基于熵测度的跳频信号谱图分析

doi:10.3724/SP.J.1087.2013.01230

计算机应用 ›› 2013, Vol. 33 ›› Issue (05): 1230-1236.DOI: 10.3724/SP.J.1087.2013.01230

基于熵测度的跳频信号谱图分析

郭建涛,王林

信阳师范学院物理电子工程学院, 河南信阳 464000

收稿日期:2012-10-30 修回日期:2012-12-09 出版日期:2013-05-01 发布日期:2013-05-08
通讯作者: 郭建涛
作者简介:郭建涛(1973-)，男，河南南阳人，副教授，博士，主要研究方向:通信信号处理、时频分析；王林(1962-)，男，河南信阳人，副教授，主要研究方向:电磁场
基金资助:
河南省教育厅自然基金资助项目(2011A510021，13B510226);信阳师范学院高层次人才科研启动基金资助项目(09217)

Spectrogram analysis of frequency-hopping signals based on entropy measure

GUO Jiantao,WANG Lin

College of Physics and Electronic Engineering, Xinyang Normal University, Xinyang Henan 464000, China

Received:2012-10-30 Revised:2012-12-09 Online:2013-05-08 Published:2013-05-01
Contact: GUO Jiantao

摘要/Abstract

摘要： 为了有效分析跳频信号并估计其参数，依据跳频信号谱图和Wigner-Ville分布(WVD)的特征分析，提出了一种自适应跳频信号时频分析方法。该方法依据熵测度进行谱图窗函数宽度选择，获取优化的跳频信号谱图表示。理论分析和仿真结果表明，基于熵测度的谱图分析方法能够在大于0dB的高斯白噪声环境下，给出跳频周期参数的准确估计；与平滑伪Wigner分布及其自适应方法相比，该方法能够在较低信噪比下有效降低参数估计的方差，提高参数估计的准确性；同时对于长观测信号，具有更快的运算速度。

关键词: 跳频信号, 熵测度, 参数估计, 时频分析, 谱图

Abstract: To analyze and estimate the parameters of Frequency-Hopping (FH) signals effectively, an adaptive time-frequency analytical method was proposed according to the characteristics of FH signal spectrogram and Wigner-Ville Didtribution (WVD). The width of window function for spectrogram was selected based on entropy measure so as to obtain optimal spectrogram representation of FH signal. The theoretical analysis and simulation results show that the spectrum analytical method based on entropy measure could give accurate estimation of the hopping cycle of FH signal under the white Gaussian noise environment of greater than 0dB. Compared with Smoothed Pseudo WVD (SPWVD) and its adaptive method, the proposed method can effectively reduce the variance and improve the accuracy of parameter estimation at low Signal-to-Noise Ratio (SNR). While for long observation signal, it owns faster operation speed.

Key words: frequency-hopping signal, entropy measure, parameter estimation, time-frequency analysis, spectrogram

中图分类号:

TN911.6

郭建涛王林. 基于熵测度的跳频信号谱图分析[J]. 计算机应用, 2013, 33(05): 1230-1236.

GUO Jiantao WANG Lin. Spectrogram analysis of frequency-hopping signals based on entropy measure[J]. Journal of Computer Applications, 2013, 33(05): 1230-1236.

参考文献

［1］许红军, 柯建波, 党百振. 跳频信号的STFT 时频分析［J］. 桂林电子工业学院学报, 1998, 18(1): 15-19.

［2］卢虎, 史浩山, 谢岩. 估计跳频信号参数的多窗口迭代平滑伪WVD新算法［J］. 空军工程大学学报: 自然科学版, 2008, 9(2): 52-55.

［3］赵俊, 张朝阳, 赖利峰, 等. 一种基于时频分析的跳频信号参数盲估计方法［J］. 电路与系统学报, 2003, 8(3): 46-50.

［4］雷迎科, 钟子发, 吴彦华. 基于RSPWVD高速跳频信号跳周期估计算法［J］. 系统工程与电子技术, 2008, 30(5): 803-805.

［5］郭建涛, 王宏远, 余国文. 基于熵测度和SQP的跳频信号时频表示［J］. 华中科技大学学报:自然科学版, 2009, 37(2): 5-8.
［6］邹红星, 戴琼海, 李衍达，等. 不含交叉项干扰且具有WVD聚集性的时频分布之不存在性［J］. 中国科学：E辑, 2001, 31 (4): 348-354.

［7］WILLIAMS W J. Renyi information for extracting features from TFDs ［C］// Advanced Signal Processing Algorithms, Architectures, and Implementations VI, Proceedings of SPIE 4474. [S.l.]: SPIE, 2001: 68-76.

［8］AVIYENTE S, WILLIAMS W J. Minimum entropy time-frequency distributions ［J］. IEEE Signal Processing Letters, 2005, 12(1): 37-40.

［9］BOUTANA D, BENIDIR M. Benefits of prior speech segmentation for best time-frequency visualisation using Renyi's entropy ［C］// 13th IEEE International Conference on Electronics, Circuits and Systems. Washington, DC: IEEE Computer Society, 2006： 688-691.

［10］陈春俊, 肖衡.维格纳-威利分布算法研究及应用［J］. 西南交通大学学报, 2002,37(2):146-149.

［11］ANGELOSANTE D, GIANNAKIS G B, SIDIROPOULOS N D. Estimating multiple frequency-hopping signal parameters via sparse linear regression ［J］. IEEE Transactions on Signal Processing, 2010, 58(10):5044-5056.

［12］BOASHASH B. Time-Frequency Signal Analysis Toolbox, TFSA 54 [CP]. Brisbane,Australia: Queensland University of Technology,Signal Processing Research Laboratory, 2004.

[1]	徐国保, 陈媛晓, 王骥. 基于图卷积网络的药物靶标关联预测算法[J]. 计算机应用, 2021, 41(5): 1522-1526.
[2]	霍首君, 郝琰, 石慧宇, 董艳清, 曹锐. 基于深度卷积网络的运动想象脑电信号模式识别[J]. 计算机应用, 2021, 41(4): 1042-1048.
[3]	欧跃发, 杨鸣坤, 慕德俊, 柯捷, 马文涛. 基于广义最大Versoria准则的稀疏自适应滤波算法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3325-3331.
[4]	张凯琳, 阎庆, 夏懿, 章军, 丁云. 基于焦点损失的半监督高光谱图像分类[J]. 计算机应用, 2020, 40(4): 1030-1037.
[5]	曾梦, 宁彬, 蔡之华, 谷琼. 使用深度对抗子空间聚类实现高光谱波段选择[J]. 计算机应用, 2020, 40(2): 381-385.
[6]	万永菁, 王博玮, 娄定风. 基于三维卷积神经网络的虫音特征识别方法[J]. 计算机应用, 2019, 39(9): 2744-2748.
[7]	徐星辰, 程剑, 唐璟宇, 张剑. 非对称成对载波多址信号的相位误差分析及幅度改进算法[J]. 计算机应用, 2019, 39(4): 1138-1144.
[8]	王波, 刘德亮. 基于迭代自适应方法的近场源二维参数联合估计[J]. 计算机应用, 2019, 39(2): 523-527.
[9]	吴宗骏, 吴炜, 杨晓敏, 刘凯, Gwanggil Jeon, 袁皓. 改进的基于稀疏表示的全色锐化算法[J]. 计算机应用, 2019, 39(2): 540-545.
[10]	刘斌, 辛迦楠, 谌文江, 肖惠勇. 不可分拉普拉斯金字塔构造及其在多光谱图像融合中的应用[J]. 计算机应用, 2019, 39(2): 564-570.
[11]	王文卿, 刘涵, 谢国, 刘伟. 改进空间细节提取策略的分量替换遥感图像融合方法[J]. 计算机应用, 2019, 39(12): 3650-3658.
[12]	欧阳宁, 朱婷, 林乐平. 基于空谱融合网络的高光谱图像分类方法[J]. 计算机应用, 2018, 38(7): 1888-1892.
[13]	王飞, 于凤芹. 结合多尺度时频调制与多线性主成分分析的乐器识别[J]. 计算机应用, 2018, 38(3): 891-894.
[14]	李璨, 王让定, 严迪群. 基于卷积神经网络的翻录语音检测算法[J]. 计算机应用, 2018, 38(1): 79-83.
[15]	曹帅, 王布宏, 刘新波, 沈海鸥. 基于Earley算法的多功能雷达文法概率快速学习算法[J]. 计算机应用, 2016, 36(9): 2636-2641.

基于熵测度的跳频信号谱图分析

Spectrogram analysis of frequency-hopping signals based on entropy measure

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics