CN104993807A - 一种用于应答器上行链路信号处理的滤波方法 - Google Patents

Abstract

本发明公开了一种用于应答器上行链路信号处理的滤波方法，通过识别特征频率区分“过点”时段和“未过点”时段，采集“未过点”时段的噪声信号得到滤波算法相关参数，通过“过点”时段的滤波算法和“未过点”时段的滤波算法相关参数获得去噪的上行链路信号。该方法的优点在于：减小空间杂散电磁波，牵引电机，过分相干扰对应答器上行链路信号的干扰，提升信号的信噪比，降低传输误码率，提高车地信号传输可靠性，提高列车运行效率。

Description

一种用于应答器上行链路信号处理的滤波方法

技术领域

本发明涉及铁路通信信号领域列车运行控制系统的点式应答器传输系统，尤其涉及一种用于应答器上行链路信号处理的滤波方法。

背景技术

点式应答器传输系统是基于电磁耦合原理的高速率点式地-车数据传输设备，由安装在铁轨内的地面应答器向列控系统车载设备提供定位、线路参数、限速等信息，广泛应用于高速铁路和城市轨道交通控制系统中。车载设备接收到应答器传输数据后，在解调、解码前，需进行滤波处理，以减少空间杂散电磁波的影响。目前，滤波处理一般采用带通滤波器来滤除带外噪声，实现上行链路信号与噪声分离。然而，由于应答器及BTM(应答器车载传输模块，安装在列车上用以接收地面应答器的报文信息)安装、应用的电磁环境十分复杂，BTM接收到的上行链路信号时常包含有宽频带的噪声干扰，无法通过现有的带通滤波器有效去除，导致BTM接收性能下降，出现“丢点”、“全0报文”，“幽灵应答器”等现象，使得后级的列控车载核心设备无法正确获取应答器报文信息，影响行车安全。在我国铁路京津城际、武广客专以及北京地铁的一些线路中出现过这样的现象。提高应答器上行链路信号信噪比并进一步提升BTM报文接收性能具有很重要的实际意义和应用价值。

发明内容

为了提高应答器上行链路信号的信噪比，减少宽频带的噪声干扰，提升BTM报文接收性能，本发明提供了一种用于应答器上行链路信号处理的滤波方法。

一种用于应答器上行链路信号处理的滤波方法，包括如下步骤：

S10：BTM的车载天线持续接收外部模拟信号；

S20：将当前采样时段内的外部模拟信号转换为数字信号；

S30：识别所述数字信号中是否包含特征频率；若所述数字信号中不包含所述特征频率，则认为在所述当前采样时段列车未经过地面应答器，称为“未过点”时段，此时收集的数字信号是噪声信号，执行步骤S40；若所述数字信号中包含所述特征频率，则认为在所述当前采样时段列车正经过地面应答器，称为“过点”时段，此时收集的数字信号是包含噪声信号的上行链路信号，执行步骤S50；

S40：存储所述采样时段内收集到的噪声信号，并基于所述采样时段内收集到的噪声信号得到滤波算法的相应参数；在下一采样时段跳转至步骤S20；

S50：在“过点”时段，调用上一“未过点”采样时段的噪声信号经步骤S40得到的滤波算法的相应参数，利用所述滤波算法计算得到去噪的上行链路信号；将所述去噪的上行链路信号发送给BTM；在下一采样时段跳转至步骤S20。

优选的，所述“识别所述数字信号中是否包含特征频率”是指：判断所述外部模拟信号中代表逻辑0的频率的波幅是否超过对应该频率的第一预设门限，同时，判断所述外部模拟信号中代表逻辑1的频率的波幅是否超过对应该频率的第二预设门限，如果所述外部模拟信号在上述两个频率的波幅均超过对应的所述第一、第二预设门限，则认为处于“过点”时段；否则，则认为处于“未过点”时段。

优选的，步骤S40如下：S40：存储所述采样时段内收集到的噪声信号以替代前一采样时段内收集到的噪声信号，并基于所述采样时段内收集到的噪声信号得到滤波算法的相应参数；在下一采样时段跳转至步骤S20。

优选的，所述滤波算法是卡尔曼滤波算法，所述“滤波算法的相应参数”是R函数。

优选的，卡尔曼“滤波算法的相应参数”是R矩阵；所述“基于所述采样时段内收集到的噪声信号得到滤波算法的相应参数”包括如下过程：

设噪声样本长度为N，噪声分别为x[0],x[1],...,x[N-1]，则自相关函数大小为：

${\hat{R}}_x\[0\]=\left(\underset{k=0}{\overset{N-1}{\Σ}}x\[k\]*x\[k\]\right)/N$

${\hat{R}}_x\[1\]=\left(\underset{k=0}{\overset{N-2}{\Σ}}x\[k\]*x\[k+1\]\right)/N$

