CN104270167A - 一种基于多维特征神经网络的信号检测和估计方法 - Google Patents

Abstract

本发明公开了一种基于多维特征神经网络的信号检测和估计方法，它涉及人工神经网络和直接序列扩频通信技术领域。本发明利用相关函数累加法检测DSSS信号是否存在，并完成对PN码的估计，即基于多维特征神经网络的方法针对低信噪比情况下检测直扩信号扩频码，先提取信号的多维特征(包括PN码的周期、码元宽度、PN码与信息码同步的起止时刻等)，然后对信号进行周期分段，再分批输入神经网络训练，经神经网络训练收敛后即可检测出扩频序列。本发明能够通过人工神经网络，可以在非合作通信中，从噪声中检测出信号并估计其PN序列，且在低信噪比的情况下，网络也能很快的收敛到序列或其反。

Description

一种基于多维特征神经网络的信号检测和估计方法

技术领域

本发明涉及的是人工神经网络和直接序列扩频通信技术领域，具体涉及一种基于多维特征神经网络的信号检测和估计方法。

背景技术

直接序列扩频(Direct Sequence Spread Spectrum，DSSS)通信信号利用高速率的扩频序列与信息码序列相乘得到，使得信号频谱被展宽并降低信号功率谱密度，可工作于负信噪比环境即信号淹没于噪声之中，具有强的抗干扰、抗多径、低截获概率、多址复用等优点，在军事和民用通信领域中得到了广泛的应用。DSSS通信首先出现于二战期间，并随着无线通信技术及新器件的出现，从战后开始获得了广泛的应用，包括军事通信、卫星通信、移动通信、导航跟踪、测距、遥控等各个领域。

对于合作DSSS通信接收者，可利用已知的扩频序列对接收信号进行检测以提取传输信息，而信道噪声和窄带干扰信号的频谱则由于被展宽，很容易被抑制掉；但对于非合作接收者，由于扩频序列未知难以实现传输信息的有效恢复，需要事先完成扩频序列的估计，因此如何对直扩信号进行有效检测是通信对抗面临的重要课题。

近年来随着非线性科学的发展，神经网络在信号处理领域的应用变得越来越广泛。研究表明有一些人工神经网络***对低信噪比下的微弱信号具有极其敏感特性，同时又对噪声具有免疫性，这使得它在信号检测中非常具有潜力。也就是说，在直扩信号检测中融入神经网络检测方法等基于混沌理论的方法，可弥补常规检测方法的一些不足，并可望对低信噪比下直扩信号进行更加有效地检测。本发明以二进制相移键控的直接序列扩频(DSSS／BPSK)信号为例，研究了基于多维特征和神经网络的直扩信号检测算法及参数估计。

对信号检测和估计的研究源于通信中对合作通信信号的检测和对雷达信号的检测的需要，以使在一定的条件下，获得最佳的检测性能。这方面的研究很久以前就开始了，而且得出了最佳检测器的结构是相关器或匹配滤波器。这种最佳检测需要很多的条件：信号要确知，如信号的载频、基带波形已知；信号的到达时间已知等。但是在非合作的侦察检测中，没有这些先验条件，这种最佳检测是不能应用的。

传统的接收机是对接收到的信号的频域特征进行分析，如果在频域上有一些异常的成分，就说明存在有信号，否则说明信号不存在。这种方法的基础也是源于相关器。由于信号未知，就有很多的相关器去对接收信号进行匹配，如果发现与其中一种信号很相关，则说明在该段时间内存在信号；反之，则没有信号。在未知信号的形式的情况下，我们就假定信号是正弦波的形式，但是这种方法对扩频增益很大的直接序列扩频信号在信噪比很低的情况下显得无能为力。

发明内容

针对现有技术上存在的不足，本发明目的是在于提供一种基于多维特征神经网络的信号检测和估计方法，通过人工神经网络，可以在非合作通信中，从噪声中检测出信号并估计其PN序列，且在低信噪比的情况下，网络也能很快的收敛到序列或其反。

为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于多维特征神经网络的信号检测和估计方法，其步骤为：(1)将DSSS信号观测到的数据分成K段，计算第k段数据的自相关函数R_k(τ)，1≤k<K；

(2)对总共K段数据的自相关函数R_k(τ)进行平均得到R(τ)；

(3)如果|R(τ)|中有一个明显的尖峰，表明存在DSSS信号，否则不存在DSSS信号，此时需要重新提取观测数据，重复步骤(1)到步骤(3)直到检测出DSSS信号；

(4)由于DSSS信号是周期信号，因而具有离散的功率谱，再对该功率谱作傅氏变换取模平方，即求到二次功率谱，其在PN码周期整数倍处会得到尖锐的脉，通过检测这些尖锐脉冲间的距离就可估计出DSSS信号PN码的周期。

