针对低信噪比(signal-to-noise ratio,SNR)下跳周期估计和跳频频率估计误差较大的情况,提出了一种基于最大熵二值化时频图以及检测和定位(detection and localization,DL)-YOLOv5s的跳周期估计和跳频频率估计方法。首先,利用最大熵阈值...针对低信噪比(signal-to-noise ratio,SNR)下跳周期估计和跳频频率估计误差较大的情况,提出了一种基于最大熵二值化时频图以及检测和定位(detection and localization,DL)-YOLOv5s的跳周期估计和跳频频率估计方法。首先,利用最大熵阈值分割方法结合形态学滤波对时频图进行处理,获得清晰的最大熵二值化时频图,再通过提出的DL-YOLOv5s模型对最大熵二值化时频图中的跳频信号进行检测和定位,通过增加ASPP模块和BiFPN模块,提高跳频信号的边缘和角点检测精度,并通过BOT3模块引入多头自注意力机制,提高跳频信号的定位精度,最后得到跳频信号的坐标位置,通过坐标的对照关系完成跳周期估计和跳频频率估计。实验结果表明,相较于YOLOv5s模型,提出的DL-YOLOv5s模型精确率P提高了5%,召回率R提高了2.2%,平均精度mAP 0.5和mAP 0.5:0.9分别提高了5.1%和4.2%,相较于YOLOv7、YOLOv8等其他模型,提出的DL-YOLOv5s模型体积更小,更适用于跳频信号参数估计常用的嵌入式设备这类资源受限的环境,且相较于传统跳频信号参数估计方法,提出的方法可以有效降低低信噪比下跳周期估计和跳频频率估计的误差。展开更多
针对传统跳频网台分选技术在低信噪比条件下检测效果不佳且实时性差的问题,本文提出一种基于YOLOv8(You Only Look Once version 8)的跳频信号分选算法.首先,对接收到的混叠信号进行短时傅里叶变换生成灰度时频图作为YOLOv8网络模型的输...针对传统跳频网台分选技术在低信噪比条件下检测效果不佳且实时性差的问题,本文提出一种基于YOLOv8(You Only Look Once version 8)的跳频信号分选算法.首先,对接收到的混叠信号进行短时傅里叶变换生成灰度时频图作为YOLOv8网络模型的输入.其次,针对混叠信号中扫频、定频信号以及跳频信号之间发生频率碰撞对检测精度的影响,在C2f层中引入可变形卷积核(Deformable Convolutional Net-works v2,DCNv2)提高网络特征提取的泛化能力.再次,在Backbone层中加入SimAM注意力机制,解决低信噪比下背景噪声易与跳频信号混淆影响检测精度的问题.最后,将Detect检测头的卷积核替换为局部卷积核(Partial Convolution,PConv),在mAP@0.5精度损失不超过0.37%的情况下使网络计算复杂度降低32.18%,提高网络模型的推理速度.实验结果表明,本文所提算法在信噪比为-5 dB时分选率达到97.68%,且模型收敛快,鲁棒性强.展开更多
为了有效辅助跳频(FH)网台分选和信号识别、跟踪,该文用正交偶极子对构造极化敏感阵列,基于空间极化时频分析,在欠定条件下实现了多跳频信号波达方向(Direction Of Arrival,DOA)与极化状态的高效联合估计。首先建立跳频信号的极化敏感...为了有效辅助跳频(FH)网台分选和信号识别、跟踪,该文用正交偶极子对构造极化敏感阵列,基于空间极化时频分析,在欠定条件下实现了多跳频信号波达方向(Direction Of Arrival,DOA)与极化状态的高效联合估计。首先建立跳频信号的极化敏感阵列观察模型,然后根据参考阵元时频分析结果建立各跳信号的空间极化时频分布矩阵,再利用该矩阵中蕴含的信号极化-空域特征信息分别运用线性、二次型空间极化时频以及多项式求根共3种方法实现DOA与极化参数联合估计,最后蒙特卡罗仿真结果验证了该算法的有效性。展开更多
为在欠定条件下估计跳频(frequency hopping,FH)信号二维波达方向(two dimensional direction of arrival,2D-DOA)和极化参数,从而有效辅助FH网台分选和信号识别、跟踪等,提出基于空间极化时频分析的联合估计算法.在建立FH信号极化敏感...为在欠定条件下估计跳频(frequency hopping,FH)信号二维波达方向(two dimensional direction of arrival,2D-DOA)和极化参数,从而有效辅助FH网台分选和信号识别、跟踪等,提出基于空间极化时频分析的联合估计算法.在建立FH信号极化敏感阵列快拍数据模型基础上,推导空间极化时频分布(spatial polarimetric time frequency distributions,SPTFD)的线性时频扩展形式SPSTFT,同时给出一种组合时频分布方法定位各跳(hop)信号在时频面上的自项区域,据此构造各hop的SPTFD和SPSTFT矩阵.利用SPSTFT/SPTFD矩阵中蕴含的信源极化-空域特征信息采取两种不同方法估计2D-DOA和极化参数.新算法无需多维参数寻优和配对,计算量小.仿真结果表明,本算法能在欠定条件下有效估计FH信号2D-DOA和极化参数,SPTFD矩阵法估计精度高,并能处理发生频率碰撞的hop.展开更多
文摘针对传统跳频网台分选技术在低信噪比条件下检测效果不佳且实时性差的问题,本文提出一种基于YOLOv8(You Only Look Once version 8)的跳频信号分选算法.首先,对接收到的混叠信号进行短时傅里叶变换生成灰度时频图作为YOLOv8网络模型的输入.其次,针对混叠信号中扫频、定频信号以及跳频信号之间发生频率碰撞对检测精度的影响,在C2f层中引入可变形卷积核(Deformable Convolutional Net-works v2,DCNv2)提高网络特征提取的泛化能力.再次,在Backbone层中加入SimAM注意力机制,解决低信噪比下背景噪声易与跳频信号混淆影响检测精度的问题.最后,将Detect检测头的卷积核替换为局部卷积核(Partial Convolution,PConv),在mAP@0.5精度损失不超过0.37%的情况下使网络计算复杂度降低32.18%,提高网络模型的推理速度.实验结果表明,本文所提算法在信噪比为-5 dB时分选率达到97.68%,且模型收敛快,鲁棒性强.
文摘为了有效辅助跳频(FH)网台分选和信号识别、跟踪,该文用正交偶极子对构造极化敏感阵列,基于空间极化时频分析,在欠定条件下实现了多跳频信号波达方向(Direction Of Arrival,DOA)与极化状态的高效联合估计。首先建立跳频信号的极化敏感阵列观察模型,然后根据参考阵元时频分析结果建立各跳信号的空间极化时频分布矩阵,再利用该矩阵中蕴含的信号极化-空域特征信息分别运用线性、二次型空间极化时频以及多项式求根共3种方法实现DOA与极化参数联合估计,最后蒙特卡罗仿真结果验证了该算法的有效性。
文摘为在欠定条件下估计跳频(frequency hopping,FH)信号二维波达方向(two dimensional direction of arrival,2D-DOA)和极化参数,从而有效辅助FH网台分选和信号识别、跟踪等,提出基于空间极化时频分析的联合估计算法.在建立FH信号极化敏感阵列快拍数据模型基础上,推导空间极化时频分布(spatial polarimetric time frequency distributions,SPTFD)的线性时频扩展形式SPSTFT,同时给出一种组合时频分布方法定位各跳(hop)信号在时频面上的自项区域,据此构造各hop的SPTFD和SPSTFT矩阵.利用SPSTFT/SPTFD矩阵中蕴含的信源极化-空域特征信息采取两种不同方法估计2D-DOA和极化参数.新算法无需多维参数寻优和配对,计算量小.仿真结果表明,本算法能在欠定条件下有效估计FH信号2D-DOA和极化参数,SPTFD矩阵法估计精度高,并能处理发生频率碰撞的hop.