设AR阶数p＝1，则

$a_1\left(1\right)=-{\hat{R}}_x\[1\]/{\hat{R}}_x\[0\]$

其中a₁(1)为一阶AR模型参数，则噪声方差b为：

$b={\hat{R}}_x\[0\]\left(1-{\left|a_1\left(1\right)\right|}^2\right)$

b即为R矩阵。

优选的，所述“利用所述滤波算法计算得到去噪的上行链路信号”包括如下步骤：

S51：根据上行链路信号特性，推导出卡尔曼滤波参数A、C矩阵；

$A=\left[\begin{array}{cccc}cos\left(w_1{T}_s\right)& sin\left(w_1{T}_s\right)& 0& 0\\ -sin\left(w_1{T}_s\right)& cos\left(w_1{T}_s\right)& 0& 0\\ 0& 0& cos\left(w_2{T}_s\right)& sin\left(w_2{T}_s\right)\\ 0& 0& -sin\left(w_2{T}_s\right)& cos\left(w_2{T}_s\right)\end{array}\right]$

其中，Ts为采样周期，A_m为信号幅值，w₁、w₂为对应角频率，w₁＝2*pi*f₁，w₂＝2*pi*f₂，f₁、f₂分别为FSK代表逻辑0和逻辑1的信号频率，f₁＝3.951MHz，f₂＝4.516MHz；矩阵C＝[1 0 1 0]；

S52：根据步骤S40，利用“未过点”时段噪声信号得到卡尔曼滤波相关参数矩阵R；

S53：设置卡尔曼滤波参数初始值p(0)及矩阵Q；是初始估计值，p(0)是初始后验误差协方差值，矩阵Q是激励噪声协方差矩阵；设置为4行1列零矩阵，p(0)设置为4行4列零矩阵；

S54：根据公式计算状态预测值

S55：根据公式p_-(k)＝A*p(k)*A^-1+Q计算先验误差协方差矩阵p^-(k)；

S56：根据公式G(k+1)＝p_-(k)*C^-1*(C*p^-(k)*C^-1+R)^-1计算卡尔曼增益G(k+1)；

S57：根据公式 $\widehat{xg}\left(k+1\right)=A*\widehat{xg}\left(k\right)+G\left(k+1\right)\left(y\left(k\right)-C*A*\widehat{xg}\left(k\right)\right)$ 计算状态的最优估计值

S58：根据公式p(k+1)＝(I-G(k+1)*C)*p^-(k)计算后验误差协方差矩阵p(k)；

S59：重复步骤S54到S58，至卡尔曼滤波完成，由一个1维的包含噪声信号的上行链路数字信号的测量值向量y估计一个4维状态变量向量x；系统状态变量随机差分方程为x(k+1)＝Ax(k)+w(k)；观测方程为y(k+1)＝C*x(k)+v(k)；其中w(k)，v(k)分别为激励噪声和观测噪声；通过卡尔曼滤波后，4维列向量与矩阵C的乘积作为去噪的上行链路信号传输至BTM。

优选的，所述滤波算法是自适应算法。

优选的，利于所述自适应算法作为“滤波算法计算得到去噪的上行链路信号”的具体说明如下：

“过点”时段获得的包含噪声信号的上行链路信号d(k)，由期望信号s(k)和噪声信号n(k)组成；“未过点”时段采集的噪声信号也称噪声估计信号x(k),x(k)是“未过点”时段噪声信号经AR算法处理后得到的，e(k)为估计误差，也是去噪后信号，e(k)表示为

e(k)＝s(k)+n(k)-x(k)。

本发明不需要复杂的外部设备，利用“未过点”时段的噪声信号有效去除“过点”时段的宽频带噪声信号，减小空间杂散电磁波、牵引电机、过分相干扰对应答器上行链路信号的干扰，提升信号的信噪比，降低传输误码率，提高车地信号传输可靠性，提高列车运行效率。

附图说明

下面结合附图及实施方式对本发明作进一步详细的说明：

图1a是本发明一个实施例的上行链路信号滤波系统流程图。

图1b是本发明一个实施例的上行链路信号滤波系统流程图。

图2是本发明一个具体实施例的卡尔曼滤波算法流程图。

图3是本发明一个具体实施例卡尔曼滤波模块中AR噪声特性估计原理图。

图4是本发明滤波模块一个具体实施例的自适应滤波流程图。

图5是本发明一个具体实施例的自适应滤波模块中噪声信号估计原理图。

图6是本发明一个实施例的硬件框图。

具体实施方式

为了提高应答器上行链路信号的信噪比，减少宽频带的噪声干扰，提升BTM报文接收性能，本发明提供了一种用于应答器上行链路信号处理的滤波方法。BTM通过车载天线接收到上行链路信号后，经由4.234MHz带通滤波器、前置放大器、ADC模块，得到数字化的上行链路信号，然后就可以利用本发明对数字化的上行链路信号进行处理，自适应地滤除噪声，提高信噪比，然后再将处理后去噪(去除噪声信号)的上行链路信号交由BTM解调和解码模块进行处理，如图6所示。

