3.1水下零通正弦信号
在上一节中,我们简要介绍了频域插值的理论基础,然而,在水下信号处理过程中,正弦信号通常以CW脉冲的形式出现。我们在图中给出了正弦信号在水声信号处理中的两个应用示例2.图2a显示了在通信中的应用,其中我们在数据和导频信号上叠加一个低功率CW脉冲,该信号和通信信号之间的关系在时域中叠加,在频域中不重叠,因为单个频率信号占用的带宽很小,因此,频率估计信号占用的带宽资源很少。图2然后,b显示了在检测信号中的应用。值得注意的是,在水声传播过程中,由于声速较慢,相对运动的影响比陆地上的影响更大,因此我们在信号前后添加Chirp信号作为同步,实际上可以使用具有多普勒不变性的双曲调频信号,因此,可以首先通过同步信号补偿多普勒较大导致的整个帧的压缩和扩展,然后执行频率估计算法。由于脉冲前后的多普勒可能不一致,我们一次捕获并处理一个脉冲周期的连续波脉冲信号。
3.2零通正弦信号模型
基于信号零通的假设,我们提出了以下信号模型,其中M是信号的总长度,N是非零部分的长度
$$\tilde{s}\left(n\right)=\left\{{begin{array}{*{20} 我}{s\left(n\right),}\hfill&{0\len\leN-1}\hfill\\{0,}\h fill&}n\len\le M-1}\h填充\\end{array}}\right$$
(14)
$$\tilde{r}\left(n\right)=\left\{{begin{array}{*{20} 我}{r\left(n\right),}\hfill&{0\len\leN-1}\hfirl\\{0,}\h fill&}n\len\le M-1}\h填充\\end{array}}\right$$
(15)
$$\开始{aligned}{f_0}=&{}\left({p+x}\right)\cdot\Delta f=\left$$
(16)
哪里\(\left|x\right|\le 0.5\),从而可以如下获得接收信号的形式,
$$\begin{aligned}{\tilde{R}}\left(k\right)=&{}\sum\limits_{n=0}^{n-1}{\tilde{R}}\left(n\right){e^{-j2 \pi k\frac{n}{M}}}}={\tilde{S}}\ left(k\right)+{\tilde{W}}\left(k\right)},\ quad k=0,\ cdots,M-1,\ end{aligned}$$
(17)
$$开始{对齐}{\波浪线{S}}\左(k\右)=&{}A\总和\限制_{n=0}^{n-1}{e^{j\左({2\pi\左(}p+x}\右)\frac{{F_S}}{M}\左c{n}{M}}\n非数字\\=&{}A{e^{j\theta}}{e^}-j\ti\左({p+x}\右)}}\sum\极限_{n=0}^{n-1}{{e^{j2\pi\左({p+x-k}\右)\ frac{n}{M}}}}。\结束{对齐}$$
(18)
3.3基于振幅比方法的频率粗估计
首先对信号进行分析,忽略了噪声的影响。带零通的单频信号的FFT估计结果可以写为
$$开始{对齐}开始{校准}{波浪线{S}}\左(p\right)&=A{e^{j\theta}}{e^}-j\pi\left(p+x}\right}\right)}}{{sin\left({frac{{pix}}{M}\rift)}}}{e^{j\pix\frac{n-1}}{M}}{e ^{j\theta}}{e^{-j\pi\left\右)}}。\end{aligned}\end{alinged}$$
(19)
整理独立于第页,让\(φ=\theta+\pix{{左({N-1}\右)}/{左,这是FFT系数效应中的一个常量,然后将上述方程进一步简化为
$$开始{aligned}{\tilde{S}}\left(p\right)=\frac{{A\sin\left。\结束{对齐}$$
(20)
这里是第页我们正在寻找的是FFT系数的指数,因此它是一个整数,然后可以得到以下方程
$$\begin{aligned}{e^{-j\pi p}}=\left\{{\begin{array}{*{20}{c}}{1\quad p\;是\;偶数}\\{-1,\,\,p\;奇数}\end{array}}\right。\结束{对齐}$$
(21)
然后,根据上述等式,相邻的FFT系数分别为:
$$\开始{aligned}{\波浪线{S}}\左({p+1}\right)=&{}\frac{{A\sin\left({pi\frac}{x-1}}{M} N个}\右)}}{{\sin\左({\pi\frac{{x-1}}{M}}\右)$$
(22)
