ИССЛЕДОВАНИЕ И МОДЕЛИРОВАНИЕ СПЕКТРАЛЬНО-КОРРЕЛЯЦИОННОГО АЛГОРИТМА ДЛЯ РАДИОМОНИТОРИНГА В СЛОЖНОЙ ЭЛЕКТРОМАГНИТНОЙ ОБСТАНОВКЕ
DOI:
https://doi.org/10.52167/1609-1817-2025-140-5-178-187Ключевые слова:
радиопеленгация, спектрально-корреляционный алгоритм, электромагнитные помехи, корреляционный анализ, системы радиомониторингаАннотация
В данной статье представлены результаты исследования и моделирования спектрально-корреляционного алгоритма, предназначенного для решения задач радиопеленгации (радиомониторинга) в условиях сложной электромагнитной среды. С учётом воздействия электромагнитных помех, многолучевого распространения и посторонних сигналов на работу радиотехнических систем, задача повышения точности пеленгации в таких условиях становится особенно актуальной.
В ходе исследования описана структура алгоритма, сочетающего методы спектральной обработки сигналов и временного корреляционного анализа, а также уточнены принципы его функционирования. Эффективность алгоритма была оценена с использованием численных моделей, имитирующих различные электромагнитные условия.
Результаты моделирования показали, что предложенный метод обладает высокой помехоустойчивостью и обеспечивает повышение точности пеленгации. Кроме того, в работе обсуждаются преимущества и ограничения спектрально-корреляционного метода по сравнению с традиционными методами пеленгации. Полученные результаты могут послужить основой для совершенствования технологий радиомониторинга, применяемых в радиотехнической разведке, системах безопасности и средствах связи.
Библиографические ссылки
[1] Napolitano, A. Cyclostationarity: New Trends and Applications//Signal Processing. – 2016. – Vol. 120. – P. 385–408. – DOI: 10.1016/j.sigpro.2015.09.011
[2] Antoni, J. Cyclic Spectral Analysis in Practice//Mechanical Systems and Signal Processing. – 2007. – Vol. 21, No. 2. – P. 597–630. – DOI: 10.1016/j.ymssp.2006.08.007
[3] Gardner, W.A. The Spectral Correlation Theory of Cyclostationary Time-Series// Signal Processing. – 1986. – Vol. 11, No. 1. – P. 13–36. – DOI: 10.1016/0165-1684(86)90091-8
[4] Gardner, W.A.; Napolitano, A.; Paura, L. Cyclostationarity: Half a Century of Research//Signal Processing. – 2006. – Vol. 86, No. 4. – P. 639–697. – DOI: 10.1016/j.sigpro.2005.06.016
[5] Gardner, W.A. Cyclostationarity in Communications and Signal Processing. – New York: IEEE Press, 1994. – 504 p. – DOI: 10.1109/9780470544000
[6] Napolitano, A. Cyclostationary Processes and Time Series: Theory, Applications, and Generalizations. – Academic Press, 2019. – 700 p. – DOI: 10.1016/C2017-0-04240-4
[7] Marple, S.L. Digital Spectral Analysis: With Applications. – Englewood Cliffs: Prentice Hall, 1987. – 512 p.
[8] Шевгунов Т., Ефимов Е., Гущина О. Оценка функции спектральной корреляции с использованием временно-сглаженного циклического периодограммы и интерполяции БПФ – алгоритм 2N-FFT // Sensors. – 2023. – Т. 23, № 215. – С. 1–20. – DOI: 10.3390/s23010215
[9] Johnson, S.G.; Frigo, M. A Modified Split-Radix FFT With Fewer Arithmetic Operations // IEEE Transactions on Signal Processing. – 2007. – Vol. 55, No. 1. – P. 111–119. – DOI: 10.1109/TSP.2006.882087
[10] Brown, W.A.; Loomis, H.H. Digital Implementations of Spectral Correlation Analyzers // IEEE Transactions on Signal Processing. – 1993. – Vol. 41, No. 2. – P. 703–720. – DOI: 10.1109/78.193211
[11] Roberts, R.S.; Brown, W.A.; Loomis, H.H. Computationally Efficient Algorithms for Cyclic Spectral Analysis // IEEE Signal Processing Magazine. – 1991. – Vol. 8, No. 2. – P. 38–49. – DOI: 10.1109/79.80946
[12] Derakhshani, M.; Le-Ngoc, T.; Nasiri-Kenari, M. Efficient Cooperative Cyclostationary Spectrum Sensing in Cognitive Radios at Low SNR Regimes // IEEE Transactions on Wireless Communications. – 2011. – Vol. 10, No. 12. – P. 3754–3764. – DOI: 10.1109/TWC.2011.101911.101124
[13] Yucek, T.; Arslan, H. A Survey of Spectrum Sensing Algorithms for Cognitive Radio Applications//IEEE Communications Surveys & Tutorials. – 2009. – Vol. 11, No. 1. – P. 116–130. – DOI: 10.1109/SURV.2009.090109
[14] Goes, J. The Probability Density of the Spectral Correlation Function Estimates// Signal, Image and Video Processing. – 2023. – DOI: 10.1007/s11760-023-02518-z
[15] Shevgunov, T.; Efimov, E.; Guschina, O. Estimation of a Spectral Correlation Function Using a Time-Smoothed Cyclic Periodogram and FFT Interpolation – 2N-FFT Algorithm//Sensors. – 2023. – Vol. 23, No. 1. – Article 215. – DOI: 10.3390/s23010215
[16] Shevgunov, T.; Efimov, E. Two-Dimensional FFT Algorithm for Estimating Spectral Correlation Function of Cyclostationary Random Processes // 2019 Signal Processing Symposium (SPSympo). – Krakow, 2019. – P. 216–220. – DOI: 10.1109/SPSympo45233.2019.8780091
[17] Efimov, E.; Shevgunov, T.; Filimonova, D. Angle of Arrival Estimator Based on Artificial Neural Networks // 17th International Radar Symposium (IRS). – Krakow, 2016. – P. 1–3. – DOI: 10.1109/IRS.2016.7497355
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Акежан Сабиболда, Нуржигит Смайлов, Амандык Тулешов, Гулжан Кашаганова, Бейбарыс Секенов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