$S_{\mathrm{ds}}\left(e\right)={\left|\mathrm{DFT}\right\{S_{\mathrm{ds}}\left(f\right)\left\}\right|}^2\widetilde{=}{\left|T_c\underset{k=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}\left(\frac{|e-k{\mathrm{NT}}_c|}{T_c}\right)\right|}^2,|e-{\mathrm{kNT}}_c|\&le;T_c,k=0\&PlusMinus;1,$

$\left(a\right)$

可见，DSSS有用信号的二次功率谱是间距为PN码周期的尖锐的三角形脉冲序列，而噪声n(t)的二次谱不具有这一特性。因此可以通过检测这些脉冲间的距离来估计出PN码的周期T₀。

(5)由于DSSS有用信号ds(t)是周期平稳过程，而PN码片宽度则是该过程一个重要的周期特征参数，ds(t)的周期谱为：

$S_{\mathrm{ds}}^{\mathrm{\&alpha;}}\left(f\right)=K\underset{m,n}{\mathrm{\&Sigma;}}{P}_n{P}_{m-n}[Q(f+(k/2-n)T_0)\&CenterDot;Q(f-(k/2+n-m)/T_0)]---\left(b\right)$

由(b)式可看出DSSS有用信号ds(t)的周期谱在α轴上以α＝±k／T_c离散分布，且幅度递减，而噪声n(t)的周期谱则不具有这一性质。若能沿α轴搜索到除零频外幅度最大的谱线位置α＝1／T_c则可计算得到所要估计的PN码片宽度T_c＝1/α。

(6)由于所采用的DSSS有用信号ds(t)是用一周期的PN码来同步调制一位信息码，在估计出了信号PN码的码周期、码片宽度等参数后，需要对接收到的信号进行分段后才便于后续的处理。可见，还须估计PN码与信息码同步的起止时刻T_x。可以通过K次平均来可靠地估计出该参数，而且通过平均还可以抑制噪声。即：

$R_x\left(t\right)=\frac{1}{K}\underset{j=1}{\overset{K}{\mathrm{\&Sigma;}}}{r}_x^j\left(t\right)---\left(c\right)$

(7)在得到DSSS信号PN码的周期、码片宽度以及信息码和PN码同步的起止时刻等特征参数后，就可以将原始信号进行周期分段，再将分段后的信号逐批送入Hebb网络中训练，进而估计出扩频序列或其反。图3所示的是本发明使用的神经网络，有下面两个假设：

(71)输出层的神经元是线性的

(72)该网络有m个输入和l个输出，一般的要求l<m。

设输出层神经元j在n时刻的输出为y_j(n)，输入点集{x_i(n)|i＝1，2，…，m}与输出层神经元j直接的突触权向量为w_ji(n)，则有：

$y_j\left(n\right)\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}\left(n\right)x_i\left(n\right),j=\mathrm{1,2},...l---\left(d\right)$

突触权向量根据Hebb算法进行自适应调整：

$\mathrm{\&Delta;}{w}_{\mathrm{ji}}\left(n\right)=\mathrm{\&eta;}{[y}_j\left(n\right)x_i\left(n\right)-y_j\left(n\right)\underset{k=1}{\overset{j}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ki}}\left(n\right)y_j\left(n\right)],\begin{array}{c}i=\mathrm{1,2},...,m\\ j=\mathrm{1,2},...,l\end{array}---\left(e\right)$

其中η是学习参数。式(e)是广义Hebb算法，其输出层有l个神经元，对于使用广义Hebb算法的神经网络，可以提取输入数据的前l个主元向量，即第j个输出层神经元的突触权向量最终的收敛值为输入数据的第j个主元向量。

本发明具有以下有益效果：本发明采用的是自组织***的Hebbian学习过程，用这个算法所实现的神经网络结构一般具有主元分析(PCA)的功能，也可以称为PCA神经网络，利用神经网络的算法来获取DSSS信号的PN码序列，其原理是建立在多维特征分析的基础之上，得到的信号的多维特征参数输入神经网络，在CHA学习算法之下，该神经网络的突触权值将收敛于PN码序列本身，从而可以由这些权值估计出PN码序列。通过人工神经网络，可以在非合作通信中，从噪声中检测出信号并估计其PN序列，且在低信噪比的情况下，网络也能很快的收敛到序列或其反。

附图说明

下面结合附图和具体实施方式来详细说明本发明；

图1为本发明流程图；

图2为本发明检测出的DSSS信号(信号的自相关函数图和信号的功率谱)；

图3为本发明使用Hebb算法的前向神经网络；

图4为基于Hebb算法的PCA网络估计的PN码序列图；

图5为基于Hebb算法的多输出PCA网络的性能分析图(SNR=-10dB的误码率)；

图6为基于Hebb算法的多输出PCA网络的性能分析图(SNR＝-14dB的误码率)。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参照图1-6，本具体实施方式采用以下技术方案：1、将捕获的DSSS信息数据分成K段，计算第k段数据的自相关函数R_k(τ)，1≤k<K；取K＝100，计算这100段数据的自相关函数平均值R(τ)，如果|R(τ)|没有明显的尖峰，说明观测到的数据中不含DSSS信号，需要重新观测，直到可以在|R(τ)|中检测到明显的尖峰。如图2所示。

2、根据公式(a)，通过DSSS信号的二次功率谱脉冲间的距离来估计出PN码的周期T₀。

3、根据公式(b)，沿α轴搜索DSSS信号周期谱除零频外幅度最大的谱线位置α=1／T_c，得到所要估计的PN码片宽度T_c＝1/α。

4、根据公式(c)，通过100次的平均估计出PN码与信息码同步的起止时刻T_x。

5、将原始信号分成100段，逐批送入图3所示的神经网络中进行训练。训练结果如图4所示，通过如图5和图6对网络的性能分析可以看出本发明能够在低信噪比时很好的检测并估计出信号的PN码。

本具体实施方式采用的是自组织***的Hebbian学习过程，用这个算法所实现的神经网络结构一般具有主元分析(PCA)的功能，也可以称为PCA神经网络，利用神经网络的算法来获取DSSS信号的PN码序列，其原理是建立在多维特征分析的基础之上，得到的信号的多维特征参数输入神经网络，在CHA学习算法之下，该神经网络的突触权值将收敛于PN码序列本身，从而可以由这些权值估计出PN码序列。通过人工神经网络，可以在非合作通信中，从噪声中检测出信号并估计其PN序列，且在低信噪比的情况下，网络也能很快的收敛到序列或其反。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种基于多维特征神经网络的信号检测和估计方法，其特征在于，(1)将DSSS信号观测到的数据分成K段，计算第k段数据的自相关函数R_k(τ)，1≤k<K；

(2)对总共K段数据的自相关函数R_k(τ)进行平均得到R(τ)；

(3)如果|R(τ)|中有一个明显的尖峰，表明存在DSSS信号，否则不存在DSSS信号，此时需要重新提取观测数据，重复步骤(1)到步骤(3)直到检测出DSSS信号；

(4)由于DSSS信号是周期信号，因而具有离散的功率谱，再对该功率谱作傅氏变换取模平方，即求到二次功率谱，其在PN码周期整数倍处会得到尖锐的脉，通过检测这些尖锐脉冲间的距离就可估计出DSSS信号PN码的周期。

$S_{\mathrm{ds}}\left(e\right)={\left|\mathrm{DFT}\right\{S_{\mathrm{ds}}\left(f\right)\left\}\right|}^2\widetilde{=}{\left|T_c\underset{k=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}\left(\frac{|e-k{\mathrm{NT}}_c|}{T_c}\right)\right|}^2,|e-{\mathrm{kNT}}_c|\&le;T_c,k=0\&PlusMinus;1,...\left(a\right)$

可见，DSSS有用信号的二次功率谱是间距为PN码周期的尖锐的三角形脉冲序列，而噪声n(t)的二次谱不具有这一特性。因此可以通过检测这些脉冲间的距离来估计出PN码的周期T₀。

(5)由于DSSS有用信号ds(t)是周期平稳过程，而PN码片宽度则是该过程一个重要的周期特征参数，ds(t)的周期谱为：

$S_{\mathrm{ds}}^{\mathrm{\&alpha;}}\left(f\right)=K\underset{m,n}{\mathrm{\&Sigma;}}{P}_n{P}_{m-n}[Q(f+(k/2-n)T_0)\&CenterDot;Q(f-(k/2+n-m)/T_0)]---\left(b\right)$

由(b)式可看出DSSS有用信号ds(t)的周期谱在α轴上以α=±k／T_c离散分布，且幅度递减，而噪声n(t)的周期谱则不具有这一性质。若能沿α轴搜索到除零频外幅度最大的谱线位置α=1／T_c则可计算得到所要估计的PN码片宽度T_c=1/α。

(6)由于所采用的DSSS有用信号ds(t)是用一周期的PN码来同步调制一位信息码，在估计出了信号PN码的码周期、码片宽度等参数后，需要对接收到的信号进行分段后才便于后续的处理。可见，还须估计PN码与信息码同步的起止时刻T_x。可以通过K次平均来可靠地估计出该参数，而且通过平均还可以抑制噪声。即：

$R_x\left(t\right)=\frac{1}{K}\underset{j=1}{\overset{K}{\mathrm{\&Sigma;}}}{r}_x^j\left(t\right)---\left(c\right)$

(7)在得到DSSS信号PN码的周期、码片宽度以及信息码和PN码同步的起止时刻等特征参数后，就可以将原始信号进行周期分段，再将分段后的信号逐批送入Hebb网络中训练，进而估计出扩频序列或其反。