CN106685478A - 基于信号时频图像信息提取的跳频信号参数估计方法 - Google Patents
基于信号时频图像信息提取的跳频信号参数估计方法 Download PDFInfo
- Publication number
- CN106685478A CN106685478A CN201611178770.0A CN201611178770A CN106685478A CN 106685478 A CN106685478 A CN 106685478A CN 201611178770 A CN201611178770 A CN 201611178770A CN 106685478 A CN106685478 A CN 106685478A
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- signal
- expressed
- interference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/713—Spread spectrum techniques using frequency hopping
- H04B1/715—Interference-related aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/713—Spread spectrum techniques using frequency hopping
- H04B1/715—Interference-related aspects
- H04B2001/7152—Interference-related aspects with means for suppressing interference
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Noise Elimination (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于信号时频图像信息提取的跳频信号参数估计方法。其包括构建接收信号模型,采用形态学方法对接收信号进行去除扫频干扰、突发干扰、杂散噪声处理,对处理后的灰度时频图像的重心进行跳周期估计,根据跳周期估计结果对时频图像进行去除定频干扰处理,提取处理后的时频图像的时频脊线差分序列并对时频脊线差分序列进行优化,根据优化后的时频脊线差分序列估计起跳时刻和跳频频率完成跳频信号参数估计。本发明能够有效的滤除掉扫频干扰信号、随机突发干扰信号、杂散噪声和功率起伏的定频干扰信号的影响,实现对跳周期、起跳时刻和跳频频率的有效估计。
Description
技术领域
本发明涉及通讯领域,特别是一种基于信号时频图像信息提取的跳频信号参数估计方法。
背景技术
跳频通信作为一种有效的抗干扰通信手段已被现代军事通信***广泛采用。作为非协作通信的第三方,跳频信号参数估计是通信侦察的关键环节,跳频信号参数估计是指在没有任何先验知识的情况下估计出跳频信号的跳周期、起跳时刻以及跳频频率。然而,现实的电磁环境中存在着各种强干扰信号,而且干扰信号频率通常会与跳频信号频率发生碰撞。强干扰环境下,如何在干扰信号与跳频信号发生频率碰撞时寻找一种快速准确的跳频信号参数估计方法一直是现代通信对抗理论的研究工作重点之一。
跳频信号的频率随时间不断跳变,属于典型的非平稳信号,近年来对跳频信号的参数估计大多采用时频分析的方法,如基于时频脊线的跳频信号参数估计方法、基于小波变换的跳频参数估计方法等,但大多数方法的研究对象是不含有干扰信号且信噪比较高的跳频信号。然而,接收机端接收到的跳频信号中通常会存在各种干扰信号,如定频信号、扫频信号、随机突发信号等,在利用时频分析对跳频信号进行参数估计时,这些干扰会产生很大的影响,甚至使原来的方法失效。现有一些文献将功率谱对消和数学形态学的思想应用于跳频信号的参数估计中,成功的滤除掉了跳频信号中的噪声和干扰,然而,这些方法仅适用于干扰信号频率并未与跳频信号频率发生碰撞并且定频干扰信号的功率比较稳定的情况。针对现实环境中定频干扰信号功率起伏且与跳频信号发生频率碰撞的情况,现有的方法不能有效的实现跳频信号的参数估计。