应答器传输系统车载设备包括BTM和车载天线单元(简称车载天线)，在列车运行过程中，车载天线持续向地面发射频率为27.095MHz的射频能量信号，在应答器有效作用距离内，地面应答器被激活，将存储的报文信息用FSK(Frequency-shift keying)方式进行调制后发送给车载天线，车载天线将接收到的外部模拟信号经滤波、放大、模数转换后传送到BTM进行后续处理。FSK信号中心频率为4.234MHz，由于是FSK调制即频移键控，以不同的频率代表逻辑0和逻辑1，因此由频率3.951MHz代表逻辑0，频率4.516MHz代表逻辑1。BTM采用本发明的滤波方法进行信号处理后，能去除通常滤波方法无法去除的宽频带噪声干扰，将更优信噪比的上行链路信号发送给后级的列控车载核心设备，比如ATP或LKJ等。

本发明一种用于应答器上行链路信号处理的滤波方法的一个具体实施方式如图1a所示，包括如下步骤：

S10：BTM的车载天线持续接收外部模拟信号。

S20：将当前采样时段内的外部模拟信号转换为数字信号。所述采样时段是采集外部模拟信号的时间区间，通常选为100ms左右，与列车通过地面应答器有效接收应答器信号的时间(即“过点”时段)为同一数量级。本发明中的“采样周期”与接收到的射频频率4.234MHz的倒数成正比关系，实际中采样周期为4.234MHz倒数的五分之一左右，即比例系数为1/5，当然也可以是1/4.5或1/6等。因此采样时段约为采样周期的10⁶倍，当然该比值可以根据实际情况调整。

S30：识别所述数字信号中是否包含特征频率；若所述数字信号中不包含所述特征频率，则认为在所述当前采样时段列车未经过地面应答器，称为“未过点”时段，此时收集的数字信号是噪声信号，执行步骤S40；若所述数字信号中包含所述特征频率，则认为在所述当前采样时段列车正经过地面应答器，称为“过点”时段，此时收集的数字信号是包含噪声信号的上行链路信号，执行步骤S50。

S40：存储所述采样时段内收集到的噪声信号，并基于所述采样时段内收集到的噪声信号得到滤波算法的相应参数(也称为噪声统计特性)；在下一采样时段跳转至步骤S20。

S50：在“过点”时段，调用上一“未过点”采样时段的噪声信号经步骤S40得到的滤波算法的相应参数，利用所述滤波算法计算得到去噪的上行链路信号；将所述去噪的上行链路信号发送给BTM作后期解调、解码模块等处理；在下一采样时段跳转至步骤S20。从而完成一个从采集外部模拟信号到发送去噪上行链路信号的循环。上述算法循环在机车运行期间一直执行。

优选的，在本发明另一个实施例中，在步骤S40中，也可以持续存储“未过点”的当前采样时段的噪声信号(也可以存储对其处理后得到的滤波算法的相应参数)持续的代替前一“未过点”的采样时段的噪声信号(也可以存储其滤波算法相应参数)，即由步骤S30判断只要当前采样时段是“未过点”时段，就持续存储并替代之前的噪声信号。这种迭代更新存储噪声信号的方法一方面可以节省存储空间，另一方面可以使“过点”时的上行链路信号利用其前一“未过点”采样时段的噪声信号，由于采样时段很短(约100ms)，可以近似认为“过点”时段的噪声信号与其前一采样时段的“未过点”时段的噪声信号近似相同，由该前一采样时段的“未过点”时段的噪声信号计算滤波算法相关参数作为“过点”时段的滤波算法相关参数，具有最高的精度和最小的误差，可以有效去除宽频带噪声。

