一种联合M估计和K-means算法的扩频序列盲估计方法及系统

一种联合m估计和k-means算法的扩频序列盲估计方法及系统
技术领域
1.本发明属于协作通信技术领域，特别涉及一种联合m估计和k-means算法的扩频序列盲估计方法及系统。


背景技术：

2.由于直接扩频direct sequence spread spectrum，dsss通信具有频谱利用率高、截获概率低、保密性强、配置灵活、抗多径干扰等特点，被广泛应用于军事和民用领域中。同时，这些优点对非协作节点如何接入直扩通信网络中提出了很大的挑战。对于协作通信双方来说，通信的时间、参数、扩频所用的伪码序列等都是已知的，它们可以轻易的恢复出接收信号中的原始信息。而对于想要接入到通信网络中的非协作节点来说，在未知扩频序列的情况下是无法恢复出接收信号的原始信息的，此时对伪码序列的估计是非常有必要的。
3.到目前为止，已有大量文献对直扩信号的伪码估计进行了研究。本源多项式法利用massey算法估计产生伪码序列的线性反馈移位寄存器的反馈系数，然后估计出伪码序列。然而，在低信噪比条件下，该方案的性能会急剧下降。三阶相关法引用了m序列的三阶相关定理对伪码序列估计，因此只适用于伪码序列是m序列的情况。极大似然估计法提出了一个用于估计伪码序列的极大似然函数模型。由于基于极大似然估计的方法都存在随着扩频码长度的增加而复杂度急剧增加的问题，具有很大的局限性。特征分解法通过对信号的协方差矩阵进行特征值分解来得到主、次特征向量然后利用包含了伪码序列所有信息的特征向量来估计伪码序列。常用的特征分解方法有evd算法和svd算法。尽管这种方法的准确度比较高，但是复杂度也非常高，适用性不强。根据子空间跟踪的思想，文献利用了子空间跟踪法来快速实现特征分解的过程。该算法虽然在一定程度上降低了特征分解的复杂度，但是降低了估计的性能。基于神经网络的方法提出了一个有约束的hebbian规则来更新自适应fir滤波器的抽头系数的算法，但是无法在低信噪比环境下很好的恢复出信号。
4.上述所有算法在脉冲噪声的环境下性能会急剧下降。由于加性高斯白噪声(awgn)容易推导和分析，因此大多数算法都是在加性高斯白噪声环境下进行研究的。然而，在实际通信系统中，信道中通常存在大量具有脉冲特性的噪声，这使得适合于高斯噪声环境的估计方法性能急剧下降，同时，噪声冲击越密集，即噪声分布的拖尾越严重，性能下降越严重。


技术实现要素：

5.本发明的目的在于提供一种联合m估计和k-means算法的扩频序列盲估计方法及系统，以解决脉冲噪声环境下直扩信号的扩频序列性能严重下降的问题。
6.为实现上述目的，本发明采用以下技术方案：
7.一种联合m估计和k-means算法的扩频序列盲估计方法，包括以下步骤：
8.建立模型，模型为短码直接扩频通信系统中的非协作通信场景，包括一对协作的收发双方和一个非协作节点；
9.在模型中加入脉冲噪声，对脉冲噪声进行建模；
10.获取接收方和非协作节点的接收到的信号，对接收到的信号进行建模；
11.对接收到的信号进行采样和分割获得信号矢量、信号矩阵；
12.然后对信号矩阵的列进行分割得到信号样本，组成一个样本集；
13.在得到样本集后，将它放入分类器中进行分类，而后根据分类结果对样本进行赋值，而后根据先前分割的顺序进行拼接从而估计得到伪码序列。
14.进一步的，系统模型的协作通信双方的发送信号均经过扩频序列进行调制且各项参数互相已知，非协作节点需要满足接入到该通信网络中的同时不影响协作通信节点互相之间的通信。
15.进一步的，选择α稳定分布来对脉冲噪声进行建模；α稳定分布的特征函数表示如下：
[0016][0017]
其中，α∈(0,2]是是特征因子，代表概率密度函数pdf的甩尾程度，α越大，尾部越窄，脉冲幅度越弱；β∈[-1,1]称为对称参数，它表示随机变量分布的对称程度；γ》0称为分散系数，表示随机变量的样本值偏离其平均值的程度；-∞《μ《∞称为位置参数，exp(jμt)表示pdf的峰值到纵轴的距离。
[0018]
进一步的，信号的建模：假设接收到的信号严格时间同步和载波同步，接收信号表示为：
[0019]
r(t)＝s(t) n(t)
[0020][0021][0022]
其中，{ak＝
±
1,k∈z}是周期为ts的信息序列，服从等概分布；τ是服从均匀分布的随机时延；n(t)是接收信号中的噪声分量；{ci＝
±
1,i＝1,2,
…
,n}是长度为n的伪码序列，p(t)是持续时间为tc的码片脉冲，有ts＝ntc。
[0023]
进一步的，对接收到的信号进行采样和分割获得信号矢量、信号矩阵，具体包括：
[0024]
假设已知时延和信息码长和码片长度，根据时延对信号进行同步，然后对接收信号进行等间隔采样，采样间隔为tc；然后以信息码长进行信号分割，得到m个信号矢量；每个信号矢量都包含完整的伪码序列信息；第k个信号矢量表示为：
[0025]rk
＝akh nk[0026]
其中，{ak＝
±
1}是信息码，h＝[c1，c2，
…
，cn]是n维伪码序列矢量，nk是信号中的脉冲噪声；将m个信号矢量拼接为一个m
×
n维的信号矩阵r，其中n＝[n1，n2，
…
，nm]是m
×
n维的噪声矩阵；
[0027][0028]
进一步的，
[0029]
把矩阵的每一列当作一个样本得到一个包含n个样本的样本集把矩阵的每一列当作一个样本得到一个包含n个样本的样本集第i个样本矢量表示为：
[0030]
xi＝cia ni[0031]
其中a＝[a1，a2，
…
，am]是信息序列；{ci＝
±
1}为该样本矢量所对应的扩频码，ni为样本矢量上附加的脉冲噪声分量；对样本分割得到的顺序进行记录，样本xi的i的值越小，则次序越靠前。
[0032]
进一步的，分类器为联合m估计和k-means分类器，具体包括：
[0033]
1)分类器输入：在获得样本集合之后，将样本送入到分类器中进行聚类；将样本聚为两类，分类器输入为包含n个样本的样本集以及分类器聚类数k＝2；设置迭代收敛阈值η和最大迭代次数max；
[0034]
2)初始类簇中心选择：从中随机选取2个样本作为2个初始的类簇中心o1＝[o
11
，o
12
，
…
，o
1m
]，o2＝[o
21
，a
22
，
…
，a
2m
]；
[0035]
3)噪声能量σ估计：在分类器得到两个类簇中心之后，对噪声能量进行估计；首先要计算两类簇中心到o1，o2的平均欧式距离s；若o1，o2为迭代得到的，有若o1，o2为初始随机得到的则有：
[0036][0037][0038]
由于ci，cj仅有-1和1两种取值且噪声呈对称分布、信息序列呈等概分布，则有：
[0039][0040]
因为所以用来估计噪声能量。
[0041]
4)计算样本与两个类簇中心的相似度：在样本的相似度计算部分，以样本间的距离来衡量样本间相似度；两者距离越远，相似度越低；两者距离越近，相似度越高；维度为n的样本向量x和第k个类簇中心的距离公式为：
[0042][0043]
引入了m估计中常用的huber损失函数对噪声进行压制，来抵消公式中的平方和运算对脉冲冲击的放大作用；其中huber函数的表达式为：
[0044][0045]
5)样本的聚类和贴标签：根据样本与不同类簇中心相似度来进行聚类和撇标签；当样本和类簇中心o1的相似度最高时，将它的标签设为o1，否则设为o2；
[0046]
6)类簇中心的更新：在得到所有样本的样本标签之后，根据样本的标签对连两个类簇的类簇中心o1，o2进行更新；利用m估计中位置参数的思想，利用如下公式对类簇中心ok进行更新，k为1或2；
[0047][0048]
即通过对所有样本标签为ok的样本向量计算加权平均来得到更新后的类簇中心ok，同时将未更新时的类簇中心记录为o
′k；利用第4)步中的huber函数作为自适应加权函数，噪声压制的阈值为估计得到的噪声能量σ；
[0049]
7)迭代终止条件：当分类器的迭代次数未达到在1)中设置最大迭代次数max或当前类簇中心和上次迭代的类簇中心之间的欧氏距离大于在1)中设置的收敛阈值η时，即‖o
h-o
′k‖《η时，重复第3)到第6)步，直到满足上述迭代终止条件。
[0050]
进一步的，根据分类结果对样本进行赋值，而后根据先前分割的顺序进行拼接从而估计得到伪码序列，具体包括：
[0051]
样本集在经过分类器后，所有的样本都已经有了标签o1或o2；将标签为o1的样本赋值为-1，将标签为o2的样本赋值为 1，然后根据信号的样本矢量化中的样本顺序进行拼接；得到一个长度为n,元素取值为 1或-1的数组，该数组就是伪码序列的原码或者反码；根据实际情况对该数组进行取反处理或保持不可变即可估计得到伪码序列。
[0052]
进一步的，一种联合m估计和k-means算法的扩频序列盲估计系统，包括：
[0053]
模型建立模块，用于建立模型，模型为短码直接扩频通信系统中的非协作通信场景，包括一对协作的收发双方和一个非协作节点；在模型中加入脉冲噪声，对脉冲噪声进行建模；
[0054]
获取信号模块，用于获取接收方和非协作节点的接收到的信号，对接收到的信号进行建模；
[0055]
信号矢量化模块，用于对接收到的信号进行采样和分割获得信号矢量、信号矩阵；然后对信号矩阵的列进行分割得到信号样本，组成一个样本集；
[0056]
分类模块，用于在得到样本集后，将它放入分类器中进行分类，而后根据分类结果对样本进行赋值，而后根据先前分割的顺序进行拼接从而估计得到伪码序列。
[0057]
与现有技术相比，本发明有以下技术效果：
[0058]
本发明包括样本矢量化；分类器(例如k-means)；基于聚类结果的样本标签的分配和拼接。使用α稳定分布来对脉冲噪声进行建模。假设接收到的信号是被同步过的。首先将信号向量化并拆分为样本，然后利用联合m估计和k-means分类器对这些样本进行聚类，最后根据聚类结果对样本标签进行分配赋值、拼接以获得码序列的估计结果。
[0059]
针对直接扩频通信网络中的非协作通信场景，对非协作节点接收的信号进行建模，同时利用α稳定分布对噪声进行了建模，通过该分布参数的调整，可以涵盖大部分脉冲冲击情况。针对该场景下的伪码序列估计问题，本发明提出了一个基于聚类的伪码序列盲估计框架，通过改变分类器类型以适应不同的分类情况。在该框架下，本发明提出了联合m估计和k-means的算法，在算法迭代的过程中，自适应的根据样本的噪声水平对噪声冲击进行压制，提高了算法的鲁棒性和稳定性，大幅提高了脉冲噪声环境下的伪码序列盲估计性能。同时，和其它方法不同，本发明在等效信噪比相同但噪声条件更差的条件下，即脉冲冲击更频繁、冲击幅度更大条件下反而会获得更好的性能。这对其应用于脉冲噪声环境下的非协作通信场景有很大的意义。
附图说明
[0060]
图1是直接扩频通信网络中的非协作通信结构示意图。
[0061]
图2是基于聚类的伪码序列盲估计框架结构示意图。
[0062]
图3-图7是本发明的仿真验证结果图。
具体实施方式
[0063]
以下结合附图对本发明进一步说明：
[0064]
请参阅图1至图7，一种联合m估计和k-means算法的扩频序列盲估计方法，包括：
[0065]
1、系统模型的建立：系统模型设置为短码直接扩频通信系统中的非协作通信场景，有一对协作的收发双方和一个非协作节点。协作通信双方的发送信号均经过扩频序列进行调制且各项参数互相已知。非协作节点需要接入到该通信网络中的同时不影响协作通信节点互相之间的通信。
[0066]
2、噪声的建模：选择α稳定分布来对脉冲噪声进行建模。α稳定分布属于广义高斯分布，也是唯一符合广义中心极限定理的分布模型，是一种可以描述不同脉冲程度的统计模型，因此可以很好地描述脉冲噪声。α稳定分布的特征函数表示如下：
[0067][0068]
其中，α∈(0，2]是是特征因子，代表概率密度函数(pdf)的甩尾程度，α越大，尾部越窄，脉冲幅度越弱。β∈[-1，1]称为对称参数，它表示随机变量分布的对称程度。γ＞0称为分散系数，表示随机变量的样本值偏离其平均值的程度。-∞＜μ＜∞称为位置参数，exp(jμt)表示pdf的峰值到纵轴的距离。
[0069]
3、信号的建模：假设接收到的信号严格时间同步和载波同步，接收信号可以表示为：
[0070]
r(t)＝s(t) n(t)
[0071][0072][0073]
其中，{ak＝
±
1，k∈z}是周期为ts的信息序列，服从等概分布；τ是服从均匀分布的随机时延；n(t)是接收信号中的噪声分量。{ci＝
±
1，i＝1，2，
…
，n}是长度为n的伪码序列，p(t)是持续时间为tc的码片脉冲，有ts＝ntc。
[0074]
4、信号的样本矢量化：为了不失一般性，假设已知时延和信息码长和码片长度。根据时延对信号进行同步，然后对接收信号进行等间隔采样，采样间隔为tc。然后以信息码长进行信号分割，得到m个信号矢量。每个信号矢量都包含完整的伪码序列信息。第k个信号矢量可以表示为：
[0075]rk
＝akh nk[0076]
其中，{ak＝
±
1}是信息码，h＝[c1，c2，
…
，cn]是n维伪码序列矢量，nk是信号中的脉冲噪声。将m个信号矢量拼接为一个m
×
n维的信号矩阵r，其中n＝[n1，n2，
…
，nm]是m
×
n维的噪声矩阵。
[0077][0078]
把矩阵的每一列当作一个样本可以得到一个包含n个样本的样本集第i个样本矢量可以表示为：
[0079]
xi＝cia ni[0080]
其中a＝[a1，a2，
…
，am]是信息序列。{ci＝
±
1}为该样本矢量所对应的扩频码，ni为样本矢量上附加的脉冲噪声分量。在这里，要对样本分割得到的顺序进行记录，样本xi的i的值越小，认为它的次序越靠前。
[0081]
5、联合m估计和k-means分类器
[0082]
1)分类器输入：在获得样本集合之后，需要将样本送入到分类器中进行聚类。由样本矢量的表达式可知，样本间的主要区别取决于扩频码ci的值，而扩频码仅有-1和1两种选择，所以需要将样本聚为两类。因此分类器输入为包含n个样本的样本集以及分类器聚类数k＝2。由于该分类器是通过迭代不断逼近理想结果，这里还需要设置迭代收敛阈值η和最大迭代次数max。
[0083]
2)初始类簇中心选择：根据传统k-means算法的思想，从中随机选取2个样本作为2个初始的类簇中心o1＝[o
11
，o
12
，
…
，o
1m
]，o2＝[o
21
，a
22
，
…
，a
2m
]。
[0084]
3)噪声能量σ估计：在分类器得到两个类簇中心之后，为了能根据噪声水平动态的压制脉冲噪声的影响，需要对噪声能量进行估计。首先要计算两类簇中心到o1，o2的平均欧式距离s。若o1，o2为迭代得到的，有若o1，o2为初始随机得到的则有：
[0085][0086][0087]
由于ci，cj仅有-1和1两种取值且噪声呈对称分布、信息序列呈等概分布，则有：
[0088][0089]
因为所以可以用来估计噪声能量。
[0090]
4)计算样本与两个类簇中心的相似度：在样本的相似度计算部分，需要体现出不同类的样本间的差距，这里以样本间的距离来衡量样本间相似度。两者距离越远，相似度越低；两者距离越近，相似度越高。维度为n的样本向量x和第k个类簇中心的距离公式为：
[0091][0092]
在这里，引入了m估计中常用的huber损失函数对噪声进行压制，来抵消公式中的平方和运算对脉冲冲击的放大作用。其中huber函数的表达式为：
[0093][0094]
5)样本的聚类和贴标签：在这一步，需要根据样本与不同类簇中心相似度来进行聚类和撇标签。当样本和类簇中心o1的相似度最高时，将它的标签设为o1，否则设为o2。
[0095]
6)类簇中心的更新：在得到所有样本的样本标签之后，需要根据样本的标签对连两个类簇的类簇中心o1，o2进行更新。利用m估计中位置参数的思想，利用如下公式对类簇中心ok进行更新，k为1或2。
[0096][0097]
即通过对所有样本标签为ok的样本向量计算加权平均来得到更新后的类簇中心ok，同时将未更新时的类簇中心记录为o
′k。为了压制噪声的影响，利用第4)步中的huber函数作为自适应加权函数，噪声压制的阈值为估计得到的噪声能量σ。
[0098]
7)迭代终止条件：当分类器的迭代次数未达到在1)中设置最大迭代次数max或当前类簇中心和上次迭代的类簇中心之间的欧氏距离大于于在1)中设置的收敛阈值η时，即||o
k-o
′k||＜η时，重复第3)到第6)步，直到满足上述迭代终止条件。
[0099]
6、基于样本标签对赋值和拼接：样本集在经过分类器后，所有的样本都已经有了
标签o1或o2。将标签为o1的样本赋值为-1，将标签为o2的样本赋值为 1，然后根据第4步(信号的样本矢量化)中的样本顺序进行拼接。
[0100]
在操作完成上述步骤后，可以得到一个长度为n，元素取值为 1或-1的数组，该数组就是伪码序列的原码或者反码。根据实际情况对该数组进行取反处理或保持不可变即可估计得到伪码序列。
[0101]
图1是直接扩频通信网络中的非协作通信结构示意图。考虑这样一个具有非合作节点的通信网络，网络中包含互相协作通信的一个发射方和一个接收方，在发射方和非合作节点处仅配备一个天线。非协作节点想要在不影响发射方和接收方正常通信的情况下接入到通信网络中。s(t)是发射机发送的直接扩频信号。发射机和非合作节点之间的信道是脉冲噪声信道。脉冲噪声n(t)包含许多不连续的、不规则的脉冲或短时大振幅的噪声尖峰。
[0102]
图2是基于聚类的伪码序列盲估计框架结构示意图。该框架分为三个部分：信号样本矢量化；分类器(例如k-means)；基于聚类结果的样本标签的分配和拼接。在接收到信号后，对信号进行采样和分割获得信号矢量、信号矩阵。然后对信号矩阵的列进行分割得到信号样本，组成一个样本集。在得到样本集后，将它放入分类器中进行分类，而后根据分类结果对样本进行赋值，而后根据先前分割的顺序进行拼接从而估计得到伪码序列。
[0103]
为展示本发明对脉冲噪声的压制效果，图3展示了本发明的部分伪码估计结果，图4为相同条件下利用传统算法中准确度最高的evd算法的部分伪码估计结果。可以看到，如果使用evd算法估计伪码序列，估计结果中会有一个脉冲分量。因此，其他分量的值都很小，更容易受到噪声的影响，不利于伪码序列的判别，整体正确率不高。而图3中真实序列和估计序列完全吻合，具有很好的估计效果。
[0104]
为了验证本发明的伪码序列估计性能，图5展示了本发明提出算法、evd算法、传统k-means算法和基于余弦距离的k-means算法的仿真结果。通过对比各种算法的仿真曲线可以发现，所提算法明显优于其他算法。具体来说，当gsnr＝-4db时，所提出算法的估计错误率为0.008，明显优于evd的0.3。该仿真是在α＝1.6的条件下，即噪声的冲击不频繁、冲击幅度不高的情况下进行的，而本算法在α降低，即噪声的冲击频繁、冲击幅度更高的情况下性能会有很大的提升，而其他算法的性能会急剧下降。图6和图7验证了这一点。图6是本算法在不同α条件下的仿真结果，可以看到本算法在低信噪比情况下，α越小，性能提升越明显。图7是其他三个算法在不同α条件下的仿真结果，整体趋势在随着α的减小，性能不断下降。
[0105]
上述仿真结果说明了本发明在脉冲噪声条件下的具有明显的优势，与其他算法相比具有明显的提升。同时还具有同信噪比下噪声条件越差，性能反而越好的特点。