CN109471073A - 基于增广拉格朗日粒子群算法的nlfm信号生成方法及装置 - Google Patents
基于增广拉格朗日粒子群算法的nlfm信号生成方法及装置 Download PDFInfo
- Publication number
- CN109471073A CN109471073A CN201811290459.4A CN201811290459A CN109471073A CN 109471073 A CN109471073 A CN 109471073A CN 201811290459 A CN201811290459 A CN 201811290459A CN 109471073 A CN109471073 A CN 109471073A
- Authority
- CN
- China
- Prior art keywords
- signal
- particle
- model
- nlfm
- nlfm signal
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/282—Transmitters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例公开了一种基于增广拉格朗日粒子群算法的NLFM信号生成方法,该方法包括:基于分段线性函数,构建NLFM信号对应的时域模型;根据NLFM信号对应的自相关性能,确定信号优化模型,信号优化模型为低旁瓣窄主瓣宽度的优化模型;获取初始NLFM信号;利用时域模型、增广拉格朗日粒子群算法和信号优化模型,得到初始NLFM信号对应的最优信号。本发明实施例同时还公开了一种基于增广拉格朗日粒子群算法的NLFM信号生成装置。
Description
技术领域
本发明涉及雷达发射信号领域中的信号处理技术,尤其涉及一种基于增广拉格朗日粒子群算法的NLFM(Non-linear frequency modulation,非线性调频)信号生成方法及装置。
背景技术
线性调频信号(Linear Frequency Modulation,LFM)因其对目标具有高分辨率成像能力,常被用于现代雷达中,比如合成孔径雷达(Synthetic Aperture Radar,SAR)。雷达在使用LFM信号时会产生高的旁瓣,而高的旁瓣电平会使目标产生旁瓣虚假信息。通常采用加窗处理来抑制旁瓣并保持相位信息。然而,进行加窗处理会导致雷达信噪比下降,这相当于导致了雷达发射机的能量下降。为了克服在进行旁瓣抑制时导致的信噪比丢失的难题,非线性调频信号因其能同时保存雷达的信噪比又能达到通过加窗处理抑制旁瓣的效果,得到了广大雷达发射信号处理工作者的青睐。
然而现有技术中,在进行NLFM信号处理时,在抑制旁瓣的同时不可避免地展宽了主瓣,主瓣宽度的展开会导致NLFM信号分辨率降低,也就降低了NLFM信号的成像能力。
发明内容
为解决上述技术问题,本发明实施例期望提供一种基于增广拉格朗日粒子群算法的NLFM信号生成方法及装置,能够提高NLFM信号的成像能力。
本发明的技术方案是这样实现的:
本发明实施例提供了一种基于增广拉格朗日粒子群算法的NLFM信号生成方法,所述方法包括:
基于分段线性函数,构建NLFM信号对应的时域模型;
根据所述NLFM信号对应的自相关性能,确定信号优化模型,所述信号优化模型为低旁瓣窄主瓣宽度的优化模型;
获取初始NLFM信号;
利用所述时域模型、增广拉格朗日粒子群算法和所述信号优化模型,得到所述初始NLFM信号对应的最优信号。
在上述方案中,所述利用所述时域模型、增广拉格朗日粒子群算法和所述信号优化模型,得到所述初始NLFM信号对应的最优信号,包括:
利用所述增广拉格朗日粒子群算法和所述信号优化模型对所述初始NLFM信号进行迭代优化,得到最优粒子;
将所述最优粒子输入所述时域模型,得到所述初始NLFM信号对应的所述最优信号。
在上述方案中,所述基于分段线性函数,构建NLFM信号对应的时域模型,包括:
基于所述分段线性函数对所述NLFM信号对应的时频信息进行函数表示,得到所述NLFM信号的时频关系模型;
根据所述时频关系模型,确定所述NLFM信号的相位模型;
根据所述NLFM信号对应的幅度和所述相位模型,构建所述时域模型。
在上述方案中,所述根据所述NLFM信号对应的自相关性能,确定信号优化模型,包括:
根据所述NLFM信号对应的自相关性能,确定性能参数,所述性能参数包括峰值旁瓣比和主瓣宽度;
根据所述性能参数,确定所述信号优化模型。
在上述方案中,所述利用所述增广拉格朗日粒子群算法和所述信号优化模型对初始NLFM信号进行迭代优化,得到最优粒子,包括:
根据所述初始NLFM信号,确定初始频率控制点信息;
根据所述初始频率控制点信息,确定第一粒子群信息;
利用所述增广拉格朗日粒子群算法和所述信号优化模型对所述第一粒子群信息进行迭代优化,得到所述最优粒子。
在上述方案中,所述根据所述初始NLFM信号,确定初始频率控制点信息,包括:
选取窗函数;
基于所述窗函数和驻定相位原理,计算得到所述初始NLFM信号对应的群时延函数;
根据所述群时延函数,得到所述初始NLFM信号对应的初始时频关系;
根据所述初始时频关系,确定所述初始频率控制点信息。
在上述方案中,所述利用所述增广拉格朗日粒子群算法和所述信号优化模型对所述第一粒子群信息进行迭代优化,包括:
利用增广拉格朗日粒子群算法,确定粒子与适应值关系;
初始化第一优化参数;
根据所述粒子与适应值关系、所述第一优化参数和所述信号优化模型,对所述第一粒子群信息进行迭代优化。
在上述方案中,当所述第一优化参数包括第一拉格朗日算子和第一偏移量时,所述根据所述粒子与适应值关系、所述第一优化参数和所述信号优化模型对所述第一粒子群信息进行迭代优化,包括:
根据所述第一粒子群信息、所述第一拉格朗日算子和所述第一偏移量,确定第二粒子群信息;
根据所述第一拉格朗日算子、所述第一偏移量和所述信号优化模型,确定第二拉格朗日算子和第二偏移量;
根据所述粒子与适应值关系、所述第二拉格朗日算子和所述第二偏移量,对所述第二粒子群信息进行持续迭代优化。
在上述方案中,当所述第一优化参数还包括第一惯性权重、学习因子和第一速度时,所述根据所述第一粒子群信息、所述第一拉格朗日算子和所述第一偏移量,确定第二粒子群信息,包括:
根据所述第一粒子群信息,以及所述粒子与适应值关系,确定第一适应值;
根据所述第一适应值,从所述第一粒子群信息中确定第一最优粒子;
根据粒子历史自身位置,确定第一自身最优粒子,所述粒子历史自身位置为粒子之前所处位置信息集合;
根据所述第一惯性权重、所述学习因子、所述第一速度、所述第一最优粒子和所述第一自身最优粒子,确定第二速度;
根据所述第一粒子群信息和所述第二速度,确定所述第二粒子群信息。
在上述方案中,所述得到最优粒子,包括:
当检测到所述增广拉格朗日粒子群算法收敛时,确定所述最优粒子。
在上述方案中,所述基于所述分段线性函数对所述NLFM信号对应的时频信息进行函数表示,得到所述NLFM信号的时频关系模型,根据所述时频关系模型,确定所述NLFM信号的相位模型,根据所述NLFM信号对应的幅度和所述相位模型,构建所述时域模型,包括:
在笛卡尔坐标系中将所述NLFM信号的时频信息的坐标定义为(t,f),其中,t表示横坐标轴上对应的时间,f表示纵坐标轴上对应的频率,并将脉冲宽度为T和信号的带宽为B的所述NLFM信号分为2n+2段线性函数表示,其中,横坐标轴上共有2n+3个时间分段点并且所述时间分段点是均匀分布的,即 纵坐标上有2n+3个频率分段点所述频率分段点中的未知量构成所述NLFM信号的频率控制点Bc=[B2n,...,B21,B11,...,B1n],n为大于等于0的正整数,得到所述NLFM信号对应的所述时频关系模型为:
