雷达对抗技术实验报告(共24页).doc

《雷达对抗技术实验报告(共24页).doc》由会员分享，可在线阅读，更多相关《雷达对抗技术实验报告(共24页).doc（24页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上Harbin Institute of Technology雷达对抗技术实验报告（一）姓名： 学号： 班级： 指导老师：冀振元，李高鹏哈工大电子与信息工程学院电子工程系专心-专注-专业雷达对抗技术实验（一）一、理论基础1、信号产生线性调频连续波（LFMCW）信号单周期表达式为：上式中，的取值范围是 ：LFMCW信号调制斜率，且：:LFMCW信号起始频率 ：LFMCW信号幅度：LFMCW信号带宽 ：LFMCW信号周期多周期信号：式中，为整数采用FFT对信号进行谱分析，并用频谱进行平移显示。仿真生成如下：图1 单周期线性调频信号时域和频谱图图2 多周期线性调频信号时域和频

2、谱图2、信号分析非平稳信号是指信号的统计特征随时间变化的时变信号，其频率也是时间的函数。线性调频信号是典型的非平稳信号。传统的傅立叶变换可求得信号的频率，但该方法是基于信号的全局信息，并不能反映信号的局部特征，也不能反映其中某个频率分量出现的具体时间及其变化趋势，不具备分析信号的瞬时有效性。而瞬时频率，能给出信号的调制变化规律，具有它独特的优势和瞬时有效性。瞬时频率作为描绘非平稳信号特征的一个重要物理量，其估计和提取一直是非平稳信号处理中的研究热点。目前，人们已提出如瞬时自相关法、相位法、过零点法、时频分析等多种手段和方法。本实验只要求时频分析方法。在信号的时频分析中用的最多的就是短时傅立叶变

3、换（STFT），短时傅立叶变换是典型的线性时频表示。这种变换的基本思想就是用一个窗函数乘时间信号，该窗函数的时宽足够窄，使取出的信号可以看成是平稳的，然后进行傅立叶变换，可以反映该时宽中的频谱，如果让窗函数沿时间轴移动，可以得到信号频谱随时间变化的规律。现对短时傅立叶变换及其性质介绍如下。它在傅里叶分析中通过加窗来观察信号，因此，短时傅里叶变换也称加窗傅里叶变换。其表达式为：其中表示的复共轭，是输入信号，是窗函数。在这个变换中，起着频限的作用，起着时限的作用。随着的变化，所确定的“时间窗”在轴上移动，使“以某一时间间隔步进”进行分析。因此，往往被称为窗口函数，大致反映了在时刻频率的“信号成分”

4、相对含量。在实际应用中，有时需要研究信号能量在时频平面中的二维分布情况，为此将短时傅立叶变换取模平方，得到二次型时频分布，称为短时功率或谱图。通过谱图我们可以从整体上观测信号的频率范围以及时频分布情况。可以看出，短时傅立叶变换用线性时频表示，它不存在交叉项：而谱图用二次型的时频表示，如果两信号的短时傅立叶变换在时频平面的支撑区域不重叠，仍可认为其谱图满足叠加性。在短时傅里叶的分析中，窗函数常常起关键的作用。所加的窗函数能否正确反映信号的时频特性(即窗函数是否具有较高的时间分辨率和频率分辨率)，与待分析信号的平稳特性有关。为了了解窗函数的影响，假设窗函数取两种极端情况。第一种极端情况是取，此时信

5、号的STFT可表示为其中表示傅立叶算子。这种情况下，STFT退化为信号的傅立叶变换，没有任何的时间分辨率，却有最好的频率分辨率。第二种极端情况是取，此时 STFT退化为信号，有理想的时间分辨率，但不提供任何频率分辨率。短时傅立叶变换由于使用了一个可以移动的时间窗，使其具有一定的时间分辨率。短时傅立叶变换的时间分辨率取决于窗函数的长度，为了提高信号的时间分辨率，希望的长度愈短愈好。但是频域分辨率取决于窗函数的频域函数宽度，为了提高频域分辨率，希望尽量加宽的窗口宽度，这样必然又会降低时域分辨率。所以，时宽和带宽不可能同时达到任意小，既有任意小时宽，又有任意小带宽的窗函数是不存在的。归根到底，局部谱

