CN109194422B - 一种基于子空间的snr估计方法 - Google Patents
一种基于子空间的snr估计方法 Download PDFInfo
- Publication number
- CN109194422B CN109194422B CN201811024519.8A CN201811024519A CN109194422B CN 109194422 B CN109194422 B CN 109194422B CN 201811024519 A CN201811024519 A CN 201811024519A CN 109194422 B CN109194422 B CN 109194422B
- Authority
- CN
- China
- Prior art keywords
- subspace
- signal
- covariance matrix
- dimension
- estimated value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000013459 approach Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于子空间的SNR估计方法,包括以下步骤:步骤1:通过通信设备获得的接收信号求解协方差矩阵的估计值;步骤2:求解信号子空间的维数;步骤3:对步骤1得到的协方差矩阵的估计值进行特征值分解,并根据信号子空间维数降序排列特征值;步骤4:根据步骤3得到的特征值求解噪声功率和信号功率,从而得到SNR的估计值。本发明提供的一种基于子空间的SNR估计方法的优点在于:本申请采用的估计方法计算量较小,处理速度更快,估计性能优于目前存在的其它算法。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种基于子空间的SNR 估计方法。
背景技术
火星是太阳系中被人类探测最多的行星。由于火星和地球之间距 离遥远,导致了信号传输时延长、信号衰减大。同时相对距离变化快, 探测器载荷和功耗也非常有限。这些现实的情况都给地火通信造成了 极大的困扰。通信弧段短会导致有效通信时间变少,故需更高的有效 数据传输率。再者,器间相对距离和相对姿态的实时变化也会导致接 收端接收到信号的信噪比SNR实时发生变化。这就需要实时调整码 速率进,使之尽可能的提高。SNR估计使用了参数估计理论来计算 信号的噪声功率比,并通过调制模式开关、调整速率、功率控制和信 道分配方法来提供所需的信道质量信息。此外,许多参数估计算法都 需要SNR来作为前提条件来优化性能。
SNR估计方法包括时域法和频域法。时域法分为数据辅助(data aided,DA)法和无数据辅助(non-data aided,NDA)法。DA法比NDA 法拥有更高的估计精度,但它需要***周期前导序列,这将会降低传 输效率。在时域法中,基于DA的SNR估计方法包含最小均方误差法(minimum mean square error,MMSE)、最大似然估计法(maximum likelihood,ML)、分离符号矩阵估计法(separating character matrix es- timation,SSME)和高阶累积量的信噪分离法等。基于NDA的SNR 估计方法包含二阶四阶矩阵估计法(M2M4)、信号方差比估计法(Signal-to-Variation Ratio,SVR)、平方信噪方差比估计(Squared sig- nal-to-NoiseVariance,SNV)和数据拟合估计法(Data Fitting,DF)等。 经典的频域法是基于白噪声功率谱的平缓特性的,适用于加性高斯白 噪声(Additive White Gaussian Noise,AWGN)信道的SNR估计,在色 噪声环境下并不适用。
发明内容
本发明所要解决的技术问题在于提供一种性能更优的基于子空 间的SNR估计方法。
本发明是通过以下技术方案解决上述技术问题的:
一种基于子空间的SNR估计方法,包括以下步骤:
步骤1:通过通信设备获得的接收信号求解协方差矩阵的估计值;
步骤2:求解信号子空间的维数;
步骤3:对步骤1得到的协方差矩阵的估计值进行特征值分解, 并根据信号子空间维数降序排列特征值;
步骤4:根据步骤3得到的特征值求解噪声功率和信号功率,从 而得到SNR的估计值。
优选地,步骤1所述的求解协方差矩阵的估计值的方法为:
从t时刻向前取L个接收信号构成t时刻的接收信号矢量r(t),则
r(t)=[rt,rt-1,…,rt-L+1]T
可以得到协方差矩阵为
Rrr=E[r(t)rH(t)]
假设有K个不变的观测矢量,则协方差矩阵的估计值为
其中,k∈{0,1,…,L-1}。
优选地,步骤2中采用最小描述长度准则MDL估计信号子空间 的维数p,
k和子空间维数p满足如下关系
p=argk min MDL(k)。
优选地,步骤3所述的特征值分解方法为:
假设信号功率和噪声功率不相关,则协方差矩阵估计值可表示 为:
Rrr=Rxx+Rnn
根据特征值分解理论,Rrr可分解为
Rrr=AΣAH
其中,A由正交的特征向量组成;对角矩阵Σ=diag(bi)由矩阵的特 征值bi构成,其中
