论文部分内容阅读
随着电子与雷达技术的快速发展,新型复杂体制雷达越来越多,并已占据主导的地位,传统的五参数分析已经满足不了现代电子侦查的需要,需要提取一些更稳定精细的脉内特征来满足侦查分析的需要。脉内分析的目的是对脉内调制参数进行估计和对脉内调制方式进行识别,而调制方式及调制参数的选取跟雷达的功能与用途密切相关,因此,对截获的雷达信号进行调制参数的有效估计能够对雷达进行准确有效的评估,具有十分重要的意义。现代的电子战场的电磁环境变得日益复杂,电子侦察设备非常密集,复杂密集的电磁信号环境使得接收机截获到的信号往往是多部不同的雷达辐射源信号交叠或重叠在一起的混合信号,即多分量雷达信号,这大大增加了对雷达信号进行分离与调制参数估计的难度。多分量雷达信号一般很难单独从时域或频域直接进行分离,主要采用的是基于时频变换的分析方法来进行时频特征的提取,以实现分离与参数估计。如何有效地对多分量雷达信号进行分离与参数提取是非常值得研究的难题。本论文在许多的基于时频变换的时频分析方法中选择Hilbert-Huang变换来对多分量雷达信号进行脉内分析,获得多分量雷达信号的Hilbert谱即时频分布,对其进行时频特征的提取。提出了结合小波包分解及筛选过程的改进的HilbertHuang变换,该改进算法提高了算法的抗噪性能,能够有效抑制EMD(经验模态分解)过程中的模态混叠现象及剔除虚假频率分量,在SNR=0dB的条件下,能够有效抑制噪声,获得正确清晰的多分量雷达信号的时频分布即Hilbert谱。为了使时频谱中各不同分量雷达信号时频线更加聚集,接着引入图像处理的方法,采用高斯平滑滤波对Hilbert谱进行平滑处理以获得更高的时频聚集性,为后面对多分量雷达信号的各分量信号进行分离提取以及相关调制参数的估计做好准备。与经典的WVD(魏格纳分布),SPWVD(平滑伪魏格纳分布)相比,在不同信噪比条件下,改进的Hilbert-Huang变换算法所得的Hilbert谱结合高斯平滑滤波后的时频聚集性普遍更好。最后采用基于幅度加权K-MEANS滑窗算法进行多分量雷达信号时频线的分离提取及参数估计,在5dB条件下,本论文算法能够对含四个分量的混合多分量雷达信号进行有效分离及调制参数估计,对多分量雷达信号中的各个分量雷达信号的脉内调制的参数估计误差可以控制在5%之内。