基于DMFT的LFM信號(hào)參數(shù)估計(jì)

表l為B=200 MHz時(shí)不同信噪比情況下初始頻率和調(diào)頻斜率的測(cè)量值與其對(duì)應(yīng)真值(f0=200 MHz，k0=4．0×1012Hz／s)的絕對(duì)誤差。

從以上結(jié)果可以看出，該方法對(duì)信號(hào)參數(shù)的估計(jì)有較高的精度，在SNR=一15 dB的情況下還能估計(jì)信號(hào)參數(shù)，這是一般的時(shí)頻分析方法不能比擬的。SNR低于一15 dB時(shí)，參數(shù)估計(jì)絕對(duì)誤差將逐步增大，信號(hào)經(jīng)過離散匹配傅里葉變換淹沒在隨機(jī)噪聲中，無法正確檢測(cè)信號(hào)。
4．2 多分量LFM信號(hào)仿真
離散匹配傅里葉變換是一種線性變換，所以在對(duì)多分量信號(hào)進(jìn)行分析時(shí)不會(huì)產(chǎn)生交叉項(xiàng)。但是信號(hào)中強(qiáng)分量LFM信號(hào)的旁瓣可能大于弱信號(hào)的主瓣峰值，影響到多分量LFM信號(hào)的分辨和參數(shù)估計(jì)。為了解決這個(gè)問題，借助“Clean”的思想：首先計(jì)算多分量LFM信號(hào)的離散二步匹配傅里葉變換，然后進(jìn)行二維搜索找極大值。并根據(jù)峰值的位置和大小估計(jì)最強(qiáng)LFM信號(hào)分量的幅度、初始頻率和調(diào)制斜率，然后由上述參數(shù)重構(gòu)LFM信號(hào)并從信號(hào)之減去，最后將處理過的信號(hào)重復(fù)上述過程估計(jì)下一個(gè)LFM信號(hào)的參數(shù)。
多信號(hào)的參數(shù)估計(jì)仿真采用如下信號(hào)：

進(jìn)行第一次DMFT之后信號(hào)頻譜如圖2所示，只出現(xiàn)強(qiáng)信號(hào)分量的一個(gè)峰值，弱信號(hào)的峰值淹沒在強(qiáng)信號(hào)分量的旁瓣中。此時(shí)，在圖2中搜索譜峰最大值，得出強(qiáng)信號(hào)的分量：f1=2.002x108，k1=4.96x10 13，一個(gè)分量s1(t)，得到剩余信號(hào)s2(t)，再進(jìn)行一次二步DMFT，對(duì)其余LFM信號(hào)分量估計(jì)，得到如圖3所示結(jié)果，估計(jì)得到第二個(gè)分量的參數(shù)：f2=2．197×108，k2=5．53×1013，a2=1．89。

上面的仿真結(jié)果表明，離散匹配傅里葉變換結(jié)合“clean思想是一種檢測(cè)多分量LFM信號(hào)的有效的方法。仿真進(jìn)一步表明，當(dāng)較小分量的信噪比不小于一15 dB時(shí)，LFM信號(hào)的參數(shù)估計(jì)能達(dá)到較高的精度。隨著信噪比的進(jìn)一步降低，參數(shù)估計(jì)精度將下降，無法正確估計(jì)信號(hào)的參數(shù)。

5 結(jié) 語
首先介紹了LFM信號(hào)的形式以及DMFT的基本原理，然后從減小運(yùn)算量的角度對(duì)DMFT算法進(jìn)行改進(jìn)，最后分別對(duì)單分量和多分量LFM信號(hào)進(jìn)行Matlab仿真，結(jié)果表明，DMFT能夠在低SNR情況下估計(jì)出LFM信號(hào)的參數(shù)，不存在多分量信號(hào)交叉項(xiàng)問題，而且運(yùn)用本文改進(jìn)的算法運(yùn)算量較小，在對(duì)低截獲概率雷達(dá)信號(hào)的處理中將有廣闊的應(yīng)用前景。