鲁棒循环平稳信号TDOA与FDOA联合估计方法

"该文主要探讨了在脉冲噪声环境下，如何有效地联合估计循环平稳信号的到达时间差（TDOA）和到达频率差（FDOA）。文章提出了一个新的算法，该算法基于分数低阶循环平稳性，旨在提高在非高斯α稳定脉冲噪声和干扰情况下的鲁棒性。通过利用循环平稳性和分数阶低阶统计量，新方法能够更好地应对各种噪声环境，同时与其他基于循环平稳性和分数低阶统计量（FLOS）的方法相比，证明了其在存在脉冲噪声时的优越性能和有效性。" 在信号处理领域，尤其是在通信、雷达和定位系统中，准确地估计TDOA和FDOA是至关重要的任务。TDOA指的是信号从不同接收器到达的时间差，而FDOA则是信号在不同接收点的频率偏移，这两者通常用于多径传播环境下的目标定位或运动目标的多普勒频移测量。然而，在实际环境中，信号可能会受到各种类型的噪声干扰，特别是非高斯α稳定脉冲噪声，这种噪声由于其随机性和突发性，对传统的估计方法造成了挑战。 传统的循环歧义函数和分数阶低阶歧义函数在处理这类噪声时表现不佳。为了解决这一问题，本文提出了一种新的算法，该算法充分利用了循环平稳性的概念，循环平稳性是指信号在不同时间尺度上保持统计特性不变的性质。结合分数阶低阶统计量，新算法可以更好地捕捉信号的内在特性，即使在强烈的脉冲噪声和干扰下也能提供更准确的估计。 分数阶低阶统计量是一种强大的工具，它们对于非高斯噪声特别敏感，能够揭示信号的局部特征，这在处理像α稳定过程这样的非高斯噪声时尤其有用。α稳定过程是一种广义的随机过程，可以描述各种非高斯噪声，包括脉冲噪声。通过结合这两种技术，新算法提高了对脉冲噪声的鲁棒性，从而在复杂的信号环境中保持良好的性能。 为了验证新方法的有效性，文章进行了比较实验，将新算法与基于循环平稳性和基于FLOS的方法进行对比。实验结果表明，新提出的算法在脉冲噪声环境下不仅有更高的精度，而且表现出更强的鲁棒性，这使得它成为解决TDOA和FDOA联合估计问题的一个有力工具。 这篇研究论文为在恶劣噪声环境下的信号处理提供了新的视角和解决方案，为未来的研究和实际应用开辟了新的途径。通过深入理解循环平稳性和分数阶低阶统计量，我们可以更好地应对非高斯噪声，提高信号处理的准确性和可靠性。