其中,k2n…k21、k20、k10、k11…k1n表征每段所述NLFM信号对应的调频率;
根据所述时频关系模型,确定所述NLFM信号对应的所述相位模型:
其中,c0、c1…cn、d0、d1…dn为常数;
根据所述相位模型构建幅度为A的所述NLFM信号的时域模型:
s(t)=Ae-hθ(t)
其中,h为所述时域模型的虚部。
在上述方案中,所述粒子与适应值关系为:
Θ(Bc,λ,s)=q(Bc)-λslog(s-c(Bc))
其中,Bc为粒子,λ为拉格朗日算子,s为偏移量,Θ(Bc,λ,s)为粒子Bc对应的适应值,q(Bc)为粒子对应的目标值,c(Bc)为粒子对应的约束值。
在上述方案中,所述信号优化模型为:
其中,Bc为粒子,且Bc的取值范围为[-B/2,B/2],和c(MW)≤0表征在不展宽主瓣宽度的情况下降低旁瓣;
或者,所述信号优化模型为:
其中,Bc为粒子,且Bc的取值范围为[-B/2,B/2],和c(PLSR)≤0表征在不升高旁瓣的情况下缩小主瓣宽度。
本发明实施例提供了一种基于增广拉格朗日粒子群算法的NLFM信号生成装置,所述基于增广拉格朗日粒子群算法的NLFM信号生成装置包括:
构建单元,用于基于分段线性函数,构建NLFM信号对应的时域模型;
第一确定单元,用于根据所述NLFM信号对应的自相关性能,确定信号优化模型,所述信号优化模型为低旁瓣窄主瓣宽度的优化模型;
获取单元,用于获取初始NLFM信号;
优化单元,用于利用所述时域模型、增广拉格朗日粒子群算法和所述信号优化模型,得到所述初始NLFM信号对应的最优信号。
本发明实施例提供了一种基于增广拉格朗日粒子群算法的NLFM信号生成装置,所述基于增广拉格朗日粒子群算法的NLFM信号生成装置包括:处理器、存储器和通信总线,所述存储器通过所述通信总线与所述处理器进行通信,所述存储器存储所述处理器可执行的一个或者多个程序,当所述一个或者多个程序被执行时,通过所述处理器执行如上述所述的基于增广拉格朗日粒子群算法的NLFM信号生成方法。
本发明实施例提供了一种基于增广拉格朗日粒子群算法的NLFM信号生成方法及装置,首先,基于分段线性函数,构建非线性调频信号对应的时域模型;其次,根据非线性调频信号对应的自相关性能,确定信号优化模型,信号优化模型为低旁瓣窄主瓣宽度的优化模型;再次,获取初始非线性调频信号;最后,利用时域模型、增广拉格朗日粒子群算法和信号优化模型,得到初始非线性调频信号对应的最优信号。采用上述技术实现方案,由于信号优化模型为低旁瓣窄主瓣宽度的优化模型,因此,基于增广拉格朗日粒子群算法,并根据该信号优化模型对初始非线性调频信号进行迭代优化后,再利用分段线性函数设计出对应的最优信号,是具有低旁瓣窄主瓣宽度的特性的NLFM信号,从而也就提高了NLFM信号的成像能力。
附图说明
图1为本发明实施例提供的一种基于增广拉格朗日粒子群算法的NLFM信号生成方法实现流程图;
图2为本发明实施例提供的一种示例性的时频关系模型示意图;
图3为本发明实施例提供的一种示例性的最优信号的时频关系曲线;
图4为本发明实施例提供的一种示例性的最优信号的时域波形;
图5为本发明实施例提供的一种示例性的最优信号的自相关输出波形;
图6为本发明实施例提供的一种基于增广拉格朗日粒子群算法的NLFM信号生成装置的结构示意图一;
图7为本发明实施例提供的一种基于增广拉格朗日粒子群算法的NLFM信号生成装置的结构示意图二。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
实施例一
本发明实施例提供了一种基于增广拉格朗日粒子群算法的NLFM信号生成方法,图1为本发明实施例提供的一种基于增广拉格朗日粒子群算法的NLFM信号生成方法实现流程图,如图1所示,该基于增广拉格朗日粒子群算法的NLFM信号生成方法包括:
S101、基于分段线性函数,构建NLFM信号对应的时域模型;
需要说明的是,在本发明实施例涉及的是基于增广拉格朗日粒子群算法的NLFM信号生成装置对原始信号进行处理的过程,使得经过信号的处理之后,原始信号被优化为一种适用于高分辨率合成孔径雷达的高灵敏度和低旁瓣成像的发射大时宽信号。
在本发明实施例中,基于增广拉格朗日粒子群算法的NLFM信号生成装置对非线性调频信号NLFM信号进行处理后,得到的对应的优化信号的表示形式为时域关系的表示形式,因此,这里首先需构建NLFM信号对应的时域模型,具体基于增广拉格朗日粒子群算法的NLFM信号生成装置基于分段线性函数来构建该NLFM信号对应的时域模型。
进一步地,在本发明实施例中,S101中基于增广拉格朗日粒子群算法的NLFM信号生成装置基于分段线性函数,构建非线性调频信号对应的时域模型,具体包括S101a-S101c,其中:
S101a、基于分段线性函数对NLFM信号对应的时频信息进行函数表示,得到NLFM信号的时频关系模型;
在本发明实施例中,基于增广拉格朗日粒子群算法的NLFM信号生成装置若基于分段线性函数构建NLFM信号的时域模型,首先,是基于分段线性函数构建NLFM信号的时频关系模型。
图2为本发明实施例提供的一种示例性的时频关系模型示意图,如图2所示,基于增广拉格朗日粒子群算法的NLFM信号生成装置在笛卡尔坐标系中把NLFM信号的时频关系的坐标定义为(t,f),其中t表示横坐标轴上对应的时间,f表示纵坐标轴上对应的频率;假设NLFM信号的脉冲宽度为T,信号的带宽为B,并将NLFM信号分为2n+2段线性函数来表示,那么在该笛卡尔坐标系表示的时频面内,横坐标轴上共有2n+3个时间分段点并且时间分段点是均匀分布的,即这里,在该笛卡尔坐标系表示的时频面内,在有2n+3个时间分段点的情况下,则对应有2n+3个频率分段点其中,频率分段点中的未知量构成NLFM信号的频率控制点Bc=[B2n,...,B21,B11,...,B1n]。这里,n为大于等于0的正整数。
在本发明实施例中,基于上述描述,在时频面内确定了时间分段点和频率分段点之后,就能得到利用分段线性函数描述的NLFM信号对应的时频关系模型。
优选地,NLFM信号对应的时频关系模型如式(1)所示:
其中,k2n…k21、k20、k10、k11…k1n表征每段NLFM信号对应的调频率,具体可通过式(2)和式(3)获得,其中式(2)和式(3)如下:
其中,(2)和式(3)中的i仅用于计数,取值范围为1到n的正整数。
S101b、根据时频关系模型,确定NLFM信号的相位模型;
在本发明实施例中,基于增广拉格朗日粒子群算法的NLFM信号生成装置在得到NLFM信号的时频关系模型之后,根据该时频关系模型就能确定NLFM信号的相位模型。
具体地,基于增广拉格朗日粒子群算法的NLFM信号生成装置在得到如式(1)所示的时频关系模型之后,根据式(1)可确定NLFM信号的相位模型,如式(4)所示:
其中,c0、c1…cn、d0、d1…dn为常数。
S101c、根据NLFM信号对应的幅度和相位模型,构建时域模型。
在本发明实施例中,基于增广拉格朗日粒子群算法的NLFM信号生成装置在构建好相位模型之后,基于式(4),对于幅度为A的NLFM信号的时域模型就可表示为式(5):
s(t)=Ae-hθ(t) (5)
其中,t的取值范围仍然同式(1)和(4)中的取值范围,h为该时域模型的虚部。
S102、根据NLFM信号对应的自相关性能,确定信号优化模型,信号优化模型为低旁瓣窄主瓣宽度的优化模型;
在本发明实施例中,由于基于增广拉格朗日粒子群算法的NLFM信号生成装置在原始信号进行处理之后得到的优化信号为低旁瓣窄主瓣宽度的信号,因此,基于增广拉格朗日粒子群算法的NLFM信号生成装置设计的信号优化模型为低旁瓣窄主瓣宽度的优化模型,具体可根据NLFM信号对应的自相关性能来设计信号优化模型。