发明内容
本发明的发明目的是:为了解决现有技术中存在的以上问题,本发明提出了一种基于信号时频图像信息提取的跳频信号参数估计方法,实现对跳周期、起跳时刻和跳频频率的有效估计。
本发明的技术方案是:一种基于信号时频图像信息提取的跳频信号参数估计方法,包括以下步骤:
A、构建接收信号模型;
B、采用形态学方法对步骤A中的接收信号进行去除扫频干扰、突发干扰、杂散噪声处理;
C、对步骤B中处理后的灰度时频图像的重心进行跳周期估计;
D、根据步骤C中的跳周期估计结果对时频图像进行去除定频干扰处理;
E、提取步骤D中处理后的时频图像的时频脊线差分序列,并对时频脊线差分序列进行优化;
F、根据步骤E中优化后的时频脊线差分序列估计起跳时刻和跳频频率,完成跳频信号参数估计。
进一步地,所述步骤A中构建的接收信号模型具体为:
其中,s(t)为接收信号,0≤t≤T,T为观测时间,A为跳频信号的幅度,Th为跳周期,T0为起跳时间,fk是跳变频率,N是跳变频率个数,Ji(t)为扫频干扰信号、突发干扰信号、功率起伏的定频干扰信号,n(t)为复高斯白噪声。
进一步地,所述步骤B采用形态学方法对步骤A中的接收信号进行去除扫频干扰、突发干扰、杂散噪声处理,具体包括以下分步骤:
B1、对s(t)进行时频变换,表示为:
其中,STFTs(t,f)为s(t)的短时傅里叶变换,t是时间变量,f是频率变量,h(t)为窗函数;
B2、将时频矩阵STFTs(t,f)转换为灰度时频图像I1(t,f),采用线性结构元素S1对I1(t,f)进行形态学开运算和闭运算得到灰度时频图像I2(t,f),表示为:
进一步地,所述步骤C对步骤B中处理后的灰度时频图像的重心进行跳周期估计,具体包括以下分步骤:
C1、提取I2(t,f)的重心曲线F(t),表示为:
C2、对F(t)进行小波变换,表示为:
其中,Wf(a,b)为小波变换曲线,a为尺度因子,b为平移因子,为母小波函数;
C3、除去小波变换模值|Wf(a,b)|零点时刻峰值和终点时刻峰值,取第一个峰值和最后一个峰值之间的数据进行快速傅里叶变换,然后寻找第一个谱峰位置对应的频率,该频率的倒数即为跳周期估计表示为:
其中,为|Wf(a,b)|的傅里叶变换谱。
进一步地,所述步骤D根据步骤C中的跳周期估计结果对时频图像进行去除定频干扰处理,具体包括以下分步骤:
D1、设置线性结构元素S2的点数为其中Fs为采样频率,重新对I1(t,f)进行形态学开运算和闭运算得到灰度时频图像I3(t,f),然后设置阈值γ,将I3(t,f)转化为二值时频图像BW1(t,f),表示为:
其中,和分别表示BW1(t,f)和I3(t,f)上任一点的灰度值;
D2、采用结构元素S3对BW1(t,f)进行形态学细化得到细化的二值时频图像BW2(t,f),表示为:
D3、将BW2(t,f)上具有一定粘连程度的点归为同一跳频周期的信号,设置门限对于每一频率f,去除定频干扰,表示为:
进一步地,所述步骤D根据步骤C中的跳周期估计结果对时频图像进行去除定频干扰处理,还包括以下分步骤:
D4、针对定频干扰与某段跳频信号发生频率碰撞时,去除定频干扰时亦会去除该段跳频信号,在BW2(t,f)上会出现若干个空白时间段,假设发生频率碰撞的各跳频片段不相邻,且常规的跳频信号很少有两个连续跳周期的频率相同,寻找每个空白时间段的起止时间begi和endi,取其中点为补全BW2(t,f),表示为:
其中,fi为定频干扰与跳频信号发生碰撞时的频率,由每个空白时间段内STFTs(ti,f)在每个频率f处的能量和的最大值得出,表示为:
进一步地,所述步骤E提取步骤D中处理后的时频图像的时频脊线差分序列,并对时频脊线差分序列进行优化,具体包括以下分步骤:
E1、提取步骤D中处理后的BW2(t,f)的时频脊线y(t),表示为:
E2、平滑补齐时频脊线并进行一次差分,对跳变时刻附近的差分值求和,将求和值作为差分绝对值最大的时刻点的归一化频率值,并置附近其他时间点的归一化频率值为零,得到优化的时频脊线差分序列。
进一步地,所述步骤F根据步骤E中优化后的时频脊线差分序列估计起跳时刻和跳频频率,完成跳频信号参数估计,具体包括以下分步骤:
F1、设定差分序列共有M个峰值,且出现的时间为Tp(k),k=1,2,...,M,起跳时刻的估计表示为:
F2、取时频脊线y(t)各跳周期的中点频率值作为跳频频率的估计表示为:
本发明的有益效果是:本发明针对扫频干扰、突发干扰以及功率起伏的定频干扰信号,当干扰信号与跳频信号发生频率碰撞时,采用形态学处理的方法消除扫频干扰、随机突发干扰和杂散噪声的影响,利用灰度时频图像的重心曲线估计出跳周期,通过对细化二值时频图像中定频干扰的滤除以及被干扰跳频段的补齐,提取出完整的时频脊线,实现起跳时刻和跳频频率的估计;本发明能够有效的滤除掉扫频干扰信号、随机突发干扰信号、杂散噪声和功率起伏的定频干扰信号的影响,实现对跳周期、起跳时刻和跳频频率的有效估计。
附图说明
图1是本发明的基于信号时频图像信息提取的跳频信号参数估计方法流程示意图;
图2是本发明的混合信号的灰度时频图像示意图;
图3是本发明的跳周期估计的归一化均方误差示意图;
图4是本发明的起跳时刻估计的归一化均方误差示意图;
图5是本发明的跳频频率估计的归一化均方误差示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,为本发明的基于信号时频图像信息提取的跳频信号参数估计方法流程示意图。一种基于信号时频图像信息提取的跳频信号参数估计方法,包括以下步骤:
A、构建接收信号模型;
B、采用形态学方法对步骤A中的接收信号进行去除扫频干扰、突发干扰、杂散噪声处理;
C、对步骤B中处理后的灰度时频图像的重心进行跳周期估计;
D、根据步骤C中的跳周期估计结果对时频图像进行去除定频干扰处理;
E、提取步骤D中处理后的时频图像的时频脊线差分序列,并对时频脊线差分序列进行优化;
F、根据步骤E中优化后的时频脊线差分序列估计起跳时刻和跳频频率,完成跳频信号参数估计。
在步骤A中,本发明针对跳频信号构建接收信号模型,表示为:
其中,s(t)为接收信号,0≤t≤T,T为观测时间,A为跳频信号的幅度,Th为跳周期,T0为起跳时间,fk是跳变频率,N是跳变频率个数,Ji(t)为扫频干扰信号、突发干扰信号、功率起伏的定频干扰信号,n(t)为复高斯白噪声。
在步骤B中,采用形态学方法对步骤A中的接收信号进行去除扫频干扰、突发干扰、杂散噪声处理,具体包括以下分步骤:
B1、对s(t)进行时频变换,表示为:
其中,STFTs(t,f)为s(t)的短时傅里叶变换,t是时间变量,f是频率变量,h(t)为窗函数;
B2、将时频矩阵STFTs(t,f)转换为灰度时频图像I1(t,f),采用线性结构元素S1对I1(t,f)进行形态学开运算和闭运算得到灰度时频图像I2(t,f),表示为:
在步骤C中,对步骤B中处理后的灰度时频图像的重心进行跳周期估计,具体包括以下分步骤:
C1、提取I2(t,f)的重心曲线F(t),表示为:
C2、对F(t)进行小波变换,表示为:
其中,Wf(a,b)为小波变换曲线,a为尺度因子,b为平移因子,为母小波函数;
C3、除去小波变换模值|Wf(a,b)|零点时刻峰值和终点时刻峰值,取第一个峰值和最后一个峰值之间的数据进行快速傅里叶变换,然后寻找第一个谱峰位置对应的频率,该频率的倒数即为跳周期估计表示为:
其中,为的傅里叶变换谱。
在步骤D中,根据步骤C中的跳周期估计结果对时频图像进行去除定频干扰处理,具体包括以下分步骤:
D1、设置线性结构元素S2的点数为其中Fs为采样频率,重新对I1(t,f)进行形态学开运算和闭运算得到灰度时频图像I3(t,f),然后设置阈值γ,将I3(t,f)转化为二值时频图像BW1(t,f),表示为:
其中,和分别表示BW1(t,f)和I3(t,f)上任一点的灰度值;
D2、采用结构元素S3对BW1(t,f)进行形态学细化得到细化的二值时频图像BW2(t,f),表示为:
D3、将BW2(t,f)上具有一定粘连程度的点归为同一跳频周期的信号,设置门限对于每一频率f,去除定频干扰,表示为:
D4、针对定频干扰与某段跳频信号发生频率碰撞时,去除定频干扰时亦会去除该段跳频信号,在BW2(t,f)上会出现若干个空白时间段,假设发生频率碰撞的各跳频片段不相邻,且常规的跳频信号很少有两个连续跳周期的频率相同,寻找每个空白时间段的起止时间begi和endi,取其中点为补全BW2(t,f),表示为:
其中,fi为定频干扰与跳频信号发生碰撞时的频率,由每个空白时间段内STFTs(ti,f)在每个频率f处的能量和的最大值得出,表示为:
在步骤E中,提取步骤D中处理后的时频图像的时频脊线差分序列,并对时频脊线差分序列进行优化,具体包括以下分步骤:
E1、提取步骤D中处理后的BW2(t,f)的时频脊线y(t),表示为:
E2、平滑补齐时频脊线并进行一次差分,对跳变时刻附近的差分值求和,将求和值作为差分绝对值最大的时刻点的归一化频率值,并置附近其他时间点的归一化频率值为零,得到优化的时频脊线差分序列。
在步骤F中,根据步骤E中优化后的时频脊线差分序列估计起跳时刻和跳频频率,完成跳频信号参数估计,具体包括以下分步骤:
F1、设定差分序列共有M个峰值,且出现的时间为Tp(k),k=1,2,...,M,起跳时刻的估计表示为:
F2、取时频脊线y(t)各跳周期的中点频率值作为跳频频率的估计表示为:
为了使本发明的优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。如图2所示,为本发明的混合信号的灰度时频图像示意图;如图3所示,为本发明的跳周期估计的归一化均方误差示意图;如图4所示,为本发明的起跳时刻估计的归一化均方误差示意图;如图5所示,为本发明的跳频频率估计的归一化均方误差示意图。
本发明中产生的跳频信号的跳周期为5ms,第二跳的起跳时刻为5ms,跳频频率为{550,950,750,1250,1000,600,1050,800,500,1200,850,1150,700,900,650,1100}kHz,采样频率为5MHz;产生的定频干扰频率为850kHz,信干比在-15dB~-10dB之间起伏;产生的扫频干扰起止频率为350kHz和1400kHz,干扰信干比为-10dB;产生的随机突发干扰频率为520kHz和1020kHz,干扰信干比为-10dB;产生的底部噪声为复高斯白噪声。
时频分析窗采用1000点的hamming窗,采用形态学方法对接收信号进行去除扫频干扰、突发干扰、杂散噪声处理中采用200点的线性结构元素,小波变换采用128点的haar小波,定义为:
在各种信噪比下进行100次Monte Carlo实验,得到跳周期估计的归一化均方误差、起跳时刻估计的归一化均方误差和跳频频率估计的归一化均方误差随信噪比的变化曲线。从图中可以看出,本发明的基于信号时频图像信息提取的跳频信号参数估计方法能够有效的滤除掉扫频干扰信号、随机突发干扰信号、杂散噪声和功率起伏的定频干扰信号的影响,实现对跳周期、起跳时刻和跳频频率的有效估计。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种基于信号时频图像信息提取的跳频信号参数估计方法,其特征在于,包括以下步骤:
A、构建接收信号模型;
B、采用形态学方法对步骤A中的接收信号进行去除扫频干扰、突发干扰、杂散噪声处理;
C、对步骤B中处理后的灰度时频图像的重心进行跳周期估计;
D、根据步骤C中的跳周期估计结果对时频图像进行去除定频干扰处理;
E、提取步骤D中处理后的时频图像的时频脊线差分序列,并对时频脊线差分序列进行优化;
F、根据步骤E中优化后的时频脊线差分序列估计起跳时刻和跳频频率,完成跳频信号参数估计。
2.如权利要求1所述的基于信号时频图像信息提取的跳频信号参数估计方法,其特征在于,所述步骤A中构建的接收信号模型具体为:
其中,s(t)为接收信号,0≤t≤T,T为观测时间,A为跳频信号的幅度,Th为跳周期,T0为起跳时间,fk是跳变频率,N是跳变频率个数,Ji(t)为扫频干扰信号、突发干扰信号、功率起伏的定频干扰信号,n(t)为复高斯白噪声。
3.如权利要求2所述的基于信号时频图像信息提取的跳频信号参数估计方法,其特征在于,所述步骤B采用形态学方法对步骤A中的接收信号进行去除扫频干扰、突发干扰、杂散噪声处理,具体包括以下分步骤:
B1、对s(t)进行时频变换,表示为:
其中,STFTs(t,f)为s(t)的短时傅里叶变换,t是时间变量,f是频率变量,h(t)为窗函数;
B2、将时频矩阵STFTs(t,f)转换为灰度时频图像I1(t,f),采用线性结构元素S1对I1(t,f)进行形态学开运算和闭运算得到灰度时频图像I2(t,f),表示为:
4.如权利要求3所述的基于信号时频图像信息提取的跳频信号参数估计方法,其特征在于,所述步骤C对步骤B中处理后的灰度时频图像的重心进行跳周期估计,具体包括以下分步骤:
