雷达信号FFT-FT频谱细化-matlab代码

最新推荐文章于 2024-05-31 14:04:42 发布

我也想搞机器学习

最新推荐文章于 2024-05-31 14:04:42 发布

阅读量902

点赞数

文章标签： matlab 开发语言算法

本文链接：https://blog.csdn.net/qq_36061650/article/details/129794218

版权

一.前言

毫米波雷达波长较短，在信号传输过程中容易受噪声影响，会产生能量泄漏、畸变等，采用FFT会产生栅栏效应。因此，我们需要对FFT之后的频域信号作一系列频谱细化，以减小误差。

频谱细化可以提高FFT分辨率，在FFT中，所得到的频谱图是将信号频率区间等分为N个点，在每个点上求解频率分量的振幅和相位信息。由于计算机的处理能力和存储能力限制，所以通常选择将频率区间等分为2的幂次方个点来进行FFT计算。当信号频谱变化很缓慢且频率分量离散，这种FFT处理方式就能够给出准确的频域信号。

二.频谱细化介绍

可以通过对信号进行插值或增加信号长度来进行频谱细化，即增加FFT计算点数，从而提高分辨率。

本次实验主要是使用FFT+FT，就是先将信号进行FFT变换，得到其频域表示，然后经过插值、加窗等方式进行处理，最后通过FT变换将其转换为时域信号，即从时域→频域→一系列处理→时域。

例：细化倍数D，采样频率 $f_{s}$ ，采样点N，频率分辨率为 $f_{0}=f_{s}/N$ ， $f_{e}=(f_{1}+f_{2})/2$ 为细化后的中心频率， $f_{s}^{'}=f_{s}/D$ 降低D倍，FFT采用N点计算，得到N条谱线，频率分辨率 $f_{0}^{'}=f_{s}^{'}/N=f_{0}/D$ 提高了D倍。

三.FFT+FT原理

本质是将连续傅里叶变换经过将积分变为求和、时域离散化和时域截断，这三个步骤将信号变换到时间离散、频率连续的特殊傅里叶变换形式。FFT+FT只选择部分需要着重关注的频谱，进行离散FT实现频率细化，流程图如下所示：

其中， $x(n)=A_{0}cos(2\pi f_{0}^{1}n/N+\theta _{0})$ 为单一单一信号序列， $f_{0}^{1}=f_{0}/\Delta f=f_{0}/f_{s}$ 是归一化频率，为FFT采样点数， $F_{s}$ 为采样频率。

时域离散化后，将 $w=2\pi f/f_{s}$ 代入 $x(n)=\sum _{n}^{\infty }-nx(n)e^{-jnw}$ 中得：

$x(2\pi f/f_{s})=\sum _{n}^{\infty }-nx(n)e^{-j2\pi nf/f_{s}}$

然后将时域截断为长度为N的信号段：

$x(f1)=\sum_{N=0}^{N-1}x(n)e^{-j2\pi nf/f_{s}}=\sum_{n=0}^{N-1}x(n)[cos(2\pi kn/N)-jsin(2\pi kn/N)]$

DTF实部虚部分别为：

$X_{R}(k)=\sum_{n=0}^{N-1}x(n)cos(2\pi kn/N)$

$X_{I}(k)=-\sum_{n=0}^{N-1}x(n)sin(2\pi kn/N)$

在一个频率区间 $[f_{1},f_{2}]$ 中，用L进行等间隔分析 $\Delta f=(f_{2}-f_{1})/L$ 为频率分辨率，再确定计算频率序列{ $f_{1},f_{1}+\Delta f,...,f_{1}+L\Delta f=f_{2}$ }，然后再进行L+1个点实部和虚部的计算，再合成幅值谱和相位谱，最终在细化后的频谱中找到最大值对应的频率，就是最终频率估计值。