进一步地,在本发明实施例中,S102中基于增广拉格朗日粒子群算法的NLFM信号生成装置根据非线性调频信号对应的自相关性能,确定信号优化模型,具体包括S102a-S102b,其中:
S102a、根据NLFM信号对应的自相关性能,确定性能参数,性能参数包括峰值旁瓣比和主瓣宽度;
在本发明实施例中,由于NLFM信号的自相关函数的理想性能为:尽量窄的主瓣,尽可能低的峰值旁瓣比(Peak Side Lobe Ratio,PSLR),以及快速下降的旁瓣波动包络;又由于这三个理想性能是不能同时满足的,因此,这里,选取NLFM信号的两个关键性能参数PSLR和主瓣宽度(Main Lobe Width,MW)。
也就是说,基于增广拉格朗日粒子群算法的NLFM信号生成装置在设计信号优化模型时,根据NLFM信号的自相关性能即自相关函数的理想性能确定用于设计信号优化模型的两个性能参数:PSLR和MW。
S102b、根据性能参数,确定信号优化模型。
在本发明实施例中,基于增广拉格朗日粒子群算法的NLFM信号生成装置在获得用于设计信号优化模型的两个性能参数之后,就能根据这两个性能参数,确定信号优化模型。
优选地,信号优化模型为式(6):
其中,Bc为粒子,且Bc的取值范围为[-B/2,B/2],和c(MW)≤0表征在不展宽主瓣宽度的情况下降低旁瓣;
需要说明的是,为目标函数,即寻找最优Bc并达到根据该最优Bc确定对应的PSLR最小的目标;而c(MW)≤0为约束条件,即在控制MW不展宽的情况下实现目标函数中的PSLR最小。
或者,信号优化模型为式(7):
其中,Bc为粒子,且Bc的取值范围为[-B/2,B/2],和c(PLSR)≤0表征在不升高旁瓣的情况下缩小主瓣宽度。
需要说明的是,为目标函数,即寻找最优Bc并达到根据该最优Bc确定对应的MW最小的目标;而c(PLSR)≤0为约束条件,即在控制PSLR不升高的情况下实现目标函数中的MW最窄。
S103、获取初始NLFM信号;
在本发明实施例中,称为经过基于增广拉格朗日粒子群算法的NLFM信号生成装置处理的信号为初始非线性调频信号。也就是说,该初始非线性调频信号为本发明实施例中的原始信号。
S104、利用时域模型、增广拉格朗日粒子群算法和信号优化模型,得到初始NLFM信号对应的最优信号。
在本发明实施例中,基于增广拉格朗日粒子群算法的NLFM信号生成装置在获得初始非线性调频信号,并构建好了时域模型、信号优化模型之后,采用增广拉格朗日粒子群算法就能完成初始非线性调频信号的优化处理,最终得到初始非线性调频信号对应的最优信号。
可以理解的是,通过设计信号优化模型,并利用增广拉格朗日粒子群算法完成NLFM信号的优化,得到具有低旁瓣窄主瓣宽度特性的优化信号,有效提升了NLFM信号的成像能力。
进一步地,在本发明实施例中,S104中基于增广拉格朗日粒子群算法的NLFM信号生成装置利用时域模型、增广拉格朗日粒子群算法和信号优化模型,得到初始非线性调频信号对应的最优信号,具体包括S104a-S104b,其中:
S104a、利用增广拉格朗日粒子群算法和信号优化模型对初始NLFM信号进行迭代优化,得到最优粒子;
在本发明实施例中,基于增广拉格朗日粒子群算法的NLFM信号生成装置利用时域模型、增广拉格朗日粒子群算法和信号优化模型对初始非线性调频信号处理得到对应的最优信号时,首先是利用增广拉格朗日粒子群算法和信号优化模型对初始非线性调频信号进行迭代优化,得到最优粒子。
需要说明的是,增广拉格朗日粒子群算法把具体的求解问题分成两部分:一部分为基于粒子群算法,一部分为增广拉格朗日算法。其中,增广拉格朗日算法用于解决约束问题,粒子群算法用于寻找最优粒子。
还需要说明的是,粒子群算法是受动物集群活动规律性启发提出的一种并行智能优化算法。该算法中,每一个粒子都被赋予速度决定它们移动的距离和方向,使它们能够到达搜索空间中的某一个位置。针对NLFM信号的优化,可以将每一个粒子看成包含2n个频率分量的频率控制点Bc。
基于上述描述,这里的最优粒子即为满足信号优化模型的最优Bc。
进一步地,在本发明实施例中,S104a中基于增广拉格朗日粒子群算法的NLFM信号生成装置得到最优粒子,包括S104a0,具体为:
S104a0、当检测到增广拉格朗日粒子群算法收敛时,确定最优粒子。
在本发明实施例中,基于增广拉格朗日粒子群算法的NLFM信号生成装置利用增广拉格朗日粒子群算法对初始非线性调频进行迭代优化,最后,当检测到增广拉格朗日粒子群算法收敛时,才能确定出最优粒子。
需要说明的是,增广拉格朗日粒子群算法收敛表现为其中的粒子对应的Bc中的变量值对应的适应值不再发生变化或者变化很小。
S104b、将最优粒子输入时域模型,得到初始NLFM信号对应的最优信号。
在本发明实施例中,由式(1)可以看出,频率控制点决定了NLFM信号的具体形式,一旦频率控制点的个数被确定后,时间分段点ts在横坐标时间轴上均匀分布且为已知量,并且频率分段点Bs也就能确定,此时,根据式(1)NLFM信号的时频关系模型,根据式(2)-(5)就能得到初始非线性调频信号对应的最优信号。
也就是说,由于最优粒子即是最优Bc,在得到最优粒子之后,基于增广拉格朗日粒子群算法的NLFM信号生成装置将最优粒子输入时域模型,得到初始非线性调频信号对应的最优信号,完成初始NLFM信号的处理。
进一步地,在本发明实施例中,S104a中基于增广拉格朗日粒子群算法的NLFM信号生成装置利用增广拉格朗日粒子群算法和信号优化模型对初始非线性调频信号进行迭代优化,得到最优粒子,具体包括S104a1-S104a3,其中:
S104a1、根据初始NLFM信号,确定初始频率控制点信息;
在本发明实施例中,基于增广拉格朗日粒子群算法的NLFM信号生成装置获取到初始非线性调频信号之后,根据该初始非线性调频信号,是能够确定初始频率控制点信息的。
具体地,在本发明实施例中,基于增广拉格朗日粒子群算法的NLFM信号生成装置根据初始非线性调频信号,确定初始频率控制点信息,包括:选取窗函数;并基于窗函数和驻定相位原理,计算得到初始非线性调频信号对应的群时延函数;以及根据群时延函数,得到初始非线性调频信号对应的初始时频关系;最后,根据初始时频关系,确定初始频率控制点信息。
示例性地,基于增广拉格朗日粒子群算法的NLFM信号生成装置获得初始非线性调频信号之后,选取窗函数P(f)作为功率谱,并利用驻定相位原理,计算初始非线性调频信号对应的群时延函数式(8):
其中,C为式(9),式(9)为:
在得到群时延函数式(8)之后,根据式(8)获得初始非线性调频信号对应的瞬时频率,该瞬时频率即为初始非线性调频信号对应的时频关系,具体该时频关系如式(10)所示:
f(t)=T-1(f) (10)
需要说明的是,式(10)所示的时频关系为反函数形式,此时,由于t对应了时间分段点的取值是自变量,f对应了频率分段点的取值是因变量,利用数值方法,在确定了频率控制点的个数时,根据已知量时间分段点ts,就能获得频率控制点Bc,进而获得频率分段点Bs。
还需要说明的是,基于增广拉格朗日粒子群算法的NLFM信号生成装置获得的频率控制点Bc会随选取的窗函数的不同具有不同的值。一般来说,选取一个窗函数便可得到一个Bc,选用多个窗函数可得多个Bc。
S104a2、根据初始频率控制点信息,确定第一粒子群信息;
在本发明实施例中,基于增广拉格朗日粒子群算法的NLFM信号生成装置对原始信号的优化处理是迭代优化的过程,在初始时即进行第一次迭代时,优化的对象为第一粒子群信息。
具体的,每个初始频率控制点作为一个粒子,也就是说,初始频率控制点信息中包含多个初始频率控制点时,确定的第一粒子群信息中也包含多个粒子。
需要说明的是,由于选取一个窗函数便可得到一个Bc,如果此时第一粒子群信息中包含100个粒子,可以通过选取10个不同的窗函数得到10个不同的初始频率控制点,此时,这100个粒子中有10个相同的粒子。
