[发明专利]基于瑞利熵的自适应时频同步压缩方法

说明书

一种基于瑞利熵的自适应时频同步压缩方法，该方法利用瑞利熵衡量信号局部能量的聚集性，估计出适合信号时频分析的最佳窗口参数序列，通过时频同步压缩提高聚集性，实现多分量信号的分离。具体步骤包括：1、采集信号，2、预处理，3、选取适合信号点序列的窗口参数集合，4、计算瑞利熵，5、获取局部时刻的最优窗函数，6、获取平滑的最佳窗口参数序列，7、自适应同步压缩短时傅立叶变换，8、获得各分量信号。本发明克服了传统分离方法适用信号单一、信号形式固定、抗噪声能力差的问题，有利于多分量非平稳信号的分离，更提高了多分量信号分离的鲁棒性。

技术领域

本发明属于通信技术领域，更进一步涉及信号与信息处理技术领域中的一种基于瑞利熵的自适应时频同步压缩方法。本发明可以用于对雷达侦察接收机接收到的多分量雷达辐射源信号进行分离。

背景技术

近年来，随着雷达技术的发展，以及导航、通信、电子对抗等电子装备的广泛适用，战场电磁环境日益复杂。在雷达电子侦察中，接收机在同一时间内可能会截获到多个雷达辐射源信号，且信号脉冲密度大，波形多变，导致信号时频域上发生重叠，使得传统的时域或频域已无法对信号分量进行有效地分离。目前最常用的雷达辐射源信号分离方法有盲源分离法、经验模式分解法EMD以及时频分析法。盲源分离法主要是利用观测信号所携带的信息与源信号之间相互统计独立的假设下，实现对源信号的分离，无法应用于相关的辐射源信号。经典模式分解法EMD是一种局部化的，完全基于数据自适应信号分析方法，该方法总是将接收到的信号分解为有限多个固有模式函数。但它是一种基于经验的方法，没有严格的数学理论基础，且分解过程中存在模式混叠。时频分析法是将信号在时频域上展开，根据信号时频变换的特点反映信号的局部特性达到分离的目的，但该方法严重受所加窗的大小以及环境中噪声的影响。

北京理工大学在其申请的专利文献“一种同时到达两线性调频信号的分数阶信道化分离方法”(申请号201210189114，公开号CN102685049A)中公开了一种分数阶信道化分离方法。该方法利用分数阶傅里叶变换对非平稳信号能量聚焦特点，对信号进行分析，判断信号的不同组合情形，采用准聚焦分数阶信道化提取的分离处理方式实现分离的目的。虽然，该方法一定程度上减少了分离信号间的相互干扰且达到信号分离的效果，但是，仍然存在不足之处是，该方法只局限于两个线性调频信号，且信号形式固定，当接收的信号多于两个信号时，该方法的分离效果不明显。

上海大学在其申请的专利文献“基于时频分析的LFM信号分离及参数估计方法”(申请号201610094975，公开号CN105717490A)中公布了一种聚合分割法。该方法在小波变换的基础上，通过分段聚合的方式将信号分割，对聚合的分段通过阀值设置，依次进行估计，并利用去重加权的方式进行优化，直到分离出全部信号。虽然，该方法计算量低，一定程度上分离出了每个信号分量，但是，仍然存在不足之处是，该方法受噪声影响很大，且分离过程中阀值的选择没有严格的选取标准。

综上所述，对于雷达辐射源信号的分离，上述已有技术容易受噪声干扰，且适用的信号单一，从而使信号分离出来的分量与实际分量存在很大误差。

发明内容

本发明的目的在于克服上述已有技术的不足，在传统短时傅里叶变换的基础上，提出一种基于瑞利熵的自适应时频同步压缩方法，旨在低信噪比噪声、辐射源信号复杂的情况下实现多分量信号的准确分离。

实现本发明的具体思路是：首先确定高斯函数的窗口参数集合，用窗口参数集合对应的窗函数集合，对信号进行加窗傅里叶变换，得到短时傅里叶变换系数。利用瑞利熵公式求最小值，得到所有时刻下最优窗函数对应的窗口参数，组成最佳窗口参数序列。用最佳窗口参数序列对应的窗函数集合对信号进行加窗傅里叶变换，得到自适应短时傅里叶变换。对自适应短时傅里叶变换系数进行叠加，得到自适应时频同步压缩系数，利用维特比Viterbi从自适应时频同步压缩系数中提取信号分量的瞬时频率，用重构公式实现信号分量的分离。

本发明的具体步骤包括如下：

(1)采集信号：