密 级

硕 士 学 位 论 文
（全日制专业学位硕士）

题目 跳频信号的检测与识别

（英文） Detection and identification of frequency

hopping signal

研 究 生 学 号: 1702303009

研 究 生 姓 名: 吕国裴

指导教师姓名、职称: 谢跃雷、副教授

申 请 学 位 类 别: 工程硕士

领 域: 电子与通信工程

论 文 答 辩 日 期: 2020 年 5 月 22 日
 摘要

摘要

跳频通信具有抗衰落及抗干扰能力强、截获概率低、保密性高和组网能力强等优
点，广泛应用在军事和民用领域中，然而跳频通信的这些优点也给非合作接收带来了
截获和破译的难题。本文针对跳频信号的非合作接收问题，研究了跳频信号检测、参
数估计和跳频电台分选方法，具体的研究工作及成果如下：
1、提出了一种基于干扰剔除的跳频信号检测方法。针对复杂电磁环境的跳频信
号检测，首先将干扰信号进行剔除，接着根据跳频信号与其它调制信号在时频特性上
的差异，采用时频特性曲线法进一步识别出跳频信号。仿真结果表明，在信噪比为2dB
时，所提方法的识别率即可达到100%，优于基于时频分析的检测算法2dB。
2、提出了一种基于抽取因子的时频脊线拼接的参数估计方法。针对慢速跳频信
号，采用不重叠分段法，对每一分段作基于抽取因子的谱图变换，并将每段求得的时
频脊线拼接起来再进行参数估计，从而降低了算法的运算量。最后分析了抽取因子对
参数估计的影响。仿真及实测数据表明，在同样的抽取因子下，与最大值拼接法相比，
时频脊线拼接法具有更强的抗噪声能力，提高了参数估计性能，并降低了算法的复杂
度。此外，针对跳频点丢失的情况，通过对错乱的跳频点进行纠正，得到了真正的频
率集。仿真结果表明，该方法在只存在跳丢失时，SNR>-5dB时都能正确估计出频率
集。
3、提出了一种基于分数阶小波变换（Fractional Wavelet Transform，FRWT）的跳
频参数估计方法。首先对时域信号采用FRWT分解法去噪，再利用希尔伯特-黄变换
（Hilbert-Huang transform，HHT）对去噪后的跳频信号作Hilbert谱分析，从而提取参
数特征。该方法解决了传统时频变换法在跳频序列的相邻频率间隔较小时的时频分辨
率不高的问题。仿真结果表明，在相对误差值为10-2时，采用FRWT方法的信噪比要比
采用离散小波变换（Discrete Wavelet Transform, DWT）方法的信噪比低3dB左右。
4、提出了一种基于轮廓特征的跳频电台识别方法。首先提取信号在等高线图上
的轮廓特征，接着构造基于轮廓特征的等高线图并对其进行预处理，最后把等高线图
输入到卷积神经网络(CNN)中进行训练、测试，进而实现分类识别。该方法解决了现
有的跳频电台分选方法存在人工提取参数特征具有复杂性的问题，仿真结果表明，在
分选率为100%时，其在经裁剪处理下的信噪比为-15dB，比支持向量机(SVM)和传统
K-Means聚类算法都低10dB。实测数据的算法验证表明，该方法能够将大疆精灵4Pro、
hm无人机、司马航模X8HW以及大疆悟2这四类无人机正确分类。
关键词：跳频信号；信号的检测；参数估计；电台的分类识别

I
 Abstract

Abstract

Frequency-hopping communication has the advantages of strong anti-fading and anti-

interference ability, low interception probability, high confidentiality, and secure networking
capability, etc. It is widely used in military and civilian fields. However, these advantages of
frequency-hopping communication also bring difficulties to intercept and decipher for non-
cooperative reception. Aiming at the problem of non-cooperative reception of frequency-
hopping signals, this paper studies the methods of frequency-hopping signal detection,
parameter estimation, and frequency-hopping station selection. The specific research work
and results are as follows:
1. A method of frequency hopping signal detection based on interference elimination is
proposed. For the detection of frequency hopping signals in a complex electromagnetic
environment, the interference signal is first removed, and then the frequency hopping signal
is further identified using the time-frequency characteristic curve method based on the
difference in time-frequency characteristics of the frequency-hopping signal and other
modulated signals. Simulation results show that when the SNR is 2dB, the recognition rate
of the proposed method can reach 100%, which is better than the detection algorithm based
on time-frequency analysis by 2dB.
2. A parameter estimation method based on the decimation factor for time-frequency
ridge stitching is proposed. For the slow frequency hopping signals, we used the non-
overlapping segmentation method to segment the signal, and then perform a spectral
conversion based on the decimation factor for each segment. And the time-frequency ridges
obtained from each section are stitched together for parameter estimation, thereby reducing
the algorithm's Computation. Finally, the influence of extraction factors on parameter
estimation is analyzed. The simulation and measured data show that under the same
decimation factor, compared with the maximum stitching method, the time-frequency ridge
stitching method has stronger anti-noise ability, improves the parameter estimation
performance, and reduces the complexity of the algorithm. Besides, for the missing
frequency hopping points, the exact frequency set is obtained by correcting the disordered
frequency hopping points. Simulation results show that the method can accurately estimate
the frequency set when the SNR is higher than -5dB when there is only hop loss.
3. A parameter estimation method based on Fractional Wavelet Transform (FRWT) is
proposed. Firstly, the time domain signal is denoised by the FRWT decomposition method.

II
 Abstract

Then Hilbert-Huang transform (HHT) is used to perform Hilbert spectrum analysis on the
denoised frequency-hopping signal to extract the parameter features. This method solves the
problem that the time-frequency resolution of the traditional time-frequency transform
method is not high when the adjacent frequency interval of the frequency hopping sequence
is relatively small. The simulation results show that the SNR of the FRWT process is about
3dB lower than that of the Discrete Wavelet Transform (DWT) method when the relative
error value is 10-2.
4. A method of frequency hopping station identification based on contour features is
proposed. First, extract the contour features of the signal on the contour map, then construct
and preprocess the contour map based on the contour features, and finally input the contour
map to the convolutional neural network (CNN) for training and testing and then realizes
classification recognition. This method solves the problem that the existing frequency-
hopping station sorting method has the complexity of manually extracting parameter features.
Simulation results show that when the sorting rate is 100%, its signal-to-noise ratio is -15dB
after cropping, which is 10dB lower than both support vector machine (SVM) and traditional
K-Means clustering algorithm. The algorithm verification of the measured data shows that
the method can correctly classify the four types of drones: Phantom 4 Pro, hm UAV,
SYMA_X8HW, and Inspire 2.
Keywords: frequency hopping signals; signal detection; parameter estimation; classification
and identification of stations

III
 目录

目录

摘要 ................................................................................................................................ I
Abstract ..........................................................................................................................II
目录 ............................................................................................................................. IV
第一章 绪论 ................................................................................................................. 1
§1.1 研究背景及意义........................................................................................... 1
§1.2 国内外研究现状........................................................................................... 2
§1.2.1 跳频信号的检测研究现状 ............................................................... 2
§1.2.2 跳频信号的参数估计研究现状 ....................................................... 2
§1.2.3 跳频电台的分选研究现状 ............................................................... 3
§1.3 本文的研究内容及各章节的安排............................................................... 4
第二章 跳频通信系统概述 ......................................................................................... 6
§2.1 跳频通信系统的工作原理........................................................................... 6
§2.2 跳频通信系统模型....................................................................................... 6
§2.3 时频分析方法............................................................................................... 7
§2.3.1 短时傅里叶变换 ............................................................................... 7
§2.3.2 Wigner-Ville 分布 .............................................................................. 9
§2.3.3 PWVD 分布 ....................................................................................... 9
§2.3.4 分数阶傅里叶变换 ......................................................................... 10
§2.4 本章小结..................................................................................................... 12
第三章 基于干扰剔除的跳频信号检测方法 ........................................................... 13
§3.1 跳频通信环境分析..................................................................................... 13
§3.2 基于干扰剔除的跳频信号检测................................................................. 14
§3.2.1 干扰信号剔除 ................................................................................. 15
§3.2.2 时频特性曲线识别方法 ................................................................. 16
§3.3 理论仿真及分析......................................................................................... 18
§3.4 本章小结..................................................................................................... 18
第四章 跳频信号的参数估计 ................................................................................... 19
§4.1 基于时频分析的高速跳频信号参数估计................................................. 19
§4.1.1 基于最大值的跳频参数估计 ......................................................... 19
§4.1.2 基于时频脊线的参数估计 ............................................................. 20
§4.1.3 实验仿真及分析 ............................................................................. 21

IV
 目录

§4.2 基于时频脊线拼接的慢速跳频信号参数估计......................................... 21
§4.2.1 参数估计的方法 ............................................................................. 22
§4.2.2 抽取因子对参数估计性能的影响 ................................................. 22
§4.2.3 理论仿真与分析 ............................................................................. 23
§4.2.4 基于实测无人机数据的算法验证 ................................................. 25
§4.3 基于频点纠正的跳丢失参数估计............................................................. 26
§4.3.1 只存在跳丢失时的参数估计 ......................................................... 26
§4.3.2 同时存在跳丢失和频点碰撞时的参数估计 ................................. 28
§4.4 基于 FRWT 的跳频周期估计 .................................................................... 32
§4.4.1 FRWT 理论知识 .............................................................................. 33
§4.4.2 HHT 相关理论知识 ......................................................................... 35
§4.4.3 基于 FRWT 的跳周期估计 ............................................................ 37
§4.5 本章小结..................................................................................................... 38
第五章 基于轮廓特征的跳频电台分选 ................................................................... 39
§5.1 等高线图的构建及轮廓特征提取............................................................. 39
§5.2 CNN 的概述及分类算法 ............................................................................ 41
§5.3 基于轮廓特征的跳频电台分类方法......................................................... 42
§5.3.1 基于理论仿真的四类无人机分类实验 ......................................... 43
§5.3.2 基于实测数据的四类无人机分类实验 ......................................... 44
§5.4 本章小结..................................................................................................... 46
第六章 总结与展望 ................................................................................................... 47
§6.1 工作总结..................................................................................................... 47
§6.2 研究展望..................................................................................................... 47
参考文献 ..................................................................................................................... 49
致谢 ............................................................................................................................. 52
作者在攻读硕士学位期间的主要研究成果 ............................................................. 53

V
 第一章 绪论

第一章 绪论

§1.1 研究背景及意义

通信，一种关系到人与人联系及与世界交流的方式，已融入到人类生活的各个方
面。21 世纪，无线通信的诞生，是科技进步中的一大创举，打破了点对点的固定电话
的通信方式的束缚，使得人类的信息交流面向多元化，全球化。在这科技不断革新的
时代，人类对通信是否具有安全性、可靠性等方面的需求不断增长，科技人员也在不
断地向提高通信质量的方向努力，努力为人们创造更好的通信体验环境。正是人类的
这些需求，促进了扩频通信的发展。扩频技术作为香农定理的应用，它是一种具备抗
多径衰落、高隐蔽性、保密性及多址能力等优点于一身的主流通信技术，广泛地应用
于军用信息战及民用通信中[1-2]。跳频（FHSS）通信，扩频领域的一个重要分支，具
备了扩频通信的优点，且因其频率具有随机切换性，不易被敌人破解，最先被应用于
军事的作战通信中。现今，在民用领域也有所体现，如 GSM 通信、蓝牙通信及无人
机中的飞控信号，这无不体现着跳频通信的重要性。
跳频通信在广泛应用的同时，也给非合作接收带来严峻的挑战。比如在军事的电
子信息战中，侦察方如果能快速地检测出敌方跳频信号，并破译它的跳频图案，对其
采取干扰措施，将是战争获胜的一大重要关键点。然而跳频通信的频率随机切换，侦
察方属于非合作接收方，通常事先无法了解具体的跳频参数的情况，而且在实际的作
战环境中，还往往会存在着很多电磁干扰，这使得跳频信号的非合作接收检测及参数
估计的难度大大增加。而在民用领域中，以无人机中的飞控通信为例，目前，由于无
人机的价格比较便宜，体积小及易于操作等原因，受到广大民众的喜爱，但是关于无
人机闯入机场，致使飞机停飞事件时有发生，甚至有些不法分子，利用无人机窃取机
密或者偷运毒品，且还有很多人并没有经过专业的技术指导，在操作过程中很有可能
出现操作失误的不当行为，一旦无人机坠落，很有可能对他人安全造成影响。因此，
如果能快速地检测到无人机的飞控信号，并估计出其参数，为后续的定位及实施干扰
等措施做准备，以实现无人机的反制。
由上可知，研究跳频通信的非合作接收技术，无论在军事还是民用领域都具有重
大的研究现实意义[3]。跳频技术的快速发展使得跳频图案的变化越具有强的随机性，
跳频速率也不断地提升，若考虑在复杂的电磁环境中的通信，更是加大了跳频检测以
及参数估计和跳频电台分选的难度，综上所述，跳频信号的非合作检测、参数估计等
研究仍是一个难点。

1
 跳频信号的检测与识别

§1.2 国内外研究现状

§1.2.1 跳频信号的检测研究现状

对于非合作接收来说，想要破解跳频信号，首先要判断出接收的数据中是否存在
跳频信号。现今，已有很多的学者在跳频信号检测这方面做了研究，主要是从硬件和
软件这两方面进行探索。基于硬件的检测法主要包括：基于能量门限的检测法[5-6]，基
于压缩接收机的频谱分析法[7-10]，这些方法需在预知某些参数时，才可得到较好的检
测性能，但这不仅会增加接收机的难度，且不具有普适性。其中文献[6]是先让信号通
过辐射计模块，得到并行的窄带信号，然后设置能量阈值，判定是否存在跳频信号，
最后根据各个通道的判定结果，决定最终的判定，且在已知跳周期及频率的参数下，
其检测效果可达到最优，但是计算量特别复杂，设备产品化的代价高。文献[10]虽能
实现跳频信号的检测，但是要在提前知道信号带宽的情况下。
另一类基于软件的检测法，主要包括基于图像处理的检测法[11-12]，基于功率谱对
消的检测法[13-14]，基于时频特性的检测法[15]，基于干扰剔除的时频分析检测法[16-18]。
其中，文献[12]是通过把时频图看作图像，将形态学的边缘检测法运用在跳频信号检
测中，从而实现了跳频信号的检测。文献[14]是通过计算跳频信号和定频信号在整个
数据段内的平均功率谱和分段后的功率谱，再构造功率对消比及设定门限值来判断跳
频信号的存在。该方法虽在存在碰撞频点的情况下，检测性能并不受多大影响，而且
计算量小，但在多干扰信号时，检测性能急剧恶化，且不易抵抗噪声的影响。文献[15]
根据不同信号在时频面上提取的跳变点序列所呈现的规律的差异性来实现检测，仅适
用于白噪声环境下。文献[18]根据信号在时频面上呈现的差异特征，对干扰信号进行
消除，并通过跳频信号在时频面上呈现的特性，进一步判定跳频信号的存在，该方法
适用于处理复杂电磁环境情况下的检测。

§1.2.2 跳频信号的参数估计研究现状

在完成了跳频信号检测后，非合作接收方更希望能够了解信号的具体参数，为后
续的信号破解做准备，这时就需要对跳频信号进行参数估计。在对跳频序列实现破解
前，必须要知道跳频的三个关键参数：跳周期、跳变时刻点以及频率集。现今，在参
数估计这方面的算法主要有：自相关估计法[19]、稀疏重构法[20]、图像处理法[21-22]，压
缩感知法[23-24]以及时频变换法[25-32]。
文献[19]采用多跳自相关法估计参数，能实现跳时及跳速的估计，在大量的实验