S104a3、利用增广拉格朗日粒子群算法和信号优化模型对第一粒子群信息进行迭代优化,得到最优粒子。
在本发明实施例中,基于增广拉格朗日粒子群算法的NLFM信号生成装置在得到初始非线性调频信号对应的第一粒子群信息后,就可以利用增广拉格朗日粒子群算法和信号优化模型对第一粒子群信息进行迭代优化,以得到最优粒子。进一步地,在本发明实施例中,S104a3中基于增广拉格朗日粒子群算法的NLFM信号生成装置利用增广拉格朗日粒子群算法和信号优化模型对第一粒子群信息进行迭代优化,具体包括S104a31-S104a33:
S104a31、利用增广拉格朗日粒子群算法,确定粒子与适应值关系;
需要说明的是,增广拉格朗粒子群算法是粒子群算法的推广形式,是粒子群算法和广义拉格朗日算法结合的解决复杂约束优化的先进算法。其数学描述如式(11):
其中λj为拉格朗日乘子为一个非负的数,sj为一个非负的数,代表整体的偏移量来保证对数的真数非零,ρ为惩戒因子,ceqj(x)和cj(x)分别代表等式约束和非线性不等式约束,q(x)为目标函数,m代表非线性约束的个数,my代表总约束个数。
在本发明实施例中,将增广拉格朗粒子群算法应用在对初始NLFM信号进行优化处理的场景中,可以确定粒子与适应值关系为式(12):
Θ(Bc,λ,s)=q(Bc)-λslog(s-c(Bc)) (12)
其中,Bc为粒子,λ为拉格朗日算子,s为偏移量,Θ(Bc,λ,s)为粒子Bc对应的适应值,q(Bc)为粒子对应的目标值,c(Bc)为粒子对应的约束值。
需要说明的是,当信号优化模型为式(6)所示时,q(Bc)为Bc对应的PSLR值,c(Bc)为Bc对应的MW值;当信号优化模型为式(7)所示时,q(Bc)为Bc对应的MW值,c(Bc)为Bc对应的PSLR值。
具体地,根据Bc求得对应的PSLR值和MW值的过程为:将Bc输入时域模型式(1)-(5)中,得到对应的NLFM信号,再对该NLFM信号进行脉冲压缩处理,得到脉冲压缩后的NLFM信号;根据该脉冲压缩后的NLFM信号即可计算出PSLR值和MW值。
S104a32、初始化第一优化参数;
在本发明实施例中,基于增广拉格朗日粒子群算法的NLFM信号生成装置在利用拉格朗日粒子群算法对初始非线性调频信号进行优化处理时,需初始化一些优化参数,即初始化第一优化参数。一般来说,第一优化参数为进行第一次迭代优化时用到的参数,后续的迭代优化均是根据前一次的优化参数获得的。
S104a33、根据粒子与适应值关系、第一优化参数和信号优化模型,对第一粒子群信息进行迭代优化。
在本发明实施例中,基于增广拉格朗日粒子群算法的NLFM信号生成装置在确定粒子与适应值关系并初始化了第一优化参数之后,就可以利用信号优化模型对第一粒子群信息进行迭代优化。
具体地,当第一优化参数包括第一拉格朗日算子和第一偏移量时,基于增广拉格朗日粒子群算法的NLFM信号生成装置根据粒子与适应值关系、第一优化参数和信号优化模型对第一粒子群信息进行迭代优化,包括:根据第一粒子群信息、第一拉格朗日算子和第一偏移量,确定第二粒子群信息;并根据第一拉格朗日算子、第一偏移量和信号优化模型,确定第二拉格朗日算子和第二偏移量;以及根据粒子与适应值关系、第二拉格朗日算子和第二偏移量,对第二粒子群信息进行持续迭代优化。
也就是说,由式(12)可以看出,根据粒子与适应值关系对初始非线性调频信号进行迭代优化需要在每次迭代时更新频率控制点、拉格朗日算子和偏移量。其中,频率控制点的更新为根据前一次迭代时的粒子群信息(即前一次迭代时的频率控制点信息)、前一次迭代时的拉格朗日算子和前一次迭代时的偏移量进行的;拉格朗日算子λ的更新为根据前一次迭代时的拉格朗日算子和前一次迭代时的偏移量进行的,偏移量s的更新为根据前一次迭代时的拉格朗日算子进行的,具体如式(13)所示:
其中,k为迭代的次数,具体取值为大于等于1的整数;sk+1为第k+1次迭代的偏移量;μ为根据实际应用时设置的常数,用于使偏移量按照一定的尺度缩放来进行更新;λk+1为第k+1次迭代的拉格朗日算子;sk为第k次迭代的偏移量;λk为第k次迭代的拉格朗日算子;为第k次迭代的粒子群信息的的第r个频率控制点向量对应的约束值,对应于式(6)该约束值为MW值,对应于式(7)该约束值为PSLR值。
更进一步地,当第一优化参数还包括第一惯性权重、学习因子和第一速度时,基于增广拉格朗日粒子群算法的NLFM信号生成装置根据第一粒子群信息、第一拉格朗日算子和第一偏移量,确定第二粒子群信息,包括:根据第一粒子群信息,以及粒子与适应值关系,确定第一适应值;并根据第一适应值,从第一粒子群信息中确定第一最优粒子;以及根据粒子历史自身位置,确定第一自身最优粒子,粒子历史自身位置为粒子之前所处位置信息集合;然后,根据第一惯性权重、学习因子、第一速度、第一最优粒子和第一自身最优粒子,确定第二速度;最后,根据第一粒子群信息和第二速度,确定第二粒子群信息。
需要说明的是,每一个粒子就是一个潜在解,每个粒子都对应一个适应值,在一次迭代中,适应值最好的就是本次迭代的最优粒子。在每一次迭代中,每一个粒子通过跟踪两个“极值”来更新自身的位置和速度,这个“极值”中一个极值是本次迭代中粒子自身找到的最优解,另一个极值是本次迭代中整个粒子群体中找到的最优解。每一个粒子在本次迭代中找到两个极值后来更新自身的速度,并根据更新后的自身的速度来更新自身的位置,此时,更新的自身的位置为该粒子进行下一次迭代时的粒子信息,多个下一次迭代时的粒子信息构成下一次迭代时的粒子群信息。
具体地,每一个粒子在更新自身的速度通过式(14)实现;根据更新后的自身的速度来更新自身的位置通过式(15)实现。其中,式(14)和式(15)如下所示:
Vk+1=ωkVk+c1(pbestk-xk)+c2(gbestk-xk) (14)
xk+1=xk+Vk+1 (15)
其中,对于式(14)中,Vk+1表示第k+1次迭代的粒子速度;Vk表示第k次迭代的粒子速度;ωk代表惯性权重,大小决定了粒子当前速度继承了多少;xk表示第k次迭代的粒子位置;pbestk表示粒子k次迭代中确定的自身最优的位置,gbestk表示第k次迭代的整个粒子群目前找到的最优的位置,在k次迭代计算的粒子群信息中适应度最好的粒子对应的位置,这里定义适应值越小表征该粒子的适应度越好即位置最优;c1和c2是两个学习因子,分别用于调整pbestk和gbestk对粒子吸引的影响强度,c1和c2的取值是(0,2)的随机数。对于式(15)中,xk+1表示第k+1次迭代的粒子位置,这里的位置即是对应的粒子中的2n个变量的值。
需要说明的是,对于粒子自身的最优的位置的确定以及粒子群信息中粒子最优的位置的确定,通过对粒子的位置进行评价来获得。具体地:若当前粒子的位置优于先前找到的最优位置则更新pbest,否则保持不变;将pbest与迄今找到的最优gbest进行比较,若位置更优则更新gbest,否则保持不变。迭代结束,gbest即为最优粒子。
也就是说,本发明实施例将初始频率控制点作为粒子,多个粒子构成迭代优化的对象粒子群;在第一次迭代时,粒子信息和各pbest就是初始频率控制点,还需初始拉格朗日算子、偏移量、两个学习因子、粒子速度和惯性权重,gbest是计算各粒子的适应值后选取的适应值最小的粒子;进行第一次迭代时,根据粒子信息、拉格朗日算子和偏移量根据式(12)进行适应值的计算;完成本次迭代之后,根据该次迭代的适应值更新pbest和gbest。在第二次迭代时,对拉格朗日算子和偏移量进行更新,具体根据第一次迭代时拉格朗日算子和偏移量来获得;粒子信息的更新由第一次迭代时粒子信息、两个学习因子、粒子速度和惯性权重,以及第一次迭代完之后更新的pbest和gbest来获得;进行第二次迭代时,将该次迭代时更新的粒子信息、拉格朗日算子和偏移量输入到式(12)进行适应值的计算;完成第二次迭代之后,根据该次迭代的适应值再次更新pbest和gbest。以此类推,对粒子群信息持续迭代优化,直到迭代时间到达或迭代算法收敛,完成信号处理,最终的gbest即为最优粒子,将该最优粒子输入时域模型式(5),即得到了最优信号。