$$\开始{aligned}{\波浪线{S}}\左({p-1}\right)=&{}\frac{{A\sin\left({pi\frac}{x+1}}{M} N个}}{{sin\left({\pi\frac{{x+1}}{M}}\right)}}{e^{j\phi}}{e ^{-j\pi\left。\结束{对齐}$$
(23)
可以注意到,与信号峰值系数相邻的FFT系数很容易获得。根据公式(22)和(23),我们可以获得
$$g\left(x\right)=\left\{{begin{array}{*{20} 我}{\frac{{\left|{\tilde{S}\left({p-1}\right)}\right|}}{\left |{\tilde{S}\ left(p\right de{S}\左(p\右)}\右|}}=g{r}\左}\正确$$
(24)
然后,可以分别获得这两个区间的两个不同的比率函数。
$$\begin{aligned}{g_l}\left(x\right)=&{}\frac{\sin\left({\pi\frac{x}{M}}\right)}}{\sin\left({\pi\frac{xN}}{M}}\right)}}\cdot\frac{\sin\left({\pi\frac{1+x}){M} N个}\右)}}{{\sin\左({\pi\frac{{1+x}}{M}}\右){},-0.5<x<0。\结束{对齐}$$
(25)
$$\开始{aligned}{g_r}\left(x\right)=&{}\frac{{\sin\left{M} N个}\右)}}{{\sin\左({\pi\frac{{1-x}}{M}}\右){},0<x<0.5。\结束{对齐}$$
(26)
我们可以很容易地从接收信号中获得信号的FFT系数。
$$\开始{aligned}{\波浪线{R}}\左(p\right)=&{}{\波形线{S}}\右(p\right)+{\波浪线{W}}\left(p\ right),\结束{aligned}$$
(27)
$$\begin{aligned}{\ tilde{R}}\left({p-1}\right)=&{}{\ tilde{S}}\left({p-1}\right)+{\ tilde{W}}\left({p-1}\right),\ end{aligned}$$
(28)
$$\开始{aligned}{\tilde{R}}\left({p+1}\right)=&{}{\ tilde{S}}\leaft。\结束{对齐}$$
(29)
由于高斯白噪声在所有频率点的功率几乎相同,我们假设在所有频率点值都相同。另一个假设是信号的信噪比是已知的,所以我们假设它是一个与信噪比相关的常数作为校正项,因此我们的问题转化为找到以下两个方程的解:
$$\开始{aligned}\frac{{{\tilde{R}}\left({p-1}\right)-W}}{{{\tilde{R{}\left[p\right]-W}}=&{}\frac{{\sin\left左({\pi\frac{{1+x}}{M} N个}\右)}{{\sin\左({\pi\frac{{1+x}}{M}\right)}},-0.5<x<0,\end{aligned}$$
(30)
$$开始{aligned}\frac{{\tilde{R}}\left({p+1}\right)-W}}{{{\utilde{R}{\left左({\pi\frac{{1-x}}{M} N个}\右)}}{{\sin\左({\pi\frac{{1-x}}{M}}\右){},0<x<0.5。\结束{对齐}$$
(31)
然而,由于上述方程不是线性方程,很难获得其封闭解。但从图中可以看出三那个\(g \左(x \右)\)是单调递减的,当\(-0.5<x<0)。同时,当\(0<x<0.5 \)在相应的区间内,根据函数具有单调递增或单调递减的性质,可以用牛顿梯度下降法求出相应值的解。然而,上述方程不是一个线性方程,要获得上述方程的闭式解比较困难,但根据图三我们可以注意到,根据图三,我们可以看到\(-0.5<x<0),\(g \左(x \右)\)是单调递减的,并且当\(0<x<0.5)在相应的区间内,考虑到函数单调递增或单调递减的性质,可以用牛顿梯度下降法求出相应值的解。
然后,我们的重点转移到如何获得相应的函数值和相应的函数,即如何确定真值是在峰值的左侧还是右侧。
从图中可以看出4无论真值在峰值的左侧还是右侧,我们都可以假设真频点在最大FFT系数点和第二个点之间。假设可以分别从这两个区间获得两个不同的x值,然后将其转换为等式(30)和(31)以获得相应的\({x_r}\)或\({x_l}\)。我们需要做的就是从\(g\左(x\右)\)通过比率获得的值。显然,a\(g\左(x\右)\)对应于x解不是唯一的,那么我们可以相应地获得两个x值:一个在(\(-\)0.5,0)和一个(0,0.5)。获得两个不同的频率值也是很自然的\({fr}\)和\({fl}\).
然后我们根据DTFT进行定义,
$$\begin{aligned}D\left(f\right)=\sum\limits_{n=0}^{n-1}{{\tilde{r}}\ left(n\right){e^{-j2\pi-fn}},\quad 0\le-f\le{f_s}}。\结束{对齐}$$
(32)
计算并获得频率值,然后我们可以计算出与接收信号相对应的DTFT值。从图中可以看出4真实频率值应接近DTFT最大值。因此,通过两个DTFT值之间的大小比较,我们可以确定真实频率值更适合哪个方向。考虑到比较后计算出的DTFT值,可以得出结论,频率的粗略估计是在其更大的方向上。
此时,我们已经使用幅度比方法完成了对接收信号的粗略估计。
3.4基于分数傅里叶系数插值的频率精确估计
在文学作品中[11],在信号粗略估计的两侧距离A处通过迭代插值进行精确估计。从仿真中可以看出,对于零通信号,这种估计方法对粗估计的增强较小。然后,我们通过组合零通信号来改进此方法。
采用改进的比值法对频率进行粗估计后,采用改进的迭代FFT系数插值算法对信号的精确频率估计误差进行补偿。
$$\begin{aligned}f=\frac{{\hat{m}}+\delta}}{m}{f_s}。\结束{对齐}$$
(33)
哪里\({\hat{m}}\)是粗略估计的DFT系数,即\(p+x_r)或\(p+x_l\)在上一节中,\(\增量\)是剩余的残差。如前所述,一般来说,\(\增量\)取值范围为[\(-\)0.5 0.5].
我们首先计算DFT系数\(\增量p\)在粗略估计的两边\({\hat{m}}\)
$$开始{对齐}{X_{\Delta p}}=\sum\limits_{k=0}^{M-1}{s\left(k\right){e^{-j2\pi k\frac{{\hat{M}}+\Delta p}}{M}}}}+{W_{\Delta p}},\quad\Delta p=\pm 0.5\frac{M}{N}。\结束{对齐}$$
(34)
根据上一节,\(s \左(k \右)=0 \)什么时候k大于N个。我们将部分调整后的值作为零对加法,如下所示
$$开始{aligned}{X_{Delta p}}=\sum\limits_{k=0}^{N-1}{s\left(k\right){e^{-j2\pi k\frac{{\hat{m}}+\Delta p{}{m}}}+{W_{Deltap}},\quad\Delta p=\pm 0.5\frac{m}{N}。\结束{对齐}$$
(35)
带来秒(k)在上述方程中,利用等距级数的求和公式,我们得到:
$$\begin{aligned}\begin{aligned}{X_{Delta p}}&={e^{j\theta}}\frac{{A_0}\left({1-{e^}-j2\pi\left)({\frac}{Delta p-\Delta}}{M}\right)N}}\right)}{{1-{e ^{-j2\\pi\lefth}}}+{W_{\Delta p}},\\&\quad={e^{j\theta}}\frac{{A_0}\left({1-{e^}-j2\pi\left-\frac{N}{M}}\right)}}}\right)}{{1-{e^{j2\pi\left({frac{{delta-\delta p}}{M{}\rift)}}+{W{delta p{}},\;\增量p=\pm 0.5\压裂{M}{N}。\end{aligned}\end{alinged}$$
(36)
自\(\delta-\delta p\ll M\),根据等价无穷小原理,我们可以将公式(35)收件人:
$$\begin{aligned}\begin{aligned}{X_{Delta p}}&={A_0}{e^{j\theta}}\frac{{left({1-{e^}-j2\pi\Delta p\frac}N}{M}}{e ^{j2\ pi\Delta p\frac{N}{M}}}}}\right)}}{-j2\\pi\frac[{Delta-\ Delta p{N}}}+{W_{\Delta p}}\\&\quad=-M{A_0}{e^{j\theta}}\frac{{left({1-{e^}-j2\pi\ Delta p\frac}{N}{M}}{e_{j2\πDelta\frac{N}}{M{}}}}\right)}}{j2\pi\delta}}\frac{\delta}{\delta-\delta p}}+{W_{\delta p}}。\end{aligned}\end{alinged}$$
(37)
制造\(-M{A_0}{e^{j\theta}}\frac{{left({1-{e^}-j2\pi\Delta p\frac}N}{M}}{e_{j2\py\Delta\frac{N}{M}}}\right)}}{j2\\pi\Delta}}独立于\(\增量p\),我们采取\(增量p=\pm 0.5\压裂{M}{N}\),我们可以获得:
$$\begin{aligned}\begin{aligned}{X_{Delta p}}&=-M{A_0}{e^{j\theta}}\frac{{left({1-{e^}-j2\pi\Delta p\frac}N}{M}}{e*{j2\py\Delta\frac{N}{M}}}}\right)}{j2\\pi\Delta}}}+{W_{\Delta-p}}\\&\quad=M{A_0}{e^{j\theta}}\frac{{left({1+{e^}j2\pi\Delta\frac{N}{M}}}\right)}}{j2\π\Delta}}}\裂缝{\δ}{{\δ-\δp}}+{W{\δp{}},δp=\pm0.5\裂缝{M}{N}。\结束{对齐}\结束{对齐}$$
(38)
让\(-M{A_0}{e^{j\theta}}\frac{{left({1+{e^2\pi\delta\frac}N}{M}}}\right)}}{j2\pi\ delta}}\右)是b条,然后获取:
$$\begin{aligned}{X_{\Delta p}}=b\frac{\Delta}{{Delta-\Delta p2}}\mathrm{{+}}{W_{\德尔塔p}}\end{aligned}$$
(39)
自\(△p=\pm p=\p.0.5\压裂{M}{N}\),忽略噪声的影响,我们得到
$$\begin{aligned}\beta=\frac{{X_p}+{X_{-p}}}{{X_p}-{X{-p}{}}}\buildrel\textstyle。\上=\frac{{2N\delta}}{M}。\结束{对齐}$$
(40)
3.5总体算法流程
然后可以得到剩余频率偏差的准确估计。将粗略估计与精确估计相结合,完整的频率估计方法如下所示:
\({\textbf{步骤1:对M个点进行FFT计算})
首先,在M点对接收信号进行FFT计算,以获得最大谱电平位置,表示为\(左(右),并记录其相邻的光谱系数\(右\左({p-1}\右)\),\(右\左({p-1}\右)\),并截取噪声信号的一段以估计噪声功率\(W_p\).
\({\textbf{步骤2:通过改进的ARD算法获得频率粗估计}})
找到解决方案\({g_l}\left(x\right)=\frac{{\left|{R\left通过牛顿梯度下降法,得出\({x_l}\)、和\({fl}=\左({p+{x_l}}\右)\增量f\),
找到解决方案\({g_r}\左(x\右)=\frac{{\left|{r\左({p+1}\右)}\right|-{\mathrm{{W}}_p}}}{\left |{r\left(p\右){\right|-{\mathrm{W}{_p}}\)通过牛顿梯度下降法,得出\({x_r}\)、和\({f_r}=\左({p+{x_r}}\右)\增量f\),
计算\(D\左({{f_l}}\右)\),\(D\左({{f_r}}\右)\)并比较震级,
如果\(\left|{D\left({{f_l}}\right)}\right|>\left|1{D\leaft({f_r}}\right)}\ right|\),那么\({x_c}={x_l}\),
其他的\({x_c}={x_r}\).
粗略估计结果如下\({fc}=\左({p+{x_c}}\右)\增量f\),并且粗略索引值为\({\hat{m}}=p+{x_c}\).
\({\textbf{Stap3:通过迭代FFT插值获得准确的频率估计}})
\({\textbf{用于零填充}}\)
基于FFT插值算法的精确频率估计。
设置\({{\hat{\delta}}_0}=0\)
回路:每个我从1到Q do
$$\开始{对齐}{X_{\Delta p}}=&{}\sum\limits_{k=0}^{N-1}{s\left(k\right){e^{-j2\pi k\frac{{\hat{m}}+{{\\hat{\Delta}}{{i-1}}+\Delta p}}{m}}}},\quad\Delta p=\pmp=\p.m0.5\frac{m}{N},\\{\\hat{\Delta}}_i}=&{}{{\hat{\Delta}}_{i-1}}+\frac{{2N}}{m}{\mathop{\textrm{Re}}\nolimits}\left\{{\frac}{{X_p}+{X_{-p}}}{{X_p}-{X_}-p}}{}\right\}。\结束{对齐}$$
\({\textbf{Stap4:最终获得频率估计结果}})
$$\begin{aligned}{hat{f}}=\left({{hat{m}}+{{{hat{\delta}}_Q}}}\right)\Δf \ end{aligned}$$