b1≥b2≥…bL
则白噪声的自相关矩阵满足
降序排列得到的协方差矩阵的特征值为
优选地,SNR估计值为
ρ=10lg(Ps/Pn)
其中,
Pn为噪声功率,Ps为信号功率。
本发明提供的一种基于子空间的SNR估计方法的优点在于:本 申请采用的估计方法计算量较小,处理速度更快,估计性能优于目前 存在的其它算法。
附图说明
图1是本发明的实施例所提供的基于子空间的SNR估计方法在 不同SNR情况下的估计性能;
图2是本发明的实施例所提供的基于子空间的SNR估计方法在 不同快拍情况下的SNR估计性能;
图3是不同算法的估计性能比较。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具 体实施例,并参照附图,对本发明作进一步的详细说明。
在复AWGN信道中,接收信号可以表示为
rk=xk+nk
n(t)=[nt,nt-1,…,nt-L+1]T
其中,()T表示转置,噪声向量的二阶矩可表示为
其中E[]表示数学期望,上标H表示共轭转置,I是一个L×L的 单位矩阵。
xk是在载波频率为fc下的带通信号,表示为
其中,θ表示初始相位,fs表示采样频率。
其中,A∈R+代表信号的幅值。
在进行多进制正交幅度调制(Multiple Quadrature Amplitude Mod- ulation,MQAM)信号中,
其中,Al∈C表示第l次相位对应的振幅。
令Ps和Pn分别表示信号功率和噪声功率,则SNR可表示为
ρ=10lg(Ps/Pn)
基于上述分析,进行SNR估计的重点在于求出信号功率Ps和噪 声功率Pn,本发明提供的基于子空间的SNR方法包括以下步骤:
步骤1:通过通信设备获得的接收信号求解协方差矩阵的估计值;
从t时刻向前取L个接收信号构成t时刻的接收信号矢量r(t),则
r(t)=[rt,rt-1,…,rt-L+1]T
可以得到协方差矩阵为
Rrr=E[r(t)rH(t)]
实际中要得到协方差矩阵Rrr的真实值是非常困难的,因此我们 只能通过有限长的接收信号来估计。
假设有K个不变的观测矢量,则协方差矩阵的估计值为
其中,k∈{0,1,…,L-1}。
步骤2:求解信号子空间的维数;
优选实施例中听过最小描述长度准则MDL估计信号子空间的维 数p,
k和子空间维数p满足如下关系
p=argk min MDL(k)。
步骤3:对步骤1得到的协方差矩阵的估计值进行特征值分解, 并根据信号子空间维数降序排列特征值;
假设信号功率和噪声功率不相关,则协方差矩阵估计值可表示 为:
Rrr=Rxx+Rnn
根据特征值分解理论,Rrr可分解为
Rrr=AΣAH
其中,A由正交的特征向量组成;对角矩阵Σ=diag(bi)由矩阵的特 征值bi构成,其中
b1≥b2≥…bL
则白噪声的自相关矩阵Rnn满足
降序排列得到的协方差矩阵的特征值为
其中,表示第i个特征向量的信号功率,p表示信号子空间的 维数,前p个特征向量构成了信号子空间,后L-p个特征向量构成了 噪声子空间,其噪声功率Pn由L-p个组成,当信号子空间的维数p 一定,SNR估计可以通过和Pn的估计值来得到。
步骤4:根据步骤3得到的特征值求解噪声功率和信号功率,从 而得到SNR的估计值。
由之前的分析可以知道
ρ=10lg(Ps/Pn)
其中,
Pn为噪声功率,Ps为信号功率。
上述算法的计算量为O(L2N+L3)次乘法,其中N为符号数。
利用MATLAB仿真对本发明的实施例提供的算法性能进行分 析,结果如下:
图1是基于子空间的SNR估计方法在不同SNR情况下的估计性 能;从图1可以看出子空间方法具有较好的SNR估计性能。随着SNR 提高,SNR的估计能逼近于真实值。
图2是基于子空间的SNR估计方法在不同快拍情况下SNR估计 性能;可以看出,随着快拍数增加,SNR的估计越来越好。
图3是各不同算法的估计性能比较(N=300);与DF,M2M4,SVR 和SNV算法进行对比。从图中可以看出子空间方法的估计性能好于 其他算法。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果 进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实 施例而已,并不用于限制本发明,在不脱离本发明的精神和原则的前 提下,本领域普通技术人员对本发明所做的任何修改、等同替换、改 进等,均应落入本发明权利要求书确定的保护范围之内。
Claims (2)
1.一种基于子空间的SNR估计方法,其特征在于:包括以下步骤:
步骤1:通过通信设备获得的接收信号求解协方差矩阵的估计值;
步骤2:求解信号子空间的维数;
步骤3:对步骤1得到的协方差矩阵的估计值进行特征值分解,并根据信号子空间维数降序排列特征值;
步骤4:根据步骤3得到的特征值求解噪声功率和信号功率,从而得到SNR的估计值;步骤1所述的求解协方差矩阵的估计值的方法为:
从t时刻向前取L个接收信号构成t时刻的接收信号矢量r(t),则r(t)=[rt,rt-1,…,rt-L+1]T
可以得到协方差矩阵为
Rrr=E[r(t)rH(t)]
假设有K个不变的观测矢量,则协方差矩阵的估计值为