可以理解的是,粒子进行自身速度和位置更新的过程即为更新粒子信息的过程,粒子通过自身速度和位置更新来确定下一次迭代时粒子信息,最终获得适应度最高的粒子。
优选地,在本发明实施例中,该粒子群算法为多样性反馈的粒子群算法,基于多样性反馈的粒子群算法在原标准算法的基础上引入了多样性评价记载,以便于自适应地控制惯性权重ω;另外,还采用精英学习方法对粒子进行变异操作,以避免搜索过早的从全局勘探阶段陷入局部开发阶段。
需要说明的是,多样性反馈机制通过计算种群分布熵来自适应调整惯性权重ω,其中,种群分布熵是通过计算粒子的搜索空间的分布情况得到的。假设每个粒子均包含2n个变量,那么就是2n维搜索空间,粒子群信息为粒子的集合X={x1,x2,......,xl},l是粒子总数,一粒子xa={xa1,xa2,.......,xa2n}(这里粒子中的2n个变量与频率控制点中的2n个变量一一对应);再假设粒子群体在搜索空间分布的对角线最长距离d(xb,xd)=L,粒子xb和xd连线的方向矢量为ψ,按式(16)计算除粒子xb和xd外所有粒子在ψ上的投影,得到投影集合{ya},如式(16)所示:
ya=ψxa,a=1,2,...,l (16)
在本发明实施例中,基于增广拉格朗日粒子群算法的NLFM信号生成装置将xb和xd的连线按长度划分成等距的l个子区域,统计每个子区域内样本ya的数目oa,按照式(17)计算种群分布熵,式(17)为:
需要说明的是,种群分布熵较大意味着搜索处于全局勘探状态,种群多样性较好,当种群分布熵较小时,搜索处于局部的开发状态,可以通过种群分布熵动态的调节惯性权重,具体通过式(18)来实现:
一般来说,当种群分布熵小于某个设定值时,粒子可能处于某个局部最优位置而远离全局最优位置,本发明实施例使用的改进算法通过给予最优粒子某种扰动使其跳出局部最优区域。具体做法是对最优粒子x的每一维配置一个介于[0,1]的随机数rd,如果rd小于给定的变异概率p,则该维重新在解空间初始化,对每一维实施变异操作。
需要说明的是,在对初始非线性调频进行优化之前,需初始化的参数中,还包括粒子个数l,初始速度V1和最大速度Vmax。其中,粒子x的每一维的速度都被限定在最大速度Vmax之内。另外,还需要初始化粒子进入勘探和开发搜索的临界种群熵值E1和E2,一般E1>E2。
进一步地,在本发明实施例中,基于增广拉格朗日粒子群算法的NLFM信号生成装置在判断粒子进入全局搜索模式和全局搜索模式时,具体为:根据式(17)计算E,若E<E1,则进入粒子局部搜索模式,并判断E与E2的大小,若E<E2,对最优粒子每一维以变异概率p执行变异操作。若E<E1,则根据式(18)更正惯性权重ω。也就是说,E2是确定是否进行变异操作的临界值,E1是确定是否更新惯性权重的临界值。
示例性地,对于一个脉宽为10us,带宽为100MHz,采样频率为120MHz,以及初始非线性调频信号是基于驻定相位原理以-35dB泰勒窗函数为功率谱的NLFM信号,利用本发明实施例提供的基于增广拉格朗日粒子群算法的NLFM信号生成方法进行优化的结果如表1所示:
信号 | PSLR | MW |
初始NLFM信号 | -34.3 | 1.19 |
最优NLFM信号 | -40.8 | 1.16 |
表1
可以看出,使用本发明实施例提供的基于增广拉格朗日粒子群算法的NLFM信号生成方法进行NLFM信号优化后的最优NLFM信号,相比于初始NLFM信号能够在不展宽主瓣的条件下,使旁瓣降低了6dB。此外,由于泰勒窗是一种性能较优的窗函数,所以此时的初始NLFM信号的PSLR和MW指标已经很好,通过本发明实施例提供的基于增广拉格朗日粒子群算法的NLFM信号生成方法能在不展宽主瓣的情况下还能降低6dB,充分证实了本发明实施例提供的基于增广拉格朗日粒子群算法的NLFM信号生成方法的有效性。此外,该最优NLFM信号的时频关系曲线如图3所示,横坐标为时间信息:脉宽为10us,纵坐标为频率信息:带宽为100MHz;该最优NLFM信号的时域波形如图4所示,横坐标为时间信息:脉宽为10us,纵坐标为幅度信息:幅度为2,并且实线表征该信号时域波形中的实部信息,虚线表征该时域波形中的虚部信息;该最优NLFM信号的自相关输出波形如图5所示:与加窗产生等效旁瓣水平的相同时宽LFM信号相比,具有1.2dB的***信噪比保持能力。
可以理解的是,由于信号优化模型为低旁瓣窄主瓣宽度的优化模型,因此,基于增广拉格朗日粒子群算法,并根据该信号优化模型对初始非线性调频信号进行迭代优化后,再利用分段线性函数设计出对应的最优信号,是具有低旁瓣窄主瓣宽度的特性的NLFM信号,从而也就提高了NLFM信号的成像能力。
实施例二
基于与实施例一同一发明构思,本发明实施例提供了一种基于增广拉格朗日粒子群算法的NLFM信号生成装置1,图6为本发明实施例提供的一种基于增广拉格朗日粒子群算法的NLFM信号生成装置的结构示意图一,如图6所示,该基于增广拉格朗日粒子群算法的NLFM信号生成装置1包括:
构建单元10,用于基于分段线性函数,构建NLFM信号对应的时域模型;
第一确定单元11,用于根据所述NLFM信号对应的自相关性能,确定信号优化模型,所述信号优化模型为低旁瓣窄主瓣宽度的优化模型;
获取单元12,用于获取初始NLFM信号;
优化单元13,用于利用所述时域模型、增广拉格朗日粒子群算法和所述信号优化模型,得到所述初始NLFM信号对应的最优信号。
可选地,所述优化单元13包括迭代单元14和输入单元15,其中,所述迭代单元14用于利用所述增广拉格朗日粒子群算法和所述信号优化模型对所述初始NLFM信号进行迭代优化,得到最优粒子;
所述输入单元15,用于将所述最优粒子输入所述时域模型,得到所述初始NLFM信号对应的所述最优信号。
可选地,所述构建单元10,具体用于基于所述分段线性函数对所述NLFM信号对应的时频信息进行函数表示,得到所述NLFM信号的时频关系模型;并根据所述时频关系模型,确定所述NLFM信号的相位模型;以及根据所述NLFM信号对应的幅度和所述相位模型,构建所述时域模型。
可选地,所述第一确定单元11,具体用于根据所述NLFM信号对应的自相关性能,确定性能参数,所述性能参数包括峰值旁瓣比和主瓣宽度;以及根据所述性能参数,确定所述信号优化模型。
可选地,所述迭代单元14包括第二确定单元16和子迭代单元17,其中,所述第二确定单元16,用于根据所述初始NLFM信号,确定初始频率控制点信息;以及根据所述初始频率控制点信息,确定第一粒子群信息;
所述子迭代单元17,用于利用所述增广拉格朗日粒子群算法和所述信号优化模型对所述第一粒子群信息进行迭代优化,得到所述最优粒子。
可选地,所述第二确定单元,具体用于选取窗函数;并基于所述窗函数和驻定相位原理,计算得到所述初始NLFM信号对应的群时延函数;以及根据所述群时延函数,得到所述初始NLFM信号对应的初始时频关系;再根据所述初始时频关系,确定所述初始频率控制点信息。
可选地,所述子迭代单元17,具体用于利用增广拉格朗日粒子群算法,确定粒子与适应值关系;并初始化第一优化参数;以及根据所述粒子与适应值关系、所述第一优化参数和所述信号优化模型,对所述第一粒子群信息进行迭代优化。
