时频原子分解算法(time-frequency atom decomposition,TFAD)是继傅立叶变换、Gabor变换和小波变换之后逐渐发展起来的一种新的信号处理方法。这种算法将输入信号分解成一系列原子信号的线性展开,而这些原子是从一个冗余的原子库中选取的。为了使选取的原子最佳地匹配原始信号的结构,时频原子分解算法采取一种贪婪的自适应分解策略。由于时频原子库是高度冗余的,分解的策略是贪婪自适应的,时频原子分解算法能够在一定的精度条件下,将输入信号表示成少量特征明显的信号分量的叠加形式,从而获得信号的自然特性。这种信号分解方法能灵活地表达信号局部结构特性,而且由该方法得到的能量密度没有Wigner和Cohen类时频方法的交叉干扰项。
尽管使用时频原子分解算法能够得到较好的信号模型,但是此算法的一个主要缺点是计算量过大。在对信号的每一次分解中,都需要进行大量的内积运算,以决定在这一步应该选用原子库中哪一个原子作分解。而且,目前仅有很少的文献对时频原子分解方法在雷达信号处理领域的应用进行了初步探索。为此,论文针对雷达辐射源信号,给出三种时频原子分解快速算法,以提高辐射源信号的处理速度。论文的主要工作及研究成果如下:
1.详细介绍时频原子分解算法的基本理论,分析比较Gabor原子和Chirp原子的性能。通过仿真分析基于Gabor原子和Chirp原子的TFAD算法的性能,结果证明TFAD适合分析非平稳信号,Chirp原子重构的信号具有较好的时频聚集性,TFAD的计算复杂度过高。
2.为了降低时频原子分解算法的计算复杂度,给出一种基于量子遗传算法(QGA)的快速时频原子分解算法。该方法采用自适应匹配能力强的Chirp原子构建原子库,利用量子遗传算法快速寻找时频原子分解过程中每一次分解应选用的最佳原子,降低时频原子分解算法的计算复杂度。对雷达辐射源信号的仿真实验结果表明,该方法计算速度大幅度提高,计算量减小,而且重构信号时频聚集性好。
3.为了更有效的提高时频原子分解算法的计算速度,给出一种基于粒子群算法(PSO)的时频原子分解快速算法,使雷达辐射源信号在过完备的原子库中进行分解,采用Chirp原子提高自适应匹配能力和时频聚集性,同时通过PSO寻找最佳时频原子。实验结果表明,该方法能有效提高TFAD分解算法的速度,辐射源信号的时频图有较好的时频聚集性,这种方法还能有效抑制噪声和交叉项。
4.为了增加搜索到全局最优解的概率,给出一种基于混沌粒子群算法的时频原子分解快速算法(Chirp-CPSO)。该方法采用Chirp原子构建原子库,信号在过完备的Chirp原子库中进行分解,利用遍历性较好的混沌映射初始化粒子,分解过程中采用PSO快速寻找时频原子分解过程中每一次分解应选用的最佳原子。同时引入混沌“灾变”操作,帮助算法跳出局部极值。实验结果表明,该方法能有效降低时频原子分解算法搜索过程的计算复杂度,提高信号处理效率,而且得到的时频图时频聚集性好,能有效抑制交叉干扰项和噪声。除此之外,该方法与前面两种改进算法比较更适合处理多分量信号。
本文工作得到国家自然科学基金(60702026)和四川省青年科技基金项目(09ZQ026-040)共同资助。
