CN105072067A - 一种低信噪比下突发信号的检测方法 - Google Patents

Abstract

本发明公开了一种低信噪比下突发信号的检测方法，包括以下步骤：对接收到的突发信号进行分段处理，再求每段信号的功率谱的倒谱，取其倒谱的最大值作为检验统计量；用移动平均法对检验统计量进行平滑，再用K-均值聚类算法对其分类判决，区分出信号和噪声；用基于长度的三态转换对判决结果进行修正，完成突发信号的检测。本发明可以对低信噪比环境下的突发信号具有较好的检测性能。

Description

一种低信噪比下突发信号的检测方法

技术领域

本发明属于通信技术领域，具体涉及一种低信噪比下突发信号的检测方法，可用于在低信噪比环境下突发信号的检测。

背景技术

突发通信作为低截获概率通信的重要方式之一，发射隐蔽、持续时间短，具有很强的抗侦察截获能力，在军事通信中获得了广泛应用，如潜艇对岸通信、最低应急通信等都采用了突发通信体制。伴随着通信新技术和新体制的推广使用，电磁环境日益复杂，给突发信号的检测带来更大挑战。因此，研究低信噪比下突发信号的检测具有一定的意义和价值。

突发信号的检测主要分为时域检测算法和频域检测算法，时域检测算法有短时能量法、高阶矩、高阶累积量、时域Power-Law的方法；频域检测算法主要有基于幅度谱和循环谱、基于DFT的Power-Law算法、基于高阶谱的Power-Law算法、基于小波变换的Power-Law算法、谱熵法、wigner-ville法等。时域检测算法受噪声影响大，频域检测算法计算复杂。倒谱检测法计算速度快，可实现实时检测，并且可以抗窄带干扰，但是其对噪声的抑制能力较差，因此提出基于功率谱的倒谱的突发信号检测方法，以提高检测性能。目前，已有很多对突发信号的检测技术的研究，但基于倒谱的突发信号检测研究还是没有。韩腾飞等人针对由高阶累积量作为判决统计量的信号检测方法，提出了相应的改进算法，该算法只用2个符号进行累积量估计，通过增加滑动窗，对累积量值进行平滑处理，并通过窗内累积量值的变化自适应调整窗长，减小或消除了因数据过短引起高阶累积量估计值的抖动，该方法减少了计算复杂度，但是没有提高突发信号的检测性能。(韩腾飞，陈卫东.基于高阶累积量的突发信号检测技术[J].工程实践及应用技术，2013，39(2)：72-74.)。鉴于对少量频点功率谱的统计结果可以利用Goertzel算法快速得到，贾宏雷等人提出了用Goertzel算法代替DFT变换，并结合Power-Law检测器来实现对突发信号的快速捕获，提高了检测性能，但是没有给出起止点检测的准确度。(贾宏雷，江桦，王权.基于形态学处理的突发信号宽带检测算法[J].太赫兹科学与电子信息学报，2013，11(6)：911-916.)。王辉针对突发信号检测实时性的问题，研究了信号检测的时域算法。从简化运算量的角度，采用计算量简单的Kolmogorov检测统计量，即经验分布函数和正态分布两个分布函数在垂直方向上的最大距离，实现了低复杂度的突发信号检测；从提高检测性能的角度，通过改进相关算法，对信号做两次自相关来提高信噪比，提高了低信噪比下突发信号的检测性能；从恒虚警门限的角度，利用分形盒维数的特点，解决了噪声方差变化时门限选取鲁棒性的问题；针对突发信号精确提取问题，给出了起止点评价指标，通过利用小波分解重构算法提高了信号起止点检测精度。(王辉.短波低截获概率通信信号的检测与调制识别[D]，解放军信息工程大学硕士学位论文，2013.)。王民等人将对数能量特征和倒谱特征相结合，提出了一种新的对数能量倒谱特征，采用模糊C均值聚类和贝叶斯信息准则方法估计特征门限，完成了语音端点检测(王民，孙广，沈利荣，刘利.基于对数能量倒谱特征的端点检测算法[J].计算机工程与应用，2014，50(16)：198-201.)。

发明内容

针对现有技术的不足，本发明旨在提供一种有效检测低信噪比下突发信号的方法，以提高在低信噪比环境下突发信号的检测概率。

为了实现上述目的，本发明采用的技术方案如下：

一种低信噪比下突发信号的检测方法，包括以下步骤：

S1对接收到的突发信号进行分段处理，再求每段信号的功率谱的倒谱，取倒谱的最大值作为检验统计量；

S2用移动平均法对检验统计量进行平滑；

S3用K-均值聚类算法对经过平滑后的检验统计量进行分类判决，区分出信号和噪声；

S4用基于长度的三态转换对判决结果进行修正，完成突发信号的检测。

需要说明的是，步骤S1中，对接收到的突发信号进行分段处理，再求每段信号的功率谱的倒谱，取倒谱的最大值作为检验统计量按以下进行：

1.1)设经过采样的待检突发信号为x(n)(n＝1，2，…，N)，N为数据长度，对数据分段处理，每次处理的数据长度记为perlen，步进长度记为step，则第i段信号x_i(n)为：