可选地,所述子迭代单元17,具体用于根据所述第一粒子群信息、所述第一拉格朗日算子和所述第一偏移量,确定第二粒子群信息;并根据所述第一拉格朗日算子、所述第一偏移量和所述信号优化模型,确定第二拉格朗日算子和第二偏移量;以及根据所述粒子与适应值关系、所述第二拉格朗日算子和所述第二偏移量,对所述第二粒子群信息进行持续迭代优化。
可选地,当所述第一优化参数还包括第一惯性权重、学习因子和第一速度时,所述子迭代单元17,具体用于根据所述第一粒子群信息,以及所述粒子与适应值关系,确定第一适应值;以及根据所述第一适应值,从所述第一粒子群信息中确定第一最优粒子;并根据粒子历史自身位置,确定第一自身最优粒子,所述粒子历史自身位置为粒子之前所处位置信息集合;再根据所述第一惯性权重、所述学习因子、所述第一速度、所述第一最优粒子和所述第一自身最优粒子,确定第二速度;最后根据所述第一粒子群信息和所述第二速度,确定所述第二粒子群信息。
可选地,所述构建单元10,具体用于在笛卡尔坐标系中将所述NLFM信号的时频信息的坐标定义为(t,f),其中,t表示横坐标轴上对应的时间,f表示纵坐标轴上对应的频率,并将脉冲宽度为T和信号的带宽为B的所述NLFM信号分为2n+2段线性函数表示,其中,横坐标轴上共有2n+3个时间分段点并且所述时间分段点是均匀分布的,即纵坐标上有2n+3个频率分段点所述频率分段点中的未知量构成所述NLFM信号的频率控制点Bc=[B2n,...,B21,B11,...,B1n],n为大于等于0的正整数,得到所述NLFM信号对应的所述时频关系模型为式(1):
其中,k2n…k21、k20、k10、k11…k1n表征每段所述NLFM信号对应的调频率;
并根据所述时频关系模型,确定所述NLFM信号对应的所述相位模型为式(4):
其中,c0、c1…cn、d0、d1…dn为常数;
以及根据所述相位模型构建幅度为A的所述NLFM信号的时域模型为式(5):
s(t)=Ae-hθ(t) (5)
其中,h为所述时域模型的虚部。
可选地,所述迭代单元14,具体用于当检测到所述增广拉格朗日粒子群算法收敛时,确定所述最优粒子。
可选地,所述粒子与适应值关系为式(12):
Θ(Bc,λ,s)=q(Bc)-λslog(s-c(Bc)) (12)
其中,Bc为粒子,λ为拉格朗日算子,s为偏移量,Θ(Bc,λ,s)为粒子Bc对应的适应值,q(Bc)为粒子对应的目标值,c(Bc)为粒子对应的约束值。
可选地,所述信号优化模型为式(6):
其中,Bc为粒子,且Bc的取值范围为[-B/2,B/2],和c(MW)≤0表征在不展宽主瓣宽度的情况下降低旁瓣;
或者,所述信号优化模型为式(7):
其中,Bc为粒子,且Bc的取值范围为[-B/2,B/2],和c(PLSR)≤0表征在不升高旁瓣的情况下缩小主瓣宽度。
需要说明的是,在实际应用中,上述构建单元10、第一确定单元11、获取单元12、优化单元13、迭代单元14、输入单元15、第二确定单元16和子迭代单元17可由位于基于增广拉格朗日粒子群算法的NLFM信号生成装置1上的处理器18实现,具体为CPU(CentralProcessing Unit,中央处理器)、MPU(Microprocessor Unit,微处理器)、DSP(DigitalSignal Processing,数字信号处理器)或现场可编程门阵列(FPGA,Field ProgrammableGate Array)等实现。
本发明实施例还提供了一种基于增广拉格朗日粒子群算法的NLFM信号生成装置1,如图7所示,所述基于增广拉格朗日粒子群算法的NLFM信号生成装置1包括:处理器18、存储器19和通信总线110,所述存储器19通过所述通信总线110与所述处理器18进行通信,所述存储器19存储所述处理器18可执行的一个或者多个程序,当所述一个或者多个程序被执行时,通过所述处理器18执行如实施例一所述的基于增广拉格朗日粒子群算法的NLFM信号生成方法。
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,所述程序被处理器18执行时实现如实施例一所述的基于增广拉格朗日粒子群算法的NLFM信号生成方法。
可以理解的是,由于信号优化模型为低旁瓣窄主瓣宽度的优化模型,因此,基于增广拉格朗日粒子群算法,并根据该信号优化模型对初始非线性调频信号进行迭代优化后,再利用分段线性函数设计出对应的最优信号,是具有低旁瓣窄主瓣宽度的特性的NLFM信号,从而也就提高了NLFM信号的成像能力。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (15)
1.一种基于增广拉格朗日粒子群算法的非线性调频NLFM信号生成方法,其特征在于,所述方法包括:
基于分段线性函数,构建NLFM信号对应的时域模型;
根据所述NLFM信号对应的自相关性能,确定信号优化模型,所述信号优化模型为低旁瓣窄主瓣宽度的优化模型;
获取初始NLFM信号;
利用所述时域模型、增广拉格朗日粒子群算法和所述信号优化模型,得到所述初始NLFM信号对应的最优信号。
2.根据权利要求1所述的方法,其特征在于,所述利用所述时域模型、增广拉格朗日粒子群算法和所述信号优化模型,得到所述初始NLFM信号对应的最优信号,包括:
利用所述增广拉格朗日粒子群算法和所述信号优化模型对所述初始NLFM信号进行迭代优化,得到最优粒子;
将所述最优粒子输入所述时域模型,得到所述初始NLFM信号对应的所述最优信号。
3.根据权利要求1所述的方法,其特征在于,所述基于分段线性函数,构建NLFM信号对应的时域模型,包括:
基于所述分段线性函数对所述NLFM信号对应的时频信息进行函数表示,得到所述NLFM信号的时频关系模型;
根据所述时频关系模型,确定所述NLFM信号的相位模型;
根据所述NLFM信号对应的幅度和所述相位模型,构建所述时域模型。
4.根据权利要求1所述的方法,其特征在于,所述根据所述NLFM信号对应的自相关性能,确定信号优化模型,包括:
根据所述NLFM信号对应的自相关性能,确定性能参数,所述性能参数包括峰值旁瓣比和主瓣宽度;
根据所述性能参数,确定所述信号优化模型。
5.根据权利要求2所述的方法,其特征在于,所述利用所述增广拉格朗日粒子群算法和所述信号优化模型对初始NLFM信号进行迭代优化,得到最优粒子,包括:
根据所述初始NLFM信号,确定初始频率控制点信息;
根据所述初始频率控制点信息,确定第一粒子群信息;
利用所述增广拉格朗日粒子群算法和所述信号优化模型对所述第一粒子群信息进行迭代优化,得到所述最优粒子。
6.根据权利要求5所述的方法,其特征在于,所述根据所述初始NLFM信号,确定初始频率控制点信息,包括:
选取窗函数;
基于所述窗函数和驻定相位原理,计算得到所述初始NLFM信号对应的群时延函数;
根据所述群时延函数,得到所述初始NLFM信号对应的初始时频关系;
根据所述初始时频关系,确定所述初始频率控制点信息。
7.根据权利要求5所述的方法,其特征在于,所述利用所述增广拉格朗日粒子群算法和所述信号优化模型对所述第一粒子群信息进行迭代优化,包括:
利用增广拉格朗日粒子群算法,确定粒子与适应值关系;
初始化第一优化参数;
根据所述粒子与适应值关系、所述第一优化参数和所述信号优化模型,对所述第一粒子群信息进行迭代优化。
8.根据权利要求7所述的方法,其特征在于,当所述第一优化参数包括第一拉格朗日算子和第一偏移量时,所述根据所述粒子与适应值关系、所述第一优化参数和所述信号优化模型对所述第一粒子群信息进行迭代优化,包括:
根据所述第一粒子群信息、所述第一拉格朗日算子和所述第一偏移量,确定第二粒子群信息;
根据所述第一拉格朗日算子、所述第一偏移量和所述信号优化模型,确定第二拉格朗日算子和第二偏移量;
根据所述粒子与适应值关系、所述第二拉格朗日算子和所述第二偏移量,对所述第二粒子群信息进行持续迭代优化。