2
 第一章 绪论

测试中表明，在已知跳跃率的情况下，可通过单跳自相关的多跳组合方法估计出跳时。
文献[21-22]将时频图作为图像，采用提取图像特征的方法来获取参数，其中文献[22]
是先通过提取时频图的纹理特征去除噪声干扰，再根据标记的连通区域通过聚类法剔
除其它干扰信号，进而采取时频脊线法以实现参数估计的。这类算法虽能提高参数的
估计精度，但相应地算法的复杂度也会比较高。文献[23]采用分段的压缩采样法，虽
能解决数据量大的问题，但由于是固定的分段长，同时也存在时频分辨率不兼容的问
题。文献[24]采用了正交匹配的追踪法，通过从压缩测量值中提取跳频参数，该方法
在降低数据量的同时，保证了参数的估计精度。
从大量的相关文献来看，时频变换法是在分析跳频信号这一方面比较经典的算法，
且也取得较好的估计结果。在上世纪 70 年代，Barbarossa 提出了使用 PWVD(Pseudo
Wigner-Ville Distributuion，伪维格纳-威尔分布)的方法来估计参数，但在计算 PWVD
时，涉及到二次函数，有交叉项，致使计算量增大，估计效果变差[25]。在文献[25]基
础上，文献[26]对信号在频域加窗，虽提高了时频的分辨率，但是也极大的增加了运
算量，在处理数据量巨大的跳频信号时，显然不适用。文献[27]利用小波变换因同时
具有时移和尺度因子，能分析局部特征的特点，用于估计参数能获得不错的效果，但
是在噪声比较强的环境下，其估计性能严重下降。文献[28]采用滑动窗口的 SPWVD
法，解决了慢速跳频的参数估计问题。文献[29]则是通过迭代法对时频图去噪，再采
用 K-Means 聚类法对定频干扰进行消除，从而获得低信噪比的估计精度的提升。此
外，还有学者通过对时频重排来获取更高的估计精度，但这类方法的运算量比较大，
工程实现比较难[30-31]。文献[33]提出了一种改进的 EMD 算法，通过将信号分解成若
干的固有模态分量（IMF）以实现参数估计。文献[34]将小波变换和希尔伯特-黄变换
相结合的方法，能解决传统时频变换的分辨率不高的问题，但没有给出仿真性能图。
目前关于复杂环境下的参数估计的研究还不是很多，故研究复杂环境下，运算量相对
较小且能保证估计精度的估计方法仍然很重要。

§1.2.3 跳频电台的分选研究现状

当存在多个跳频电台时，通常还需要对跳频电台进行分类识别，从而判断待测跳
频信号所属类别。目前关于跳频电台分选方面的研究主要包括两类：一类是基于参数
估计的分选，另一类是基于特征提取的分选。文献[36-38]根据不同组网的跳频信号的
跳时及跳周期的差异性，估计信号的到达时间点来进行信号分选，但是这类方法不能
识别出同组网内的跳频信号，而且在比较高的估计精度下才能获得较好的分选率。文
献[39-42]则是根据估计出的信号幅度、功率、跳时及频率等参数下，结合分类器来获
得跳频电台的分选率。其中，文献[43]在估计出跳周期和功率情况下，通过引入传统
K-Means 聚类法来实现跳频信号分类，但是聚类中心点的初始值是以随机的方式来选
3
 跳频信号的检测与识别

取的，由此得到的分选性能并不具有稳定性。为了解决初始聚类中心点选取的问题，
文献[44]提出了基于 K 调和均值的网台聚类的分选法，但无法解决“同属 A 和 B 类”
的问题。基于文献[43-44]的问题，文献[45]提出了模糊聚类的算法，虽能解决上述两
类问题，且运算量也比较小，但其估计效果仍依赖于参数估计的效果，即在参数估计
方差较差时，其分选率也会有所下降。文献[46]提出了采用稀疏贝叶斯的方法进行电
台分选，虽能取得较高的分选率，但是对研究人员的数学理论要求比较高，且仍需要
在进行复杂的参数提取后，才能实现分选。另一类基于特征提取的方法主要有：文献
[47]将小波变换和分形理论结合的方法，用小波变换构造支持向量机（SVM）的核函
数进行分类，但算法的复杂度高，若待分析的信号数据量巨大时，难以处理数据。文
献[48-50]从射频指纹上出发，关注不同设备之间的物理性质有所不同的特性，文献[48]
通过提取通信硬件设备在频率切换时产生的瞬态信号的特征来实现分选的，而文献
[50]则是分析跳频在开机瞬间时产生的暂态信号，通过计算方差等特征量来实现分选，
但是这类算法易受噪声的影响，在获取它的训练标签方面比较难。再者人工选取特征，
当所处环境不同时，其识别效果也可能不同。

§1.3 本文的研究内容及各章节的安排

本文主要是从跳频信号的检测、参数估计和电台分选这三个方面展开研究的。首
先是针对复杂电磁环境下，基于时频特性曲线法的检测性能严重下降的问题，提出了
一种基于干扰剔除的跳频信号检测方法，从而提高了系统的检测性能。接着针对现有
估计慢速跳频参数方法存在复杂度高的问题，提出了一种基于抽取因子的时频脊线拼
接方法，从而降低了算法运算量，并分析了抽取因子对参数估计的影响。针对频点丢
失问题，提出频点纠正的方法，提高了频点丢失时的参数估计精度。还提出通过采用
FRWT 和 HHT 结合的方法，解决了相邻频率间隔不大时的参数估计问题。最后针对
现有跳频电台分选方法存在复杂参数提取过程的问题，提出一种基于轮廓特征的跳频
电台分选方法。本文内容及章节安排如下：
第一章主要是概述了研究跳频信号的背景及意义，并从跳频信号的检测、参数估
计及电台分选这三方面的研究现状进行了分析和总结，最后对全文的内容进行了安排。
第二章主要是阐述了跳频通信系统的原理，首先给出了跳频信号的数学表达式，
接着给出了一些影响系统性能的主要参数，最后给出了一些较常见的时频分析方法，
分析并总结了它们的优缺点及适用的场合。
第三章主要介绍了基于干扰剔除的跳频信号检测方法，首先分析了复杂的电磁环
境下存在的电磁信号，接着利用干扰剔除法剔除干扰信号，并采用时频特性曲线法，
实现了跳频信号的检测，最后通过仿真将所提方法与基于时频特性曲线法和时频分析
检测法进行了性能对比和分析。
4
 第一章 绪论

第四章主要介绍了跳频信号的参数估计方法。首先对高速跳频信号进行了参数估
计，接着针对慢速跳频在参数提取上存在运算量大的问题，提出了一种基于抽取因子
的时频脊线拼接法，并分析了抽取因子对估计性能的影响，通过仿真及实测的数据将
所提方法与最大值拼接法进行了对比和分析；此外，针对频点丢失的问题，采用频点
纠正法将错乱的频点进行了纠正，并通过仿真对所提的频点纠正法进行了性能分析。
最后针对相邻频率间隔比较小的情况，提出了一种基于 FRWT 的参数估计法，解决
了传统时频估计方法不能同时兼顾时频分辨率的问题，通过仿真将所提方法与基于
DWT 的方法进行了对比和分析。
第五章主要介绍了跳频电台的分选方法。针对现有算法需要复杂的人工参数提取
过程的问题，提出了一种基于轮廓特征的跳频电台识别方法，首先构建轮廓特征图，
接着将预处理后的轮廓特征图输入 CNN 网络进行训练、测试，进而实现跳频电台的
分类，并通过仿真及实测数据将所提方法与基于参数估计的 SVM 网络分选法和传统
K-Means 分选法进行了对比和分析。
第六章主要是总结了针对这一课题所做的工作以及创新点，指出了本文在研究上
的一些不足之处和需要再进行改进的地方。

5
 第二章 跳频通信系统概述

第二章 跳频通信系统概述

§2.1 跳频通信系统的工作原理

传统的无线通信方式为固定载波通信，很容易被非合作接收方截获或破译，使得
通信信息安全受到威胁。跳频通信是区别于传统固定载波通信的一种具有强的抗干扰、
多径衰落的无线通信方式。在接收端，它的载波通过伪随机（PN）码控制信号在多个
频率中切换，因此在接收端也必须以相同的伪随机码控制下接收解跳后的信号，通常
非合作接收方事先并不了解发送方信号跳变规律的情况，使得其频率不易被捕获。在
跳频信号进行通信时，由于其频率具有快速跳变的特点，当主波波束己到达接收机而
其它波束尚未到达时，发射和接收载频早已跳变到不同频率点上，故相比传统固定载
波通信具有更强的抗多径干扰能力。因此，跳频通信广泛应用于军事和民用领域中，
其工作原理如图 2-1 所示。

信息m(t) s(t) x(t) y(t) y1(t) 信息m1(t)

信息调制器 信息解调器

频率合成器
频率合成器

PN码序列
PN码序列

跳频同步

图 2-1 跳频通信系统的工作原理框图
在发射端，首先对二进制信源 m(t)进行调制，从而获得基带信号 s(t)，接着利用
由 PN 码序列控制的频率合成器输出的载波信号对基带信号 s(t)再进行一次调制，则
可获得跳频信号 x(t)，最后通过发射模块将信号发射出去。在接收端，首先通过跳频
同步模块控制 PN 码序列，从而使得频率合成器输出的载波与发射端对应的载波相同，
接着同接收的信号 y(t)相乘，即可实现信号的解跳，从而得到解跳后的信号 y1(t)，最
后经过解调模块进行本地信号的解调，从而恢复原始的信源 m1(t)。

§2.2 跳频通信系统模型

基带信号 s(t)经载波调制器模块后得到的跳频信号 x(t)为：

6
 跳频信号的检测与识别

x(t ) = s(t ) F h (t )
N −1
（2-1）
= s (t ) ( A rectT h(t − k T h)e j 2 f k (t − kT h −T 0 ))
k =0

其中，A 为幅度，N 为载波调制器的载波个数，Th 为跳周期，fk 表示跳频的频率

集，T0 为起跳时刻，rectTh(t)为矩形脉冲，且在 t∈[0,Th]区间，rectTh(t)的值为 1，其
它区间为 0。
接下来介绍跳频系统的主要参数[4]，如下：
（1）跳周期：跳频信号的载波频率一直保持不变的时间段，用 Th 表示，取跳周
期的倒数为跳频速率，用 Rh=1/Th 表示。一般跳周期越小，越难跟踪信号的变化，侦
察方越难破译信号。
（2）跳频带宽：跳频信号在工作时信号的最高频率与最低频率之间的频率间隔，
用 BW 表示。在有限的干扰功率范围内，若对跳频系统实施干扰，跳频带宽越宽，对
其干扰能力越小。因此，一般希望设计全频段的跳频通信系统。
（3）信道间隔：任意相邻两个信道之间的标称频率间隔。在信道间隔大于信道
的相关带宽的情况下，各个跳周期内的信号互不影响，能有效抵抗频率选择性衰落。
（4）频点数目：跳频信号在通信时载波变化的数目。跳频的频点越多，受干扰
频点率就会下降，使得破译工作强度更大，也间接反映信号抗干扰能力得到增强。
（5）跳频图案：由 PN 码控制的载波频率随时间随机切换的过程形成的二维矩
阵表示。跳频图案的规律性的复杂程度会影响跳频序列的破解难度，其规律性越简单，
越不具有隐蔽性。

§2.3 时频分析方法

跳频信号的频率随时间随机切换，而传统的数据处理方法为傅里叶变换，它只关
注信号的整体频段，而不能求解信号在不同时间点上的瞬时频率，并不适用于处理跳
频信号。时频分析中以频率和时间联合的二维矩阵能反映信号在不同时间点上的瞬时
频率，是分析非平稳信号的重要工具之一。跳频信号作为一种非平稳信号，采用时频
技术进行分析能够完整地反映跳频在不同的时间段内的频率信息，且利于后期提取跳
频信号的跳周期、频率集等参数特征。

§2.3.1 短时傅里叶变换

为了解决传统的傅里叶变换（FFT）在凸显局部特征方面的不足，Gabor 在 1964
年首次提出了既能反映信号在时域的信息又能反映频域信息的短时傅里叶变换
（STFT）。其思想为：首先让长度为 M 的信号乘以一个有限长为 L（L<M）的窗函

7
 第二章 跳频通信系统概述

数，并且假设该窗函数在长度 L 内是相对平稳的，接着作 FFT 变换，最后通过滑动

窗函数，就可以得到每一小分段信号的频域信息。信号 x(t)的 STFT 的表达式为：
+
STFT（t,）= x( )h( -t )e- jd （2-1）
−

其中，h(t)为窗函数。特别地，当 h(t)为高斯窗时，则式（2-1）表示 Gabor 变换，

如果取 STFT 绝对值的平方，则为谱图变换。考虑到在实际的信号处理中，接收的信
号为离散信号，通过对式（2-1）进行离散化，可获得 STFT 的离散表达式为：
 2
STFT (m, n) =  x ( k ) h( m − k )e
k =−
−j
N
nk
, m = 0,1, , M −1 （2-2）

其中，n 是对角频率 w 的 N 点离散化，且 n=0,1,…,N-1。

谱图 TFRsp(m,n)的离散表达式为：
2
TFRsp(m, n) = |STFT (m, n)| , m = 0,1, , M −1 （2-3）

从式（2-2）可知，窗函数的长度是固定不变的，不具有自适应性。当窗长较短时，
进行 FFT 的数据长度短，频率分辨率 Δf 降低，时间分辨率 Δt 提高，相反地，当窗长
较长时，作 FFT 的点数也会相应地增多，使得频率分辨率 Δf 提高，但也意味着时间
分辨率 Δt 降低了。Δf，Δt 的关系表达式如式（2-4）所示：
1
t  f  （2-4）
2
由式（2-4）知，STFT 不能同时满足时间和频域的分辨率达到最佳状态的条件。
但因其属于线性变换，且运算简单，比较适用于分析数据量大的信号。STFT 和谱图
的时频图如图 2-2，图 2-3 所示。其参数条件为：在采样频率为 Fs=500KHz 下，选取
8 跳即 f_set={50,75,100,125,150,125,100,75}KHz，跳速为 Rh=2000hop/s 且信噪比为
10dB 的信号进行分析。
基 于 STFT的 时 频 图 基于谱图变换的时频图

0.4 0.4

0.3 0.3

0.2 0.2
归 一 化 频 率 f/Hz
归 一 化 频 率 f/Hz

0.1 0.1

0 0

-0.1 -0.1

-0.2 -0.2

-0.3 -0.3

-0.4 -0.4

200 400 600 800 1000 1200 1400 1600 1800 2000 200 400 600 800 1000 1200 1400 1600 1800 2000
采样点数 n 采样点数 n

图 2-2 基于 STFT 的时频图 图 2-3 基于谱图变换的时频图

8
 跳频信号的检测与识别

§2.3.2 Wigner-Ville 分布

已知 Cohen 类二次型变换是通过约束积分核函数把很多双线性型变换统一用一
个表达式表示，其数学表达式为：
+ + +

C x(t , f ) =    x(u + 
− − −
2) x (u −  2) ( , v)e − j 2 (tv + f  −uv )dudvd （2-5）

其中，  ( , v) 为核函数。
特别地，当核函数  ( , v) 取 1 时，Cx(t,f)为 WVD 变换，即：
+

C WVD(t , f ) =  x(t +  ) x (t −  2)e − j 2 f  d


（2-6）
−

观察式（2-6）知，WVD 变换属于二次型函数，相对于 STFT，它的时频域都没

有采用加窗的处理方法，故不存在时频域分辨率不兼容的矛盾，且满足 Δt·Δf=1/2,
在干扰项为零，即只存在一个频率信号的情况下，表现出较好的时频分辨率。但当干
扰项不为零，即存在多分量信号时，由于不同信号间存在干扰，采取 WVD 变换法会
出现交叉项干扰的现象，致使图像模糊，如图 2-4 所示，且参数同上。
基 于 WVD的 时 频 图

0.45

0.4

0.35
归 一 化 频 率 f/Hz

0.3

0.25

0.2

0.15

0.1

0.05

0
200 400 600 800 1000 1200 1400 1600 1800 2000
采样点数 n

图 2-4 基于 WVD 的时频图

§2.3.3 PWVD 分布

为了克服 WVD 变换中的交叉项干扰问题，Barbarossa 在上世纪 70 年代提出了

PWVD 变换，定义信号 x(t ) 的 PWVD 变换为：
+  
PWVD s (t , f ) = − x(t + ) x (t − )h( )e d
 − j f
（2-7）
2 2
其中，h(t)为窗函数。从式（2-7）知，PWVD 是在式（2-6）基础上，对时域采用

