邵亞勇,竺小松

(解放軍電子工程學(xué)院,合肥230037)

1 引 言

寬帶信號偵察往往存在多個信號同時到達接收通道的情況,若不同信號分量頻帶相互重疊,很難準(zhǔn)確地檢測出各個分量。時頻分析為解決這類問題提供了一種很好的途徑,其基本思想是設(shè)計時間和頻率的聯(lián)合函數(shù),用它同時描述信號在不同時間和頻率的能量密度或強度[1]。常用的時頻分析方法有短時傅里葉變換(STFT)、Wigner-ville分布(WVD)、小波變換(WT)、分數(shù)階Fourier變換(FRFT)等。STFT窄的觀察窗和WT寬度變化的時間窗影響了時頻域的分辨率;在非線性時頻分布中,WVD對LFM信號具有最好的時頻聚集性,但是其變換過程的非線性會受到交叉項的困擾[2]。

FRFT變換首先由Namias V從純數(shù)學(xué)的角度提出,之后Almeida L B將其解釋為時頻平面上的旋轉(zhuǎn)算子并分析了它和Wigner-Vile分布的關(guān)系。由于FRFT變換計算非常復(fù)雜,直到Ozaktas提出FRFT的兩種離散計算方法[3],才使其得以廣泛應(yīng)用于信號處理和光學(xué)分析。文獻[4]和文獻[5]從不同角度應(yīng)用分數(shù)階Fourier變換進行信號檢測和估計,但每次只能檢測一個信號,效率較低。本文利用FRFT對寬帶信號特別是LFM信號具有很強的能量聚集性,從提高分數(shù)階域的極值搜索和多信號的分離、檢測效率著手,在混沌-多步擬牛頓搜索法中引入聚類分析的思想,并采用“CLEAN”的方法,將已檢測出的強信號分量消除,減小對弱信號的遮蔽作用,以實現(xiàn)多個頻譜混疊信號的快速準(zhǔn)確的分離和檢測。

2 分數(shù)階Fourier變換的定義及性質(zhì)

典型的 Fourier變換可以理解為逆時針旋轉(zhuǎn)π/2,實現(xiàn)信號從時域到頻域的變換。當(dāng)旋轉(zhuǎn)角 α以π/2的非整數(shù)倍旋轉(zhuǎn)時,假定 α=pπ/2,p為任意實數(shù),可得輸入信號x(t)的FRFT定義式為

式中,p為FRFT的階數(shù),Fp[·]為FRFT的算子符號,變換核函數(shù)Kα(t,u)為

由式(3)可以看出,信號x(t)由一組權(quán)系數(shù)為Xα(u)的正交基函數(shù)Kα(t,u)所表征。

為方便多分量信號的分離與檢測運算,現(xiàn)介紹分數(shù)階Fourier變換的一些基本性質(zhì)。

(1)線性,滿足疊加定理:

(2)旋轉(zhuǎn)相加性:

為減小運算量,本文采用基于FFT的離散FRFT計算方法。由于 x(t)的分數(shù)階Fourier變換為

式中,γ=cotα,β=cscα。若令階數(shù) p為0.5≤ p≤1.5,函數(shù) ejπγt2x(t)在頻域具有帶寬 F,令 N=(F)2,由文獻[3]可知離散分數(shù)階Fourier變換可表示為

再對分數(shù)階Fourier域上的變量 u取離散值,則上式進一步變?yōu)?/p>

3 多分量信號模型及FRFT域中的遮蔽作用

式中,-Δt/2≤t≤Δt/2,ak、fk、μk分別為信號的振幅、初始頻率和調(diào)制頻率,K為信號的個數(shù)。單頻信號和調(diào)幅信號可認為是LMF信號的特例。

在FRFT平面上,LFM信號所對應(yīng)的沖激函數(shù)的位置可以表示為[2]

設(shè)多分量信號的表達式以LFM信號為模型:

當(dāng)在FRFT域中同時檢測多個信號分量時,信號之間存在一定的遮蔽作用,文獻[6]分析了兩信號之間的遮蔽性能,設(shè)信號分量 g(t)和 h(t)分別在α0、α1階FRFT域中實現(xiàn)最佳能量聚集,遮蔽系數(shù)的定義為

式中,Ag、μg為g(t)的幅度和調(diào)頻率,Ah、μh為h(t)的幅度和調(diào)頻率,Td為采樣時間,fs為采樣頻率。遮蔽系數(shù) εα1體現(xiàn)了分量 g(t)對h(t)的遮蔽作用,其值越小越容易將兩信號分離。從式(13)可以看出,在信號幅度和調(diào)頻率確定的情況下,遮蔽系數(shù)εα1與采樣時間有關(guān),采樣時間越長,遮蔽作用越小。

4 基于混沌-多步擬牛頓混合法和聚類分析相結(jié)合的多分量信號的分離與檢測

由式(10)可知,對多分量LMF信號做分數(shù)階Fourier變換,每一分量只在FRFT域中特定的位置(αk,uk)上才表現(xiàn)為沖激函數(shù)。只需不同分量信號的初始頻率和線性調(diào)頻系數(shù)有一個不同,就可將它們分離。首先從p=1階FRFT著手,濾除強的窄帶信號。對接收到的混疊信號進行離散FRFT變換,形成信號能量在參數(shù)(α,u)平面上的二維分布。在確定的旋轉(zhuǎn)角α=π/2,按信號強度進行搜索,得到各窄帶信號對應(yīng)的參數(shù) u,通過式(11)計算信號參數(shù),并重構(gòu)信號。之后通過在變換域 u設(shè)計窄帶濾波器,或應(yīng)用重構(gòu)信號進行對消,去除混疊信號中的窄帶信號。

其次對剩余的寬帶LFM 信號,在FRFT域(α,u)上采取混沌優(yōu)化法和多步擬牛頓法(BFGS)相結(jié)合的混沌-多步BFGS混合法[7]進行二維搜索?；煦鐑?yōu)化法的基本思想就是用類似載波的方法將混沌狀態(tài)引入到優(yōu)化變量中,并把混沌運動的遍歷范圍“放大”到優(yōu)化變量的取值范圍,然后利用混沌變量進行搜索[8]。通過一定的混沌映射關(guān)系,產(chǎn)生混沌序列,并比較各序列的目標(biāo)值,如果在一定步數(shù)內(nèi)目標(biāo)函數(shù)值不發(fā)生變化,滿足終止條件,作為當(dāng)前最優(yōu)值輸出。該方法具有較強的全局搜索能力。

擬牛頓法是一種下降搜索方法,在FRFT域二維平面(α,u)內(nèi),尋找合適的(α0,u0)使得目標(biāo)函數(shù)達到最小,即 :

而在擬牛頓法基礎(chǔ)上發(fā)展的多步擬牛頓法[9],充分利用前期迭代所得信息,構(gòu)造正定對稱矩陣,提高了算法的速度和精度。因此將混沌優(yōu)化算法與多步擬牛頓法相結(jié)合的混沌-多步BFGS法,能夠保證全局最優(yōu)解的同時,提高搜索的速率和精度。

由于通常的逐次消去法每次檢測一個最大信號,多次對信號求FRFT,進行二維搜索,再逐個濾除最大信號,計算量大、效率低。采用聚類分析的方法,可以一次處理多個能量相近的信號,減少了信號變換的次數(shù),降低了多次變換引起的信號畸變。文獻[10]中通過平面截取信號在(α,u)域上的尖峰,引入廣度優(yōu)先搜索鄰居的聚類算法,以期獲得每個LMF對應(yīng)的尖峰位置,實現(xiàn)多個較強信號的檢測與參數(shù)估計。

本文將混沌-多步BFGS法和廣度優(yōu)先搜索鄰居聚類法相結(jié)合,通過逐次相消從強到弱,進行多分量混疊信號的分離與檢測,具體處理步驟如下所述。

4.1 應(yīng)用混沌-多步BFGS混合法搜索FRFT域最大值

多步擬牛頓法雖然搜索精度高、速度快,但是其是一種局部搜索法,受初始值影響較大。而將混沌優(yōu)化算法與多步擬牛頓法相結(jié)合,能夠?qū)崿F(xiàn)全局收斂性和收斂速率快的目的,避免在步進搜索中,步長因子選擇不當(dāng)造成收斂速率與檢測精度不協(xié)調(diào)的問題。圖1所示為混沌-多步BFGS混合法的流程圖。

圖1 混沌-多步BFGS混合法流程圖[7]Fig.1 Flowchart of chaos-multi-step BFGS method

4.2 信號尖峰的聚類分析

FRFT域中信號尖峰包含了信號的所有信息,只要搜索出信號尖峰在FRFT域中所處的位置即可檢測出對應(yīng)信號參數(shù)。選擇一個合適的平面,對平面(α,u)上的信號尖峰進行切割,以切割的信號尖峰作為聚類輸入集。設(shè)(α0,u0)為FRFT域最大值對應(yīng)的位置,選擇合理的高度因子 m,以為切割平面的高度作初次切割,在保證切割的信號數(shù)最多情況下,又不至于切割到噪聲或干擾,提高每次切割的效率。令 T=,設(shè)行數(shù)和列數(shù)分別為 r、l,T 的矩陣元素為Tij,1≤i≤r,1≤j≤l。利用平面切割,求出聚類輸入集Y為

以相異度矩陣作為兩個對象之間近似性的量化表示。對于給定對象 x以及任意對象xi,r為距離參數(shù),找出在聚類分析輸入集Y中的直接鄰居和間接鄰居。如果符合設(shè)定的類門限參數(shù) λ,則將它們歸為一類,完成一次聚類。在完成聚類處理之后,搜索各類的局部極大值,把對應(yīng)的尖峰坐標(biāo)(uk,αk)代入式(11)求出LFM信號的參數(shù)值。

4.3 逐次消去檢測到的強信號分量

在信號消去的方法中,一種是根據(jù)已檢測出的LFM信號參數(shù)進行信號重構(gòu),通過自適應(yīng)的方法將重構(gòu)信號與原混疊信號對消,消除強分量,但這種方法在信號檢測與對消過程中易受到誤差的影響。另一種方法是在變換域u上作帶阻濾波。對原混疊多分量信號作旋轉(zhuǎn)角度αk變換:

式中,Sαk(u)為對應(yīng)于角度 αk有沖激函數(shù)的信號,Wαk(u)代表其他信號分量作旋轉(zhuǎn)角度為 αk的變換。再在u域內(nèi)對尖峰進行遮蔽處理:

M(u)為中心頻率為 u的帶阻濾波器,適當(dāng)選擇其帶寬,保證既能濾除強信號分量,又對其他信號不造成較大損傷。

4.4 濾除強信號后的時域恢復(fù)

對遮蔽處理后的信號作逆FRFT變換,得到經(jīng)過一次聚類分析和信號消除后的剩余信號分量。對剩余信號進行放大,然后重復(fù)以上流程,直到滿足特定門限,使剩余成分中不再含有所需信號分量。

5 仿真與分析

假設(shè)接收信號中含有5個信號分量,其中兩個窄帶信號分別為

其余3個寬帶LFM分量,振幅分別為 a3=1.2、a4=1、a5=1,初始頻率分別為 f3=40 Hz、f4=75 Hz、f5=95 Hz,調(diào)頻斜率分別為 k3=9Hz/s、k4=12 Hz/s、k5=5 Hz/s。噪聲為加性零均值高斯白噪聲,信噪比為6 dB。圖2所示為各信號分量的頻譜圖,圖3為混合信號的頻譜圖。

圖2 各信號分量的頻譜圖Fig.2 The spectrum of the signal components

圖3 混合信號的頻譜圖Fig.3 The spectrum of mixed-signal

由圖2和圖3可知,接收的多信號分量之間在頻譜上相互重疊,通過頻域濾波的方法,不能進行分離及檢測各分量的參數(shù)。先做FRFT,首先檢測出p=1上的余弦信號和調(diào)幅信號,之后將檢測出的信號從混疊信號中消除。消去窄帶余弦和調(diào)幅信號前后多分量信號的FRFT變換的頻譜圖分別如圖4和圖5所示。

圖4 原混疊信號的FRFT幅值圖Fig.4 The FRFT magnitude diagram of original signal

應(yīng)用混沌-多步擬牛頓法檢測出最大信號的FRFT域位置為( α, u)=(3.086 1,2.218 8),在進行聚類分析之前,設(shè)定各參數(shù)的值為:平面切割的高度因子m=0.7,距離參數(shù)r=0.02,類門限參數(shù) λ=0.95。信號尖峰的第一次聚類結(jié)果如圖6所示。

圖5 消去窄帶信號后的FRFT幅值圖Fig.5 FRFT magnitude after eliminating narrow-band signals

圖6 信號尖峰的第一次聚類結(jié)果Fig.6 The first signal peak clustering result

在進行尖峰聚類時,若存在的多個信號分量,弱分量的能量小于強分量的0.7倍時,只進行一次聚類,將會導(dǎo)致弱信號不能檢測出來,此時應(yīng)將檢測出的強信號分量在混疊信號中消除,減小對弱信號分量的遮蔽作用。然后再應(yīng)用混沌-多步擬牛頓法檢測出剩余信號中的最大信號,使用聚類分析,得到多個能量相近信號,直到所有信號分量都被檢測出來。

信號y3、y4、y5分別在各自的最佳旋轉(zhuǎn)角和對應(yīng)u值的尖峰圖如圖7所示。

圖7 y3、y4、y5最佳旋轉(zhuǎn)角處FRFT幅值圖Fig.7 The FRFT magnitude of y3,y4,y5in best rotation angle

6 結(jié) 論

本文研究了將混沌-多步擬牛頓法和聚類分析綜合應(yīng)用于分數(shù)階Fourier變換進行頻譜重疊信號的分離與檢測,改變了之前研究中單純提高搜索速率或單純應(yīng)用聚類分析的方法,通過理論分析和仿真驗證,本方法與其他方法相比,能夠在保證檢測精度的前提下提高檢測效率。文中只考慮了單頻、調(diào)幅和線性調(diào)頻3種信號混疊的檢測,對于混疊信號中含有更多種調(diào)制信號的分離與檢測,將是我們下一步研究的重點。

[1]張賢達,保錚.非平穩(wěn)信號分析與處理[M].北京:國防工業(yè)出版社,2001.ZHANG Xian-da,BAO Zhen.Non-stationary signal analysis and processing[M].Beijing:National Defense Industry Press,2001.(in Chinese)

[2]齊林,陶然,周思永,等.基于分數(shù)階Fourier變換的多分量LFM信號的檢測和參數(shù)估計[J].中國科學(xué)(E輯),2003,33(8):749-759.QI Lin,TAO Ran,ZHOU Si-yong,et al.Detection and parameter estimation ofmulticomponent LFM signal based on the fractional Fourier transform[J].Science in China(Series E),2003,33(8):749-759.(in Chinese)

[3]OzaktasHM,Kutay O,Kutay M A,et al.Digital comp utation of the fractional Fourier transform[J].IEEE Transacti ons on Signal Processing,1996,44(9):2141-2150.

[4]GUO Qing,LI Yanjun,WANG Changhong.A new method of detecting multi-component LFM signals based on blind signal processing[J].Journal of Computers,2011,16(9):1976-1982.

[5]Zhang Xinhui,Liu Lianfu,Cai Jingye,et al.A pre-estimation algorithm for LFM signal based on simplified fractional Fourier transform[J].Journal of Information&Computational Science,2011,8(4):645-652.

[6]鄧兵,陶然,曲長文.分數(shù)階Fourier域中多分量chirp信號的遮蔽分析[J].電子學(xué)報,2007,35(6):1094-1098.DENG Bing,TAO Ran,QU Chang-wen.Analysis of the shading between multi-component chirp signals in the fractional Fourier domain[J].Acta Electronica Sinica,2007,35(6):1094-1098.(in Chinese)

[7]衛(wèi)紅凱,王平波,蔡志明,等.分數(shù)階Fourier變換極值搜索算法研究[J].電子學(xué)報,2010,38(12):2949-2952.WEI Hong-kai,WANG Ping-bo,CAI Zhi-ming,et al.Study of algorithm for extremum seeking in the fractional Fourier transform[J].Acta Electronica Sinica,2010,38(12):2949-2952.(in Chinese)

[8]李兵,蔣慰孫.混沌優(yōu)化方法及其應(yīng)用[J].控制理論與應(yīng)用,1997,14(4):613-615.LI Bing,JIANG Wei-song.Chaos optimization method and its application[J].Control Theory and Application,1997,14(4):613-615.(in Chinese)

[9]Ford JA,Moghrabi I A.Multi-step quasi-Newton methods for optimization[J].Journal of Computational and Applied Math ematics,1994,50(1):305-323.

[10]徐會法,劉鋒,張鑫.分數(shù)階Fourier強弱LFM 信號檢測與參數(shù)估計[J].信號處理,2011,27(7):1063-1068.XU Hui-fa,LIU Feng,ZHANG Xin.Detection and parameter estimation of strong and weak LFM[J].Signal Processing,2011,27(7):1063-1068.(in Chinese)