LVD方法提升复杂噪声下LFM信号参数估计精度

本文主要探讨了复杂噪声环境下基于局部变异维数（Local Variance Dimension, LVD）的线性调频（Linear Frequency Modulation, LFM）信号参数估计方法。传统的LFM信号参数估计技术，如自相关函数法，在处理平滑交叉项时，存在精度下降和计算复杂度增大的问题。LVD作为一种创新策略，通过以下几个步骤改进了这一情况： 1. **尺度变换与PSIAF处理**：LVD首先对对称参数瞬时自相关函数（Periodic Symmetric Instantaneous Autocorrelation Function, PSIAF）进行尺度变换，目的是消除LFM信号在时间轴上的线性频率偏移，使得信号特征更加清晰。 2. **二维傅里叶变换**：接着，对尺度变换后的信号在时间维度上进行2维傅里叶变换，将原始的1维LFM信号转换为2维的单频信号。这样的转换使得信号的不同频率成分在LVD平面上表现为独立的尖峰，从而减少了交叉项的影响，提高了参数估计的准确性。 3. **抑制高斯噪声**：LVD方法有效地抑制了高斯噪声，因为高斯噪声在LVD平面上的表现较为分散，不集中于特定峰值，不会显著干扰参数估计。 然而，当遇到脉冲性较强的α稳定分布噪声时，LVD在估计调频斜率（Carrier Frequency Offset and Rate, CFCR）方面可能会表现不佳甚至失效。这主要是因为这类噪声具有非高斯特性，其能量集中在某些特定区域，导致在LVD平面上的分布不同寻常。 针对这个问题，作者结合了分数低阶统计量理论，提出了适用于α稳定分布噪声环境下的分数低阶LVD方法。这种新方法旨在提高算法的鲁棒性，能够在高斯噪声和脉冲噪声等复杂环境中保持稳定的参数估计性能。 通过仿真实验验证，该新方法证明了其在不同噪声环境下的稳定性和有效性，尤其是在处理非高斯噪声时，显示出更好的适应性和抗干扰能力。因此，本文的研究对于LFM信号在复杂噪声条件下的精确参数估计具有重要的理论和实际应用价值，特别是在通信、雷达和信号处理等领域。关键词包括线性调频信号、LVD、分数低阶矩、参数估计以及脉冲噪声，这些是本文核心研究内容的关键词和分类依据。