9
 第二章 跳频通信系统概述

了加窗处理，使得频域平滑，从而减少交叉项干扰的影响。但这也意味着频率的分辨
率降低了，如图 2-5 所示，且参数同上。基于此，文献[26]定义信号 x(t)的平滑维格纳
变换（SPWVD）变换为：
+ +  
SPWVD s (t , f ) = − −
x(t − u + ) x (t − u − ) g (u )h( )e − j f dud （2-8）
2 2
其中，h(t)，g(t)均为窗函数。从式（2-8）知，SPWVD 是同时对频域和时域进行
了加窗的处理，从而能大幅度降低交叉项的干扰，如图 2-6 所示，且参数同上。虽提
高了时频的分辨率，但是也极大地增加了运算量，不易于实时性处理。
基 于 PWVD的 时 频 图 基 于 SPWVD的 时 频 图

0.45 0.45

0.4 0.4

0.35 0.35
归 一 化 频 率 f/Hz

0.3 归 一 化 频 率 f/Hz 0.3

0.25 0.25

0.2 0.2

0.15 0.15

0.1 0.1

0.05 0.05

0 0
200 400 600 800 1000 1200 1400 1600 1800 2000 200 400 600 800 1000 1200 1400 1600 1800 2000
采样点数 n 采样点数 n

图 2-5 基于 PWVD 的时频图 图 2-6 基于 SPWVD 的时频图

§2.3.4 分数阶傅里叶变换

分数阶傅里叶变换（FRFT）是在 FFT 的基础上的推广，FRFT 可看作在时间与

频率轴组成的二维平面内，坐标轴绕着原点逆时针旋转角度 α=pπ/2 后，由旋转角度
α 和分数域 u 构成的二维矩阵表示，如图 2-7 所示。
ω
ν

α t
0

图 2-7 (t,w)旋转角度 α 到(u,v)平面

信号 x(t)作 FRFT 得到的分数域信号为 Xα(u)：
+
X  (u) = − K  (u, t ) x(t )dt （2-9）

10
 跳频信号的检测与识别

式中，Kα(u,t)为 FRFT 的核函数，如式（2-10）所示：

 A exp[ j ((t 2 + u 2 cot  ) 2 − tu csc  )],   k

K  (u, t ) =  (u − t ),  = 2k （2-10）
 (u + t ),  = (2k  1)

式中，Aα=sqrt((1-jcotα)/(2π))。因此，将式（2-10）代入式（2-9）得：
 +
2 t

− x(t )e 2
j u cot  j ( t cot  −ut csc )
Ae 2 dt ,   k


X  (u ) =  x(t ),  = 2k （2-11）
 x(−t ),  = (2k  1)


从式（2-11）可知，当 α=π/2，即阶数 p=1 时，有：

1 +
X  (u) =
2  −
x(t )e − jutdt （2-12）

可观察到，此时 Xα(u)为傅里叶变换，且由式（2-11）知，α 只是三角函数的变量，

故以角度 α 为变量的 FRFT 的周期为 2π，因此只需研究 α∈(-π,π]区间的信号即可。
FRFT 具有如下基本性质：
（1）线性，满足叠加定理，假设时域信号 x1(t)和 x2(t)的 FRFT 变换分别为 Fpx1(t)
和 Fpx2(t)，则有：

F（a x1(t ) + b x 2(t )) = a F x1(t ) + b F x 2(t ) （2-13）

p p p

式中，a，b 均为复常数
（2）旋转相加性，信号 f(t)的 FRFT 的阶数 p 也符合叠加性的条件，即：

F 1F 2 = F 1 2 （2-14）
p p p +p

（3）交换性

F 1F 2 = F 2 F 1 （2-15）
p p p p

（4）结合性
p
F 3 = F（
（F 1F p2） p p1
F 2 F 3）
p p （2-16）

（5）时移性，假设信号 f(t)平移 τ 个单位得到 f(t-τ)，则 f(t-τ)的 FRFT 为：

F [ f (t −  )] = X p (u −  cos  ) exp( j  sin  cos  − j 2 u sin  ) （2-17）

p 2

（6）频移性，假设信号 f(t)的频移因子为 ρ，则 f(t)ejρt 的 FRFT 为：

F [ f (t )e ] = X p(u −  cos  )exp(− j sin  cos   2 − ju sin  ) （2-18）

p j t 2

（7）尺度特性

11
 第二章 跳频通信系统概述

1 − j cot  u
2
cos 
2
sin 
F (ct ) =
p
exp( j cot  (1 − )) X q (u − ) （2-19）
c − j cot  cos  c sin 
2 2
2

其中，c 是实数且 c≠0，β=arctan(c2tanα)=qπ/2。

FRFT 具有旋转角度特性，能够将在时频域不可分的信号，通过旋转角度 α，旋
转到尽可能区分的分数域平面，适用于处理非平稳特性的信号。

§2.4 本章小结

本章介绍了跳频通信系统的相关理论知识以及一些分析跳频信号的时频分析方
法。首先通过框图阐释了跳频信号的大致通信过程，接着介绍了其数学模型，以及给
出了影响跳频系统性能的几种主要参数；最后又介绍了几种适用于分析非平稳信号的
时频技术，分析并总结了这些方法的优缺点及适用场景。

12
 第三章 基于干扰剔除的跳频信号检测方法

第三章 基于干扰剔除的跳频信号检测方法

在第二章中，对跳频通信系统进行了概述，并且给出了适用于分析跳频信号的时
频技术，本章将结合时频技术，实现跳频信号的检测。基于§1.2.1 节的跳频信号检测
研究现状可知，针对复杂电磁环境下的跳频信号检测难度大的问题，主要是先对干扰
信号进行剔除，再通过提取特征量识别出跳频信号。文献[16]是首先采用时频域干扰
剔除的方法，接着通过提取信号的特征量进一步判定跳频信号。文献[17]是首先采用
图像的方法对干扰信号进行剔除，接着通过提取时频特征量来识别出跳频信号。文献
[18]提出了直接从干扰信号中提取跳频信号的方法，但其中心思想还是对干扰信号进
行剔除。由此可知，干扰剔除法在复杂环境的检测中起着重要的作用。而文献[15]采
用时频特性曲线的检测法，在强高斯白噪声的干扰环境下，能取得较好的检测概率，
同时算法的复杂度低。基于此，本章针对复杂电磁环境，在对干扰信号剔除的基础上，
结合时频特性曲线法，提出了一种基于干扰剔除的跳频信号检测方法，实验仿真表明，
该方法能够有效的检测复杂电磁环境下的跳频信号。

§3.1 跳频通信环境分析

在实际的跳频通信环境中，在一些公共频段尤其是 2.4G 频段，无线用户的大量

激增，使得这些频段变得日益拥堵。这时进行跳频通信，会存在着许多其它通信信号
的干扰，如在 2.4G 频段一般会存在如下信号：
（1）定频：在整段时间内，信号的频率不会随时间的改变而改变，且在时频图
上表现为直线，例如无人机的图传通信信号，典型的 wifi 信号。
（2）跳频：信号的频率会随时间的变化呈周期性变换，其频率由 PN 码控制，且
每个频点所持续的时间长度相同，在时频图上以一系列长度相同的频段相连的直线形
式呈现，例如无人机的飞控信号，蓝牙信号。
（3）突发信号：信号的出现时间不确定，在时频图上以一系列无规律的短直线
形式呈现。
（4）随机噪声：不同信道产生的噪声以及空域上的噪声，其覆盖的范围都比较
广，且幅度一般也会比信号的幅度要小，在时频图上以随机点的形式呈现。
当实际接收的跳频信号混合着以上干扰信号时，其时频图如图 3-1 所示。其参数
条件为：在采样频率为 Fs=200MHz 下，通过选取 10 个跳频序列点即频率集为
fk={96,76,52,38,78,48,44,56,40,50}MHz，频率间隔为 Δf=2MHz，跳周期为 Th=14ms 的
跳频信号进行分析；并且包含两个定频信号：f1=20MHz，f2=32MHz，一个短时突发

13
 跳频信号的检测与识别

信号：f3=15MHz，长度为 l=100 的干扰信号，采用谱图变换法且信噪比为 20dB。

原始信号的时频图

0.4

0.3

0.2

归 一 化 频 率 f/Hz
0.1

-0.1

-0.2

-0.3

-0.4

-0.5
500 1000 1500 2000 2500
采样点数 n

图 3-1 存在干扰信号的时频图
此时若直接采用文献[15]的时频特性曲线法提取信号的频率差分曲线，如图 3-2
所示，可看出在 SNR=20dB 的情况下，在没有剔除干扰信号的情况下，直接提取的差
分脉冲序列上的峰值点不再具有线性的规律性，这将致使检测性能严重下降。
x 10
6
D重 差 分 后 的 跳 频 脉 冲 序 列
15

10
频 率 f/Hz

0
0 500 1000 1500 2000 2500 3000
采样点数 n

图 3-2 存在干扰下的跳频频率差分脉冲

§3.2 基于干扰剔除的跳频信号检测

由§3.1 节知，在复杂的电磁通信环境下，如果直接采用时频特性曲线法，估计
性能将急剧下降，基于此，本小节将结合干扰剔除法，提出一种基于干扰剔除的跳频
信号检测法，其检测流程图如下图 3-3 所示。其检测过程为：首先对接收的混合信号
作谱图变换，再采用能量阈值的方法剔除定频和突发干扰，接着计算剔除干扰后的谱
图变换在每个时刻点的最大值对应的行即可得到时频脊线，再接着求其 D 重差分而
获得频率差分脉冲曲线图，最后提取它的峰值序列，此时根据跳频信号与其它调制信
14
 第三章 基于干扰剔除的跳频信号检测方法

号的峰值序列表现的特征差异识别出跳频信号。下面将从两方面介绍其检测的过程。

接收的时域信号 计算峰值个数

否
谱图变换 peak_num>0 定频信号

剔除定频和突发干扰 线性拟合

否
提取每个时刻最大值的纵 相对拟合偏差小于ε FSK信号
坐标，得到时频脊线图
是

计算时频差分序列的峰值
均值
D重差分

否
大于Fs/L LFM信号

跳频信号

图 3-3 基于干扰剔除的跳频信号检测流程图

§3.2.1 干扰信号剔除

由§3.1 节的信号特征分析知，不同的信号在时频域上表现为不同的特性，想要
从这些干扰信号中分离出跳频信号，可根据它们在时频面呈现的特性差异上进行干扰
信号的剔除。以下为§3.1 节提及的信号剔除方法的分析：
（1）定频信号：在频率一定时，从时域上看，该信号在连续很长的一段时间内
都会存在，较跳频信号在时域的持续时间相对比较长，因此，可以通过统计该信号在
每个频点的持续时间的长短 t 或能量来判定，即若时间长度 t 或能量大于预设门限值，
则可判定为定频信号，并将这个频点的值均置为 0，否则保持该频点的时频值不变。
（2）随机噪声：可通过设定幅度阈值，若大于幅度阈值，则可判定为存在目标
信号。
（3）突发信号：从时域上看，该信号只出现较短的时间，较跳频信号在时域持
续的时间相对较短，因此，可通过统计该信号在每个频点的持续时间的长短 t 或能量
来判定，即若时间长度 t 或能量小于预设门限值，则可判定为突发信号，并将这个频
点的值均置为 0，否则保持该频点的时频值不变。
采用§3.1 节的参数，通过设置能量门限值，即可消除定频和突发干扰，消除干

15
 跳频信号的检测与识别

扰信号的效果图如图 3-4 所示。

剔除干扰信号的时频图

0.4

0.3

0.2

归 一 化 频 率 f/Hz
0.1

-0.1

-0.2

-0.3

-0.4

-0.5
500 1000 1500 2000 2500
采样点

图 3-4 剔除干扰后的谱图

§3.2.2 时频特性曲线识别方法

上一小节介绍了复杂的电磁环境中，若跳频信号中出现其它干扰信号时，如何消
除干扰信号的方法，这时需要进一步判别出剔除干扰后得到的信号是否为跳频信号，
这就还需从常见的调制信号中识别出跳频信号。本文选用了常见的定频信号、FSK 信
号以及 LFM 信号进行分析，其参数设置为：定频信号的频率为 fd=8MHz，FSK 信号
的频率为 f1=12MHz，f2=17MHz，LFM 信号的起始频率为 fl0=2MHz，带宽 Bl=5MHz，
而跳频信号的参数则采用上节的。在对以上调制信号作时频变换，提取它们的时频脊
线并求频率差分曲线图时，可观察到各调制信号间的差异性，如图 3-5 所示。
D重 差 分 后 的 定 频 脉 冲 序 列
x 10
5
D重 差 分 后 的 FSK脉 冲 序 列
1
10

0.8
9

0.6
8

0.4 7

0.2 6
频 率 /Hz

频 率 /Hz

0 5

-0.2 4

-0.4 3

-0.6 2

-0.8 1

-1 0
0 1000 2000 3000 4000 5000 6000 0 1000 2000 3000 4000 5000 6000
采 样 点 数 /n 采 样 点 数 /n

（a）定频的频率差分脉冲图 （b）FSK 的频率差分脉冲图

16
 第三章 基于干扰剔除的跳频信号检测方法

x 10
5
D重 差 分 后 的 LFM脉 冲 序 列 6
D重 差 分 后 的 跳 频 脉 冲 序 列
x 10
10 8

9
7
8
6
7

6 5
频 率 /Hz

频 率 /Hz
5 4

4
3
3
2
2

1
1

0 0
0 1000 2000 3000 4000 5000 6000 0 500 1000 1500 2000 2500 3000
采 样 点 数 /n 采 样 点 数 /n

（c）LFM 的频率差分脉冲图 （d）跳频的频率差分脉冲图

图 3-5 不同信号的频率差分脉冲图
观察各个信号的频率差分脉冲图，定频信号表现为一条直线，无峰值点，可通过
判定峰值点来区分出定频信号，接着观察 FSK 信号或短时突发信号的频率差分脉冲
图，可看出其峰值点没有规律性，而从图 3-5（d）可看出跳频信号的峰值点具有线性
的特点，因此，可对峰值点采用如式（3-1）、（3-2）的线性拟合的方法，即：
K K K
K  xi y i −  xi y i
k= i =1 i =1 i =1
2
（3-1）
K K
K  x i2 − ( x i )
i =1 i =1

1 K K
b= ( y i − k  x i ) （3-2）
K i =1 i =1

y = kx + b （3-3）

式中，K 为峰值点 p(i=1,2,…,K)的个数，用第 i 个峰值点所在的位置表示横坐标

x(i)，用对应位置的峰值 p(i)表示纵坐标 y(i)，将其代入式（3-3）可求得拟合后的峰值
点。接着利用式（3-4）计算相对拟合偏差 ε。

 =sqrt ( sum(( ya − y1). / ya). ^ 2) / length( y1) （3-4）

式中，ya为原始峰值点，y1为拟合后的峰值点。
对拟合后的峰值点，可通过判定相对拟合偏差 ε 的大小，区分出 FSK 信号，这
里设定 ε=0.1。接着同时考虑 LFM 信号的峰值点也具有线性的特征，但认为 LFM 的
相邻频率差不大于频率分辨率，由此可区分出跳频信号。由文献[52]知，采用 D 重差
分能提高信噪比为 10log10(sqrt(D))dB，故本文采用 D 重差分法，如式：
D D −1
fre (i) = [ fre(i + j ) −  fre(i − j )] (2 D 2)
D
（3-5）
j =1 j =0

17
 跳频信号的检测与识别

式中，fre(i)表示第 i 个时刻点上的频率值。

§3.3 理论仿真及分析

实验参数设置：假设有一个跳频信号的采样频率为 Fs=200MHz，它的频率间隔
为 Δf=2MHz ， 跳 周 期 为 Th=14ms ， 本 文 选 取 10 跳 进 行 分 析 ， 即 频 率 集
fk={96,76,52,38,78,48,44,56,40,50}MHz；两个定频信号：f1=20MHz，f2=32MHz；一个
短时突发信号：f3=15MHz，长度为 l=100，采用谱图法，添加 SNR=[-10:1:10]dB 的
高斯白噪声。
复杂环境下的跳频信号检测性能曲线
1
本文算法
0.9 时频分析检测算法
时频特性曲线法
0.8

0.7

0.6
识别概率

0.5

0.4

0.3

0.2

0.1

0
-10 -8 -6 -4 -2 0 2 4 6 8 10
SNR/dB

图 3-6 基于干扰剔除的跳频信号检测曲线图
图 3-6 为存在其它电磁干扰时的跳频信号的检测概率随 SNR 变化的检测曲线图。
从图 3-6 看出，若采用文献[15]的时频特性的检测法，受干扰信号的影响，检测概率
几乎为零，在识别率为 100%时，所提检测方法的信噪比为 2dB，要比文献[16]基于时
频分析的检测算法的信噪比低 2dB，仿真表明本文所提的检测方法要比基于时频分析
的检测算法和时频特性曲线法的性能要好。

§3.4 本章小结

本章针对复杂电磁环境下，时频特性曲线法的估计性能严重下降的问题，提出了
一种基于干扰剔除的跳频信号检测方法，首先根据各个信号间的时频域的差别采用干
扰剔除法对干扰信号进行剔除，接着采用时频特性曲线法，根据各信号在频率差分脉
冲的峰值序列的特征差异将跳频信号从其它调制信号中识别出来。最后，通过仿真表
明，与时频分析检测算法和时频特性曲线法相比，所提方法要具有更好的检测性能。

18
 第四章 跳频信号的参数估计

第四章 跳频信号的参数估计

第三章阐述了实现跳频通信信号的检测方法，对于非合作接收来说，更希望能够
了解信号的参数以更准确的判断信号类型，基于此，本章将分别研究快、慢速跳频信
号情况下的跳周期、跳变时刻及频率集这三个参数的估计方法。首先，针对现有慢速
跳频的参数估计方法存在运算量大的问题，提出了一种基于抽取因子的时频脊线拼接
法，极大降低了算法运算量，并分析了不同抽取因子对参数估计精度的影响；接着对
其存在碰撞频点及跳频点丢失的情况展开了分析，提出一种频点纠正法，实现了跳频
点丢失后的参数估计；最后针对传统时频分析算法对相邻频率间隔不大时估计性能较
差的问题，在文献[34]基础上，提出了一种基于 FRWT 的跳周期估计方法，并分析和
对比了这两种方法的性能。

§4.1 基于时频分析的高速跳频信号参数估计

§4.1.1 基于最大值的跳频参数估计

（1）跳周期：信号 x(t)的 STFT 变换为二维矩阵 tfrstft(m,n)，计算二维矩阵

tfrstft(m,n)在每个时刻点的最大值，得到曲线 y(n)，如图 4-1 所示，观察图 4-1 知，y(n)
曲线表现为周期性，对 y(n)作 FFT，即 Y=fft(y(n))，计算 max(Y)对应的频率位置 f，即
为跳速 Rh，则可计算出跳周期为 Th=1/Rh。
最 大 值 矢 量 y(n)
10

8
幅度

4
0 500 1000 1500 2000 2500 3000
采样点数

图 4-1 最大值矢量 y(n)

（2）跳变时刻：从图 4-1 看出，曲线 y(n)中相邻峰值点的间隔即为跳频周期，且
峰值点对应载波变化的时刻，即为跳变时刻点，设起跳时间点为 n̂ ，由式（4-1）即

19
 跳频信号的检测与识别

可计算第一个峰值点的平均位置 p̂ 。

P ( P − 1)* P * T h * F s 
pˆ a =  p(m) −  P （4-1）
 m=1 2 

式中，p(m)是由峰值点组成的序列，P 为峰值个数，Fs 为采样频率。

则可由式计算第一个跳变的时刻点 n̂ ：
 pˆ  − 3 Nˆ H 2, 3Nˆ H 2  pˆ   2 Nˆ H
nˆ  =  （4-2）
 pˆ  − Nˆ H 2, Nˆ H 2  pˆ   3Nˆ H 2

式中： Nˆ H = T h * F s 为跳周期长度的点。
（3）频率集：由式（4-1）、
（4-2）已估计出跳周期和跳变的时刻点，接着对每一
频率值，将每个跳周期内的 tfrstft(m,n)值累加，最后通过计算使得累加值最大对应的
频率行，即为该跳周期对应的频率值。如式（4-3）所示。
nˆ  + ( l +1) N H
fˆ l = arg max{
xk

n = nˆ  + l N H
tfrstft (m, k )}  F s (2 N ), l = 0,1, , N s −1 （4-3）

式中，k 为时刻点，Ns 为跳频点数。

§4.1.2 基于时频脊线的参数估计

基于最大值提取的方法易受噪声的影响，在低信噪比下，估计的参数性能严重下
降，由此文献[28]采用了基于时频脊线的参数提取法。其提取步骤为：
（1）首先获得数据长度为 L 的信号 x(t)的 STFT 变换为二维矩阵 tfrstft(m,n)，计
算 tfrstft(m,n)在每个时间点上使得 tfrstft(m,n)值最大对应的频率所构成的向量，即时
频脊线 loc(n)，如式（4-4）：

loc(n) = arg max n{tfrstft (m, n)} F s N （4-4）

式中，N 为数据长度，Fs 为采样频率。

（2）首先对 loc(n)作 Haar 小波变换，得到 cwt_loc(n)，接着去掉直流成分并求其
绝对值，得到 abs(cwt_loc(n))，最后对 abs(cwt_loc(n))作 FFT，可估计出跳速 Rh，则
跳周期为 Th=1/Rh。
（3）对 loc(n)求一阶差分而得到瞬时频率差分脉冲 d1(n)，通过计算 d1(n)的峰值
点而获取的峰值序列即为跳变时刻点。若存在许多毛刺，可采用自适应的门限法进行
消除。
abs(diff (loc(n))), abs(diff (n))  th
d 1(n) =  （4-5）
0, abs(diff (n))  th

20
 第四章 跳频信号的参数估计

式中，th 为设定的阈值。
（4）求每个周期内 loc(n)的均值，即为对应的跳内的频率值。

§4.1.3 实验仿真及分析

实 验 参 数 设 置 ： 在 采样 频 率 为 Fs=200MHz 下 ， 本 文 选 取 10 个 跳 频 点 即
fk={96,76,52,38,78,48,44,56,40,50}MHz 进行分析，且其频率间隔为Δf=2MHz，跳周期
为 Th=14ms，信噪比为 SNR=[-10:3:30]dB。
跳周期估计性能曲线 频率集参数估计性能曲线
5 0
10 10
基于最大值 基于最大值
基于时频脊线 基于时频脊线

0
10
-1
10

相对误差
相对误差

-5
10

-2
10
-10
10

-15 -3
10 10
-10 -5 0 5 10 15 20 25 30 -10 -5 0 5 10 15 20 25 30
SNR/dB SNR /dB

（a）跳周期估计性能对比图 （b）频率集估计性能对比图
图 4-2 两种方法的估计性能对比图
从图 4-2 知，采取时频脊线的提取法估计的跳周期要比采用最大值法提取的跳周
期要更准确，在相对误差值为 10-15 左右，采用时频脊线法的信噪比为-4dB，比采用
基于最大值法的 SNR 要低 9dB，且比较图 4-2（b）知，在相对误差值为 10-2 时，采
用时频脊线法的 SNR 为-2dB，比采用最大值法的 SNR 要低 6dB 左右。由此知，时频
脊线法的参数估计法要比最大值法的估计性能要更好。

§4.2 基于时频脊线拼接的慢速跳频信号参数估计

跳频信号根据跳速的大小又可划分为快跳频和慢跳频两种，一般快速跳频的跳速
在 1000（hop/s）以上，而低速跳频的跳速为每秒几百跳以下。当信号为低速跳频时，
采样点数巨大，若直接采用上节的方法作时频变换，算法的运算量非常巨大，而不适
用于处理慢速跳频的参数估计。针对这一问题，文献[32]采用 STFT-SPWVD 结合的
方法，先采用 STFT 法粗略估计出跳时，接着采用分段法估计出频率，再利用 SPWVD
法精确估计跳时和跳周期。该方法在粗估计时，仍是直接进行时频变换，并没有解决
运算量的问题；文献[31]中对时域信号采用重叠的分段法进行分段，并对每段数据作
重排 Gabor 变换，然后拼接成时频脊线图，并给出了参数估计性能仿真图，该方法解
21
 跳频信号的检测与识别

决了巨大的数据量问题；文献[18]和[28]采用了重叠加窗的最大值拼接法，对分段信
号作时频变换，实现了数据量巨大时的跳参数估计，但没有给出不同信噪比下的参数
估计性能仿真图。
综上所述，针对慢速跳频信号数据量巨大，导致参数估计困难的问题，鉴于上一
小节的仿真表明时频脊线法比最大值法的参数估计性能更好，结合文献[18]和文献[31]
所提的算法，本章将最大值拼接法替换成时频脊线拼接法，并采用不重叠分段法，即
采用非重叠分段的时频脊线拼接法来实现参数的估计。进一步，考虑到数据量巨大时
分段数多，虽能实现参数估计，但是算法量仍很大，因此从降低运算量角度出发，本
章采用基于抽取因子的时频分析法，并分析了抽取因子对参数估计性能的影响。

§4.2.1 参数估计的方法

关于窗口的选取，在仿真实验中，发现是否采用重叠窗，对于时频脊线拼接法的
性能没有多大的影响，如图 4-3 所示，其中，由于时频矩阵运算复杂度比较高，不宜
选用过大的时频窗，因此本文采取的时频窗长为 L=4096。为了减少程序运行时间，
故在本文采用非重叠窗口的时频脊线拼接法。其思想为：首先，对时域信号采用不重
叠分段法对信号进行分段，接着对每一分段作基于抽取因子的谱图变换，并将每段求
得的时频脊线拼接起来。观察其拼接的时频脊线图可知，和常规的获取的时频脊线图
是一样的，但会出现一些干扰的脉冲。因此，通过计算拼接的时频脊线的一次差分，
便能提取到跳变时刻的参数特征，接着对跳变点作一阶差分，并取其均值，则可估计
出跳周期。而对于频率集估计，由于是慢跳频信号，在时频窗长为 4096 时，在这个
窗长内仅存在一个频率值，此时干扰项为零，采用 WVD 变换能够获得较高的时频分
辨率。并且可根据估计的跳变时刻，计算出存在的频点数。因此，通过对每个跳周期
内的频率进行估计，即可求出跳频集，如式(4-6)所示：
Nt
fˆ i = arg max n{WVD(m, n)} F s N （4-6）
m =1

式中，Nt 为时间向量长度，Fs 为采样频率，N 为频率点数。

§4.2.2 抽取因子对参数估计性能的影响

针对§4.2.1 节的方法，虽然比最大值拼接法的运算量相对降低了，但是取时频
窗长 L=4096 时，对信号作非重叠加窗的时频技术进行分析，其运算量还是相对比较
大，因此在这基础上探讨取不同抽取因子时的参数估计效果。由式（2-14）知 STFT
的离散数学表达式为：

22
 第四章 跳频信号的参数估计

N −1 2
tfrstft (n, k ) =  x(n)h(n − i )e − j N ik , k = 0,1, , N −1 （4-7）
i =0

设抽取因子为 d，已知时刻点为 n，则有 n=l×d，故式（4-7）可改写成基于抽取

因子的时频变换公式为：
N −1 2
tfrstft (l , k ) =  x(ld )h(n − i )e − j N ik , k = 0,1, , N −1 （4-8）
i =0

对应的基于抽取因子 d 的谱图变换 tfrsp(l,k)为：

2
tfrsp (l , k ) = |tfrstft (l , k )| （4-9）

从式（4-8）知，当采用抽取因子 d 时，能将 M×N 维的时频矩阵降低为 M×N/d

的时频矩阵，当抽取因子 d 越大，算法的复杂程度降低的程度越大。针对本文的跳变
时刻点估计，在利用式（4-8）估计得到的跳变点 d_time 需乘以抽取因子 d，才为真
正估计的跳变点 hop_time。假设实际的跳变点为 real_time，则相对差值Δ为：
=abs(hop _ time − real _ time)
=abs(d _ time − real _ time d )  d （4-10）
= cd
其中，令 c=abs(d_time-real_time/d)，且 c 为常数，从式（4-10）知，参数的估计
准确率与抽取因子 d，常数 c 相关。若忽略常数 c 的变化，即当抽取因子 d 取得越大，
相对差值越大，估计准确率越低。

§4.2.3 理论仿真与分析

实验参数设置：在采样频率为 Fs=200MHz 下，在这里选用了 5 个跳频点，即

fk={40,56,78,34,80}MHz 进行分析，且频率间隔为Δf=2MHz，跳周期为 Th=14ms，时
频窗长为 win_len=4096，抽取因子为 M={8,16,32,64}，根据这些参数，分别进行了在
抽取因子改变下，基于重叠加窗和非重叠加窗的时频脊线拼接法的参数估计性能对比
的实验 A 和基于非重叠加窗的时频脊线拼接法和重叠加窗的最大值拼接法的参数估
计性能对比的实验 B。
实验 A：为了比较是否重叠分段及不同抽取因子对参数估计性能的影响，这里采
用上述参数进行理论仿真对比实验，其参数估计结果如图 4-3 所示。
如图 4-3 所示，re-M 表示采用重叠窗口，抽取因子为 M 的参数估计性能曲线，
Non-M 表示采用非重叠窗口，抽取因子为 M 的参数估计性能曲线。从图 4-3 中可看
出，在相同的抽取因子下，采用非重叠窗口的估计性能要优于基于重叠窗口的，而且
选取的抽取因子 M 越大，跳变时刻点的估计性能将会越差。实验仿真表明，基于非
重叠窗口的时频脊线拼接法的参数估计性能和基于重叠窗口的性能相差不大，但算法
23
 跳频信号的检测与识别

复杂度要比基于重叠窗口的算法低，故本文采用非重叠分段的时频脊线拼接法。
跳周期估计性能曲线 0 跳变时刻参数估计性能曲线
0 10
10
re-64
Non-64
re-32
-2
10 Non-32
-10 re-16
10
Non-16
re-8
相对误差

相对误差
-4 Non-8
10
re-64
-20 Non-64
10 re-32
Non-32 -6
10
re-16
Non-16
-30 re-8
10 Non-8 -8
10
-5 0 5 10 15 20 25 30 -5 0 5 10 15 20 25 30
信噪比SNR/dB 信噪比SNR /dB

（a）跳周期估计性能曲线图 （b）跳变时刻估计性能曲线图
0
频率集参数估计性能曲线
10
re-64
Non-64
re-32
Non-32
-1 re-16
10
Non-16
re-8
相对误差

Non-8

-2
10

-3
10
-5 0 5 10 15 20 25 30
信噪比SNR /dB

（c）频率集估计性能曲线图
图 4-3 影响时频脊线法估计性能参数分析图
实验 B：利用上述参数设置，进行非重叠分段的时频脊线拼接法和最大值法拼接
的理论仿真的参数估计对比实验，如下图 4-4 所示。
5 跳周期估计性能曲线 频率集参数估计性能曲线
10 0
10
M=16+loc M=16+loc
M=32+loc M=32+loc
0 M=64+loc
10 M=64+loc
M=16+max M=16+max
M=32+max -1 M=32+max
M=64+max 10
-5 M=64+max
10
相对误差

相对误差

-10
10
-2
10
-15
10

-20 -3
10 10
-5 0 5 10 15 20 25 30 -5 0 5 10 15 20 25 30
信噪比SNR/dB 信噪比SNR /dB

（a）跳周期估计性能曲线图 （b）频率集估计性能曲线图

24
 第四章 跳频信号的参数估计

1 跳变时刻参数估计性能曲线
10
M=16+loc
0 M=32+loc
10
M=64+loc
-1 M=16+max
10 M=32+max
M=64+max
-2
相对误差

10

-3
10

-4
10

-5
10

-6
10
-5 0 5 10 15 20 25 30
信噪比SNR /dB

（c）跳变时刻估计性能曲线图
图 4-4 时频脊线拼接法和最大值拼接法的参数估计性能对比图
从图 4-4 中可看出，在低信噪比下，基于时频脊线拼接的估计精度要优于最大值
拼接法。在本例仿真中，对于跳周期的估计，不同的抽取因子对基于时频脊线拼接法
的估计性能几乎不受影响，但在高信噪比下的估计精度要稍微低于最大值拼接法，主
要是最大值拼接法的估计精度在很大程度上依赖于阈值的选取；对于频率集及跳变时
刻的估计，在相对误差值保持稳定的转折点处，时频脊线拼接法的 SNR 要比最大值
拼接法低 5dB 左右。仿真结果表明了基于时频脊线拼接法在牺牲一些在高信噪比上
的跳周期的估计精度的情况下，相对于最大值拼接法，其算法的复杂度减少了，且估
计精度提高了。

§4.2.4 基于实测无人机数据的算法验证

为了验证算法的有效性，在户外搭建了接收无人机跳频信号的硬件采集系统，进
行了数据的采集，本次实验就实际采集的司马航模 X8HW 无人机的数据在 MATALB
软件上进行数据处理。为了更直观的反映算法的对比性，本文在实测数据的基础上，
添加了 SNR=[-5:5:30]dB 的高斯白噪声。
0 跳周期估计性能曲线 -2 频率集参数估计性能曲线
10 10
M=64+max M=64+max
M=32+max M=32+max
M=16+max M=16+max
-1
10 M=8+max M=8+max
M=64+loc -3 M=64+loc
10
M=32+loc M=32+loc
M=16+loc M=16+loc
相对误差

相对误差

-2 M=8+loc M=8+loc
10

-4
10
-3
10

-4 -5
10 10
-5 0 5 10 15 20 25 30 -5 0 5 10 15 20 25 30
信噪比SNR/dB 信噪比SNR /dB

（a）跳周期性能估计曲线图 （b）频率集估计性能曲线图

25
 跳频信号的检测与识别

0
跳变时刻参数估计性能曲线
10
M=64+max
M=32+max
M=16+max
M=8+max
-1 M=64+loc
10
M=32+loc
M=16+loc
相对误差

M=8+loc

-2
10

-3
10
-5 0 5 10 15 20 25 30
信噪比SNR /dB

（c）跳变时刻的估计性能曲线图
图 4-5 基于实测数据下的参数估计性能图
从图 4-5 中可知，在低信噪比下，时频脊线拼接法的参数估计要优于最大值拼接
法，对于跳周期估计，从图 4-5（a）知，基于时频脊线拼接法的估计性能具有相对的
稳定性，而对于最大值拼接法，当 M=16 时，其估计性能要优于 M=8 时的，表明了
基于最大值拼接法的跳周期估计并不随 M 的变化而呈现规律变化，且当 M=64 时，
在相对误差值保持稳定的转折点处，基于时频脊线拼接法的 SNR 要比最大值拼接法
低 10dB 左右，其它 M 值下，则低 5dB 左右，与理论仿真大体相似；对于频率集和
跳变时刻的估计，从图 4-5（b），
（c）知，在对应的抽取因子 M 值下，在相对误差值
保持稳定的转折点处，基于时频脊线拼接的 SNR 要比最大值拼接法低 5dB 左右，与
理论仿真大体相似。

§4.3 基于频点纠正的跳丢失参数估计

考虑在实际的接收环境中，可能会因为某些原因，没有接收到某跳数据，即存在
跳丢失的情况。当存在跳频点丢失时，若直接进行参数提取，获取的频率集将是一个
错乱的频率序列，从而无法获得正确的跳频图案，这对于非合作接收来说，是一个需
要解决的难点。若是同时考虑频点碰撞和慢速跳频的问题，更是加大了估计参数的难
度。
因此，本节对跳频信号中存在跳丢失的情况，研究了一种频点纠正法，通过纠正
频点的顺序，从而获得正确的跳频图案，并通过仿真分析了频点纠正法的估计性能。
针对数据量的问题，§4.2.2 节中讨论了不同抽取因子对信号参数估计的影响，若能
对慢速跳频信号也采用抽取因子的时频法，则能将快速跳频信号中处理频率碰撞的方
法也应用到慢速跳频信号上，故本节采用基于抽取因子的时频变换。

§4.3.1 只存在跳丢失时的参数估计
26
 第四章 跳频信号的参数估计

对于跳丢失的检测，主要是先采用阈值法将存在跳频点丢失的时间段的数据置为
零，再直接进行参数估计，且经分析知，跳丢失的存在仅影响频率集的估计，故通过
纠正跳频点，即可获取正确的跳频图案，其原理框图如图 4-6 所示。
阈值处理 采用时频脊线法估计 采用频点纠正
接收的时域跳 作基于抽取因
出频率集、跳周期及 法，纠正频率 完成参数估计
频信号 子的时频变换
跳变时刻 集

图 4-6 基于跳丢失的参数估计原理框图
这里将对频点纠正法作进一步介绍，如图 4-7 所示的频点纠正流程图。其纠正过
程为：在已经估计出频率集的情况下，首先找出重复跳频点，只取后续出现重复数的
位置，若存在连续的重复点，只取第一个点作为重复点；接着以每个重复点作为分段
点，分成两段。在分段前，首先将第一个分段前的频率点存放在临时数组中，接着若
分段前对应的重复位置的前一个值与后一段对应的位置的值相等且分段前对应的重
复位置的值与后一段对应的位置的值相等，则可将后一段对应位置的值保存在临时数
组的对应位置上并将此值保存到数组中，否则将未分段前对应重复位置的值保存到临
时数组的对应位置。若最后判断出临时数组的长度为零，则可直接将后一段对应位置
到段尾的值直接赋值给数组。在遍历完所有重复跳后，找出数组中的非零值，即可完
成跳频点的纠正。

假设已估计出频率，对频
率序列loc进行分析

找出重复数的位置，并统
计数目，若连续则只取连
续段的第一个位置
in={in1,in2, ,inM}

取出位置ii
令a22=loc(in(ii):end)
In1=find(loc==a22(1))
将a22保存到a4 保持a4不变

是
否
ii=1
length(a3)=0
否 是

令j=in1(1)，且令临时数组
令j=in1(1)
a3(1:in1(1)1)=loc(1:in1(1)-1) a3(i)=a22(yy)
a3(i)=loc(i)
并将a3保存到a4数组中

是
ii<=num 否
loc(i)-a22(yy)~=0且
loc(i-1)-a22(yy-1)=0
否
是
计算a22的长度L_len,
输出数组a4
令i=j:L_len,yy=i-j+1

图 4-7 频点纠正流程图

27
 跳频信号的检测与识别

下 面 将 结 合 图 4-8 为 例 说 明 频 点 纠 正 的 过 程 ， 假 设 有 一 个 跳 频 序 列 为
A={96,76,52,58,78,48,44,36,40,50}，假设在接收了两个周期长的跳频序列后，丢失了
第 3，6，11 跳，并且假设在这个接收序列的时间内中包含所有的频率，即用
B={96,76,58,78,44,36,40,50,76,52,58,78,48,44,36,40,50}表示。
96 76 52 58 78 48 44 36 40 50 一个完整的跳频序列

96 76 58 78 44 36 40 50 76 52 78 48 44 36 40 50

比较 位置i(i>=j) 第3,6,11跳丢失

76 52 78 48 44 36 40 50 第一个重复位置的分段

位置i-j+1

图 4-8 跳频点丢失时的纠正示意图
想要获得丢失的跳频点，首先找出连续的位置，且只取后面跳重复的位置，即
a=[9,11,12,14,15,16,17]，对于连续重复的位置只取首个位置，即 a=[9,11,14]，由此可
判断接收的跳频序列出现了三个跳频点丢失，接着对于每个重复跳，查找跳丢失点的
位置，并将其补到正确的位置。设向量 a22=B(a(i):end)，首先找出第一个出现重复点
的位置，赋值给变量 j，将未出现重复的跳保存在向量 a3 中，同时令 i=j:1:length(a22)，
作为原序列的重复点位置，而(i-j-1)则为第二个分段的首个位置，若 B(i)- a22(i-j-1)≠0
且 B(i-1)-a22(i-j+1-1)=0 成立，则可将后一个值赋值给向量 a3 的第 i 个位置上，同时
将向量 a3 赋值给向量 a4，否则将前一个值赋给向量 a3 的第 i 个位置，最后判断向量
a3 的值是否为空，若为空集，则将向量 a22 的值赋给向量 a4。在遍历完所有重复跳后，
找出向量 a4 中的非零值，即可完成跳丢失点的补齐。

§4.3.2 同时存在跳丢失和频点碰撞时的参数估计

当通信环境比较恶劣时，接收的数据中很有可能同时存在跳频点碰撞和跳频点丢
失的情况，故本节将针对这一情况进行研究。由上面小节单独分析了存在跳频丢失情
况时的参数估计知，若直接进行参数估计，由于频点的丢失，会导致估计的频率集会
出错，需要对频点进行纠正，才能得到正确的跳频图案。而对于频点碰撞的情况，文
献[18]采用先剔除定频干扰，后针对被同时剔除的频点进行频点重构，从而实现了存
在碰撞频点的情况的参数估计。由此可先根据求频率碰撞时的情况的方法估计出参数，
然后对频率序列进行纠正即可完成同时存在频点碰撞和跳丢失情况的参数估计。

28
 第四章 跳频信号的参数估计

阈值处理 作基于抽取因子
接收的时域跳
的时频变换，并 剔除定频干扰 对时频脊线进行重构
频信号
提取时频脊线

采用频点纠正 采用时频脊线法估计
完成参数估计 法，纠正频率 出频率集、跳周期及
集 跳变时刻

图 4-9 存在跳丢失和频点碰撞时的参数估计原理框图
存在跳丢失和频点碰撞时的参数估计原理框图如图 4-9 所示，由于上一小节已经
对跳丢失的情况作了介绍，这里主要介绍频点碰撞时的情况。在实际的通信频段中，
尤其一些公用频段，会存在一些同频干扰信号，甚至会同跳频信号的某几个频点出现
同频的情况，这里主要考虑定频信号的干扰。由第三章知，若直接剔除掉干扰信号，
那么也会造成该频点的缺失，如图 4-10 所示。
x 10
7
剔除定频后的时频图
10

6
频 率 f/Hz

0
0 500 1000 1500 2000 2500
采样点数 n

（a）接收的时频图 （b）剔除定频的时频图

x 10
7
被干扰的时频脊线
10

6
频率

1
0 500 1000 1500 2000 2500 3000
采样点数

（c）频点碰撞的时频脊线 （d）重构后的时频脊线
图 4-10 频点碰撞图
从图 4-10 看出，第 8 跳受到了定频信号的干扰，在利用剔除法去除定频信号时，
发现第 8 跳也被错误的剔除掉了，如果直接进行后续的参数估计步骤，其估计精度必
然会严重降低。

29
 跳频信号的检测与识别

针对该问题，若能检测出该剔除掉的跳频点所在位置，再根据未剔除定频信号前
该频点占据的能量相比其它频点占据的能量是最大的而定位出该频点，则可将该频点
还原。其思想为：观察图 4-10（c），在对时频脊线图作差分后，从发生碰撞的频点的
位置看，它的跳变脉冲要明显的比其它没有发生碰撞的频点所处的位置的脉冲要密集，
因此，通过判断跳变脉冲之间的间隔与跳频周期的大小，即可判断出发生频率碰撞的
初始时刻和末端时刻。考虑到在碰撞的频点位置，由于会受到两端的频点影响，受碰
撞的频点所占的位置会变小，直接从时频脊线的突变点上估计跳变点会存在较大的误
差。因此，采用先求取碰撞中心点，再减或加跳周期的一半长度作为碰撞的初始时刻
和末端时刻。对于求碰撞的频点，在未剔除干扰信号前，该碰撞频点的能量明显的要
比该跳范围内的其它频点的能量值要大，因此可统计每个频点，在该跳范围内的能量
值的累加和，找出能量和最大的行，则为对应的碰撞频点。最后，将缺失的频点补到
时频脊线上，得到新的完整时频脊线图，如图 4-10（d）所示。检测步骤为：
（1）由式（4-8）对信号 x(t)作抽取因子为 d 的 STFT，得到 tfrstft(l,k)；
（2）计算 tfrstft(l,k)在每个时间点上使得 tfrstft(l,k)值最大时对应的频率所构成的
向量，即为时频脊线 loc(l)，接着对 loc(l)作一阶差分并取绝对值，得到 y=abs(diff(loc(l)))，
最后通过设置阈值找出脉冲比较密集的时间段，从而可求取出发生碰撞频点的时间段
[ai,bi]；
（3）计算碰撞频点的中心点：

c i = (a i + bi ) 2 （4-11）

（4）对时间段[ai,bi]内，计算每个频率点的能量和 Eij：

E ij = sum[tfrstft ( j, ai : bi)],1  j  N f （4-12）

式中，Eij 为第 i 个时间段内的第 j 个频点的能量和，Nf 为频点数。

（5）找出该时间段内使得能量和 Eij 最大时对应的频点，即为被碰撞的频点：

fˆ i = arg max j[ E ij ] F s N f （4-13）

（6）将时频脊线位置[ci-Th/2,ci+Th/2]上的值 loc(l)用 fˆ i 代替，即可得到完整的时

频脊线。
在利用上述步骤完成时频重构后，采用时频脊线法进行参数估计，此时已经解决
了频点碰撞的问题，接下来则采用上一节的频点纠正法，对估计出的频点进行纠正，
即可完成参数的估计。
仿 真 条 件 ： 设 有 一 个 跳 频 信 号 的 采 样 频 率 为 Fs=200MHz ， 选 取 频 率 集
fk={96,76,52,58,78,48,44,36,40,50}MHz 共 10 跳进行分析，频率间隔为Δf=2MHz，跳
周期为 Th=14ms，并且认为是整个跳频序列，设接收时长为 280ms，且包含了所有频
率点。对只存在跳丢失频点的情况，跳丢失点为第 3，6，11 跳，在跳丢失的基础上，
30
 第四章 跳频信号的参数估计

对于只存在一个频率碰撞点的情况，设频率碰撞点为第 8 跳；对于存在两个碰撞点的
情况，设碰撞点为第 5 跳和第 8 跳，仿真次数为 100 次。
5
跳周期估计性能曲线
10
无碰撞
一个频率碰撞
0 两个频率碰撞
10
只存在跳丢失
跳 丢 失 +一 个 频 率 碰 撞
跳 丢 失 +两 个 频 率 碰 撞
-5
10
相对误差

-10
10

-15
10

-20
10
-5 0 5 10 15 20 25 30
SNR/dB

图 4-11 跳周期估计性能曲线
图 4-11 为当存在跳丢失及又同时存在频率碰撞情况下的跳周期估计相对误差值
随 SNR 的变化性能曲线图。从图 4-11 看出，当只存在跳丢失时，其相对误差值保持
在 10-15 左右，同不存在碰撞频点时的相对误差值相等，可知当只存在跳频点丢失的
情况时，并不影响跳周期的估计，当同时存在跳频点丢失和一个碰撞频点时，在 SNR
≤4dB 时，已经无法估计出跳周期，在 SNR≥7dB 时，曲线才保持平稳，其相对误差
值要稍微比只存在跳频点丢失的情况高一点，在跳频点丢失的基础上，两个频率碰撞
点的曲线变化情况与仅有一个碰撞频点的大体相同，同时只存在频点碰撞的估计性能
优于同时存在频点碰撞和频点丢失的性能，主要是因为后者的估计性能依赖于前者的
估计性能。
跳频频率集参数估计性能曲线