本发明的另一个具体实施方式如图1b所示：BTM的车载天线持续接收外部模拟信号，经由4.234MHz带通滤波器、前置放大器以及ADC模块将其转换为数字信号，然后通过FFT频谱分析(频谱分析中常用的一种方法，也可以采用其它方法进行频谱分析由外部模拟信号转换得到数字信号)确定所述数字信号是否包含有4.234MHz的FSK信号(即本发明所说的“特征频率”的一个具体例子。目前的欧标及国标规定，应答器上行链路特征频率为4.234MHz，因此本实施例的特征频率为4.234MHz，上述的带通滤波器的通过频率也是根据这一特征频率进行选择。当然本发明不局限于这一具体频率，如果欧标及国标改变应答器发射频率，本领域技术人员应该理解本发明所指的特征频率也同样适用于新的应答器发射频率)，若所述数字信号中不包含该特征频率，则认为列车未经过地面应答器，称为“未过点”时段；此时收集的数字信号是列车在该采样时段所经过处的外部环境的噪声信号；若所述数字信号中包含该特征频率则认为列车正在通过地面应答器即“过点”(相应的采样时段为“过点”时段)，此时收集的数字信号是包含外部环境的噪声信号的上行链路信号。在“未过点”时段，本发明根据滤波算法对采集到的数字信号(实际上是噪声信号，此处也可称为噪声样本)进行处理，基于在所述采样时段内收集到的噪声信号得到滤波算法的相应参数(也称为噪声统计特性)。通常需要利用AR(Auto Regression，自回归)相关原理(属于时间序列的分析方法之一，也可以采用其它的时间序列的分析方法，例如ARMA或MA等进行处理)估计上行链路信道传输的噪声模型参数(即提取后续滤波算法所需特征)，再得到“未过点”时段滤波算法相关参数作为后续“过点”时段滤波算法相关参数，或直接由所述噪声样本由相关公式计算得到滤波算法相关参数。在“过点”时段，利用滤波相关原理对接收到的数字信号进行滤波处理时，滤波算法的关键相关参数根据“未过点”时上行链路信道收到并存储的噪声信号的噪声参数来设定。经过上述滤波处理的“过点”时的上行链路信号，以SNR＝4(SNR是信噪比Signal Noise Ratio的缩写)的脉冲噪声为例，其信噪比可以提高30dB-50dB。根据数字通信非相干解调原理，信噪比提高30dB-50dB，可以使得应答器报文译码的误码率由10^-2降低到10^-7，因此本发明避免了宽频带噪声干扰，极大地提升BTM报文接收性能。

在列车运行中，通过特征频率判断“过点”或者“未过点”时，特征频率的识别可以由波幅门限加以区分，具体的说，即判断接收到的外部模拟信号中代表逻辑0的3.951MHz频率的波幅是否超过对应该频率的第一预设门限，同时，判断所述数字信号转换代表逻辑1的4.516MHz频率的波幅是否超过对应该频率的第二预设门限，如果外部模拟信号在上述两个频率的波幅均超过对应的第一、第二预设门限，则认为处于“过点”时段，否则，则认为处于“未过点”时段。列车“未过点”时，收集到的噪声信号可以不断更新，只保留最新采样时段内的噪声信号以及计算出来的滤波算法相关参数。当列车“过点”时，为了获取幅值较大的上行链路信号，设置幅值门限(门限大小根据实际情况调整)，只保留大于该幅值门限的上行链路信号，然后对这部分信号作滤波算法。

本发明一个具体实施例利用卡尔曼滤波原理，将“过点”时经ADC模块模数转换后得到的上行链路信号通过卡尔曼滤波模块进行滤波，即由卡尔曼滤波模块作为上述实施例中的滤波算法用以去除噪声信号，然后将上行链路信号传输给BTM后续模块，进行相应的解调，解码，具体过程如图2所示。

“过点”时所采用的卡尔曼滤波算法是一种状态估计技术，利用状态空间的方法来描述其数学推导公式，通过系统输入输出观测数据，对系统状态进行最优估计，滤除噪声，得到信噪比提高的上行链路信号。卡尔曼滤波算法是由上一次的最优估计值和新的输入数据计算得到状态每一次更新估计(由于卡尔曼滤波算法是针对“过点”时段的状态估计计算，因此所述的“最优估计值”和“新的输入数据”均是由“过点”时段获取的数字信号计算得到)，因此计算机只需要存储上一次的估计，不必将过去的所有观测数据都保存起来，节省了存储空间，同时也有很快处理速度

本具体实施例所述的一种卡尔曼滤波器是从一个1维的测量值向量y(包含噪声信号的上行链路数字信号)估计一个4维状态变量向量x。定义系统过程噪声为w，则系统状态变量随机差分方程为：

x(k+1)＝Ax(k)+w(k)

观测方程为：

y(k+1)＝C*x(k)+v(k)

式中，A代表矩阵A，是一个4×4的矩阵，表示在没有过程噪声下的状态转移矩阵，矩阵C是一个1×4的矩阵，它体现了状态x与测量值y的关系。矩阵A、C依据上行链路信号特征推导得出。y是“过点”时的包含噪声信号的上行链路信号。式中，w(k)，v(k)分别为激励噪声(也是系统过程噪声)和观测噪声。且激励噪声、观测噪声协方差矩阵分别为Q和R。观测噪声的协方差矩阵R矩阵是根据“未过点”时段获取的噪声方差确定。

以地面应答器发送FSK信号频率分别为3.951MHz(代表逻辑0)和4.516MHz(代表逻辑1)为例，由此，定义状态向量为：

$x\left(n\right)=\left[\begin{array}{c}{A}_m\sin \left(w_{1}t+{\mathrm{\ψ}}_1\right)\\ A_m\cos \left(w_{1}t+{\mathrm{\ψ}}_1\right)\\ A_m\sin \left(w_{2}t+{\mathrm{\ψ}}_2\right)\\ A_m\cos \left(w_{2}t+{\mathrm{\ψ}}_2\right)\end{array}\right]$

采样周期为Ts(“采样周期”与接收到的射频频率4.234MHz的倒数成正比关系，例如采样周期约为4.234MHz倒数的五分之一)，则

$x(n+1)=\left[\begin{array}{c}{A}_{m}sin\left(w_1\right(t+Ts)+{\mathrm{\ψ}}_1)\\ A_m\cos \left(w_1\right(t+Ts)+{\mathrm{\ψ}}_1)\\ A_{m}sin\left(w_2\right(t+Ts)+{\mathrm{\ψ}}_2)\\ A_m\cos \left(w_2\right(t+Ts)+{\mathrm{\ψ}}_2)\end{array}\right]$

利用正弦函数和差化积公式，得到矩阵A表达式如下

$A=\left[\begin{array}{cccc}cos\left(w_1{T}_s\right)& sin\left(w_1{T}_s\right)& 0& 0\\ -sin\left(w_1{T}_s\right)& cos\left(w_1{T}_s\right)& 0& 0\\ 0& 0& cos\left(w_2{T}_s\right)& sin\left(w_2{T}_s\right)\\ 0& 0& -sin\left(w_2{T}_s\right)& cos\left(w_2{T}_s\right)\end{array}\right]$

式中，A_m为信号幅值，f₁、f₂分别为FSK代表逻辑0和逻辑1的信号频率，即f₁＝3.951MHz，f₂＝4.516MHz，w₁、w₂为对应角频率，w₁＝2*pi*f₁，w₂＝2*pi*f₂，ψ₁、ψ₂为相位。

矩阵C＝[1 0 1 0]，矩阵Q为对角线元素大小为0.01四行四列矩阵(根据实际情况调整)。

系统初始值设置为4行1列零矩阵，p(0)设置为4行4列零矩阵，矩阵Q为对角线元素大小为0.01四行四列矩阵(根据实际情况调整)。

卡尔曼迭代公式如下：

$\hat{x}\left(k+1\right)=A*\widehat{xg}\left(k\right)$     公式1

p^-(k)＝A*p(k)*A^-1+Q    公式2

G(k+1)＝p^-(k)*C^-1*(C*p^-(k)*C^-1+R)^-1    公式3

$\widehat{xg}\left(k+1\right)=A*\widehat{xg}\left(k\right)+G\left(k+1\right)\left(y\left(k\right)-C*A*\widehat{xg}\left(k\right)\right)$     公式4

p(k+1)＝(I-G(k+1)*C)*p^-(k)    公式5

式中，R矩阵是卡尔曼算法中一个重要的参数，即卡尔曼滤波算法的相关参数，R矩阵是通过“未过点”时段采集转换的噪声信号得到的，对滤波效果有重要影响。表示信号最优估计值，表示信号预测值，p^-(k)是先验误差协方差矩阵，p(k)是后验误差协方差矩阵。通过卡尔曼滤波模块处理，信号输出为4维列向量与矩阵C的乘积。

具体卡尔曼滤波流程如图2所示，具体描述如下：

(1)根据上行链路信号特性，推导出卡尔曼滤波参数A、C矩阵；

(2)对“未过点”时噪声信号通过AR模型进行特性估计，得到卡尔曼滤波参数——观测噪声协方差矩阵R；

(3)设置卡尔曼滤波参数初始值p(0)及矩阵Q；是初始估计值，p(0)是初始后验误差协方差值，矩阵Q是激励噪声协方差矩阵；

(4)根据公式1计算状态预测值

(5)根据公式2计算先验误差协方差矩阵p^-(k)；

(6)根据公式3计算卡尔曼增益G(k+1)；

(7)根据公式4计算状态的最优估计

(8)根据公式5计算后验误差协方差矩阵p(k)；

(9)重复步骤(4)到(8)，到卡尔曼滤波完成；

(10)通过卡尔曼滤波后，4维列向量与矩阵C的乘积作为去噪的上行链路信号传输至BTM后续模块(比如解调及解码模块)，再进行后续的相应处理。

“未过点”时，将接收到噪声信号通过AR模块，设置AR阶数为一阶，然后估计其噪声特性，包括噪声方差b，则卡尔曼滤波器中观测噪声协方差R＝b。AR原理图如同图3所示。

现代功率谱估计的基本思想是根据待研究信号的先验知识，对信号在窗口外的数据做出某种比较合理的假设，得到信号的统计特性。现代功率谱以随机过程的参数模型为基础，一般采用全极点的AR模型。

卡尔曼滤波观测噪声协方差矩阵R由“未过点”时噪声统计特性得到，收集“未过点”时噪声，采用L-D算法计算AR模型相应参数，设置AR模型阶数为一阶，得到噪声方差b，则观测噪声协方差矩阵R＝b。AR模型L-D算法原理如下：

设噪声样本长度为N，噪声分别为x[0],x[1],...,x[N-1]，则自相关函数大小为：

${\hat{R}}_x\[0\]=\left(\underset{k=0}{\overset{N-1}{\Σ}}x\[k\]*x\[k\]\right)/N$

${\hat{R}}_x\[1\]=\left(\underset{k=0}{\overset{N-2}{\Σ}}x\[k\]*x\[k+1\]\right)/N$

由于AR阶数p＝1，则

$a_1\left(1\right)=-{\hat{R}}_x\[1\]/{\hat{R}}_x\[0\]$

其中a₁(1)一阶AR模型参数。则噪声方差b为：

$b={\hat{R}}_x\[0\]\left(1-{\left|a_1\left(1\right)\right|}^2\right)$

由以上公式，得到噪声方差大小b，则卡尔曼滤波观测噪声协方差矩阵R＝b。该步骤作为步骤S40，可以由采集到的“未过点”时段噪声信号得到滤波算法相关参数R矩阵，将R矩阵与“过点”时段得到的包含噪声信号的上行链路信号一并带入卡尔曼滤波算法得到去噪的上行链路信号，然后传送给BTM作后续处理。

本发明滤波模块的一个具体实施例利用自适应滤波原理，将“过点时”通过ADC模块后的上行链路数字信号通过自适应滤波模块进行滤波，即由自适应滤波模块作为上述实施例中的滤波算法用以去除噪声信号，然后将上行链路信号传输给BTM后续模块，进行相应的解调，解码。

“过点”时段所采用的自适应滤波方法是利用前一采样时段已获得的滤波算法相关参数等结果，自动地调节当前采样时段的滤波算法相关参数，以适应信号和噪声未知的或随时间变化的统计特性，来实现最优滤波。自适应滤波运算速度快，易于硬件实现。

本具体实施例的原理如图4所示，输入1为“过点”时段获得的包含噪声信号的上行链路信号d(k)，由期望信号s(k)和噪声信号n(k)组成，输入2为“未过点”时段采集的噪声信号也称噪声估计信号x(k)，x(k)是“未过点”时段噪声信号经AR算法处理后得到的，e(k)为估计误差。自适应滤波器(即自适应滤波算法)的滤波算法相关系数受误差信号e(k)控制，根据e(k)和自适应算法进行自动调整。误差信号同时也是去噪后的上行链路信号的e(k)可以表示为：

e(k)＝s(k)+n(k)-x(k)

自适应算法收敛时，误差信号e(k)等于期望信号s(k)的估计，从而实现消噪处理，得到去噪后的上行链路信号。

本具体实施例可以采用实现较为简单且收敛速率较快的NLMS算法，其迭代公式如下：

y(k)＝w^T(k)x(k)

e(k)＝d(k)-y(k)

$w(k+1)=w\left(k\right)+\frac{\mathrm{\α}}{\left|\right|x\left(k\right)|{|}^2+\mathrm{\β}}e\left(k\right)x\left(k\right)$

其中x(k)是“未过点”时段噪声信号经AR算法处理后得到的；y(k)为噪声估计信号，是由x(k)通过自适应滤波器产生的信号；w(k)是循环迭代的自适应算法的一个参数。w(k)为M行1列滤波器抽头权向量(M根据实际情况确定)，w(k)初始值可以设置为M行1列零向量。α可以控制算法的收敛速度，取值范围为0<α<2，α值可以设置为0.1。β为一个小的正数，是为解决由于输入信号较小时除法引起的数值不稳定问题，β值可以设置为2。

