一種基于多維特征神經(jīng)網(wǎng)絡(luò)的信號檢測和估計方法
【專利摘要】本發(fā)明公開了一種基于多維特征神經(jīng)網(wǎng)絡(luò)的信號檢測和估計方法，它涉及人工神經(jīng)網(wǎng)絡(luò)和直接序列擴頻通信【技術(shù)領(lǐng)域】。本發(fā)明利用相關(guān)函數(shù)累加法檢測DSSS信號是否存在，并完成對PN碼的估計，即基于多維特征神經(jīng)網(wǎng)絡(luò)的方法針對低信噪比情況下檢測直擴信號擴頻碼，先提取信號的多維特征(包括PN碼的周期、碼元寬度、PN碼與信息碼同步的起止時刻等)，然后對信號進行周期分段，再分批輸入神經(jīng)網(wǎng)絡(luò)訓練，經(jīng)神經(jīng)網(wǎng)絡(luò)訓練收斂后即可檢測出擴頻序列。本發(fā)明能夠通過人工神經(jīng)網(wǎng)絡(luò)，可以在非合作通信中，從噪聲中檢測出信號并估計其PN序列，且在低信噪比的情況下，網(wǎng)絡(luò)也能很快的收斂到序列或其反。
【專利說明】一種基于多維特征神經(jīng)網(wǎng)絡(luò)的信號檢測和估計方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及的是人工神經(jīng)網(wǎng)絡(luò)和直接序列擴頻通信【技術(shù)領(lǐng)域】，具體涉及一種基于多維特征神經(jīng)網(wǎng)絡(luò)的信號檢測和估計方法。

【背景技術(shù)】
[0002]直接序列擴頻(Direct Sequence Spread Spectrum, DSSS)通信信號利用高速率的擴頻序列與信息碼序列相乘得到，使得信號頻譜被展寬并降低信號功率譜密度，可工作于負信噪比環(huán)境即信號淹沒于噪聲之中，具有強的抗干擾、抗多徑、低截獲概率、多址復(fù)用等優(yōu)點，在軍事和民用通信領(lǐng)域中得到了廣泛的應(yīng)用。DSSS通信首先出現(xiàn)于二戰(zhàn)期間，并隨著無線通信技術(shù)及新器件的出現(xiàn)，從戰(zhàn)后開始獲得了廣泛的應(yīng)用，包括軍事通信、衛(wèi)星通信、移動通信、導航跟蹤、測距、遙控等各個領(lǐng)域。
[0003]對于合作DSSS通信接收者，可利用已知的擴頻序列對接收信號進行檢測以提取傳輸信息，而信道噪聲和窄帶干擾信號的頻譜則由于被展寬，很容易被抑制掉；但對于非合作接收者，由于擴頻序列未知難以實現(xiàn)傳輸信息的有效恢復(fù)，需要事先完成擴頻序列的估計，因此如何對直擴信號進行有效檢測是通信對抗面臨的重要課題。
[0004]近年來隨著非線性科學的發(fā)展，神經(jīng)網(wǎng)絡(luò)在信號處理領(lǐng)域的應(yīng)用變得越來越廣泛。研究表明有一些人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)對低信噪比下的微弱信號具有極其敏感特性，同時又對噪聲具有免疫性，這使得它在信號檢測中非常具有潛力。也就是說，在直擴信號檢測中融入神經(jīng)網(wǎng)絡(luò)檢測方法等基于混沌理論的方法,可彌補常規(guī)檢測方法的一些不足,并可望對低信噪比下直擴信號進行更加有效地檢測。本發(fā)明以二進制相移鍵控的直接序列擴頻(DSSS / BPSK)信號為例，研究了基于多維特征和神經(jīng)網(wǎng)絡(luò)的直擴信號檢測算法及參數(shù)估計。
[0005]對信號檢測和估計的研究源于通信中對合作通信信號的檢測和對雷達信號的檢測的需要，以使在一定的條件下，獲得最佳的檢測性能。這方面的研究很久以前就開始了，而且得出了最佳檢測器的結(jié)構(gòu)是相關(guān)器或匹配濾波器。這種最佳檢測需要很多的條件:信號要確知，如信號的載頻、基帶波形已知；信號的到達時間已知等。但是在非合作的偵察檢測中，沒有這些先驗條件，這種最佳檢測是不能應(yīng)用的。
[0006]傳統(tǒng)的接收機是對接收到的信號的頻域特征進行分析，如果在頻域上有一些異常的成分，就說明存在有信號，否則說明信號不存在。這種方法的基礎(chǔ)也是源于相關(guān)器。由于信號未知，就有很多的相關(guān)器去對接收信號進行匹配，如果發(fā)現(xiàn)與其中一種信號很相關(guān)，則說明在該段時間內(nèi)存在信號；反之，則沒有信號。在未知信號的形式的情況下，我們就假定信號是正弦波的形式，但是這種方法對擴頻增益很大的直接序列擴頻信號在信噪比很低的情況下顯得無能為力。


