[发明专利]基于小波包去噪和功率谱熵的线性调频信号参数估计方法

说明书

技术领域

本发明涉及的是一种雷达信号处理技术领域的信号估计方法。

背景技术

对雷达信号脉内特征参数进行分析和参数估计是进行雷达对抗的前提。线性调频信号(LFM)作为一种典型的非平稳信号在雷达、声纳等领域得到了广泛的应用，它是通过非线性相位调制得到的具有大时宽带宽积的脉冲压缩信号，对其参数的精确估计一直是雷达信号处理领域的热点问题，对雷达电子侦察系统中目标的探测和识别也具有重大意义。线性调频信号的关键特征参数是调频斜率和起始频率，本发明针对的是信号的调频斜率的估计。

国内外的专家学者对LFM信号的参数估计方法做了大量的研究，如基于极大似然(ML)估计的方法、分数阶傅里叶变换(FRFT)、Randon-Wigner变换、Randon-Ambiguity变换、基于小波重排的Randon变换、高阶模糊函数法(HAF)等。其中，基于ML的方法估计精度很高，逼近CRLB界，但算法需要二维搜索，运算量大；利用时频分析的方法Randon-Wigner变换、、Randon-Ambiguity变换，运算量与基于ML的方法相比相对减小，存在交叉干扰问题；基于小波重排的Randon变换不会引入交叉项，另外还能提高时频平面的聚集性，运算量稍有减少；FRFT变换方法通过搜索信号变换后的极大值点来对其参数进行估计，且各分量的分数阶傅里叶谱存在相互遮蔽的问题；利用高斯模糊函数进行具有二阶多项式相位信号的LFM信号参数估计，虽然运算量得到降低，但其估计精度和分辨率较差，只有在高信噪比条件下才有较好的估计效果。可见已有的方法都存在这估计精度与算法运算量之间的折衷，精度高则计算量大，计算量小则精度低。

信息熵是信号不确定性地定量评价指标，功率谱熵刻画了被分析信号的谱形结构情况，当信号的频率组成比较简单、谱线较少时，其对应的组分概率越大，计算得到的功率谱熵越小，表示信号的不确定性和复杂性越小；反之，若信号能量在整个谱形结构上分布的越均匀，则功率谱熵越大，信号的复杂性和不确定性越大。因此，功率谱熵可应用于LFM信号的参数估计。

发明内容

本发明的目的在于提供能够克服现有方法运算量大、算法复杂、工程实现困难等不足的基于小波包去噪和功率谱熵的线性调频信号参数估计方法。

本发明的目的是这样实现的：

本发明基于小波包去噪和功率谱熵的线性调频信号参数估计方法，其特征是：

(1)线性调频信号即LFM信号为：

其中f₀为信号的中心频率，k为信号的调频斜率，x(t)表示LFM信号，

在工程的实现中所使用的LFM信号都是有限长的：

有限长的LFM信号的包络为一矩形函数，A为矩形函数的幅度，矩形函数时宽为T，带宽B为信号带宽，时宽带宽积瞬时频率ω(t)与时间呈线性变换关系：

对信号进行多尺度小波包去噪，确定小波包函数和小波包分解层数，得到去噪信号x～(t)：

对接收的信号进行小波包分解，小波包分解的层数为j，将原始含噪信号分解为一系列低频分量x₂，x₄，....，x_2n高频分量x₁，x₃，....，x_2n-1，x_2n和表示第n次分解得到的高频分量，表示第n次分解得到的高频分量，

h0和h1分别为低通和高通滤波器，m为滤波器系数，表示第j层小波包系数序列，表示第(j+1)层的低频小波系数，为第(j+1)层的高频小波系数，

对分解得到的高频小波包系数用经典的硬阈值函数进行处理：

T为设定的阈值，为阈值函数处理后的高频小波包系数，

对低频分量x_2n进行处理：

T为设定的阈值，为阈值函数处理后的低频小波包系数，

最后对经去噪的系数进行重构：

其中分别是h₀、h₁的对偶滤波器；

(2)计算经小波包去噪后的信号的功率谱熵H_f，并建立不同信噪比条件下，不同调频斜率的线性调频信号的熵特征数据库：

对于离散信号序列其功率谱估计的定义式为：

X(ω)为序列x_i的傅里叶变换，需要用FFT实现得到离散傅里叶变换X(j)和功率谱S(j)，j＝1，2，…N，功率谱熵定义为：