α稳定分布噪声下跳频信号参数估计的优化方法

"这篇论文探讨了在α稳定分布噪声中基于最优核时频分析的跳频信号参数估计问题。传统非线性时频分析方法在处理跳频信号时存在交叉项干扰和参数估计精度下降的问题。为此，文章提出了径向高斯核(Radially Gaussian Kernel, RGK)时频分析方法，这种方法能根据跳频信号的特性自适应地选择最佳核函数，以减少交叉项并提高参数估计的准确性。然而，当环境噪声是强烈的α稳定分布噪声时，RGK方法的性能会下降。因此，作者结合最大似然估计理论，开发了一种加权最大似然广义柯西(Weighted Maximum-Likelihood Generalized Cauchy, WMGC)滤波的新方法，称为WMGC-RGK方法。这种方法在α稳定分布噪声中对跳频信号进行参数估计，表现出良好的鲁棒性和参数估计性能。" 文章详细介绍了如何解决跳频信号参数估计在复杂噪声环境下的挑战。首先，它指出传统非线性时频分析方法在处理FH信号时的不足，尤其是在交叉项的抑制和参数估计的精确度方面。接着，引入了RGK时频分析方法，其核心是通过自适应选择最佳核函数来适应FH信号的变化，从而优化分析效果。然而，在α稳定分布噪声背景下，RGK方法的效能受到限制。 为了解决这一问题，作者提出了WMGC滤波器与RGK时频分析的结合，即WMGC-RGK方法，或者简称WR方法。这种方法基于最大似然估计理论，特别设计用于处理α稳定分布噪声。通过应用WMGC滤波，WR方法能够更好地估计在强脉冲噪声环境中的跳频信号参数，提高了方法的稳健性和估计精度。 仿真结果对比了WR方法与其他时频分析方法（如分数低阶和Myriad方法）在α稳定分布噪声中的表现，证实了WR方法的优越性。这项研究提供了一种新的、有效的工具，以应对在复杂噪声环境下跳频信号的参数估计，对于信号处理和通信领域的理论研究和实际应用具有重要意义。