无碰撞
一个频率碰撞
两个频率碰撞
10
0
只存在跳丢失
跳 丢 失 +一 个 频 率 碰 撞
跳 丢 失 +两 个 频 率 碰 撞
相对误差

-1
10

-2
10

-3
10
-5 0 5 10 15 20 25 30
SNR/dB

图 4-12 频率集估计性能曲线图
31
 跳频信号的检测与识别

图 4-12 为当存在跳丢失及又同时存在碰撞频点情况下的频率集估计的相对误差
值随 SNR 变化的性能曲线图。从图 4-12 看出，对于只存在频点碰撞的情况，在信噪
比为[-5:3:20]dB 时无频点碰撞的相对误差值保持在 10-2.3 左右，对于只丢失跳频点的
情况，在 SNR=-5dB 时，其相对误差值为 10-2.3 左右，在 SNR＞5dB 时，能够完全估
计准确，比无频点丢失和频点碰撞的情况的性能要好，主要是在处理过程中，对频率
值进行了取整操作。对于存在频点丢失和一个碰撞频点的情况，在 SNR=4dB 处为拐
点，SNR≤4dB 几乎无法估计出频点，在 SNR＞4dB 时，曲线趋于平稳。而对于出现
两个碰撞频点时，此时跳频点丢失率为 15% ，碰撞频点率为 10% ，估计性能已经严重
恶化，SNR≥22dB 时，曲线才趋于平稳。
跳频跳变时刻参数估计性能曲线

1
无碰撞
10 一个频率碰撞
两个频率碰撞
只存在跳丢失
0
10 跳 丢 失 +一 个 频 率 碰 撞
跳 丢 失 +两 个 频 率 碰 撞

-1
相对误差

10

-2
10

-3
10

-4
10
-5 0 5 10 15 20 25 30
SNR/dB

图 4-13 跳变时刻估计性能曲线图
图 4-13 为当存在跳丢失及又同时存在碰撞频点情况下的跳变时刻估计的相对误
差值随 SNR 变化的性能曲线图。从图 4-13 看出，对于只存在跳频点丢失的情况，在
SNR≥-5dB 时其相对误差值保持在 10-3 左右，和不存在频点丢失的估计性能情况差
不多；对于存在频点丢失和一个碰撞频点的情况，在 SNR=4dB 处为拐点，SNR≤4dB
几乎无法估计出跳变点，在 SNR>4dB 时，曲线趋于平稳。而对于出现两个碰撞频点
时，此时跳频点丢失率为 15%，碰撞频点率为 10%，估计性能严重恶化，SNR≥22 dB
时，曲线才趋于平稳。

§4.4 基于 FRWT 的跳频周期估计

上述的时频方法对频率间隔比较大的跳频序列能够完成参数的估计，但是在跳频
序列中的相邻跳的频率间隔相差比较小时，采用传统时频分析法进行参数估计，由于
其分辨率不高的问题，导致估计的性能严重下降[28]。基于此，文献[34]首先通过小波
32
 第四章 跳频信号的参数估计

变换（WT）对跳频信号进行去噪，再结合希尔伯特-黄变换（Hilbert-Huang transform，
HHT）对去噪后的跳频信号进行 Hilbert 谱分析，从而获取跳频参数的方法，能够解
决时频分辨率缺陷的问题。因此，本节将在文献[34]上，针对跳频序列中的相邻跳频
率间隔相差不大时，研究分数阶小波变换（FRWT）和 HHT 结合的方法在估计跳频
参数上的性能提升。

§4.4.1 FRWT 理论知识

FRWT 是分析信号特征的一种新的时频方法，它解决了 FRFT 只能全局化分析信

号的问题，且把 WT 的多分辨率的特性引入到 FRWT 中，使得 FRWT 同时具备 FRFT
和 WT 的优点，因此目前已被应用于信号检测，图像处理等方面。目前关于 FRWT 的
定义主要有三种[56]：第一种是将 FRFT 和 WT 相结合的 FRWT；第二种是通过设计分
数阶函数来构造小波基函数的 FRWT，比较常用的 WT 是样条小波变换；第三种是
FRFT 和 WT 相融合的形式，将多分辨率特性和正交小波引入到 FRFT 的核函数中，
本文采用的是第一种方法。
对于信号 x(t)的 FRWT 的定义如式：
+ +
W p(a, b) = − − B p(t , t ) x(t )h ab(t )dt dt （4-14）


式中，a 是尺度因子，b 是时移因子，hab(t)为 WT 基函数， B p(t, t ) 为 FRFT 的核

函数，定义为式（4-15）：
 − pn

B p (t , t ) = 2 exp[− (t + t  )]  
i
H n( 2 t ) H n( 2 t ) （4-15）
2 2
n
n =0 2 n !

式中，Hn 为 n 阶 Hermite 多项式。

从式（4-14）知，当 p=0 时为 WT，其逆分数阶小波变换(Inverse Fractional Wavelet
Transform，IFRWT)可用式（4-16）表示：
1 + + + 1 t − b
C − − − a 3
x(t ) = W p ( a , b ) B − p (t , t )  h ( )dadbdt  （4-16）
a

式中，C 为常数。
FRWT 具有如下几种常见的性质：
（1）线性：已知 α=pπ/2，设信号 x1(t)和 x2(t)对应的 FRWT 分别为 W1α(a,b)和
W2α(a,b)，且 x(t)=β1x1(t)+β2x2(t)，故有：

 a,b）=  1W 1 (a, b) +  2W 2 (a, b)

W（ （4-17）

（2）正交性

33
 跳频信号的检测与识别

FRWT 的性质主要是由核函数决定的，由于 FRFT 的核函数具有正交性，故 FRWT

也具有正交性。
（3）内积定理
已知 α=pπ/2，设信号 x1(t)和 x2(t)对应的 FRWT 分别为 W1α(a,b)和 W2α(a,b)，母小
波函数  (t ) 的 FT 为 
（），若
+ |  ( ) |
C  = − d   （4-18）

则有：
+ da


W 1 (a, b)[W 2 (a, b)] = 2 C   x1() x 2()  （4-19）
- 2
a

（4）满足 Paseval 定理
设信号 x(t)的 FRWT 为 Wα(a,b)，则有：
+ 1 + da
 |x(t)| dt = 2 C    |W  (a,b)|
2 2

- − 2
db （4-20）
a

其中，|Wα(a,b)|2 为 α 阶的尺度图。
FRWT 结合了 FRFT 和 WT 的优点，其在去噪方面的实现方式原理框图如图 4-14
所示。
x(t) y(t)
FRFT WT分解 阈值去噪 WT重构 逆FRFT

图 4-14 FRWT 去噪原理框图

如图 4-14，其计算步骤为：
（1）首先设定阶次 p=2α/π 的范围，然后对接收的跳频信号 x(t)作 p 阶的 FRFT
得到 Xp(u)，如式（4-21）：
+
X p(u) = − K p(u, t ) x(t )dt （4-21）

式中， Kp(u,t)表示 FRFT 的核函数且可用式（4-22）表示：

 A p exp[ j ((t 2 + u 2 cot  ) 2 − tu csc  )],   k

K p (u, t ) =  (u − t ),  = 2k （4-22）
 (u + t ),  = (2k  1)

式中，Ap=sqrt((1-jcotα)/(2π))。
（2）接着在分数域内对 Xp(u)进行小波分解，离散小波变换公式为：

C ( j , k ) = 2 − j /2  X p (u ) ( 2 − ju − k ), j, k  Z （4-23）
n =−

34
 第四章 跳频信号的参数估计

式中，j 为频率分辨率，k 为时间频移变量。本文以 Mallat 算法为例分析，接着

进行 N 层的 Mallat 小波分解，设 A0=C(j,k)，则第 j 层的小波分解可分解为高频系数
Dj 和低频系数 Aj，如式（4-24）：
 A j (m) =  h(k − 2m) A j −1(k )
 k =Z
 （4-24）
 D j (m) =  g (k − 2m) A j −1(k )
 k =Z

式中：h(n)表示低通滤波器，g(n)表示高通滤波器。
（3）通过对各层的高频系数 Dj 进行软阈值处理，接着进行小波重构，得到 X´p(u)，
如式（4-26）：
 A j (u ) =  A j (k ) j ,k (u )
 k =Z
 （4-25）
D j

(u ) =  D j (k ) j ,k (u)
k =Z

X  p(u) = A j (u) + D j(u) （4-26）

（4）对重构后的信号 X´p(u)作逆 FRFT 变换，最终得到 p 阶的时域信号 y(t)。

+
y(t ) =  X  p(u) K − p(t , u)du （4-27）
−

§4.4.2 HHT 相关理论知识

上一小节采用 FRWT 对跳频信号进行去噪，本小节将继续介绍 HHT 是如何对消

除噪声后的跳频信号实现跳频信号的参数特征提取的。1998 年，HHT 变换方法的提
出，打破了传统 FFT 的局限性，它作为另一种分析非平稳信号的新方法，是通过把信
号看成是由多个本征模态函数（Intrinsic mode function，IMF）[53]所构成的。目前，已
广泛地应用于医学、地震、水声通信等故障的检测。
HHT 变换主要是先对信号进行经验模态分解（Empirical Mode Decomposition,
EMD）把信号分解成多个 IMF 分量和一个余项，然后再通过相应的变换进行信号特
征的提取。其中 EMD 分解的 IMF 函数的成立是建立在一定的条件上的，具体规则
为：1）对于待分解的信号，其零点和极值点的总数相减必须小于等于 1；2）求解的
极值点的上、下包络线对应位置相加为零。
当 IMF 满足上述规则后，EMD 分解的具体步骤如下：
（1）首先找出信号的极值点，接着通过三阶样条函数对极大值序列进行插值法，
从而获得信号 x(t)的上包络线 emax(t)，相应地，对极小值序列也采用相同的处理方法，
即可获得下包络线 emin(t)，接着计算信号包络线的均值 m1(t)，同时令 h1(t)=x(t)-m1(t)，
若 h1(t)满足 IMF 条件，则 h1(t)表示第一个 IMF 分量。

35
 跳频信号的检测与识别

（2）设第一个 IMF 分量为 c1(t)，则剩余项 r1(t)为：

r 1(t ) = x(t ) − c1(t ) （4-28）

（3）令剩余项 r1(t)为信号 x(t)，重复执行步骤（1），（2），依次求得 r2,r3,…,rn，

此时 rn(t)是单调函数或已经很小，将不继续分解。信号 x(t)可表示为：
n
x(t ) =  IMF i (t ) + r n(t ) （4-29）
i =1

EMD 的分解是需通过多次迭代的步骤才可获得一个 IMF 信号分量，且进行迭代

的次数越多，得到的包络均值越靠近零值，但同时也会使获得的 IMF 分量失去了其
意义。故假设在时间间隔 T 内，设定迭代停止条件为：
T

|h
2
i −1 (t ) − h i (t )|
SD i =
t =0
T
 （4-30）
h
2
(t )
i −1
i =0

式中，阈值 ε 取值为 0.2~0.3。

在完成 EMD 分解后，采用 Hilbert 变换求得每个 IMF 分量的瞬时频率及瞬时幅
度，如式（4-31）所示：

1 + IMF i ( )

H ( IMF i (t )) = d （4-31）
− t −

分量 IMFi 的解析信号为：

z (t ) = IMF (t ) + jH (IMF (t )) = a (t )e 
i i i i
j i （4-32）

由此可得信号 x(t)：
n
x(t ) = Re( a i (t )e j i (t )) （4-33）
i =1

式中，

a i (t ) = IMF i2(t ) + H 2( IMF i (t ))
 （4-34）
 i (t ) = arctan( H ( IMF i (t )) IMF i (t ))


Hilbert 谱为：
n
H (t , w) = Re( a i (t )e j  wi (t ) dt ) （4-35）
i =1

计算 H(t,w)在每个时刻点上的最大值，得到 y(t)，并对 y(t)作 FFT，最终得到跳速

Rh：

36
 第四章 跳频信号的参数估计

Rh = arg max f | fft ( y(t )) | （4-36）

则跳周期为 Th=1/Rh。最后选取估计效果最好时对应的阶数 p 下的结果作为最终

的估计结果。

§4.4.3 基于 FRWT 的跳周期估计

上面两小节已经介绍了 FRWT 去噪的原理和 HHT 的特征提取过程，本小节将经

FRWT 去噪后得到的跳频信号，再结合 HHT 进行 Hilbert 谱分析实现跳周期的特征提
取的方法，可得到基于 FRWT 的跳周期估计方法原理框图，如图 4-15 所示：

接收的时域信号

求H il be rt 谱在每 个时刻
采用FRWT去噪法 进行EM D分解，并求IM F
点上最大值构成的序列的
进行去噪 分量的Hilbert谱
FFT，即可估计出跳周期

图 4-15 基于 FRWT 的跳周期估计原理框图

从图 4-15 知，其估计过程为：首先对接收的时域信号采用 FRWT 进行去噪，接
着对去噪后的信号作 EMD 分解，得到 IMF 分量信号并求其 Hilbert 谱变换，得到二
维的 Hilbert 时频图，最后通过计算它在每一个时刻的最大值构成的序列的 FFT，此
时，找出 FFT 后幅值最大对应的频点即可估计出跳速，求其倒数即可估计出跳周期。
本节将通过采用 FRWT 去噪的方法获得的时域信号，再利用 HHT 进行 Hilbert 谱
分析估计出的跳周期，同基于 DWT 去噪的方法进行性能的对比。其参数设置为：设
有一跳频序列的跳频集为 fk={22,68,40,62,52,76,10,36}KHz，总共 8 跳，并且跳周期为
Th=1ms，采样频率 Fs=1MHz，在 SNR=[-5:3:20]dB 下进行仿真实验。
0 跳周期估计性能曲线
10
p最佳
-1 DWT
10

-2
10
相对误差

-3
10

-4
10

-5
10

-6
10
-5 0 5 10 15 20
信噪比SNR/dB

图 4-16 不同方法的跳周期估计性能曲线

37
 跳频信号的检测与识别

图 4-16 为采用 DWT 和 FRWT 去噪时，估计跳周期时的相对误差值随 SNR 变化

的误差曲线，实验选用 db4 小波。SNR 在[-5,20]dB 范围内，采用 FRWT 方法去噪后
估计出的相对误差值要比采用 DWT 方法去噪后估计的相对误差值要小。在相对误差
值为 10-2 时，采用 FRWT 方法的信噪比要比采用 DWT 方法的信噪比低 3dB 左右。
结果表明，采用 FRWT 方法估计的跳周期性能要比 DWT 的更好。

§4.5 本章小结

本章研究了估计跳频信号参数的方法，针对现有估计慢速跳频参数的方法存在复
杂度高的问题，研究了一种基于抽取因子的时频脊线拼接法，并分析了抽取因子对估
计性能的影响，接着通过仿真及实测的数据将所提方法与最大值拼接法进行了对比和
分析。同时，在现有参数估计的基础上，进一步分析了存在跳丢失，以及跳丢失和频
率碰撞同时存在的情况下的参数估计，提出了一种频点纠正法，并通过仿真分析了采
用频点纠正法后的参数估计性能。最后，针对低采样率下，跳频序列中相邻频率相差
不大时，传统时频分析法的分辨率不高问题，提出了一种基于 FRWT 的跳周期参数
估计法，通过与 DWT 方法对比，验证了该方法在估计相邻频率间隔不大时的参数具
有更好的估计性能。

38
 第五章 基于轮廓特征的跳频电台分选

第五章 基于轮廓特征的跳频电台分选

以上章节已从跳频信号的检测和参数估计的方面进行了论述，为了探讨在跳频图
案未知情况下，接收的跳频信号所属的类别，本章将从跳频的电台分选方面入手，根
据不同的跳频信号之间的特征差异进行特征分类识别。现有的文献主要是从特征提取
和参数估计这两个方面进行的分选，而基于参数估计的方法需要复杂的参数估计过程，
故本章将从特征提取方面研究跳频电台的分选，且在后续的分选过程中，选择合适的
分类器，分选效果也会有所不同。文献[47]将支持向量机（SVM）引入信号的分类，
取得比较好的分选效果，但是当某些特征数据不完整时，会影响 SVM 的分选效果，
而且对于非线性的分类问题，没有通用的核函数表示，很难找寻最优的核函数。文献
[43]通过引入传统 K-Means 聚类法来实现跳频信号分类，但是聚类中心点的初始值是
以随机的方式来选取的，由此得到的分选性能并不具有稳定性。尽管采用有些分类器
能取得很好的效果，但需要在进行复杂的参数提取过程。
针对传统的基于参数估计方法的电台分选法具有复杂的参数提取过程，本章节将
从不同信号的轮廓特征存在着差异性的特点展开研究，通过构建跳频信号的轮廓特征
图，
再对轮廓特征图进行预处理，最后利用具有自主寻主特征的卷积神经网络（CNN）
进行跳频信号的分类识别。

§5.1 等高线图的构建及轮廓特征提取

对跳频信号 x(t)计算 STFT：

+ 2
STFT (m, n) =  x(k )h(m − k )e
k =−
−j
N
nk
, n = 0,1, , N − 1; m = 1, 2, , M （5-1）

其中，m 是时间序列点，时间行向量 T 表示为 T=1:1:M，归一化的频率列向量 F

表示为：
 N N
[0 : 2 − 1 − 2 − 1] N , N 为偶数
F = （5-2）
[0 : N -1 − 1 − N -1 − 1] N , N 为奇数
 2 2
将获取的行向量 T，归一化的频率列向量 F 和二维矩阵 STFT 构成三维矩阵
Z=[T,F,STFT]，接着以(T,F)为坐标系，STFT 作为高度值矩阵，构建跳频信号的等高
线图。图 5-1 为四类无人机跳频信号在信噪比是 10dB 情况下的等高线图，其参数设
置同下文表 5-1 所示。

39
 跳频信号的检测与识别

7 7 7 7
x 10 x 10 x 10 x 10
8 7 8 8

7.5 7.5 7.5

6.5
7 7 7

6.5 6.5 6.5

6
6 6 6

5.5 5.5 5.5 5.5

5 5 5
5
4.5 4.5 4.5

4 4 4
4.5
3.5 3.5 3.5

3 4 3 3
0 2 4 6 8 10 12 14 16 18 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 0 0.5 1 1.5 2 0 2 4 6 8 10 12
5 6 6 5
x 10 x 10 x 10 x 10

（a）跳频 1 （b）跳频 2 （c）跳频 3 （d）跳频 4

图 5-1 四类无人机跳频信号的等高线图
文献[54]通过求出每个采样点上使得高度值最大的频率行对应的高度值，连接成
的最大值曲线来区分信号，但当处在噪声比较强的环境，这时会把噪声点仍判为最值
点，导致构建的特征图模糊，且从图 5-1 看出，不同信号在等高线图上的差异主要表
现为轮廓特征的不同，因此可通过设定阈值的方法实现轮廓特征的提取。算法过程为：
首先计算 STFT 在每个时刻点上的最大值 y(n)，接着假定调整阈值为 σ，则阈值
E(n)=σ·y(n)作为判定是否为轮廓点的准则，即当最大值 y(n)大于阈值 E(n)时，判定
为轮廓内的点，否则判定为轮廓外的点。故可得到轮廓特征矩阵 STFT1 为：
 STFT (m, n), abs( STFT (i, j ))  y ( j )  
STFT1(m, n) =  （5-3）
0, abs( STFT (i, j ))  y ( j )  

其中，σ∈(0.5,1]，且 σ 的大小与抗噪的能力大小有关联，σ 值越大，抗噪的能力

越强。最后将矩阵 Z 更新为 Z=[T,F,STFT1]，构建关于 Z 的等高线图 I。
在得到轮廓特征图后，还可通过对特征图作图像处理以进一步降低噪声对信号的
影响，且可为后续所用的卷积神经网络（CNN）减少计算量。算法过程为：先对得到
的彩色等高线图 I 作灰度化处理，得到新的等高线图 J，因考虑到转换的图像 J 对比
度不高，本文采用基于空域增强法，以增强等高线图的轮廓位置。接着借助灰度反转，
得到图像 J1，为了减少 CNN 网络的运算量，将采用图像二值化中的最大类间误差法
处理图像 J1，得到以白色代表轮廓，黑色代表非轮廓区域的图像 K。考虑到直接保存
的图像 K 像素过大，直接输入到 CNN 训练中会占用过大的内存，需对图像进行压缩，
在对图像压缩前可根据信号的轮廓所占图片的空间位置，选择对图像 K 进行裁剪，
减少压缩过程中因压缩过大而降低信号轮廓特征的分辨率的程度。为了保证特征的可
识别性，将图像压缩为 128*128。预处理后的图像如图 5-2 所示。

（a）跳频 1 （b）跳频 2 （c）跳频 3 （d）跳频 4

图 5-2 经预处理后的轮廓特征图

40
 第五章 基于轮廓特征的跳频电台分选

§5.2 CNN 的概述及分类算法

CNN 作为一种前馈的神经网络，其中每个神经元仅受到邻层神经元的影响，具
备局部感受野特性，故在捕抓局部特征方面的能力极强；同时具有权值共享的优点，
能降低网络的运算量。故 CNN 网络作为一种参考大脑视觉组织而建立的深度学习方
法，被广泛的用于影像、语音识别领域。CNN 结构图如图 5-3 所示：
激活 激活
函数 函数

输入层 卷积层 池化层 全连接层 softmax层

图 5-3 CNN 结构图

从图 5-3 知，CNN 网络主要由卷积层、激活函数、池化层，连接层及 softmax 层
这五个部分构成，且通常卷积层及池化层的层数需要根据实际情况而设计，本文均取
一层。下面将对各层网络进行详细介绍：
（1）卷积层
在卷积层，是通过将输入图像和特定的滤波器作卷积运算而实现特征的提取，接
着通过激活函数将各个特征映射而成的特征图组合输出，用式（5-4）表示：
x j = f (  xi  k i, j + b j )
l l −1 l l
（5-4）
iM j

式中，xlj 是卷积层 l 的第 j 个输出的特征图，Mj 为第 j 个的输出的特征子集，ki,j

为卷积核函数，blj 是输出偏置项，f(·)是激活函数，
“*”是卷积符号。特别地，对任
何一个本层的输出特征图函数 xlj ，与本层的输入特征图函数 x lj-1 卷积的卷积核不一定
是相同的。
（2）池化层
对上层的输出特征图函数作下采样，能降低由卷积层输出的维数，减少网络的计
算时间，并且可控制过度拟合。最后使用激活函数将各个特征映射而成的特征图组合
输出，用式（5-5）表示：

x j = f (  jdown( x j ) + b j )
l −1
l l l
（5-5）

式中， lj 为权重系数，down(·)是下采样函数，首先是利用滑动步长将上层特征
图函数分成若干数目的非重叠的 m×n 维图像，接着计算每小分块图像的像素和，最
大值或均值等来进一步降低输入信号的维数。
（3）全连接层
利用全连接层进行加权求和，用式（5-6）表示：

41
 跳频信号的检测与识别

x = f (w x + b ) （5-6）
l l l −1 l

式中，f(·)是激活函数, xl-1 为第 l 层全连接层的输入特征图函数，wl 为权重，bl

为偏置项。
（4）softmax 层
作为输出层，利用 softmax 分类器实现信号分类。经 softmax 层可得到 k 个输出
类别,且 k 的值等于分类类别总数。Softmax 函数如式（5-7）所示：

ex j
y( x j ) = , j = 1, 2, ,k
k （5-7）
e i =1
xi

其中，k 为类别总数，j 为类别中的某一类，y 为分类器输出值。

一个训练网络是否收敛，通常需要通过网络误差来进行衡量，这就涉及到反向传
播算法。令 y=X，由式（5-8）计算网络误差 E:
1 N H n
 t k − X nk )
2
E = ( （5-8）
N

2 n =1 k =1

式中，N 是训练样本总数，H 为类别个数，tnk 为第 n 个样本中的第 k 个标签值，

Xnk 为第 n 个样本中的第 k 个网络输出值。若误差 E 小于预设值，则停止训练，否则根
据误差 E 对网络权值进行更新，即采用反向传播的算法，依次求出全连接层，池化层
和卷积层的残差 δ，如式（5-9）所示：
 1 N N 2
 li = X − t = −( X − t ) f ( z i ) （5-9）
N N l

 zi 2
l

其中，f 为激活函数，δli 为第 l 层上的每个神经节点 i 的残差，zli 为第 l 层上的 i 个

单元的输入加权和。通过不断更新权值，使得网络模型最终达到收敛。权值更新公式
为（5-10），（5-11）以及（5-12）：

 l = (W (l )T ) (l +1) f ( z (l )) （5-10）


= W (l ) −  E (W , b) = W (l ) −   (l +1)( (l ))
T
W
(l )
（5-11）
W (l )


bi = bi −  E (W , b) = bi(l ) −   (l +1) （5-12）
(l )

(bi(l ))

其中，W 为网络权重，α 为学习速率，b 为网络偏差。

§5.3 基于轮廓特征的跳频电台分类方法

42
 第五章 基于轮廓特征的跳频电台分选

将处理后的跳频轮廓特征图和 CNN 的识别算法相结合，可得到基于轮廓特征的

跳频电台识别方法的原理框图，如图 5-4 所示。
接收的时域信号

训练的 测试的
构建等高线图 图片集 图片集

图像预处理 初始化权重 网络训练 更新权重 训练好的网络 分类识别

图 5-4 基于轮廓特征的跳频信号识别框图
从图 5-4 知，其识别过程为：首先对接收的时域信号作时频变换，构建等高线图
并进行图像预处理，接着初始化网络权重，输入训练图片集进行网络训练，通过反向
传播法进行权重的更新，直至网络误差小于预设值。此时，将更新的权重作为网络参
数，输入测试图像到训练好的 CNN 网络中测试，并采用 softmax 分类器进行分类，
从而实现跳频电台的分选。
本节将通过理论仿真实验和实测数据下的实验来验证算法的有效性。采用本文通
过提取跳频信号的轮廓特征获得的轮廓特征图，再利用 CNN 网络对四类无人机进行
分类识别的方法，同传统的基于参数估计的方法进行性能的对比，即采用第四章的算
法估计出的跳周期和带宽作为特征，并分别利用 SVM 网络和 K-Means 聚类网络对四
类无人机进行分类识别。实验仿真验证了基于轮廓特征提取的分选方法的分选效果要
优于基于参数估计下的 SVM 网络和 K-Means 聚类网络的分选。

§5.3.1 基于理论仿真的四类无人机分类实验

仿真条件：在高斯白噪声条件下，根据四类无人机跳频信号的参数产生四种跳频
信号，如表 5-1 所示，且信噪比为-20:5:30dB。假设已由第四章的算法估计出表 5-1 里
的四类跳频信号的跳周期及带宽。
表 5-1 信号参数设置表
跳频 采样频率 跳周期
频率集
类别 Fs（MHz） Th(ms)
{41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 75
1 200 0.38
73 71 69 67 65 63 61}MHz
{63 53 50 57 63 53 50 57 63 53 50 57 63 53 50 57 63 53 50
2 150 0.45
57 63 53 50 57 63 53 50 57 63 53 50 57}MHz
3 200 1.50 {60 42 62 43 63 45 65 47}MHz
4 150 1.00 {62 59 62 59 62 59 62 59}MHz
根据表 5-1 的所给的参数构建四类跳频信号的等高线图并进行预处理，得到输入
CNN 网络的轮廓特征图集。其中，在每个信噪比下，每类跳频信号将构建 100 张轮

43
 跳频信号的检测与识别

廓特征图，其中，80 张作为训练图片，图片大小为 128*128。CNN 的网络参数如表

5-2 所示：
表 5-2 CNN 结构网络参数
层 结构参数 激活函数
输入层 128*128
卷积层 20 个 9*9 卷积核 ReLU
池化层 1 个平均池化层（2*2）
隐含层 100 个节点 ReLU
输出层 4 个节点 Softmax
将构建的等高线图集输入到 CNN 中进行训练，接着输入测试图像集进行测试，
得到分选率。不同算法的分选性能对比图如图 5-5 所示。
不同算法的分选性能对比图
1
本文算法(未裁剪)
0.9 本文算法(裁剪)
SVM
传统K-Means算法
0.8
分类正确率

0.7

0.6

0.5

0.4

-20 -15 -10 -5 0 5 10

信噪比/dB

图 5-5 不同算法的分选性能对比图
从图 5-5 可看出，当分类正确率为 100%时，本文算法在经裁剪等高线图处理下
的信噪比为-15dB，比未经裁剪的本文算法低 5dB,比采用 SVM 和传统 K-Means 分类
的算法低 10dB。仿真表明基于轮廓特征提取的跳频电台识别方法识别率最高，SVM
和传统 K-Means 算法的分选性能相当。同时，本文算法中对轮廓特征图进行裁剪处
理后的跳频电台的分选效果要比未经裁剪处理的要更好。

§5.3.2 基于实测数据的四类无人机分类实验

为了进一步验证算法的有效性，在室内放置遥控器和无人机设备，硬件采集环境
如图 5-6 所示。实验过程为：首先利用 AD9361 实时地采集四类无人机跳频信号，分
别为大疆精灵 4Pro、hm 无人机、司马航模 X8HW 及大疆悟 2 无人机。对采集的数据
经 FPGA 处理后，然后将数据存储到上位机上，最后将采集到的数据在 MATLAB 上
进行处理。
44
 第五章 基于轮廓特征的跳频电台分选

图 5-6 硬件采集环境图
本实验对实际采集的四类无人机的信号，采用 MATLAB 的环境完成数据分析，
经预处理后的轮廓特征图如 5-7 所示：

(a)大疆精灵 4Pro (b)hm 无人机 (c)司马航模 X8HW (d)大疆悟 2

图 5-7 不同无人机信号预处理后的轮廓特征图
为了能够更直观的反映所提方法的有效性，在实测数据的基础上，添加高斯白噪
声，即 SNR 的范围为[-20:5:10]dB，在每个信躁比下，对采集的每种无人机数据构建
100 张轮廓特征图，其中 20 张作为测试集，且网络参数设置如上表 5-2 所示。基于实
测数据下，不同算法的仿真性能对比图如图 5-8 所示。
基于实测数据基础下不同算法的分选性能对比图
1

0.9

0.8
分类正确率

0.7

0.6

0.5
本文算法(未裁剪)
0.4 本文算法(裁剪)
SVM
传统K-Means算法
-20 -15 -10 -5 0 5 10
信噪比/dB

图 5-8 基于实测数据下不同算法的仿真性能对比图
从图 5-8 可看出，在实测数据基础下，当分类正确率为 100%时，所提算法在经
裁剪处理下的信噪比为-15dB，比未经裁剪的所提算法要低 5dB，比 SVM 和传统的
K-Means 算法约低 15dB，仿真表明基于轮廓特征的跳频信号识别方法的算法性能要

45
 跳频信号的检测与识别

比其它两种算法性能好，且经裁剪处理的所提算法要比未经裁剪处理的分选性能要好，
由此验证了算法的有效性。同时，同图 5-5 相比，不同算法的分选仿真性能大体趋势
一致，但图 5-5 的分选性能要稍微差一点，主要是由于图 5-8 是在实测数据的基础上
进行的仿真，实测数据里面包含了噪声。

§5.4 本章小结

本章主要讲述了跳频电台的分选，针对目前基于参数估计的跳频电台分选法存在
复杂参数提取过程的问题，研究了一种只需简单提取信号在等高线图上的轮廓特征，
然后构建轮廓特征图并对其进行预处理后，通过 CNN 网络训练即可实现高识别率的
分选方法，通过实验仿真及测试表明，与基于参数估计的识别算法相比，所提的基于
轮廓特征的跳频电台分选法具有更好的分选效果。

46
 第六章 总结与展望

第六章 总结与展望

§6.1 工作总结

跳频通信是区别于传统固定载波通信的一种具有强的抗干扰、多径衰落的无线通
信方式。因其频率随机切换的特性，而广泛应用于军事和民用领域中，但也给非合作
接收带来了截获和破译的难题。本文针对跳频信号的非合作接收问题，研究了跳频信
号的非合作检测、参数估计和电台分选，即先是针对复杂的电磁环境，对跳频信号的
检测问题展开了研究，后是针对现有估计慢速跳频信号参数方法存在复杂度高以及一
些特殊情况下的参数估计问题进行了研究，最后针对现有电台分选存在复杂参数特征
提取过程的问题展开了研究。具体工作内容如下：
1、针对复杂的电磁环境，提出了基于干扰剔除的跳频信号检测法，首先采用干
扰剔除法剔除干扰信号，接着对消除干扰信号后的信号采用时频特性曲线的方法，判
断是跳频信号还是其它通信调制信号。仿真表明，所提方法能够实现跳频信号的检测。
2、对于跳频信号参数的估计方面，首先对基于最大值法和基于时频脊线法进行
了性能对比，接着针对基于最大值拼接法的运算量问题，提出了基于抽取因子的时频
脊线拼接法，降低了算法的运算量，并分析了抽取因子对参数估计性能的影响，接着
利用抽取因子，定性分析了慢速跳频中，存在跳频点丢失及碰撞频点和跳频点丢失同
时存在的情况并展开了讨论，提出了频点纠正法，并给出了仿真性能曲线图，最后针
对相邻频点间隔不大时，采用传统的时频变换法，因受测不准定理的影响，参数估计
性能严重下降的问题，因此，提出了一种基于 FRWT 的跳频参数估计方法，并比较了
基于 DWT 和 FRWT 的估计性能。
3、针对目前的跳频电台分选存在复杂参数提取过程的问题，提出了一种基于轮
廓特征的跳频电台识别方法，该方法是通过提取信号在等高线图上的轮廓特征来构建
轮廓特征图并进行预处理，再将其输入 CNN 网络中训练，测试，从而实现分选。仿
真和实测数据表明，所提方法在只需简单提取参数特征的前提下，就能获得很好的分
选效果。

§6.2 研究展望

跳频频率随机跳变，且我们无法获取到真正的跳频参数，对于跳频信号的研究仍
是一个难点。虽然在研究中取得了一定的成果，但还有很多地方值得进一步去探索。
以下是研究中的一些不足点及对未来研究的一些建议：
47
 跳频信号的检测与识别

1、对于复杂环境下的跳频信号检测，目前主要是根据跳频信号在时频面上相对
其它干扰信号的差异性来实现检测的，只是简单地分析了一些常见的通信信号的干扰，
且没有复杂环境下的实测数据的算法验证。
2、关于存在频点碰撞及跳频点丢失的情况的低速跳频信号的参数估计，只是理
论上的分析，并没有实测数据的算法验证，仍需要进一步探讨在实测数据上的参数估
计性能。
3、关于基于 FRWT 的参数估计，仅处于刚开始研究阶段，可进一步分析一些性
能参数的选取对参数估计结果的影响。
4、在跳频信号的分选中，只是对轮廓特征图进行了简单的图像处理，可在这一
方面进一步探讨，同时，本文只是采用了传统的 CNN 网络，可探讨 CNN 分类器改
进后对分选率的影响。

48
 参考文献

参考文献

[1] 许伟. 超短波无线通信保密技术应用探讨[J]. 通讯世界, 2019,26(11):84-85.

[2] 薛天. 扩频通信技术在通信中的研究[J]. 电子制作, 2019(16):75-76.
[3] ROTHMAN T. Random to paths to frequency hopping[J]. American scientist, 2019, 107(1):46-53.
[4] 梅文华. 跳频通信[M], 北京: 国防工业出版社, 2005.
[5] Lehtomaki J J. Maximum based detection of slow frequency hopping signals[J]. IEEE
communications letters, 2003, 7(5):p.1-3.
[6] Nemsick, L.W, Geraniotis, E. Adaptive multichannel detection of frequency-hopping signals[J]. IEEE
Transactions on Communications, 40(9):0-1511.
[7] Nam-Kyoung Kim, Seong-Jun Oh. Comparison of methods for parameter estimation of frequency
hopping signals[C], 2017 International Conference on Information and Communication Technology
Convergence, Jeju, 2017:567-569.
[8] Wu Jun, Liu Naian, Zhang Yanfei, et al. Blind detection of frequency hopping signal based on
compressive sensing[C], 2012 2nd International Conference on Consumer
Electronics,Communications and Networks (CECNet), Yichang, 2012:1691-1694.
[9] Liu F, Marcellin M W, Goodman N A, et al. Compressive detection of frequency-hopping spread
spectrum signals[C]// Data Compression Conference. IEEE, 2014.
[10] 陈新宁. 跳频通信侦察技术研究[D]. 北京: 国防科学技术大学, 2006.
[11] 凃舟波. 跳频信号检测与参数估计技术研究[D]. 湖北: 华中科技大学, 2019.
[12] 易伟. 基于时频分析的跳频信号检测[D]. 河南: 信阳师范学院, 2018.
[13] 李 彤 , 苗 成 林 , 吕 军 . 基 于 功 率 谱 对 消 的 时 域 相 关 认 知 跳 频 谱 检 测 算 法 [J]. 兵 工 学 报 ,
2017,38(09):1754-1760.
[14] 刘旭波.基于功率谱分段对消算法的跳频信号检测[J]. 自动化技术与应用, 2017,36(11):69-73.
[15] 李晶晶. 无人机通信信号检测与参数估计方法研究[D]. 西安: 西安电子科技大学, 2019.
[16] 刘若兰. 跳频通信信号检测及参数估计方法研究[D]. 成都: 电子科技大学, 2016.
[17] 李西磊. 强干扰环境下跳频通信盲接收技术的研究[D]. 成都: 电子科技大学, 2017.
[18] 杨亚南. 无人机信号的侦收与识别方法研究[D]. 成都: 电子科技大学, 2018.
[19] Chung C D, Polydoros A. Parameter estimation of random FH signals using autocorrelation
techniques[J]. IEEE Transactions on Communications, 2002, 43(234):1097-1106.
[20] Wang Y, Zhang C, Jing F. Frequency-Hopping Signal Parameters Estimation Based on Orthogonal
Matching Pursuit and Sparse Linear Regression[J]. IEEE Access, 2018, 6:54310-54319.
[21] 刘丽. 民用无人机跳频信号分析与识别技术研究[D]. 北京: 北京邮电大学, 2019.

49
 参考文献

[22] 吕晨杰, 王斌, 王开勋. 采用图像处理的跳频信号参数盲估计[J]. 电讯技术, 2015(08):18-23

[23] 沈常林. 基于压缩感知的跳频信号参数盲估计[D]. 西安: 西安电子科技大学, 2013.
[24] 任旭, 朱卫纲.基于压缩感知的跳频信号参数估计[J]. 计算机工程与设计, 2016,37(04):867-871.
[25] S. Barbarossa, A. Scaglione. Parameter estimation of spread spectrum frequency-hopping signals
using time-frequency distributions[C]. IEEE Signal Processing Workshop on Signal Processing
Advances in Wireless Communications, Paris, 1997, 213-216.
[26] 赵俊, 张朝阳 , 赖利峰等.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(03):46-50.
[27] 张曦, 王星, 杜兴民. 基于小波变换的跳频信号参数盲估计 [J]. 电路与系统学报, 2009,
14(4):60-65.
[28] 易江文. 跳频信号参数盲估计方法研究[D]. 四川: 西南交通大学, 2012.
[29] 张盛魁, 姚志成, 何岷等. 改进时频脊线的跳频参数盲估计算法[J]. 系统工程与电子技术,
2019,41(12):2885-2890.
[30] 邓灵, 张天骐, 金静等. 重排谱图在跳频信号参数估计中的应用[J]. 计算机工程与设计, 2013,
34(10).
[31] 胡 勇军 , 王呈 贵, 庞兴 豪. 一 种短 波跳 频信号 参数 估计 的方法 [J]. 电 子信 息对 抗技术 ,
2010,25(01):5-8+31.
[32] 王璐. 跳频信号参数盲估计算法研究[D]. 西安: 西安电子科技大学, 2014.
[33] 张黎烁, 王琦. 基于改进 EMD 算法的跳频信号参数估计[J]. 河南理工大学学报(自然科学版),
2014(06):87-93.
[34] 郑洋, 陈西豪, 朱锐等. 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).
[35] 李硕. 短波信道下跳频信号的检测与参数估计[D]. 河南: 战略支援部队信息工程大学，2018.
[36] Fresa A, Izzo L, Paura L. Interception of FH spread-spectrum signals: performance advantages of
cycle detectors[C]// Aerospace and Electronics Conference, 1988. NAECON 1988. Proceedings of
the IEEE 1988 National. IEEE, 1988.
[37] 姚勇. 跳频信号的特征提取与网台分选[D]. 西安: 西安电子科技大学, 2003.
[38] 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, 000(003):8-14,7.
[39] 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):1699-1705.
[40] 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):135-139.
[41] 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, 46(5):45-49.
[42] 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(06):17-19.
[43] 岳峰巍. 跳频通信网台分选方法的研究与仿真实现[D]. 成都: 电子科技大学, 2010.
[44] 齐昶, 王斌, 丁海军. 基于 KHM 聚类算法的跳频信号分选[J]. 声学技术, 2011(06):81-85.
50
 参考文献

[45] 钟兆根, 杨芸丞, 张立民. 基于模糊 KHM 聚类的跳频网台分选方法[J]. 电讯技术, 2019(6).

[46] 郭海召, 张顺生. 稀疏贝叶斯模型在跳频信号电台分选中的应用[J]. 信号处理, 2016(6):733-
738.
[47] 梁颖. 基于跳频信号的指纹识别研究[D]. 北京: 北京邮电大学, 2014.
[48] 顾晨辉, 王伦文. 基于频域瞬时特征的跳频电台个体识别方法[J]. 计算机工程与应用, 2013,
49(22):223-226.
[49] 骆振兴, 赵知劲. 基于功放瞬态响应的跳频电台分选方法[J]. 杭州电子科技大学学报, 2009,
29(1):32-35.
[50] 眭萍, 郭英, 张坤峰等 半监督条件下的 CRC 跳频电台指纹特征识别[J]. 系统工程与电子技
术, 2019, 41(01):192-198.
[51] R. E. Azim, N. Karmakar, E. Amin. Short Time Fourier Transform (STFT) for collision detection in
chipless RFID systems[C]. Antennas and Propagation, Australia, 2016, 1-3.
[52] 曾德国, 熊辉, 龙柯宇等. 基于相位差分的脉内调制信号类型识别[J]. 电子测量与仪器学报,
2009, 23(10): 86-89
[53] 曾峰. 基于经验模式分解的信号处理方法研究[D]. 河南: 河南大学, 2007.
[54] 姚瑶, 王战红. 基于时频预处理下卷积网络的雷达信号识别[J]. 探测与控制学报, 2018,
40(06):101-107.
[55] 牟效乾, 陈小龙, 苏宁远等. 基于时频图深度学习的雷达动目标检测与分类[J]. 太赫兹科学
与电子信息学报, 2019, 17(01):108-114.
[56] 尚宇, 刘素勤. 基于分数阶小波变换的心电信号去噪处理研究[J]. 西安工业大学学报, 2014,
34(09):710-714.

51
 致谢

致谢

转眼间三年的研究生学习生涯即将结束，但是学习是永无止境的。在这三年的研
究生时光里，自己学习到了很多，收获颇丰。在这个充满了爱和团结的实验室里，培
养了自己的自律能力以及自我解决问题的能力，以及在科研上的专注力。同时使自己
更加的清晰未来的发展目标，为自己踏入社会，投入到工作做了准备。
首先，最想第一个感谢的人是我的导师谢跃雷，感谢他这三年来对我的教诲，从
他对待学术的严谨和对待他人的态度及行动，都教会了我在学习上，要认真对待科研，
遇到问题时，要学会自己找出问题点，并解决它；在生活上，要做一个乐观，乐于助
人，懂得感恩之人。非常感谢谢老师在三年中对我学术上的指导，从论文的选题，实
验研究以及撰写都给予了细心的指导，培养了我的逻辑思维能力，以及自我解决问题
的能力。在此，我要再次向我的导师表示最真切的感谢及最真挚的祝福。
其次，我要感谢我们实验室里的每一位老师和同学。在各位老师的管理下，我们
的实验室保持着良好的学风，形成了浓厚的学习环境氛围。同学之间相互帮助，和谐
相处。另外要特别的感谢我的师兄们，甘梓兴、杨子靖、李永强、刘威及李文山师兄，
还有师姐农茜雯以及同门，师弟师妹们，他们在学习上和生活上都给了我很多帮助，
不耐其烦地给我讲解知识，带着我去参加比赛，告诉我怎么写好比赛文档及 PPT，师
兄甚至在我找工作的时候，还给予我指导。再次，感谢你们的陪伴及帮助。
再其次，我要感谢我的家人，感谢他们这么多年的养育之恩以及培育之恩。感谢
爸爸从小就教育我，面对困难，在哪里跌倒就要爬起来以及脚踏实地的做事，从小就
锻炼了我吃苦的能力。感谢妈妈在我在家写论文期间，每天为我准备早餐，为我创造
良好的学习氛围，还有姐姐和弟弟们的帮助。再次感谢家人，对我的鼓励以及支持。
最后，衷心地感谢在本次论文评审工作中的专家和教授，感谢您们对我的论文提
出的宝贵意见，向您们致以最高的敬意。

52
 作者在攻读硕士学位期间的主要研究成果

作者在攻读硕士学位期间的主要研究成果

[参与的科研项目]
[1] 参与国家自然科学基金项目一项。
[2] 参与广西自然科学基金项目一项。

[发表的论文]
[1] Lv GuoPei, Wu Juan, Xie Yuelei. Quasi-coherent Detection Technology for OFDM-
DAPSK Based on Low-dimensional Kalman Filter[C]. ICSAI 2019.（EI 收录）
[2] 吕国裴，谢跃雷. 基于深度学习的跳频信号识别方法[J]. 电讯技术.（审稿中）

[申请的专利]
[1] 谢跃雷,吕国裴,吴娟等.“一种基于分数阶小波变换与希尔伯特黄变换的跳频
信号检测方法”.发明专利,已公开.
[2] 谢跃雷,吕国裴,吴娟等.“基于轮廓特征的跳频信号分类方法”.发明专利,已公
开.
[3] 谢跃雷,吕国裴,吴娟等.“一种基于短时分数阶傅里叶变换的跳频信号的参数
估计方法”.发明专利,已公开.
[4] 谢跃雷,吴娟,吕国裴等.“一种基于分数阶小波变换的无人机图传信号与遥控
信号识别方法”.发明专利,已公开.
[5] 谢跃雷,吴娟,吕国裴等.“一种基于直接特征提取的多载波混合信号的检测与
识别方法”.发明专利,已公开.
[6] 谢跃雷,吴娟,吕国裴等.“一种基于分数阶 C 变换的多载波系统抗衰落的方法”.
发明专利,已公开.
[7] 谢跃雷,刘信,吕国裴等.“一种基于 UDP 协议的无人机 Wi-Fi 图传信号检测方
法”.发明专利,已公开.
[8] 谢跃雷,蒋平,吴娟,吕国裴等.“一种无人机图传及遥控信号的快速通用采集装
置及采集方法”.发明专利,已公开.
[9] 谢跃雷,蒋平,吴娟,吕国裴等.“一种无人机快速检测与识别的装置及方法”.发
明专利,已公开.
[10] 谢跃雷,蒋平,吴娟,吕国裴等.“一种用于无人机跳频信号的快速扫频采集装
置”.发明专利,已授权.
[11] 谢跃雷，刘威，李文山，农茜雯，吴娟，吕国裴等. 一种基于三维波束形成
的联合多普勒频偏和载波频偏的估计方法. 发明专利,已公开.

53
 作者在攻读硕士学位期间的主要研究成果

[科技竞赛]
[1] 刘威、吴娟、吕国裴.“第四届中国互联网+大学生创新创业大赛”广西赛区
银奖（省级奖项）
[2] 蒋平、吕国裴、易国顺.“华为杯”第十四届中国研究生电子设计竞赛华南赛
区二等奖（省级奖项）

54