针对目前以高斯白噪声为模型的大部分跳频参数估计方法在α稳定分布噪声背景下,性能急剧下降的缺点,对跳频信号进行两次窗函数长短不同的分数低阶STFT,从而得到两组时频数据,,将两组时频数据点乘,得到新的时频表示,基于时频分析的跳频...针对目前以高斯白噪声为模型的大部分跳频参数估计方法在α稳定分布噪声背景下,性能急剧下降的缺点,对跳频信号进行两次窗函数长短不同的分数低阶STFT,从而得到两组时频数据,,将两组时频数据点乘,得到新的时频表示,基于时频分析的跳频参数估计方法,实现跳频参数的估计。仿真实验表明,提出的方法有效抑制了α噪声,在α=0.8,GSNR≥1 d B;α=1.5,GSNR≥0 d B时,可以实现跳频周期的准确估计。在α=1.5,GSNR=3 d B时,该算法跳变时刻估计值最大相对误差比STFT低3%、比分数低阶STFT低1.6%,跳变频率估计值更加精确。展开更多
针对基于特征值的谱感知算法在脉冲噪声的环境下感知性能不佳的问题,分析矩阵全部的特征值,引入矩阵特征值的几何均值,提出了基于分数低阶协方差矩阵的最大特征值与特征值几何均值之差(difference between maximum eigenvalue and geome...针对基于特征值的谱感知算法在脉冲噪声的环境下感知性能不佳的问题,分析矩阵全部的特征值,引入矩阵特征值的几何均值,提出了基于分数低阶协方差矩阵的最大特征值与特征值几何均值之差(difference between maximum eigenvalue and geometric mean of eigenvalue,DMGM)的频谱感知算法。选择了Alpha稳定分布噪声模拟脉冲噪声环境,理论分析与仿真实验结果表明,在不增加算法复杂度的前提下,DMGM算法与其他算法相比,更适用于脉冲噪声环境,在低信噪比条件下具有更好的感知性能。展开更多
文摘针对目前以高斯白噪声为模型的大部分跳频参数估计方法在α稳定分布噪声背景下,性能急剧下降的缺点,对跳频信号进行两次窗函数长短不同的分数低阶STFT,从而得到两组时频数据,,将两组时频数据点乘,得到新的时频表示,基于时频分析的跳频参数估计方法,实现跳频参数的估计。仿真实验表明,提出的方法有效抑制了α噪声,在α=0.8,GSNR≥1 d B;α=1.5,GSNR≥0 d B时,可以实现跳频周期的准确估计。在α=1.5,GSNR=3 d B时,该算法跳变时刻估计值最大相对误差比STFT低3%、比分数低阶STFT低1.6%,跳变频率估计值更加精确。
文摘针对基于特征值的谱感知算法在脉冲噪声的环境下感知性能不佳的问题,分析矩阵全部的特征值,引入矩阵特征值的几何均值,提出了基于分数低阶协方差矩阵的最大特征值与特征值几何均值之差(difference between maximum eigenvalue and geometric mean of eigenvalue,DMGM)的频谱感知算法。选择了Alpha稳定分布噪声模拟脉冲噪声环境,理论分析与仿真实验结果表明,在不增加算法复杂度的前提下,DMGM算法与其他算法相比,更适用于脉冲噪声环境,在低信噪比条件下具有更好的感知性能。
