时频分析是跳频(frequency-hopping,FH)信号检测的有力工具,但是脉冲噪声下性能严重退化,无法有效地提取跳频信号的周期、频率和跳变时刻等参数;基于分数低阶统计量和最大似然估计(maximum-likelihood,ML)的算法是改善脉冲噪声下FH信号时频分布的两类常用方法,但前者性能改善有限,后者通常对噪声的概率分布较为敏感,且计算复杂度高。对此,提出一种基于数据可信度加权(weighting based on the data credibility,WDC)的FH信号检测方法。该方法基于云模型(cloud model,CM)理论,建立了数据可信度的概念,以分析脉冲噪声下接收信号的不确定性,然后在此基础上实现信号加权,改善脉冲噪声下FH信号的时频分布特征。仿真实验证明,在稳定分布噪声中,该方法与基于分数低阶及Myriad滤波器的时频分析方法相比,能够较好地抑制脉冲噪声,获得FH信号的参数信息,具有良好的鲁棒特性。
针对传统的正交频分复用(orthogonal frequency division multiplexing,OFDM)时域参数估计方法在Alpha稳定分布噪声环境下性能退化的问题,该文提出了一种基于相关熵的时域参数估计新方法。相关熵是适用于非高斯信号处理的一种广义相关函数,用于表征随机变量的局部相似性。该方法利用OFDM信号时域结构具有局部相似性这一特点以及相关熵对脉冲噪声较好的抑制作用,完成Alpha稳定分布噪声下OFDM信号有用符号时间和符号周期这两个时域参数的估计。此外,为进一步提高强脉冲噪声下有用符号时间和符号周期的估计性能,该文利用累积法对相关熵进行了改进。仿真结果表明,在Alpha稳定分布噪声下,本文提出的基于相关熵的方法具有良好的估计性能,并且在强脉冲噪声下优于基于分数低阶统计量的方法。