C1、提取I2(t,f)的重心曲线F(t),表示为:
C2、对F(t)进行小波变换,表示为:
其中,Wf(a,b)为小波变换曲线,a为尺度因子,b为平移因子,为母小波函数;
C3、除去小波变换模值|Wf(a,b)|零点时刻峰值和终点时刻峰值,取第一个峰值和最后一个峰值之间的数据进行快速傅里叶变换,然后寻找第一个谱峰位置对应的频率,该频率的倒数即为跳周期估计表示为:
其中,为|Wf(a,b)|的傅里叶变换谱。
5.如权利要求4所述的基于信号时频图像信息提取的跳频信号参数估计方法,其特征在于,所述步骤D根据步骤C中的跳周期估计结果对时频图像进行去除定频干扰处理,具体包括以下分步骤:
D1、设置线性结构元素S2的点数为其中Fs为采样频率,重新对I1(t,f)进行形态学开运算和闭运算得到灰度时频图像I3(t,f),然后设置阈值γ,将I3(t,f)转化为二值时频图像BW1(t,f),表示为:
其中,和分别表示BW1(t,f)和I3(t,f)上任一点的灰度值;
D2、采用结构元素S3对BW1(t,f)进行形态学细化得到细化的二值时频图像BW2(t,f),表示为:
D3、将BW2(t,f)上具有一定粘连程度的点归为同一跳频周期的信号,设置门限对于每一频率f,去除定频干扰,表示为:
6.如权利要求5所述的基于信号时频图像信息提取的跳频信号参数估计方法,其特征在于,所述步骤D根据步骤C中的跳周期估计结果对时频图像进行去除定频干扰处理,还包括以下分步骤:
D4、针对定频干扰与某段跳频信号发生频率碰撞时,去除定频干扰时亦会去除该段跳频信号,在BW2(t,f)上会出现若干个空白时间段,假设发生频率碰撞的各跳频片段不相邻,且常规的跳频信号很少有两个连续跳周期的频率相同,寻找每个空白时间段的起止时间begi和endi,取其中点为补全BW2(t,f),表示为:
其中,fi为定频干扰与跳频信号发生碰撞时的频率,由每个空白时间段内STFTs(ti,f)在每个频率f处的能量和的最大值得出,表示为:
7.如权利要求6所述的基于信号时频图像信息提取的跳频信号参数估计方法,其特征在于,所述步骤E提取步骤D中处理后的时频图像的时频脊线差分序列,并对时频脊线差分序列进行优化,具体包括以下分步骤:
E1、提取步骤D中处理后的BW2(t,f)的时频脊线y(t),表示为:
E2、平滑补齐时频脊线并进行一次差分,对跳变时刻附近的差分值求和,将求和值作为差分绝对值最大的时刻点的归一化频率值,并置附近其他时间点的归一化频率值为零,得到优化的时频脊线差分序列。
8.如权利要求7所述的基于信号时频图像信息提取的跳频信号参数估计方法,其特征在于,所述步骤F根据步骤E中优化后的时频脊线差分序列估计起跳时刻和跳频频率,完成跳频信号参数估计,具体包括以下分步骤:
F1、设定差分序列共有M个峰值,且出现的时间为Tp(k),k=1,2,...,M,起跳时刻的估计表示为:
F2、取时频脊线y(t)各跳周期的中点频率值作为跳频频率的估计表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611178770.0A CN106685478B (zh) | 2016-12-19 | 2016-12-19 | 基于信号时频图像信息提取的跳频信号参数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611178770.0A CN106685478B (zh) | 2016-12-19 | 2016-12-19 | 基于信号时频图像信息提取的跳频信号参数估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106685478A true CN106685478A (zh) | 2017-05-17 |
CN106685478B CN106685478B (zh) | 2020-06-19 |
Family
ID=58870036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611178770.0A Active CN106685478B (zh) | 2016-12-19 | 2016-12-19 | 基于信号时频图像信息提取的跳频信号参数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106685478B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273860A (zh) * | 2017-06-20 | 2017-10-20 | 电子科技大学 | 基于连通区域标记的跳频信号动态聚类提取方法 |
CN108462509A (zh) * | 2018-03-26 | 2018-08-28 | 西安电子科技大学 | 基于时频图信息的异步跳频网台分选方法 |
CN109462422A (zh) * | 2018-11-15 | 2019-03-12 | 同方电子科技有限公司 | 一种实现超短波跳频信号跟踪干扰的***和方法 |
CN110048741A (zh) * | 2019-04-22 | 2019-07-23 | 桂林电子科技大学 | 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 |
CN110501728A (zh) * | 2018-05-16 | 2019-11-26 | 清华大学 | 定位基站跳时信号的鉴频方法及鉴频装置 |
CN111931593A (zh) * | 2020-07-16 | 2020-11-13 | 上海无线电设备研究所 | 一种基于深度神经网络和时频图像序列的弱目标检测方法 |
CN111934711A (zh) * | 2020-06-30 | 2020-11-13 | 中国人民解放军63892部队 | 一种时频混叠跳频信号的参数估计方法 |
CN114696922A (zh) * | 2022-02-22 | 2022-07-01 | 电子科技大学 | 一种适用于无人机通信的跳频信号检测方法 |
CN114710215A (zh) * | 2022-04-08 | 2022-07-05 | 郑州大学 | 一种跳频信号快速盲检测的方法 |
CN114759951A (zh) * | 2022-06-15 | 2022-07-15 | 成都中星世通电子科技有限公司 | 跳频信号实时盲检测方法、参数估计方法、***及终端 |
CN115641455A (zh) * | 2022-09-16 | 2023-01-24 | 杭州视图智航科技有限公司 | 一种基于多特征融合的图像匹配方法 |
CN116112038A (zh) * | 2022-12-29 | 2023-05-12 | 中国电子科技集团公司第三十研究所 | 一种基于图像处理的跳频信号网台分选方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103607249A (zh) * | 2013-09-22 | 2014-02-26 | 郝建华 | 一种ds/fh混合扩频信号参数测试方法与*** |
CN103746722A (zh) * | 2014-01-02 | 2014-04-23 | 东南大学 | 一种跳频信号跳周期和起跳时间估计方法 |
CN105991492A (zh) * | 2015-02-10 | 2016-10-05 | 北京空间飞行器总体设计部 | 跳频信号识别方法 |
-
2016
- 2016-12-19 CN CN201611178770.0A patent/CN106685478B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103607249A (zh) * | 2013-09-22 | 2014-02-26 | 郝建华 | 一种ds/fh混合扩频信号参数测试方法与*** |
CN103746722A (zh) * | 2014-01-02 | 2014-04-23 | 东南大学 | 一种跳频信号跳周期和起跳时间估计方法 |
CN105991492A (zh) * | 2015-02-10 | 2016-10-05 | 北京空间飞行器总体设计部 | 跳频信号识别方法 |
Non-Patent Citations (5)
Title |
---|
TONG LI;JUN LV;WEITAO SUN: "An improved algorithm based on s-transform for parameter estimation of frequency-hopping signals", 《PROCEEDINGS OF 2013 2ND INTERNATIONAL CONFERENCE ON MEASUREMENT, INFORMATION AND CONTROL》 * |
XU MANKUN;PING XIJIAN;LI TIANYUN;XU MANTIAN: "A New Time-Frequency Spectrogram Analysis of FH Signals by Image Enhancement and Mathematical Morphology", 《FOURTH INTERNATIONAL CONFERENCE ON IMAGE AND GRAPHICS (ICIG 2007)》 * |
ZHAO ZHIJIN;YAO YAO;SHANG JUN-NA: "Frequency hopping signals analysis based on image processing", 《2008 INTERNATIONAL CONFERENCE ON NEURAL NETWORKS AND SIGNAL PROCESSING》 * |
宫翔;***;王晨光: "基于时频分析与形态学滤波的跳频参数估计", 《空军雷达学院学报》 * |
胡鑫磊;张国毅;田润澜: "一种新的跳频信号参数估计方法", 《一种新的跳频信号参数估计方法》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273860A (zh) * | 2017-06-20 | 2017-10-20 | 电子科技大学 | 基于连通区域标记的跳频信号动态聚类提取方法 |
CN107273860B (zh) * | 2017-06-20 | 2020-11-24 | 电子科技大学 | 基于连通区域标记的跳频信号动态聚类提取方法 |
CN108462509B (zh) * | 2018-03-26 | 2019-10-11 | 西安电子科技大学 | 基于时频图信息的异步跳频网台分选方法 |
CN108462509A (zh) * | 2018-03-26 | 2018-08-28 | 西安电子科技大学 | 基于时频图信息的异步跳频网台分选方法 |
CN110501728A (zh) * | 2018-05-16 | 2019-11-26 | 清华大学 | 定位基站跳时信号的鉴频方法及鉴频装置 |
CN109462422A (zh) * | 2018-11-15 | 2019-03-12 | 同方电子科技有限公司 | 一种实现超短波跳频信号跟踪干扰的***和方法 |
CN109462422B (zh) * | 2018-11-15 | 2021-06-18 | 同方电子科技有限公司 | 一种实现超短波跳频信号跟踪干扰的***和方法 |
CN110048741A (zh) * | 2019-04-22 | 2019-07-23 | 桂林电子科技大学 | 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 |
CN111934711A (zh) * | 2020-06-30 | 2020-11-13 | 中国人民解放军63892部队 | 一种时频混叠跳频信号的参数估计方法 |
CN111931593B (zh) * | 2020-07-16 | 2024-04-26 | 上海无线电设备研究所 | 一种基于深度神经网络和时频图像序列的弱目标检测方法 |
CN111931593A (zh) * | 2020-07-16 | 2020-11-13 | 上海无线电设备研究所 | 一种基于深度神经网络和时频图像序列的弱目标检测方法 |
CN114696922A (zh) * | 2022-02-22 | 2022-07-01 | 电子科技大学 | 一种适用于无人机通信的跳频信号检测方法 |
CN114710215A (zh) * | 2022-04-08 | 2022-07-05 | 郑州大学 | 一种跳频信号快速盲检测的方法 |
CN114710215B (zh) * | 2022-04-08 | 2024-02-02 | 郑州大学 | 一种跳频信号快速盲检测的方法 |
CN114759951A (zh) * | 2022-06-15 | 2022-07-15 | 成都中星世通电子科技有限公司 | 跳频信号实时盲检测方法、参数估计方法、***及终端 |
CN115641455A (zh) * | 2022-09-16 | 2023-01-24 | 杭州视图智航科技有限公司 | 一种基于多特征融合的图像匹配方法 |
CN115641455B (zh) * | 2022-09-16 | 2024-01-09 | 杭州视图智航科技有限公司 | 一种基于多特征融合的图像匹配方法 |
CN116112038A (zh) * | 2022-12-29 | 2023-05-12 | 中国电子科技集团公司第三十研究所 | 一种基于图像处理的跳频信号网台分选方法及*** |
CN116112038B (zh) * | 2022-12-29 | 2024-05-24 | 中国电子科技集团公司第三十研究所 | 一种基于图像处理的跳频信号网台分选方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN106685478B (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106685478A (zh) | 基于信号时频图像信息提取的跳频信号参数估计方法 | |
CN102760444B (zh) | 基于支撑向量机的基带时域音频信号分类方法 | |
CN112087774B (zh) | 一种基于残差神经网络的通信辐射源个体识别方法 | |
CN106899968A (zh) | 一种基于WiFi信道状态信息的主动非接触身份认证方法 | |
CN101587186B (zh) | 一种雷达脉内调制信号的特征提取方法 | |
CN102799892B (zh) | 一种mfcc水下目标特征提取和识别方法 | |
CN102707285A (zh) | 车载毫米波防撞雷达***的频域恒虚警检测方法 | |
CN101881826A (zh) | 扫描模式海杂波局部多重分形目标检测器 | |
CN101882964A (zh) | 瞬变电磁探测回波信号的降噪方法 | |
CN102509263B (zh) | 基于sar图像局部统计特性的k-svd相干斑抑制方法 | |
CN103346845A (zh) | 基于快速傅里叶变换的盲频谱感知方法及装置 | |
CN102916917A (zh) | 基于切片双谱和小波变换的fsk信号个体识别方法 | |
CN102636775B (zh) | 基于模糊逻辑识别的风廓线雷达回波谱重构方法 | |
CN103135091A (zh) | 一种波达方向估计***中的自适应冲击噪声消除方法 | |
CN108090462B (zh) | 一种基于盒维数的辐射源指纹特征提取方法 | |
CN105510895B (zh) | 一种随机脉冲间隔序列的信号处理方法 | |
CN103217676A (zh) | 基于双谱去噪的噪声背景下雷达目标识别方法 | |
CN107015207A (zh) | 基于frft域峰值离散特性的有源压制干扰分类识别方法 | |
Yang et al. | Radar emitter signal recognition based on time-frequency analysis | |
CN102307055B (zh) | Dsss频域干扰检测方法 | |
CN102664843A (zh) | 一种单频干扰检测和消除的方法及其装置 | |
CN112014801A (zh) | 一种基于SPWVD和改进AlexNet的复合干扰识别方法 | |
CN101853496A (zh) | 一种基于目标尺度的混合图像滤波方法 | |
CN104200093A (zh) | 一种积分延拓抑制局域均值分解端点效应的方法 | |
CN102903083A (zh) | 基于Context模型和双树复小波变换的水下声纳图像的去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |