用E1表示fIF1的均值，将(fIF1一E1)大于零的部分再做归一化处理，这种去均值并提取正值的处理方式，将使fIF1长度缩短并使不同类信号的fIF1结构发生不同程度的变化。这种变化上的差异，有利于信号分类。
    对于PSK信号，由于相位突变会引起频率的跳变。这里用Np来表示突变峰的个数：

   
式中，σ表示均方差。
    通常将经典五参数作为雷达辐射源信号预分选，在此基础上，再构造分类特征向量[R，σ1一σ2，Np]作为辐射源信号主分选，根据分类特征向量门限，判别出各雷达辐射源信号。

3 仿真结果
    仿真选取的雷达信号为：常规脉冲信号(CON)、线性调频信号(LFM)、相位编码信号(二相位编码BPSK，采用7位Barker编码方式)和频率编码信号(二频率编码BFSK，采用13位Barker编码方式)。仿真参数为：A一2，fs=120 MHz，f0=10 MHz，PW=13μs，B=10 MHz，对于二频率编码信号，它的两个频率fl=10 MHz，f2=2 MHz，信噪比SNR为-6～15 dB。
    图1给出了SNR=0 dB、高斯白噪声下的瞬时自相关算法的时频分析图。

    为了确定各特征向量[R，σ1一σ2，Np]的门限，在SNR为一6～15 dB的环境下，对各种典型信号分类特征向量的各分量的取值范围进行了100次的仿真实验，所得统计结果列于表1。

    从表1可知，R是一个较理想的分类特征。因为在所考察的雷达辐射源信号类中，仅有LFM信号的IF随采样时间nT，的变化而线性变化，两者表现出较好的线性相关特性，具有较大的R值，而其余类信号R值均小于O．1，因此，可选择O．1作为R的门限，从而将LFM首先分离出来。从表1中Np的统计结果可以判别出BPSK信号，选择1作为Np的门限。分离出LFM和BPSK信号后，可选择O．05作为σ1一σ2的门限，大于等于O．05的为BFSK信号，小于O．05的为CON信号。图2给出了信号判别流程框图。

4 结 语
    瞬时自相关算法瞬时频率派生特征提取算法，在低信噪比情况下，能够较好地分选出各雷达辐射源信号，该算法运算量不大，抗噪性能良好，工程应用是一个不错的研究方向，作者将在以后的工作中继续对这方面进行深入研究。