Обнаружение, оценка параметров и пеленгование периодических импульсных сигналов

Введение. Периодические импульсные сигналы (ПИС) находят широкое применение в различных областях, включая радиолокацию. Параметры ПИС, такие, как период, длительность и форма импульсов, радиочастотное наполнение, могут значительно варьироваться и, как правило, априори неизвестны. В условиях априорной неопределенности и при низких отношениях сигнал/шум актуальная задача обнаружения ПИС, оценки его параметров и пеленгования источника является нетривиальной.
Цель работы. Разработка алгоритмов обнаружения, оценки параметров и пеленгования периодических импульсных сигналов в условиях низких значений отношения сигнал/шум и отсутствия априорной информации о параметрах ПИС.
Материалы и методы. При решении поставленной задачи использовались методы статистической радиотехники, математической статистики, оценивания параметров сигналов на фоне помех, имитационного компьютерного моделирования.
Результаты. Разработаны простые в реализации алгоритмы обнаружения периодических импульсных сигналов, оценки их параметров и пеленгования источника. Методом компьютерного моделирования получены характеристики помехоустойчивости алгоритмов. Выполнено их успешное тестирование посредством приема реальных сигналов. Показано, что помехоустойчивость алгоритмов растет с уменьшением скважности ПИС. Разработанные алгоритмы позволяют отличать ПИС от сигналов беспроводных систем связи, таких, как GSM, UMTS, LTE, Wi-Fi, 5G, имеющих периодическую компоненту, но не являющихся импульсными.
Заключение. Полученные алгоритмы успешно функционируют при отсутствии априорной информации о параметрах периодического импульсного сигнала и при низких отношениях сигнал/шум (до –15 дБ). Показан существенный выигрыш в помехоустойчивости пеленгования по сравнению со стандартным фазоразностным алгоритмом. Оценка параметров периодического импульсного сигнала может быть использована для идентификации источника. 

1. Коротков В. Ф., Зырянов Р. С. Разделение импульсных последовательностей в смешанном потоке сигналов // Изв. вузов России. Радиоэлектроника. 2017. № 3. С. 5–10.

2. Mardia H. K. New Techniques for The Deinterleaving of Repetitive Sequences // IEE Proc. F-Radar and Signal Processing. 1989. Vol. 136, № 4. P. 149–154. doi: 10.1049/ip-f-2.1989.0025

3. Milojevic D. J., Popovic B. M. Improved Algorithm for the Deinterleaving of Radar Pulses // IEE Proc. F-Radar and Signal Processing. 1992. Vol. 139, № 1. P. 98–104. doi: 10.1049/ip-f-2.1992.0012

4. Improved Algorithm of Radar Pulse Repetition Interval Deinterleaving based on Pulse Correlation / Z. Ge, X. Sun, W. Ren, W. Chen, G. Xu // IEEE Access. 2019. Vol. 7. P. 30126–30134. doi: 10.1109/ACCESS.2019. 2901013

5. Liu Y., Chen Y., Sun S. A Radar Signal Sorting Algorithm based on PRI // 19th Intern. Symp. on Communications and Information Technologies (ISCIT), Ho Chi Minh City, Vietnam, 25–27 Sept. 2019. IEEE, 2019. P. 144–149. doi: 10.1109/ISCIT.2019.8905239

6. Железняк В. К., Барков А. В. Обнаружение периодических импульсных последовательностей и оценка их периода // Вестн. Полоцкого государственного ун-та. Сер. С. Фундаментальные науки. Информатика. 2012. № 4. С. 16–20.

7. Барков А. В., Железняк В. К. Способ подавления зашумленных импульсных последовательностей путем компенсации // Электроника инфо. 2013. № 6(96). С. 212–216.

8. Orsi R. J., Moore J. B., Mahony R. E. Spectrum Estimation of Interleaved Pulse Trains // IEEE Trans. on Signal Processing. 1999. Vol. 47, iss. 6. P. 1646–1653. doi: 10.1109/78.765135

9. Ng S. A Technique for Spectral Component Location within a FFT Resolution Cell // IEEE Intern. Conf. on Acoustics, Speech, and Signal Processing (ICASSP 84), San Diego, USA, 19–21 March 1984. IEEE, 1984. P. 147–149. doi: 10.1109/icassp.1984.1172774

10. Nelson D. Special Purpose Correlation Functions for Improved Signal Detection and Parameter Estimation // IEEE Intern. Conf. on Acoustics, Speech, and Signal Processing (ICASSP 93), Minneapolis, USA, 27–30 Apr. 1993. IEEE, 1993. P. 73–76. doi: 10.1109/ICASSP.1993.319597

11. Spectrum Monitoring for Radar Bands Using Deep Convolutional Neural Networks / A. Selim, F. Paisana, J. A. Arokkiam, Y. Zhang, L. Doyle, L. A. DaSilva // IEEE Global Communications Conf. (GLOBECOM 2017), Singapore, 4–8 Dec. 2017. IEEE, 2017. 6 p. doi: 10.1109/GLOCOM.2017.8254105

12. A Radar Signal Deinterleaving Method Based on Semantic Segmentation with Neural Network / C. Wang, L. Sun, Z. Liu, Z. Huang // IEEE Trans. on Signal Processing. 2022. Vol. 70. P. 5806–5821. doi: 10.1109/TSP. 2022.3229630

13. Zhu M., Wang S., Li Y. Model-Based Representation and Deinterleaving of Mixed Radar Pulse Sequences With Neural Machine Translation Network // IEEE Trans. on Aerospace and Electronic Systems. 2022. Vol. 58, № 3. P. 1733–1752. doi: 10.1109/TAES.2021.3122411

14. Han J. W., Park C. H. A Unified Method for Deinterleaving and PRI Modulation Recognition of Radar Pulses Based on Deep Neural Networks // IEEE Access. 2021. Vol. 9. P. 89360–89375. doi: 10.1109/ACCESS. 2021.3091309

15. A Deinterleaving Method for Mechanical-Scanning Radar Signals Based on Deep Learning / С. Wang, Y. Wang, X. Li, D. Ke // 7th Intern. Conf. on Intelligent Computing and Signal Processing (ICSP), Xi'an, China, 15–17 Apr. 2022. IEEE, 2022. P. 138–143. doi: 10.1109/ ICSP54964.2022.9778808

16. Рембовский А. М., Ашихмин А. В., Козьмин В. А. Автоматизированные системы радиоконтроля и их компоненты / под ред. А. М. Рембовского. М.: Горячая линия-Телеком, 2017. 424 с.

17. Liberti J. C., Rappaport T. S. Smart Antennas for Wireless Communication: IS-95 and Third Generation CDMA Applications in IS-95. New Jersey: Prentice Hall, 1999. 376 р.

18. Куликов Е. И., Трифонов А. П. Оценка параметров сигналов на фоне помех. М.: Сов. радио, 1978. 296 с.