噪声估计信号x(k)产生原理如图5所示，其中AR原理与卡尔曼滤波中AR原理类似，设置AR模型阶数为一阶，由前面所述可得：

$a_1\left(1\right)=-{\hat{R}}_x\&lsqb;1\&rsqb;/{\hat{R}}_x\&lsqb;0\&rsqb;$

则AR模型传递函数为：

$H\left(z\right)=\frac{1}{1+a_1\left(1\right)*z^{-1}}$

以“未过点”时通过ADC模块的噪声信号为输入，通过传递函数为H(z)的滤波器，得到噪声估计信号x(k)。

得到输入1“过点”时段含有噪声信号的上行链路信号d(k)以及输入2模拟的噪声信号x(k)(经过自适应滤波器)，依据上述原理，最后得到滤波后上行链路信号输出e(k)。

本发明所述的上行链路信号滤波方法的主要功能为：通过对上行链路信号包含噪声的估计可以自适应地跟踪噪声，然后利用滤波模块自适应地滤除这些噪声，无论噪声是服从何种分布，具有极强的环境适应性。以SNR＝4的脉冲噪声为例，这种方法能够提升上行链路信号信噪比30dB-50dB，误码率由10^-2降低到10^-7，从而减少由于噪声导致报文无法译解的概率，降低丢点率，提高BTM及列控系统的性能。

本发明所述的上行链路信号滤波方法的有益效果为：减小空间杂散电磁波、牵引电机、过分相干扰对应答器报文接收过程的干扰，减少实际中出现的幽灵应答器、丢点、全0报文等故障情况，以及由此导致的列车紧急制动等情况，这对于保证列控系统车地传输可靠性、提高列车运行效率等方面有很大意义。同时，滤波模块实现简单，计算量较小，使得系统有较好的实时性。

本发明的一个实施例如图4所示，车载天线接收到上行链路信号后，首先通过4.234MHz带通滤波器，其次通过前置放大器，对上行链路信号进行低噪声放大，接着通过ADC模块将接收到的信号转换为数字信号，然后通过DSP模块处理得到应答器报文，最后通过串行输出接口将报文输出。在图中，本专利的算法部署到BTM的DSP芯片中，通过软件实现本算法，然后再进行相应的解调、解码处理，得到应答器报文。

本发明上述实施例的“未过点”时段的噪声信号通常需要经过时间序列的分析方法比如AR原理算法提取特征再进入后续滤波算法。时间序列的分析方法不仅可以是AR算法，也可以是ARMA(自回归移动平均模型)算法或MA(移动平均模型)算法，因此采用ARMA或MA算法代替AR算法作为滤波算法的前置步骤均在本发明的保护范围之内。另外，本发明的其它实施例也可以不使用AR相关原理作为滤波算法的前置步骤，因此不应以是否包含AR算法限制本发明的保护范围。

总之，以上所述仅为本发明技术方案的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种用于应答器上行链路信号处理的滤波方法，包括如下步骤：

S10：BTM的车载天线持续接收外部模拟信号；

S20：将当前采样时段内的外部模拟信号转换为数字信号；

S30：识别所述数字信号中是否包含特征频率；若所述数字信号中不包含所述特征频率，则认为在所述当前采样时段列车未经过地面应答器，称为“未过点”时段，此时收集的数字信号是噪声信号，执行步骤S40；若所述数字信号中包含所述特征频率，则认为在所述当前采样时段列车正经过地面应答器，称为“过点”时段，此时收集的数字信号是包含噪声信号的上行链路信号，执行步骤S50；

S40：存储所述采样时段内收集到的噪声信号，并基于所述采样时段内收集到的噪声信号得到滤波算法的相应参数；在下一采样时段跳转至步骤S20；

S50：在“过点”时段，调用上一“未过点”采样时段的噪声信号经步骤S40得到的滤波算法的相应参数，利用所述滤波算法计算得到去噪的上行链路信号；将所述去噪的上行链路信号发送给BTM；在下一采样时段跳转至步骤S20。

2.根据权利要求1所述的滤波方法，其特征在于，所述“识别所述数字信号中是否包含特征频率”是指：

判断所述外部模拟信号中代表逻辑0的频率的波幅是否超过对应该频率的第一预设门限，同时，判断所述外部模拟信号中代表逻辑1的频率的波幅是否超过对应该频率的第二预设门限，如果所述外部模拟信号在上述两个频率的波幅均超过对应的所述第一、第二预设门限，则认为处于“过点”时段；否则，则认为处于“未过点”时段。

3.根据权利要求1或2所述的滤波方法，其特征在于，步骤S40如下：

S40：存储所述采样时段内收集到的噪声信号以替代前一采样时段内收集到的噪声信号，并基于所述采样时段内收集到的噪声信号得到滤波算法的相应参数；在下一采样时段跳转至步骤S20。

4.根据权利要求1至3之一所述的滤波方法，其特征在于，所述滤波算法是卡尔曼滤波算法，所述“滤波算法的相应参数”是R函数。

5.根据权利要求4所述的滤波方法，其特征在于，卡尔曼“滤波算法的相应参数”是R矩阵；所述“基于所述采样时段内收集到的噪声信号得到滤波算法的相应参数”包括如下过程：

设噪声样本长度为N，噪声分别为x[0],x[1],...,x[N-1]，则自相关函数大小为：

${\hat{R}}_x\&lsqb;0\&rsqb;=(\underset{k=0}{\overset{N-1}{\&Sigma;}}x\&lsqb;k\&rsqb;*x\&lsqb;k\&rsqb;)/N$

${\hat{R}}_x\&lsqb;1\&rsqb;=(\underset{k=0}{\overset{N-2}{\&Sigma;}}x\&lsqb;k\&rsqb;*x\&lsqb;k+1\&rsqb;)/N$

设AR阶数p＝1，则

$a_1\left(1\right)=-{\hat{R}}_x\&lsqb;1\&rsqb;/{\hat{R}}_x\&lsqb;0\&rsqb;$

其中a₁(1)为一阶AR模型参数，则噪声方差b为：

$b={\hat{R}}_x\&lsqb;0\&rsqb;(1-|a_1\left(1\right){|}^2)$

b即为R矩阵。

6.根据权利要求5所述的滤波方法，其特征在于，所述“利用所述滤波算法计算得到去噪的上行链路信号”包括如下步骤：

S51：根据上行链路信号特性，推导出卡尔曼滤波参数A、C矩阵；

$A=\left[\begin{array}{cccc}\cos \left(w_1{T}_s\right)& \sin \left(w_1{T}_s\right)& 0& 0\\ -\sin \left(w_1{T}_s\right)& \cos \left(w_1{T}_s\right)& 0& 0\\ 0& 0& \cos \left(w_2{T}_s\right)& \sin \left(w_2{T}_s\right)\\ 0& 0& -\sin \left(w_2{T}_s\right)& \cos \left(w_2{T}_s\right)\end{array}\right]$

其中，Ts为采样周期，A_m为信号幅值，w₁、w₂为对应角频率，w₁＝2*pi*f₁，w₂＝2*pi*f₂，f₁、f₂分别为FSK代表逻辑0和逻辑1的信号频率；矩阵C＝[1010]；

S52：根据步骤S40，利用“未过点”时段噪声信号得到卡尔曼滤波相关参数矩阵R；

S53：设置卡尔曼滤波参数初始值p(0)及矩阵Q；是初始估计值，p(0)是初始后验误差协方差值，矩阵Q是激励噪声协方差矩阵；设置为4行1列零矩阵，p(0)设置为4行4列零矩阵；

S54：根据公式计算状态预测值

S55：根据公式p^-(k)＝A*p(k)*A^-1+Q计算先验误差协方差矩阵p^-(k)；

S56：根据公式G(k+1)＝p^-(k)*C^-1*(C*p^-(k)*C^-1+R)^-1计算卡尔曼增益G(k+1)；

S57：根据公式 $\widehat{xg}(k+1)=A*\widehat{xg}\left(k\right)+G(k+1)\left(y\right(k)-C*A*\widehat{xg}(k\left)\right)$ 计算状态的最优估计值

S58：根据公式p(k+1)＝(I-G(k+1)*C)*p^-(k)计算后验误差协方差矩阵p(k)；

S59：重复步骤S54到S58，至卡尔曼滤波完成，由一个1维的包含噪声信号的上行链路数字信号的测量值向量y估计一个4维状态变量向量x；系统状态变量随机差分方程为x(k+1)＝Ax(k)+w(k)；观测方程为y(k+1)＝C*x(k)+v(k)；其中w(k)，v(k)分别为激励噪声和观测噪声；通过卡尔曼滤波后，4维列向量与矩阵C的乘积作为去噪的上行链路信号传输至BTM。

7.根据权利要求1至3之一所述的滤波方法，其特征在于，所述滤波算法是自适应算法。

8.根据权利要求7所述的滤波方法，其特征在于，利于所述自适应算法作为“滤波算法计算得到去噪的上行链路信号”的具体说明如下：

“过点”时段获得的包含噪声信号的上行链路信号d(k)，由期望信号s(k)和噪声信号n(k)组成；“未过点”时段采集的噪声信号也称噪声估计信号x(k),x(k)是“未过点”时段噪声信号经AR算法处理后得到的，e(k)为估计误差，也是去噪后信号，e(k)表示为

e(k)＝s(k)+n(k)-x(k)。