9.根据权利要求8所述的方法,其特征在于,当所述第一优化参数还包括第一惯性权重、学习因子和第一速度时,所述根据所述第一粒子群信息、所述第一拉格朗日算子和所述第一偏移量,确定第二粒子群信息,包括:
根据所述第一粒子群信息,以及所述粒子与适应值关系,确定第一适应值;
根据所述第一适应值,从所述第一粒子群信息中确定第一最优粒子;
根据粒子历史自身位置,确定第一自身最优粒子,所述粒子历史自身位置为粒子之前所处位置信息集合;
根据所述第一惯性权重、所述学习因子、所述第一速度、所述第一最优粒子和所述第一自身最优粒子,确定第二速度;
根据所述第一粒子群信息和所述第二速度,确定所述第二粒子群信息。
10.根据权利要求2所述的方法,其特征在于,所述得到最优粒子,包括:
当检测到所述增广拉格朗日粒子群算法收敛时,确定所述最优粒子。
11.根据权利要求3所述的方法,其特征在于,所述基于所述分段线性函数对所述NLFM信号对应的时频信息进行函数表示,得到所述NLFM信号的时频关系模型,根据所述时频关系模型,确定所述NLFM信号的相位模型,根据所述NLFM信号对应的幅度和所述相位模型,构建所述时域模型,包括:
将所述NLFM信号的时频信息的坐标定义为(t,f),其中,t表示横坐标轴上对应的时间,f表示纵坐标轴上对应的频率,并将脉冲宽度为T和信号的带宽为B的所述NLFM信号分为2n+2段线性函数表示,其中,横坐标轴上共有2n+3个时间分段点并且所述时间分段点是均匀分布的,即 纵坐标上有2n+3个频率分段点所述频率分段点中的未知量构成所述NLFM信号的频率控制点Bc=[B2n,...,B21,B11,...,B1n],n为大于等于0的正整数,得到所述NLFM信号对应的所述时频关系模型为:
其中,k2n…k21、k20、k10、k11…k1n表征每段所述NLFM信号对应的调频率;
根据所述时频关系模型,确定所述NLFM信号对应的所述相位模型:
其中,c0、c1…cn、d0、d1…dn为常数;
根据所述相位模型构建幅度为A的所述NLFM信号的时域模型:
s(t)=Ae-hθ(t)
其中,h为所述时域模型的虚部。
12.根据权利要求7所述的方法,其特征在于,所述粒子与适应值关系为:
Θ(Bc,λ,s)=q(Bc)-λslog(s-c(Bc))
其中,Bc为粒子,λ为拉格朗日算子,s为偏移量,Θ(Bc,λ,s)为粒子Bc对应的适应值,q(Bc)为粒子对应的目标值,c(Bc)为粒子对应的约束值。
13.根据权利要求1所述的方法,其特征在于,所述信号优化模型为:
其中,Bc为粒子,且Bc的取值范围为[-B/2,B/2],和c(MW)≤0表征在不展宽主瓣宽度的情况下降低旁瓣;
或者,所述信号优化模型为:
其中,Bc为粒子,且Bc的取值范围为[-B/2,B/2],和c(PLSR)≤0表征在不升高旁瓣的情况下缩小主瓣宽度。
14.一种基于增广拉格朗日粒子群算法的非线性调频NLFM信号生成装置,其特征在于,所述基于增广拉格朗日粒子群算法的NLFM信号生成装置包括:
构建单元,用于基于分段线性函数,构建NLFM信号对应的时域模型;
第一确定单元,用于根据所述NLFM信号对应的自相关性能,确定信号优化模型,所述信号优化模型为低旁瓣窄主瓣宽度的优化模型;
获取单元,用于获取初始NLFM信号;
优化单元,用于利用所述时域模型、增广拉格朗日粒子群算法和所述信号优化模型,得到所述初始NLFM信号对应的最优信号。
15.一种基于增广拉格朗日粒子群算法的非线性调频NLFM信号生成装置,其特征在于,所述基于增广拉格朗日粒子群算法的NLFM信号生成装置包括:处理器、存储器和通信总线,所述存储器通过所述通信总线与所述处理器进行通信,所述存储器存储所述处理器可执行的一个或者多个程序,当所述一个或者多个程序被执行时,通过所述处理器执行如权利要求1-13任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811290459.4A CN109471073B (zh) | 2018-10-31 | 2018-10-31 | 基于增广拉格朗日粒子群算法的nlfm信号生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811290459.4A CN109471073B (zh) | 2018-10-31 | 2018-10-31 | 基于增广拉格朗日粒子群算法的nlfm信号生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109471073A true CN109471073A (zh) | 2019-03-15 |
CN109471073B CN109471073B (zh) | 2020-08-28 |
Family
ID=65666532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811290459.4A Active CN109471073B (zh) | 2018-10-31 | 2018-10-31 | 基于增广拉格朗日粒子群算法的nlfm信号生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109471073B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112022149A (zh) * | 2020-09-04 | 2020-12-04 | 无锡博智芯科技有限公司 | 一种基于心电信号的房颤检测方法 |
CN114966201A (zh) * | 2022-05-05 | 2022-08-30 | 威胜电气有限公司 | 一种典型场景下谐波电压电流测量与特征分析方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8022863B1 (en) * | 2009-11-06 | 2011-09-20 | Lockheed Martin Corporation | Spatially variant apodization (SVA) filter |
US8305262B1 (en) * | 2010-03-08 | 2012-11-06 | Lockheed Martin Corporation | Mismatched pulse compression of nonlinear FM signal |
CN102914773A (zh) * | 2012-09-11 | 2013-02-06 | 电子科技大学 | 一种多航过圆周sar三维成像方法 |
CN105403886A (zh) * | 2015-12-02 | 2016-03-16 | 中国科学院电子学研究所 | 一种机载sar定标器图像位置自动提取方法 |
CN105676190A (zh) * | 2015-12-31 | 2016-06-15 | 中国科学院电子学研究所 | 一种校正合成孔径雷达回波数据的方法和装置 |
CN105991137A (zh) * | 2015-03-20 | 2016-10-05 | 德克萨斯仪器股份有限公司 | 可变分数速率数字重采样的***和方法 |
CN106503790A (zh) * | 2015-08-28 | 2017-03-15 | 余学飞 | 一种改进粒子群优化神经网络的压力导丝温度补偿方法 |
CN106908792A (zh) * | 2017-03-20 | 2017-06-30 | 中国科学院电子学研究所 | 一种合成孔径雷达成像方法及装置 |
