[发明专利]一种基于粒子群优化的跳频信号参数估计方法

摘要

本发明公开了一种基于粒子群优化的跳频信号参数估计方法，包括如下步骤：基于跳频信号的多分量模型，采用多峰函数粒子群算法从原始跳频信号中并行搜索跳频分量，寻找各个跳频周期内的时间和频率中心位置，实现粒子在跳频分量时频中心位置的聚集；通过粒子群算法输出的粒子个体最优值获取跳频信号参数。本发明具有简单方便、调整参数少，搜素能力强，尤其是适应宽信噪比范围内估计等优势。

主权项

一种基于粒子群优化的跳频信号参数估计方法，其特征在于，包括如下步骤：S1、基于跳频信号的多分量模型，采用多峰函数粒子群算法从原始跳频信号中并行搜索跳频分量，寻找各个跳频周期内的时间和频率中心位置，实现粒子在跳频分量时频中心位置的聚集：S11、采用粒子群局域模型：假设在D维空间有M个粒子，i＝1，2，…M，其每个粒子属性由位置x_i＝(x_i1，x_i2，…，x_iD)和速度v_i＝(v_i1，v_i2，…v_iD)决定；同时记录其在搜索过程中所经历过的个体最优位置P_i＝(P_i1，P_i2，…，P_iD)，邻域最优位置P_n＝(P_n1，P_n2，…，P_nD)；对第t+1代的第i个粒子第d维方向上，通过以下公式更新粒子速度和位置：v_id(t+1)＝wv_id(t)+c₁r_1d(t)(P_id(t)‑x_id(t))+c₂r_2d(t)(P_nd(t)‑x_id(t))；x_id(t+1)＝x_id(t)+v_id(t+1)；i＝1，2，…，M and d＝1，2，…，D；式中，w、c₁和c₂分别表示惯性权重和学习因子，r₁和r₂是0～1内的随机数，经过多次迭代，实现粒子在适应度函数的不同峰值位置聚集；S12、粒子邻域确定：定义粒子i和j的测度如下：$m(j,i)=\left|\frac{f\left(P_j\right)-f\left(x_i\right)}{P_{j2}-x_{i2}}\right|$式中，P_j表示第j个粒子当前个体最优位置，f(P_j)和f(x_i)分别表示第j个粒子的个体最优适应度和当前粒子适应度；测度中的分母维度选择2，表示时间；S13、原子库构建：选用实型高斯函数作为过完备库原子的原型函数，定义为：其中，尺度因子s_k控制原子时域方向所占宽度，参数t_k、f_k和分别表示高斯原子的时间中心和频率中心及其相位，是原子的规范化系数，k是原子索引，表示粒子个数；因此，D＝4，第二维表示时间，原子由一个参数集完全表示，分别潜在地表示跳频周期、每一跳频周期内的时间和频率中心及其相位；S2、通过粒子群算法输出的粒子个体最优值获取跳频信号参数：S21、对原子的频率参数按照上升排序，得到在0到f_s/2之间的频率值f_i，i＝1，…，M及其索引ind1；S22、以最小频率分辨率或最小跳频频率间隔(若已知的情况下)为阈值th，通过下式求取f_i的跳变时刻对应的索引ind2′，$ind{2}^{\′}=\underset{i}{\arg }\left(\right(f_{i+1}-f_i)\>th);$并加上粒子首尾两个值构成排序后的频率近似区间划分，即ind2＝[1；ind2′；M]；S23、结合索引ind1和ind2找到这些近似频率对应的粒子，对所有区间内的频率参数值求平均获取跳频频率f_k，k＝1，…，K，其中K表示跳变时刻个数；对所有区间内的时间参数值求平均获取跳频分量的时间中心位置t_k，k＝1，…，K；f_k和t_k为每个跳频分量的时频中心参数；S24、对估计的t_k，k＝1，…，K估计参数，按照上升排序，差分后求取平均值，得到跳频周期的估计值进一步，由获取各个跳变时刻估计值。