其中,k∈{0,1,…,L-1};
步骤2中采用最小描述长度准则MDL估计信号子空间的维数p,
k和子空间维数p满足如下关系
p=argkmin MDL(k);
步骤3所述的特征值分解方法为:
假设信号功率和噪声功率不相关,则协方差矩阵可表示为:
Rrr=Rxx+Rnn
根据特征值分解理论,Rrr可分解为
Rrr=AΣAH
其中,A由正交的特征向量组成;对角矩阵Σ=diag(bi)由矩阵的特征值bi构成,其中
b1≥b2≥…bL
则白噪声的自相关矩阵满足
降序排列得到的协方差矩阵的特征值为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811024519.8A CN109194422B (zh) | 2018-09-04 | 2018-09-04 | 一种基于子空间的snr估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811024519.8A CN109194422B (zh) | 2018-09-04 | 2018-09-04 | 一种基于子空间的snr估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109194422A CN109194422A (zh) | 2019-01-11 |
CN109194422B true CN109194422B (zh) | 2021-06-22 |
Family
ID=64912133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811024519.8A Active CN109194422B (zh) | 2018-09-04 | 2018-09-04 | 一种基于子空间的snr估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109194422B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111294126B (zh) * | 2020-03-13 | 2021-08-03 | 南京航空航天大学 | 一种snr估计的子空间跟踪方法 |
CN113364539B (zh) * | 2021-08-09 | 2021-11-16 | 成都华日通讯技术股份有限公司 | 频谱监测设备中的数字信号信噪比盲估计方法 |
CN117318855A (zh) * | 2022-06-21 | 2023-12-29 | 锐捷网络股份有限公司 | 一种确定噪声功率的方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938254A (zh) * | 2012-10-24 | 2013-02-20 | 中国科学技术大学 | 一种语音信号增强***和方法 |
CN103854660A (zh) * | 2014-02-24 | 2014-06-11 | 中国电子科技集团公司第二十八研究所 | 一种基于独立成分分析的四麦克语音增强方法 |
US9721582B1 (en) * | 2016-02-03 | 2017-08-01 | Google Inc. | Globally optimized least-squares post-filtering for speech enhancement |
CN107316648A (zh) * | 2017-07-24 | 2017-11-03 | 厦门理工学院 | 一种基于有色噪声的语音增强方法 |
-
2018
- 2018-09-04 CN CN201811024519.8A patent/CN109194422B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938254A (zh) * | 2012-10-24 | 2013-02-20 | 中国科学技术大学 | 一种语音信号增强***和方法 |
CN103854660A (zh) * | 2014-02-24 | 2014-06-11 | 中国电子科技集团公司第二十八研究所 | 一种基于独立成分分析的四麦克语音增强方法 |
US9721582B1 (en) * | 2016-02-03 | 2017-08-01 | Google Inc. | Globally optimized least-squares post-filtering for speech enhancement |
CN107316648A (zh) * | 2017-07-24 | 2017-11-03 | 厦门理工学院 | 一种基于有色噪声的语音增强方法 |
Non-Patent Citations (1)
Title |
---|
基于子空间的语音增强算法研究;牛铜;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120315;I136-125 * |
Also Published As
Publication number | Publication date |
