5.7 所示。由于 K = 5 ，所以起始时刻的 4 个采样点没有进行频率估计，其值均设
为零。从图中可以看出，当接收足够数量的样本，就可以较准确地估计出载频，且频率
估计快速收敛。当检测到跳时时，重新估计载频，以实现频率跟踪。
7
x 10
2.5

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

其中， n f 为估计的载频总点数， fi 为载频真实值， fi 为估计值。

设 M 为 8，计算第 th 个信号样本对应载频估计的误差值。接收信号按照跳时可以分
为三段信号，每段持续 24 点。为了更直观地观察误差曲线图，计算 24 个采样点内每个
采样点处三段信号估计误差的均值，并且为了排除频率跳变对载频估计的影响， th 取值
为 7~23。图 5.8 和 5.9 分别是 SNR 为 10dB 和 15dB 时，本章改进算法与原 ARMA 算法
[43]
和稀疏贝叶斯学习（Sparse Bayesian Learning，SBL）算法[46]进行 50 次蒙特卡洛仿真
后得到的载频估计相对误差曲线图。文献[46]利用 SBL 建立了跳频信号稀疏表示模型，
通过稀疏向量的自适应迭代求解，能较高精度地估计信号载频和跳时。
0 0
10 10
SBL SBL
本本提提 本本提提
ARMA ARMA

-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

图 5.8 10dB 载频估计误差曲线图 图 5.9 15dB 载频估计误差曲线图

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

表 5.1 SNR=10dB 时，三种算法运行一次平均所需时间

算法 ARMA 本章算法 SBL

时间 0.0058s 0.3758s 228.0900s

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。

5.5.5 DOA 估计结果

85

80

75

70
角角/角

65

60

55

50

45
0 5 10 15 20 25 30 35
频频频

图 5.10 跳频信号实时 DOA 估计散点图

将载频持续时间由 24 个采样点扩展为 32 个采样点，以接收到的前 32 个数据为例，

使用文献[45]中基于粒子滤波的跳频信号实时 DOA 估计算法，在信噪比为 20dB 时得到
信号的 DOA 估计值如图 5.10 所示。可以看到稳定后的 DOA 估计值分布在真实值附近，
证明了算法的有效性。

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

[32] 袁伟明, 王敏, 吴顺君. 一种新的 Costas 跳频信号盲参数估计算法[J]. 电路与系统学

报, 2007, 12(4): 60-63.
[33] Fan H N, Guo Y, G, Feng X. Blind parameter estimation of frequency hopping signals
based on matching pursuit[C]. IEEE 4th International Conference on Wireless
Comunication, Networking and Mobile Computing, Wuhan, Hubei, Oct, 2008: 1-5.
[34] Fan H N, Guo Y, Meng Q W．Blind parameter estimation of frequency hopping Signals
based on atomic decomposition[C]. IEEE Proceeding of First International Workshop on
Education Technology and Computer Science, Dalian, Liaoning, 7-8 March, 2009: 713-
716．
[35] 范海宁, 郭英, 艾宇. 基于原子分解的跳频信号盲检测和参数盲估计算法 [J]. 信号
处理, 2010, 26(5): 695-702.
[36] 范海宁, 郭英．一种新的跳频信号参数盲估计算法[J]. 信号处理, 2009, 25 (11): 1754-
1758.
[37] Fan H, Guo Y, Feng X. Blind parameter estimation of frequency hopping signals based on
matching pursuit[J]. Wireless Information Communication, 2008:1-5.
[38] Stéphanc G Mallat, Zhifeng Zhang. Matching Pursuit With TimeFrequency Dictionaries[J].
IEEE Transactions on Signal Processing, 1993, 41(12): 3397-3415.
[39] 沙志超 , 黄知涛 , 周一宇 . 基于稀疏重构的跳频信号时频分析方法 [J]. 通信学报 ,
2013(5):107-112.
[40] 张坤峰, 郭英, 齐子森 . 基于稀疏贝叶斯重构的多跳频信号参数估计 [J]. 华中科技
大学学报:自然科学版, 2017, 45(1): 97-102.
[41] 郭英, 于欣永, 张坤峰. 基于 T-SBL 的多跳频信号参数估计[J]. 华中科技大学学报
(自然科学版), 2018(2).
[42] Angelosante D, Giannakis G B, Sidiropoulos N D. Estimating multiple frequency-
hopping signal parameters via sparse linear regression[J]. IEEE Transactions on Signal
Processing, 2010, 58(10): 5044-5056.
[43] Liu Z M, Huang Z T, Zhou Y Y. Hopping instants detection and frequency tracking of
frequency hopping signals with single or multiple channels[J]. Communications Iet, 2012,
6(1): 84-89.
[44] 付卫红, 武少豪, 张凡路. 一种基于 ARMA 模型的欠定混合快速跳频信号参数盲估

54
 多网台跳频信号参数估计与分选

计算法[J]. 北京邮电大学学报, 2014, 37(5):16-19.

[45] Sha Z C, Liu Z M, Huang Z T, et al. Online Hop Timing Detection and Frequency
Estimation of Multiple FH Signals[J]. Etri Journal, 2013, 35(5):748-756.
[46] 王丰华, 沙志超, 刘章孟, et al. 基于贝叶斯稀疏学习的多跳频信号频率跟踪方法[J].
电子与信息学报, 2013, 35(6):1395-1399.
[47] 杨佳, 黄志英, 关卿. 一种跳频信号实时跟踪与参数估计方法[J]. 太赫兹科学与电
子信息学报, 2018, 16(2):253-258.
[48] Fresa A, Izzo L, Paura L. Interception of FH spread-spectrum signals: performance
advantages of cycle detectors[C]. Aerospace & Electronics Conference. IEEE, 2002.

[49] 姚勇. 跳频信号的特征提取与网台分选[D]. 西安电子科技大学, 2003.

[50] 高峥. 基于 STFT 的超短波跳频网台信号分选[J]. 电信技术研究, 2004, 3: 8-14.
[51] 杨宏娃. 一种网台分选算法[J]. 通信对抗, 1999, 67(4): 1-7.
[52] 顾晨辉, 王伦文. 一种正交跳频信号动态分选方法[J]. 宇航学报, 2012, 33(11): 1769-
1776.
[53] 雷迎科, 钟子发, 郑大炜. 一种短波非正交跳频网台信号分选方法研究 [J]. 舰船电
子工程, 2006, 26(5): 135-140.
[54] 吴凡, 姚富强, 李永贵, 等. 跳频高密度异步网台信号的分选[J]. 电讯技术, 2006, (5):
45-49.
[55] 李玉生, 姚富强, 张毅. 跳频正交网台信号分选算法研究[J]. 无线电通信技术, 2005,
31(6): 13-15.
[56] 陈丽. 跳频体制下基于盲分离的抗干扰技术研究[D]. 电子科技大学, 2014.
[57] 翟海莹, 杨小牛, 王文勇. 基于盲源分离的跳频网台分选 [J]. 中国电子科学研究院
学报, 2008, 3(4): 398-402.
[58] 陈超, 高宪军, 李德鑫 . 基于独立分量分析的混叠跳频信号分离算法 [J]. 吉林大学
学报, 2008, 26(4): 347-353.
[59] 刘力伟,游超,严国萍,等. 基于 STFT 时频比算法的跳频信号盲分离[J]. 微计算机信
息, 2010, 26(13): 154-156.
[60] 谢亮. 基于时频分析的盲信号分离算法研究[D]. 电子科技大学, 2012.
[61] Zhou Y Y, Wang F H, Sha Z C, et al. Frequency-hopping signals sorting based on
underdetermined blind source separation[J]. IET Communications, 2013, 7(14):1456-1464.
[62] Fu W H, Hei Y Q, Li X. UBSS and blind parameters estimation algorithms for synchronous

55
 哈尔滨工程大学硕士学位论文

orthogonal FH signals[J]. Journal of Systems Engineering and Electronics, 2014, 25(6):

911-920.
[63] 武少豪. 基于欠定盲分离的跳频信号恢复与分选技术研究 [D]. 西安电子科技大学,
2014.
[64] 马丽芬. 欠定盲源分离及其在跳频信号分选中的应用研究 [D]. 西安电子科技大学,
2014.
[65] 宁晓鹏. 基于时频分析的跳频信号盲分离算法研究[D]. 哈尔滨工业大学, 2016.
[66] Zhang C, Wang Y, Jing F, et al. Underdetermined Blind Source Separation of Synchronous
Orthogonal Frequency Hopping Signals Based on Single Source Points Detection[J].
Sensors, 2017, 17(9).
[67] 付卫红 , 武少豪 , 刘乃安 . 跳频信号的欠定盲源分离 [J]. 北京邮电大学学报 , 2015,
38(6):11-14.
[68] 张仕超. 跳频信号的盲检测与参数盲估计研究[D]. 电子科技大学, 2012.
[69] 陈利虎. 跳频信号的侦察技术研究[D]. 国防科学技术大学, 2009.
[70] 李承恕, 赵荣黎. 扩展频谱通信[M]. 北京:人民邮电出版社, 1993, 1-10.
[71] 冯莹. 跳频信号侦察技术研究与仿真[D]. 西安电子科技大学, 2010.
[72] 梅文华, 杨义先. 跳频通信地址编码理论[M]. 国防工业出版社, 1996.
[73] 冯涛. 基于时频分析的跳频通信侦察技术研究[D]. 北京邮电大学, 2012.
[74] Niedzwiecki M, Cisowski K. Adaptive scheme for elimination of broadband noise and
impulsive disturbances from AR and ARMA signals[J]. IEEE Transactions on Signal
Processing, 2002, 44(3):528-537.

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