【發(fā)明內(nèi)容】

[0007]針對現(xiàn)有技術(shù)上存在的不足，本發(fā)明目的是在于提供一種基于多維特征神經(jīng)網(wǎng)絡(luò)的信號檢測和估計方法，通過人工神經(jīng)網(wǎng)絡(luò)，可以在非合作通信中，從噪聲中檢測出信號并估計其PN序列，且在低信噪比的情況下，網(wǎng)絡(luò)也能很快的收斂到序列或其反。
[0008]為了實現(xiàn)上述目的，本發(fā)明是通過如下的技術(shù)方案來實現(xiàn):一種基于多維特征神經(jīng)網(wǎng)絡(luò)的信號檢測和估計方法，其步驟為:(I)將DSSS信號觀測到的數(shù)據(jù)分成K段，計算第k段數(shù)據(jù)的自相關(guān)函數(shù)Rk( τ )，I彡k〈K ;
[0009](2)對總共K段數(shù)據(jù)的自相關(guān)函數(shù)Rk(0進行平均得到R( τ );
[0010](3)如果|R(t) I中有一個明顯的尖峰，表明存在DSSS信號，否則不存在DSSS信號，此時需要重新提取觀測數(shù)據(jù)，重復(fù)步驟(I)到步驟(3)直到檢測出DSSS信號；
[0011](4)由于DSSS信號是周期信號，因而具有離散的功率譜，再對該功率譜作傅氏變換取模平方，即求到二次功率譜，其在PN碼周期整數(shù)倍處會得到尖銳的脈，通過檢測這些尖銳脈沖間的距離就可估計出DSSS信號PN碼的周期。

II 2
co^ — IyKfrP
_2] Sds(e) = \DFT{Sds(f)}\2 = Tc ￡ (I」二 -」)，卜欣7；| ^Tc,灸=0,±1，…


^ = 一 COC
[0013](a)
[0014]可見，DSSS有用信號的二次功率譜是間距為PN碼周期的尖銳的三角形脈沖序列，而噪聲n(t)的二次譜不具有這一特性。因此可以通過檢測這些脈沖間的距離來估計出PN碼的周期I。
[0015](5)由于DSSS有用信號ds(t)是周期平穩(wěn)過程，而PN碼片寬度則是該過程一個重要的周期特征參數(shù)，ds(t)的周期譜為:
[0016]

Sads(f) = K^PnPm_n[Q(f + (k/2-n)/T0)-Q(f-(k/2 + n-m)/T0)]


m,n
(b)
[0017]由(b)式可看出DSSS有用信號ds(t)的周期譜在α軸上以α = 土k / T。離散分布，且幅度遞減，而噪聲n (t)的周期譜則不具有這一性質(zhì)。若能沿α軸搜索到除零頻外幅度最大的譜線位置a = I / Τ。則可計算得到所要估計的PN碼片寬度Τ。= l/α。
[0018](6)由于所采用的DSSS有用信號ds(t)是用一周期的PN碼來同步調(diào)制一位信息碼，在估計出了信號PN碼的碼周期、碼片寬度等參數(shù)后，需要對接收到的信號進行分段后才便于后續(xù)的處理?？梢?，還須估計PN碼與信息碼同步的起止時刻Tx?？梢酝ㄟ^K次平均來可靠地估計出該參數(shù)，而且通過平均還可以抑制噪聲。即:

^ω=^Σ^(ο
[0019]
(C)
[0020](7)在得到DSSS信號PN碼的周期、碼片寬度以及信息碼和PN碼同步的起止時刻等特征參數(shù)后，就可以將原始信號進行周期分段，再將分段后的信號逐批送入Hebb網(wǎng)絡(luò)中訓練，進而估計出擴頻序列或其反。圖3所示的是本發(fā)明使用的神經(jīng)網(wǎng)絡(luò)，有下面兩個假設(shè):
[0021](71)輸出層的神經(jīng)元是線性的
[0022](72)該網(wǎng)絡(luò)有m個輸入和I個輸出，一般的要求l〈m。
[0023]設(shè)輸出層神經(jīng)元j在η時刻的輸出為y」(n)，輸入點集Ixi (n) i = 1,2,…，m}與輸出層神經(jīng)元j直接的突觸權(quán)向量為Wji (η)，則有:
[0024]


m
yj(?) = Σwn(n)xi(n)J=1 2...1
(d)
[0025]突觸權(quán)向量根據(jù)Hebb算法進行自適應(yīng)調(diào)整:
[0026]


j ιI = I，2，..■，/W

Awji (η) = η[y) (n)xt (η) - y} (?)[ wki (n)yj (n)],._;;，
(e)
[0027]其中η是學習參數(shù)。式(e)是廣義Hebb算法，其輸出層有I個神經(jīng)元，對于使用廣義Hebb算法的神經(jīng)網(wǎng)絡(luò)，可以提取輸入數(shù)據(jù)的前I個主元向量，即第j個輸出層神經(jīng)元的突觸權(quán)向量最終的收斂值為輸入數(shù)據(jù)的第j個主元向量。
[0028]本發(fā)明具有以下有益效果:本發(fā)明采用的是自組織系統(tǒng)的Hebbian學習過程，用這個算法所實現(xiàn)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一般具有主元分析(PCA)的功能，也可以稱為PCA神經(jīng)網(wǎng)絡(luò)，利用神經(jīng)網(wǎng)絡(luò)的算法來獲取DSSS信號的PN碼序列，其原理是建立在多維特征分析的基礎(chǔ)之上，得到的信號的多維特征參數(shù)輸入神經(jīng)網(wǎng)絡(luò)，在CHA學習算法之下，該神經(jīng)網(wǎng)絡(luò)的突觸權(quán)值將收斂于PN碼序列本身，從而可以由這些權(quán)值估計出PN碼序列。通過人工神經(jīng)網(wǎng)絡(luò)，可以在非合作通信中，從噪聲中檢測出信號并估計其PN序列，且在低信噪比的情況下，網(wǎng)絡(luò)也能很快的收斂到序列或其反。

【專利附圖】

【附圖說明】
[0029]下面結(jié)合附圖和【具體實施方式】來詳細說明本發(fā)明；
[0030]圖1為本發(fā)明流程圖；
[0031]圖2為本發(fā)明檢測出的DSSS信號(信號的自相關(guān)函數(shù)圖和信號的功率譜)；
[0032]圖3為本發(fā)明使用Hebb算法的前向神經(jīng)網(wǎng)絡(luò)；
[0033]圖4為基于Hebb算法的PCA網(wǎng)絡(luò)估計的PN碼序列圖；
[0034]圖5為基于Hebb算法的多輸出PCA網(wǎng)絡(luò)的性能分析圖(SNR=-1OdB的誤碼率)；
[0035]圖6為基于Hebb算法的多輸出PCA網(wǎng)絡(luò)的性能分析圖(SNR = -14dB的誤碼率)。

【具體實施方式】
[0036]為使本發(fā)明實現(xiàn)的技術(shù)手段、創(chuàng)作特征、達成目的與功效易于明白了解，下面結(jié)合【具體實施方式】，進一步闡述本發(fā)明。
[0037]參照圖1-6，本【具體實施方式】采用以下技術(shù)方案:1、將捕獲的DSSS信息數(shù)據(jù)分成K段，計算第k段數(shù)據(jù)的自相關(guān)函數(shù)Rk( τ )，I彡k〈K ;取K = 100，計算這100段數(shù)據(jù)的自相關(guān)函數(shù)平均值R(T)，如果Ir(T)I沒有明顯的尖峰，說明觀測到的數(shù)據(jù)中不含DSSS信號，需要重新觀測，直到可以在Ir(T)I中檢測到明顯的尖峰。如圖2所示。
[0038]2、根據(jù)公式(a)，通過DSSS信號的二次功率譜脈沖間的距離來估計出PN碼的周期V
[0039]3、根據(jù)公式(b)，沿α軸搜索DSSS信號周期譜除零頻外幅度最大的譜線位置α=1 / Τ。，得到所要估計的PN碼片寬度Τ。= 1/α。
[0040]4、根據(jù)公式(C)，通過100次的平均估計出PN碼與信息碼同步的起止時刻Τχ。
[0041]5、將原始信號分成100段，逐批送入圖3所示的神經(jīng)網(wǎng)絡(luò)中進行訓練。訓練結(jié)果如圖4所示，通過如圖5和圖6對網(wǎng)絡(luò)的性能分析可以看出本發(fā)明能夠在低信噪比時很好的檢測并估計出信號的PN碼。
[0042]本【具體實施方式】采用的是自組織系統(tǒng)的Hebbian學習過程，用這個算法所實現(xiàn)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一般具有主元分析(PCA)的功能，也可以稱為PCA神經(jīng)網(wǎng)絡(luò)，利用神經(jīng)網(wǎng)絡(luò)的算法來獲取DSSS信號的PN碼序列，其原理是建立在多維特征分析的基礎(chǔ)之上，得到的信號的多維特征參數(shù)輸入神經(jīng)網(wǎng)絡(luò)，在CHA學習算法之下，該神經(jīng)網(wǎng)絡(luò)的突觸權(quán)值將收斂于PN碼序列本身，從而可以由這些權(quán)值估計出PN碼序列。通過人工神經(jīng)網(wǎng)絡(luò)，可以在非合作通信中，從噪聲中檢測出信號并估計其PN序列，且在低信噪比的情況下，網(wǎng)絡(luò)也能很快的收斂到序列或其反。
[0043]以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會有各種變化和改進，這些變化和改進都落入要求保護的本發(fā)明范圍內(nèi)。本發(fā)明要求保護范圍由所附的權(quán)利要求書及其等效物界定。
【權(quán)利要求】
1.一種基于多維特征神經(jīng)網(wǎng)絡(luò)的信號檢測和估計方法，其特征在于，(I)將DSSS信號觀測到的數(shù)據(jù)分成K段，計算第k段數(shù)據(jù)的自相關(guān)函數(shù)Rk( τ )，I彡KK ; (2)對總共K段數(shù)據(jù)的自相關(guān)函數(shù)Rk(0進行平均得到R(τ ); (3)如果|R(t)I中有一個明顯的尖峰，表明存在DSSS信號，否則不存在DSSS信號，此時需要重新提取觀測數(shù)據(jù)，重復(fù)步驟(I)到步驟(3)直到檢測出DSSS信號； (4)由于DSSS信號是周期信號，因而具有離散的功率譜，再對該功率譜作傅氏變換取模平方，即求到二次功率譜，其在PN碼周期整數(shù)倍處會得到尖銳的脈，通過檢測這些尖銳脈沖間的距離就可估計出DSSS信號PN碼的周期。^(β) = |Ζ)^Γ{5?(/)}|2 = Tc Σ (1_ Ie-^l)，卜伙7；|= 土V..k=-<x>
(a) 可見，DSSS有用信號的二次功率譜是間距為PN碼周期的尖銳的三角形脈沖序列，而噪聲n(t)的二次譜不具有這一特性。因此可以通過檢測這些脈沖間的距離來估計出PN碼的周期T。。 (5)由于DSSS有用信號ds(t)是周期平穩(wěn)過程，而PN碼片寬度則是該過程一個重要的周期特征參數(shù)，ds(t)的周期譜為:Sl{f) = K^PnPm_MU +(kl2-n)IT0)-Q(f-(kl2 + n-m)IT0)\


m,n
(b) 由(b)式可看出DSSS有用信號ds(t)的周期譜在α軸上以a=±k / T。離散分布，且幅度遞減，而噪聲n (t)的周期譜則不具有這一性質(zhì)。若能沿α軸搜索到除零頻外幅度最大的譜線位置α=1 / Τ。則可計算得到所要估計的PN碼片寬度Tc=I/α。 (6)由于所采用的DSSS有用信號ds(t)是用一周期的PN碼來同步調(diào)制一位信息碼，在估計出了信號PN碼的碼周期、碼片寬度等參數(shù)后，需要對接收到的信號進行分段后才便于后續(xù)的處理?？梢?，還須估計PN碼與信息碼同步的起止時刻Tx?？梢酝ㄟ^K次平均來可靠地估計出該參數(shù)，而且通過平均還可以抑制噪聲。即:


A盧I
(C) (7)在得到DSSS信號PN碼的周期、碼片寬度以及信息碼和PN碼同步的起止時刻等特征參數(shù)后，就可以將原始信號進行周期分段，再將分段后的信號逐批送入Hebb網(wǎng)絡(luò)中訓練，進而估計出擴頻序列或其反。
【文檔編號】H04B17/00GK104270167SQ201310704841
【公開日】2015年1月7日 申請日期:2013年12月20日 優(yōu)先權(quán)日:2013年12月20日
【發(fā)明者】張冬 申請人:張冬