基于非均勻采樣的信號頻譜檢測和參數(shù)估計方法研究.pdf

1、信息截獲系統(tǒng)通過采樣并處理非合作輻射源的信號，來獲取輻射源的功能參數(shù)、型號等關(guān)鍵信息。對星載信息截獲系統(tǒng)而言，由于星上的數(shù)據(jù)采集、存儲和傳輸能力受限，能以較低的采樣頻率實現(xiàn)對寬頻帶偵收的非均勻采樣技術(shù)具有十分廣闊的應(yīng)用前景。目前，在不重構(gòu)信號的情況下利用非均勻采樣數(shù)據(jù)直接完成信號處理的技術(shù)還不完善，本文圍繞稀疏多帶信號非均勻采樣數(shù)據(jù)的頻譜檢測和參數(shù)估計等關(guān)鍵技術(shù)展開研究，主要內(nèi)容如下：
　　第二章研究了稀疏多帶信號非均勻采樣數(shù)據(jù)的

2、頻譜檢測問題。針對較少采樣數(shù)據(jù)的協(xié)方差矩陣分解得到的特征值存在的擴散問題，提出了一種基于多重信號分類（MUltiple SIgnal Classification，MUSIC）方法（稱之為MUSIC-like方法）和改進AIC（AIC：Akaike Information Criterion）準(zhǔn)則的頻譜檢測算法。該算法在采樣數(shù)據(jù)相對較少的情況下，能夠提高信號子空間維數(shù)的估計正確率，具有更好的頻譜檢測性能。
　　第三章研究了多載頻信

3、號非均勻采樣數(shù)據(jù)的頻率估計問題。多載頻信號可以認(rèn)為是稀疏多帶信號的表現(xiàn)形式之一，針對非均勻采樣數(shù)據(jù)估計信號頻率時存在的字典失配問題，提出了基于稀疏貝葉斯學(xué)習(xí)（Sparse Bayesian Learning，SBL）和字典優(yōu)化的頻率估計算法。該算法除了保留SBL方法在較少采樣數(shù)據(jù)、低信噪比情況下的性能優(yōu)勢，還能通過動態(tài)調(diào)整用于信號稀疏表示的離散傅里葉變換（Discrete Fourier Transform，DFT）字典，有效減少由字典

4、失配引起的誤差，從而提高算法的頻率估計精度。此外，還利用理論分析和仿真結(jié)果揭示了非均勻采樣技術(shù)對該算法的頻率估計精度和鄰近頻率分辨能力的影響。
　　第四章研究了多分量chirp信號非均勻采樣數(shù)據(jù)的參數(shù)估計問題。多分量chirp信號同樣可以認(rèn)為是稀疏多帶信號的表現(xiàn)形式之一，chirp信號特征需用載頻和頻率調(diào)制斜率等參數(shù)共同描述。為了更好地解決低信噪比、多分量條件下的chirp信號參數(shù)估計問題，提出了基于改進的離散Chirp-Four

5、ier變換（Modified Discrete Chirp Fourier Transform，MDCFT）和自適應(yīng)重要性采樣（Adaptive Importance Sampling，AIS）的參數(shù)估計算法。該算法在迭代過程中通過不斷更新重要性函數(shù)（Importance Function，IF），使得抽取的樣點及其重要性權(quán)重更加有效地近似待估計參數(shù)關(guān)于采樣數(shù)據(jù)的邊緣后驗分布函數(shù)。與現(xiàn)有的兩種基于蒙特卡羅思想的算法相比，該算法具有更好的

6、信噪比適應(yīng)能力，需要抽取的樣本數(shù)目更少，并具有良好的收斂性。
　　第五章研究了復(fù)雜噪聲環(huán)境中非均勻采樣數(shù)據(jù)的參數(shù)估計問題，分兩種情況進行研究。第一，由于非均勻采樣技術(shù)是采用多通道結(jié)構(gòu)實現(xiàn)，針對采樣時多通道間噪聲功率不均勻的情況，提出基于SBL和逆迭代方法的頻率估計算法。該算法能夠適用于含多個噪聲參數(shù)的情況，是對基于SBL的頻率估計算法的進一步拓展。第二，針對以自回歸過程建模的色噪聲的情況，利用基于MDCFT和AIS的參數(shù)估計算法實