6、的正确表示还在于窗函数的宽度与信号的局部平稳长度相适应。在实际应用中，我们希望选择的窗函数具有很好的时间和频率聚集性(即能量在时频平面是高度集中的)，使得能够有效地反映信号在时频附近的“内容”，也就是的宽度应该与信号的局部平稳长度相适应。利用STFT可以估计信号在每片短时窗内的频率得到信号的瞬时频率，该曲线由一组时间和频率相对应的点组成，反映了信号频率随时间的变化。本实验在中可选用的窗有海明窗、汉宁窗和矩形窗等。图3 线性调频信号时频分析图二、实验要求：1、 生成多周期线性调频信号，并对其进行频谱分析；2、 对仿真生成的信号利用两种窗口函数进行STFT变换生成时频分析图，并讨论了两种窗的优劣性

7、；3、 采用两种不同长度的窗口函数进行以上运算，分析窗长对时频分辨率的影响。三、实验步骤：1、 利用公式生成多周期线性调频信号；2、 对信号进行FFT变换得到其频谱；3、 生成一个窗函数（Matlab中有现成的函数），窗长L；4、 用窗函数和信号进行运算（，注意：信号截取长度应和窗长一致）；让窗口函数每次滑动L个点（即窗口不重叠），与信号进行运算，然后进行FFT变换，并取幅值最大的频率点作为本窗口内的频率；5、 窗口函数的每次滑动保留M个点重叠，与信号进行运算，然后进行FFT变换，并取幅值最大的频率点作为本窗口内的频率；6、 生成时频分析图。讨论各种窗在STFT中的应用性和窗口长度L与重合长度

8、M对时频分辨率的影响。四、实验结果与分析1. 单周期 LFMCW 信号时域和频谱图我对实验所用 LFM 信号参数选取如下：首先抽样频率 Fs=8MHz，信号幅度A=4，扫频周期 T=1ms，初始频率 f0=100KHz,带宽 B=600KHz，由上得出时域带宽积为 D=600。时域及频域如下：2. 多周期 LFMCW 信号时域图和频谱图直接用矩阵乘法产生了三个周期的 LFM 信号，然后作图如下：3. 多周期 LFMCW 信号时频分析图同样我用矩阵乘法产生了十周期的 LFM 信号来进行信号时频分析，选取了三种窗函数：矩形窗、海明窗、汉宁窗，分别进行了不同窗长度和不同重叠点数的 STFT 分析。（

9、1）固定重叠点数为 0 时，对不同窗长度的分析结果如下图所示：放大后观察极值点：分析：首先，由第一幅图知，这三种不同的窗函数对应的时频分析图基本完全重合，而在第二幅图中发现只是在频率最大值点和最小值点略有差异，可见窗函数的选取对 STFT 分析的影响不大。其次，明显可以看出在其他参数固定时，所取窗口长度越长，时频分析图的分辨率越高，曲线越平滑，图形也越精确。（2）固定窗函数长度时，对不同重叠点数的分析结果如下图所示：由（1）知窗函数的选取影响不大，故在此只选取了海明窗进行作图分析。放大后如下图：分析：与（1）中分析结果类似，在窗函数类型和窗口长度 L 固定时，取的重叠点数 M 不同时所得到的时

10、频分析图频率仅在最大值和最小值点略有差异，但影响也不是十分的明显。五、实验源代码%主程序 gds01.m：%线性调频信号仿真实验clear all;clc;%第一组实验信号x1，扫频周期为1ms,单周期%假设fs=8MHz，初始频率100KHz,带宽600KHz%由上得出时域带宽积为600T=1;fs=8e+3;f0=1e+2;A=4;t1=0:1/fs:T-1/fs;k1=4e+2;B1=6e+2;D1=T*(B1);x1,W1,X1=chirp_m(A,fs,T,f0,k1);%调用子函数产生LFM信号的时域及频域形式figure(1)subplot(211);plot(t1-0.5,re

11、al(x1);grid on;xlabel(时间/ms);title(单周期线性调频信号时域图);subplot(212);plot(W1/(2*pi)*5000,abs(X1);grid on;xlabel(频率/KHz);title(单周期线性调频信号频域图);%第二组实验信号x2,多周期LFM,其余参数同上%直接用矩阵乘法产生重复3个周期LFM信号a=ones(1,3);x2=x1*a;x2=x2(:);t2=0:1/fs:3-1/fs;N2=length(t2)-1;n2=N2/2:-1:-N2/2;n2=fftshift(n2);X2=fft(x2);X2=X2;figure(2)s

12、ubplot(211);plot(t2,real(x2);grid on;xlabel(时间/ms);title(多周期线性调频信号时域图);subplot(212);plot(n2/N2*5000,abs(X2);grid on;xlabel(频率/KHz);title(多周期线性调频信号频域图);%STFT分析,首先进行的是没有重叠点时的分析x=x1*ones(1,10);x=x(:);L=200;h01=rectwin(L);M=0;%生成200点矩形窗,并每次滑动200个点W01,T01 = stft_m(x,h01,M);h02=hamming(L);%生成200点海明窗,并每次滑动

13、200个点W02,T02 = stft_m(x,h02,M);h03=hann(L);%生成200点汉宁窗,并每次滑动200个点W03,T03 = stft_m(x,h03,M);figure(3)subplot(211);plot(T01,W01);grid on;hold on;plot(T02,W02,-.);hold on;plot(T03,W03,.);axis(0 10 0 600);title(L=200,M=0);legend(矩形窗,海明窗,汉宁窗,3);xlabel(时间/ms);ylabel(频率/KHz);L=500;h04=rectwin(L);M=0;%生成500点

14、矩形窗,并每次滑动500个点W04,T04 = stft_m(x,h04,M);h05=hamming(L);%生成500点海明窗,并每次滑动500个点W05,T05 = stft_m(x,h05,M);h06=hann(L);%生成500点汉宁窗,并每次滑动500个点W06,T06 = stft_m(x,h06,M);subplot(212);plot(T04,W04);grid on;hold on;plot(T05,W05,-.);hold on;plot(T06,W06,.);axis(0 10 0 600);title(L=500,M=0);legend(矩形窗,海明窗,汉宁窗,3)

15、;xlabel(时间/ms);ylabel(频率/KHz);%STFT分析,其次进行的是有重叠点时的分析L=200;h11=hamming(L);M=25;%生成200点海明窗,并每次滑动175个点W11,T11 = stft_m(x,h11,M);h12=hamming(L);M=125;%生成200点海明窗,并每次滑动75个点W12,T12 = stft_m(x,h12,M);figure(4)subplot(211);plot(T11,W11);hold on;plot(T12,W12,.);grid on;legend(M=25,M=125,2);title(海明窗：L=200);xl

16、abel(时间/ms);ylabel(频率/KHz);axis(0 10 0 600);L=512;h13=hamming(L);M=128;%生成512点海明窗,并每次滑动384个点W13,T13 = stft_m(x,h13,M);h14=hamming(L);M=256;%生成512点海明窗,并每次滑动256个点W14,T14 = stft_m(x,h14,M);subplot(212);plot(T13,W13);hold on;plot(T14,W14,.);grid on;legend(M=128,M=256,2);title(海明窗：L=512);xlabel(时间/ms);yl

17、abel(频率/KHz);axis(0 10 0 600);%子函数 chirp_m.m：%定义一子函数，功能是产生单周期LFM信号%入口参数：幅度A,抽样频率fs，扫频周期T，初始频率f0,扫频斜率k%出口参数：时域信号x和其对应的频域信号X及相应的频率Wfunction x,W,X = chirp_m(A,fs,T,f0,k)t=0:1/fs:T-1/fs;w0=2*pi*f0;K=2*pi*k;x=A*exp(1i*(w0.*t+K.*t.2/2);X=fft(x);N=length(t);n=0:(N-1);W=(2*pi/N)*n;mid=ceil(N/2)+1;W(mid:N)=W

18、(mid:N)-2*pi;%把pi,2pi移到-pi,0W=fftshift(W);X=fftshift(X);End%子函数 stft_m.m：%定义一子函数,实现STFT变换%入口参数:待处理信号x,窗函数h,每次移动的点数M%出口参数:频率W,时间Tfunction W,T = stft_m(x,h,M)N=length(x);L=length(h);L0=L-M;A=ceil(N/L0);B=N-A*L0;l=0:L-1;w=2*pi/L*l;a=w;y=h;if B=0W=ones(A,1);%初始化输出矩阵x=x zeros(1,L-B);n=0:L0:N-1;T=n/5000;f