CN107666333A (zh) * | 2017-01-20 | 2018-02-06 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 扩/跳频信号体制阵列天线自适应波束形成*** |
-
2018
- 2018-10-31 CN CN201811290459.4A patent/CN109471073B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8022863B1 (en) * | 2009-11-06 | 2011-09-20 | Lockheed Martin Corporation | Spatially variant apodization (SVA) filter |
US8305262B1 (en) * | 2010-03-08 | 2012-11-06 | Lockheed Martin Corporation | Mismatched pulse compression of nonlinear FM signal |
CN102914773A (zh) * | 2012-09-11 | 2013-02-06 | 电子科技大学 | 一种多航过圆周sar三维成像方法 |
CN105991137A (zh) * | 2015-03-20 | 2016-10-05 | 德克萨斯仪器股份有限公司 | 可变分数速率数字重采样的***和方法 |
CN106503790A (zh) * | 2015-08-28 | 2017-03-15 | 余学飞 | 一种改进粒子群优化神经网络的压力导丝温度补偿方法 |
CN105403886A (zh) * | 2015-12-02 | 2016-03-16 | 中国科学院电子学研究所 | 一种机载sar定标器图像位置自动提取方法 |
CN105676190A (zh) * | 2015-12-31 | 2016-06-15 | 中国科学院电子学研究所 | 一种校正合成孔径雷达回波数据的方法和装置 |
CN107666333A (zh) * | 2017-01-20 | 2018-02-06 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 扩/跳频信号体制阵列天线自适应波束形成*** |
CN106908792A (zh) * | 2017-03-20 | 2017-06-30 | 中国科学院电子学研究所 | 一种合成孔径雷达成像方法及装置 |
Non-Patent Citations (2)
Title |
---|
YAJUN ZHU ET.AL: "《Novel Method to Improve Control Channel Reliability in LTE-Advanced Heterogeneous Network》", 《2012IEEE》 * |
邓云凯 等: "《星载SAR技术的发展趋势及应用浅析》", 《雷达学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112022149A (zh) * | 2020-09-04 | 2020-12-04 | 无锡博智芯科技有限公司 | 一种基于心电信号的房颤检测方法 |
CN112022149B (zh) * | 2020-09-04 | 2022-10-04 | 无锡博智芯科技有限公司 | 一种基于心电信号的房颤检测方法 |
CN114966201A (zh) * | 2022-05-05 | 2022-08-30 | 威胜电气有限公司 | 一种典型场景下谐波电压电流测量与特征分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109471073B (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11664910B2 (en) | Processing of communications signals using machine learning | |
Yuan et al. | Scaled accuracy based power allocation for multi-target tracking with colocated MIMO radars | |
CN106353739B (zh) | 一种基于多相位分段调制的雷达干扰方法 | |
US10948579B2 (en) | Method and device for designing and optimizing multi-degree-of-freedom frequency-modulation signal | |
CN107153178B (zh) | 外辐射源雷达参考信号含有多径干扰时的目标检测方法 | |
CN107340515B (zh) | 基于分布式组网雷达***的目标定位资源分配方法 | |
CN109407046A (zh) | 一种基于变分贝叶斯推断的嵌套阵列波达方向角估计方法 | |
CN109471073A (zh) | 基于增广拉格朗日粒子群算法的nlfm信号生成方法及装置 | |
CN109581354A (zh) | 同时多波束共址mimo雷达多目标跟踪资源管理方法 | |
KR20180029843A (ko) | 튜닝가능 블라인드 소스 분리 필터를 병렬화 및 파이프라이닝하기 위한 시스템들 및 방법들 | |
CN109343059A (zh) | 一种正交非线性调频信号生成方法及装置 | |
CN109343006B (zh) | 基于增广拉格朗日遗传算法的nflm信号优化方法及装置 | |
CN113093124B (zh) | 一种基于dqn算法的雷达干扰资源实时分配方法 | |
CN112738709B (zh) | 一种基于uwb信号的粒子群搜索室内定位方法及*** | |
CN111273251B (zh) | 一种基于多核dsp的粒子***换长时间积累实现方法 | |
CN109492291B (zh) | 基于增广拉格朗日粒子群算法的nlfm信号优化方法及装置 | |
Xiao et al. | Mobile MIMO channel prediction with ODE-RNN: a physics-inspired adaptive approach | |
Gill et al. | Three-way deep neural network for radio frequency map generation and source localization | |
CN109446665B (zh) | 一种非线性调频信号优化方法及装置、存储介质 | |
CN108594229A (zh) | 星载sar脉内多普勒效应二维补偿方法、装置及存储介质 | |
KR20110058361A (ko) | 고해상도 영상 레이더의 안테나 복사패턴 합성방법 | |
JP4376733B2 (ja) | レーダ装置 | |
CN106980733A (zh) | 一种改进的四维稀布阵旁瓣抑制方法 | |
CN113408122A (zh) | 一种多自由度调频信号的生成方法、装置及存储介质 | |
Harikala et al. | PSO‐optimized Pareto and Nash equilibrium gaming‐based power allocation technique for multistatic radar network |
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 |