鲁棒多周期算法：循环平稳信号TDOA估计的抗干扰优化

本文主要探讨了在循环平稳信号源定位的场景中，如何有效处理存在干扰和脉冲噪声的问题。针对这一挑战，研究者提出了一个鲁棒的多周期信号选择性时间差估计（TDOA）算法。该算法的核心创新在于结合了二阶循环矩和分数低阶统计量的概念。 二阶循环矩是循环平稳信号的重要特性，它反映了信号在不同周期内的平均行为。通过捕捉这些特征，算法能够识别并利用信号的周期性结构，增强对信号的稳健性。分数低阶统计量则是一种扩展的统计工具，它们能够更好地描述信号的复杂动态特性，特别是对于非高斯、非线性或具有长记忆的信号。 在本文中，作者开发了一种新颖的循环分数低阶统计量，这是一种结合了循环平稳性和分数低阶统计量特性的统计量。这种统计量能够更精确地刻画信号的循环特性，并且对干扰和脉冲噪声有更强的抵抗能力。算法设计上，通过利用这些循环分数低阶统计量，作者巧妙地融合了基于循环平稳性方法的优势和分数低阶统计量估计器的精度。 相比于传统的TDOA估计方法，这个鲁棒算法展现出显著的抗干扰和抑制脉冲噪声的能力。这意味着在实际应用中，即使信号环境复杂，如通信系统中的无线干扰或工业环境中的机械噪声，该算法也能提供更为准确和稳定的TDOA估计，这对于定位循环平稳信号源至关重要。 仿真结果显示，新算法在估计性能上明显优于常规的TDOA估计技术，尤其是在信号质量不佳的情况下，其稳定性、准确性和鲁棒性得到了充分验证。这为循环平稳信号源的定位提供了强有力的支持，特别是在无线通信、雷达和信号处理等领域，可能带来显著的技术进步和应用优势。 总结来说，这篇论文的关键贡献在于提出了一种创新的TDOA估计策略，它通过结合循环平稳性和分数低阶统计学，有效地提升了信号选择性和估计准确性，对于解决实际环境中循环平稳信号源定位的问题具有重要的理论价值和实践意义。