19、or i=1:Am=(i-1)*L0+1;n=(i-1)*L0+L;x0=x(m:n);y=conj(h).*x0;Y=abs(fft(y);a=w.*(Y=max(Y);W(i)=sum(a);endelsex=x zeros(1,L-B);W=ones(A+1,1);%初始化输出矩阵n=0:L0:(A+1)*L0-1;T=n/5000;for i=1:A+1m=(i-1)*L0+1;n=i*L-(i-1)*M;x0=x(m:n);y=conj(h).*x0;Y=abs(fft(y);a=w.*(Y=max(Y);W(i)=sum(a);endendW=W/pi*2500;EndHarbin

20、 Institute of Technology雷达对抗技术实验报告（二）姓名： 学号：班级：指导老师：冀振元，李高鹏哈工大电子与信息工程学院电子工程系噪声调频干扰分析一、理论基础噪声调频干扰是一种频率受噪声调制的干扰信号。噪声调频可以表示为一个广义平稳随机过程：其中， ：是服从零均值、广义平稳随机过程的调制噪声，：是服从均匀分布，且与相互独立的随机变量；：噪声调频信号的幅度；：噪声调频信号的中心频率；为调频斜率。噪声调频干扰信号的均值和相关函数分别为：因为相位满足并且，都是高斯过程，所以可表示为其中，是调制函数的方差，是的自相关函数。当有效调频指数时，噪声调频信号功率谱1）功率谱密度2）功率

21、3）噪声调频干扰信号的干扰带宽可见其与调制噪声带宽无关，而是决定于调频斜率和调制噪声功率。下图为典型的噪声调频干扰信号时域和频域。二、实验要求：1、 掌握根据要求计算信号参数的方法2、 掌握Matlab编写噪声调频干扰信号产生程序的方法3、 掌握利用Matlab分析信号的功率谱和带宽的方法4、 利用Matlab对比典型参数下功率谱的形态三、实验步骤：1、 编写Matlab程序产生噪声调频干扰信号2、 编写Matlab程序分析产生信号的功率谱和带宽3、 编写Matlab程序对比不同参数下的功率谱形态4、 多次运行程序分析，结果与参数的关系四、实验结果1、干扰带宽为，有效调频指数为20，时长，采样

22、频率2、干扰带宽为，有效调频指数为5，时长，采样频率2、有效调频指数为0.5，时长，采样频率五、实验分析由干扰功率谱的变化可知，随着有效调频指数的增大，功率谱展宽。还有就是如果累计次数越多的话，得到的图像也就越清晰越好。在图像当中，相位必须为固定值，如果是不确定的值的话得到的图像将非常地不理想。六、实验代码clear all;clc;T=100e-6;%采样时间,周期fs=100e6;%采样频率N=T*fs;%采样点数,10000M=500;%积累次数deltafj=40e6;kfm=deltafj/(2*sqrt(2*0.);%调频斜率m=20;deltaf=kfm/m;p=fft(fir1

23、(N-1,deltaf/fs*2);%滤波器频谱u=ifft(fft(random(Normal,0,1,1,N).*p);%高斯白噪声通过滤波器n=0:N-1;u0(1)=0;for i=1:N-1 u0(i+1)=u0(i)+u(i);endfj=0.01*fs;A=1;t=0:1/fs:T-1/fs;fi=2*pi*rand(1,N);J=A*cos(2*pi*fj*t+2*pi*kfm*u0/fs+4);%产生噪声调频干扰G=abs(fftshift(fft(J);f=linspace(-fs/2,fs/2,N);s=0;for i=1:100 xn=ifft(fft(random(N

24、ormal,0,1,1,N).*p); sum(1)=0; for i=1:N-1; sum(i+1)=xn(i)+sum(i); end xn=sum/fs; wn=cos(2*pi*fj*t+2*pi*kfm*xn); j=abs(fftshift(fft(wn); s=s+j;ends=s/M;j=s;figure(1)subplot(221);plot(t*1e6,J);xlabel(us);title(噪声调频干扰时域波形);subplot(222);plot(f*1e-6,10*log10(G);xlabel(MHz);ylabel(dB);title(噪声调频干扰频域波形);hold on;subplot(223);plot(f*1e-6,20*log10(j.2/max(j.2);%噪声调频干扰功率谱% axis(50 150 -150 0)xlabel(MHZ);ylabel(dB);title(噪声调频干扰功率谱);