论文部分内容阅读
基于特征提取的信号识别技术普遍存在低信噪比条件下识别效果差的问题,特别是对调制参数大范围变化信号的识别效果更不理想。本文将短时拉马努金傅里叶(ST-RFT)算法应用于调制方式识别中,通过研究调制信号的特征提取以及分析信号识别效果,探讨基于ST-RFT算法在调制信号识别领域应用的可行性。同时,对微动目标调制信号的参数估值是估值领域的研究热点,然而传统对微动目标调制信号参数估计方法存在有噪声情况下高精度估值与超量计算的矛盾。本文将ST-RFT算法应用于微动目标参数估计中,通过分析微动目标参数估计正确率,探讨基于ST-RFT算法在参数估值领域应用的可行性。针对MP、LFM、BPCP、2FCP以及4FCP五种雷达脉内调制信号进行基于ST-RFT算法的信号识别。研究表明,在低信噪比及信号载频、LFM信号时宽带宽积、FCP信号跳频宽度大范围变化条件下,基于ST-RFT结合伪泽尼克矩算法的信号识别正确率可达到90%,优于基于STFT算法及WVD与迁移学习模型相结合的算法。基于ST-RFT结合伪泽尼克矩的算法应用于雷达脉内调制信号的识别具有一定可行性。针对CW、2ASK、BPSK、2FSK和4FSK五种数字调制信号进行基于ST-RFT算法的信号识别,研究证明,在信噪比为0d B的条件下,信号平均正确识别率达到90%,相比基于谱图时频分析法,提高了10.4%,特别是相比于基于瞬时幅度和瞬时频率特征方法,4FSK调制信号的识别率可提高9%。基于ST-RFT的算法可以应用于低信噪比条件下的数字调制信号识别。针对振动目标微动参数——振动频率进行基于ST-RFT算法的参数估计,研究证明,基于ST-RFT算法的振动目标微动参数估计方法在存在噪声条件下具有较好估计效果且相比于基于SPWVD的方法以及WVD、新基分解、霍夫变换相结合的算法具有低运算量的优势。