---|---|
CN109194422A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109194422B (zh) | 一种基于子空间的snr估计方法 | |
Mühlhaus et al. | Automatic modulation classification for MIMO systems using fourth-order cumulants | |
US8711919B2 (en) | Systems and methods for adaptive blind mode equalization | |
US7079988B2 (en) | Method for the higher-order blind identification of mixtures of sources | |
KR100663525B1 (ko) | 공간-시간 빔 형성을 위한 간섭전력 측정 장치 및 방법 | |
Grossi et al. | Adaptive detection and localization exploiting the IEEE 802.11 ad standard | |
WO2009032649A1 (en) | System and method for blind source separation of signals using noise estimator | |
CN106909779A (zh) | 基于分布式处理的mimo雷达克拉美罗界计算方法 | |
CN110661734A (zh) | 基于深度神经网络的信道估计方法、设备和可读存储介质 | |
US20060176971A1 (en) | Multi input multi output wireless communication reception method and apparatus | |
CN114726686B (zh) | 一种均匀面阵毫米波大规模mimo信道估计方法 | |
EP2293482B1 (en) | Signal detecting method and device for multi-code multi-transmitting multi-receiving system | |
Bahloul et al. | An efficient likelihood-based modulation classification algorithm for multiple-input multiple-output systems | |
CN108566227B (zh) | 一种多用户检测方法 | |
Bhatti et al. | Spectrum sensing using principal component analysis | |
CN111901058B (zh) | 基于亚奈奎斯特采样的多天线辅助宽带频谱感知方法 | |
KR100640930B1 (ko) | 적응 안테나 어레이를 이용한 이동통신 시스템에서의 빔형성 장치 및 방법 | |
Abdelmutalab et al. | Automatic modulation classification using polynomial classifiers | |
Salam et al. | A unified practical approach to modulation classification in cognitive radio using likelihood-based techniques | |
Ikhlef et al. | Constant modulus algorithms using hyperbolic Givens rotations | |
Jen et al. | Blind ICA detection based on second-order cone programming for MC-CDMA systems | |
Ikhlef et al. | On the constant modulus criterion: A new algorithm | |
Torkkola | Blind signal separation in communications: Making use of known signal distributions | |
De Souza et al. | A novel signal detector in MIMO systems based on complex correntropy | |
Seidel et al. | A novel approach for combining local estimates for fully decentralized feedforward massive MIMO equalization: The multistep fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |