《Digital Signal Processing》:Multi-component LFM signal representation method under impulsive noise: Principle, method and application
编辑推荐:
本文针对α-稳定分布脉冲噪声环境下多分量线性调频信号处理的交叉项干扰难题,创新性地提出了基于K-medoids聚类(KMC)的噪声抑制技术。通过构建KMC-分数阶傅里叶变换(KMC-FRFT)和KMC-同步挤压变换(KMC-SST)两种表征方法,实现了脉冲噪声下信号在分数阶域和时频域的精准表征。实验表明当GSNR≥6dB时,该方法能有效消除交叉项干扰并准确估计弱信号参数,为复杂电磁环境下的雷达/通信信号处理提供了新思路。
Highlight
基于K-medoids聚类的脉冲噪声抑制技术,有效解决了现有方法处理多分量LFM信号时产生的交叉项干扰问题。通过KMC-FRFT和KMC-SST两种创新方法,分别从分数阶域和时频域实现了对脉冲噪声下多分量LFM信号的精准表征。
Impulsive noise model
脉冲噪声采用α-稳定分布建模,其特性函数为φ(t)=exp{jat-γ|t|α[1+jβsgn(t)ω(t,α)]},其中特征指数α∈(0,2]决定脉冲强度,对称参数β∈[-1,1]控制分布偏斜度,分散系数γ>0反映噪声离散程度,位置参数a∈R表示分布中心。
K-medoids cluster
K-medoids聚类算法通过以下步骤实现噪声抑制:
Step 1: 从含噪信号X={xn|xn=sn+φn}中随机选择K个初始中心点
Step 2: 通过迭代优化将数据划分至最近中心点所属类别
Step 3: 保留信号主导类别实现脉冲噪声滤除
Cluster analysis
通过时域、分数阶域和时频域多维度验证,当聚类数K=3时能最优平衡噪声抑制效果与计算效率。实验显示该方法对SαS分布噪声(α=1.2, GSNR=10dB)具有显著抑制效果。
Parameter estimation Model
基于KMC-FRFT的LFM信号参数估计模型为:
{p0,u0}=argmaxp,u|Fsp(u)|
φ0=p0π/2
k=-cotφ0
f=u0cscφ0
该模型通过分数阶谱峰值检测实现调频斜率和中心频率的精确估计。
Conclusion
本研究提出的KMC方法突破了传统非线性变换方法的局限性,为脉冲噪声环境下的多分量LFM信号处理提供了完整的解决方案。通过KMC-FRFT和KMC-SST的互补性表征,为雷达信号处理、水下声呐探测等领域的强噪声环境信号解析提供了新的技术路径。