$x_i\left(n\right)=\left\{\begin{array}{cc}x(step*i,step*i+1,...,step*i+perlen-1)& step*i+perlen-1\≤N\\ x(step*i,step*i+1,...,N)& step*i+perlen-1>N\end{array}\right.$

计算信号x_i(n)的功率谱为：

其中，FFT[·]为傅里叶变换，ω为角频率，为第i段信号x_i(n)的自相关函数，τ为延时。

1.2)根据如下公式求每段信号的功率谱的倒谱：

其中，IFFT[·]为反傅里叶变换；

1.3)取倒谱的最大值作为检验统计量T(n)：

需要说明的是，步骤S2中，用移动平均法对检验统计量进行平滑按以下进行：

用长度为l的移动矩形窗对检验统计量处理，在窗内求均值，得到平滑后的检验统计量S(n)，(n＝1，2，…，N)：

需要说明的是，K-均值聚类算法可将含有N个数据点的集合进行分类，将集合划分成K个类。算法首先要聚类中心初始化，随机地选取K个数据点作为K个簇的初始簇中心，根据数据点与聚类中心的距离进行聚类，每个数据点被划分到距离最近的中心所在的簇中，进而产生了K个聚类，从而完成了初始的聚类分布；然后对产生的K个簇分别重新计算新的簇中心，继续进行数据分配，就这样迭代多次后，如果簇中心不在变化，说明数据对象以及全部聚集到自己所在的簇中，此时说明聚类准则函数已经达到收敛，算法终止。

步骤S3的具体实施如下：

3.1)对于步骤S2中得到的经过平滑的检验统计量S(n)，令迭代次数I＝1，选取2个初始聚类中心A_j(I)(j＝1，2)；

3.2)计算每个数据对象S(n)与A_j(I)的距离：

D(S(n)，A_j(I))＝|S(n)-A_j(I)|；

若满足D(S′(n)，A_k(I))＝min{D(S(n)，A_j(I))，(j＝1，2)}，则S(n)∈A_k，A_k表示第k类，k＝1，2；

3.3)计算误差平方和准则函数：

$J\left(I\right)=\underset{j=1}{\overset{2}{\Σ}}\underset{k=1}{\overset{n_j}{\Σ}}\left|\right|S_k^{\left(j\right)}-A_j\left(I\right)|{|}^2;$

其中，为在步骤3.2)中被归入第j类的数据，n_j为其个数；

3.4)判断：如果|J(I)-J(I-1)|＜ζ，则结束迭代，其中，ζ为任意小的数；否则I＝I+1，计算2个新的聚类中心返回步骤3.2)重新执行。

需要说明的是，突发通信信号的检测环境包含广播信号、电视信号，无线通信信号等多种连续信号；也包含闪电、突发噪声、雷达脉冲等自然或人为的短促信号，称为短突发干扰信号。为了完成通信传输，突发通信的信号长度一般比这些短突发干扰信号的持续时间长。对突发通信系统的用途、使用方式等资料情报进行分析可以获得该系统突发通信信号持续时间的大致范围L_min＜L＜L_max，L_min和L_max分别为已知或从其他途径估计的信号长度L的最小值和最大值。

对待检突发信号的信号长度范围L_min和L_max分别计算最小数据块长度J＝L_minf_s和最大数据块长度D＝L_max，f_s，其中，f_s为采样频率。将步骤S3中得到的判决结果中统计连续判为信号的个数，记为A。若A＞D，则认为是连续信号；若A＜J，则认为无信号或为短突发干扰信号；若J≤A≤D，则判待检突发信号存在。

以上检测利用了待检信号长度的先验知识以及其短时性特征，即持续一段短时间段后消失的特点，区分了连续信号、短突发干扰信号和待检突发信号，避免了这些信号形成的大量虚假检测。

本发明有益效果在于：本发明具有良好的检测突发信号的性能，而且本发明在低信噪比环境下仍能较有效地检测突发信号。

附图说明

图1为本发明的流程示意图；

图2为本发明不同信噪比下的突发信号的检测概率；

图3为本发明在不同信噪比下的突发信号的加权错误测度。

具体实施方式

以下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。

如图1所示，本发明为一种低信噪比下突发信号的检测方法，包括以下步骤：

S1对接收到的突发信号进行分段处理，再求每段信号的功率谱的倒谱，取倒谱的最大值作为检验统计量，具体实施如下：

1.1)设经过采样的待检突发信号为x(n)(n＝1，2，…，N)，N为数据长度，对数据分段处理，每次处理的数据长度记为perlen，步进长度记为step，则第i段信号x_i(n)为：

$x_i\left(n\right)=\left\{\begin{array}{cc}x(step*i,step*i+1,...,step*i+perlen-1)& step*i+perlen-1\≤N\\ x(step*i,step*i+1,...,N)& step*i+perlen-1>N\end{array}\right.$

计算信号x_i(n)的功率谱为：

其中，FFT[·]为傅里叶变换，ω为角频率，为第i段信号x_i(n)的自相关函数，τ为延时。

1.2)根据如下公式求每段信号的功率谱的倒谱：

其中，IFFT[·]为反傅里叶变换；

1.3)取倒谱的最大值作为检验统计量T(n)：

S2用移动平均法对检验统计量进行平滑；

用长度为l的移动矩形窗对检验统计量处理，在窗内求均值，得到平滑后的检验统计量S(n)，(n＝1，2，…，N)：

S3用K-均值聚类算法对其分类判决，区分出信号和噪声，具体进行如下：

K-均值聚类算法可将含有N个数据点的集合进行分类，将集合划分成K个类。算法首先要聚类中心初始化，随机地选取K个数据点作为K个簇的初始簇中心，根据数据点与聚类中心的距离进行聚类，每个数据点被划分到距离最近的中心所在的簇中，进而产生了K个聚类，从而完成了初始的聚类分布；然后对产生的K个簇分别重新计算新的簇中心，继续进行数据分配，就这样迭代多次后，如果簇中心不在变化，说明数据对象以及全部聚集到自己所在的簇中，此时说明聚类准则函数已经达到收敛，算法终止。

步骤S3的具体实施如下：

3.1)对于步骤S2中得到的经过平滑的检验统计量S(n)，令迭代次数I＝1，选取2个初始聚类中心A_j(I)(j＝1，2)；

3.2)计算每个数据对象S(n)与A_j(I)的距离：

D(S(n)，A_j(I))＝|S(n)-A_j(I)|；

若满足D(S(n)，A_k(I))＝min{D(S(n)，A_j(I))，(j＝1，2)}，则S(n)∈A_k，A_k表示第k类，k＝1，2；

3.3)计算误差平方和准则函数：

$J\left(I\right)=\underset{j=1}{\overset{2}{\Σ}}\underset{k=1}{\overset{n_j}{\Σ}}\left|\right|S_k^{\left(j\right)}-A_j\left(I\right)|{|}^2;$

其中，为在步骤3.2)中被归入第j类的数据，n_j为其个数；

3.4)判断：如果|J(I)-J(I-1)|＜ζ，则结束迭代，其中，ζ为任意小的数；否则I＝I+1，计算2个新的聚类中心返回步骤3.2)重新执行。

S4用基于长度的三态转换对判决结果进行修正，完成突发信号的检测；

突发通信信号的检测环境包含广播信号、电视信号，无线通信信号等多种连续信号；也包含闪电、突发噪声、雷达脉冲等自然或人为的短促信号，称为短突发干扰信号。为了完成通信传输，突发通信的信号长度一般比这些短突发干扰信号的持续时间长。对突发通信系统的用途、使用方式等资料情报进行分析可以获得该系统突发通信信号持续时间的大致范围L_min＜L＜L_max，L_min和L_max分别为已知或从其他途径估计的信号长度L的最小值和最大值。

对待检突发信号的信号长度范围L_min和L_max分别计算最小数据块长度J＝L_minf_s和最大数据块长度D＝L_maxf_s。统计连续判为信号的个数，记为A。若A＞D，则认为是连续信号；若A＜J，则认为无信号

或为短突发干扰信号；若J≤A≤D，则判待检突发信号存在。

以上检测利用了待检信号长度的先验知识以及其短时性特征，即持续一段短时间段后消失的特点，区分了连续信号、短突发干扰信号和待检突发信号，避免了这些信号形成的大量虚假检测。

为了测试本方法的检验统计量的性能，参数设置如下：信号为突发的2PSK、4PSK、16QAM和32QAM，信号采样频率为19200Hz，码元速率为1200B/s，载波频率为1800Hz，每段数据perlen＝256，步进step＝32，平滑窗长为400，本发明假设L_min＝0.03s，L_max＝0.3s，因此最小数据块长度J＝L_minf_s＝0.3×19200＝576，最大数据块长度D＝L_maxf_s＝0.3×19200＝5760，并进行1000次MonteCarlo实验。检测的评估标准为检测概率起止时刻的评估标准为加权错误测度。

由于截短错误和扩展错误的存在，引入加权错误测度(WA)，其定义式为：

$WA=\frac{K_{C}CLP+K_{H}WDN}{fNum}$

其中，K_C为截短误差的系数，K_H为扩展误差的系数，CLP为截短错误比特数，WDN为扩展错误比特数，fNum表示采样数据的总比特数。在本发明中取K_C＝1.4，K_H＝0.6。

从图2中可以看出，随着信噪比的增大，检测概率越来越高，在低信噪比下，该方法依然有较高的检测概率，当信噪比为-10dB时2PSK和4PSK的检测概率能达到80％，16QAM和32QAM的能达到90％；从图3中可以看出，随着信噪比的增大，加权错误测度越来越低，当信噪比为-10dB时2PSK、4PSK、16QAM和32QAM的加权错误测度均仍然能达到0.08以下。由此说明本发明在低信噪比噪声环境下具有较好的检测性能。

对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及变形，而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。

Claims (5)

1.一种低信噪比下突发信号的检测方法，包含待检突发信号，其特征在于，包括以下步骤：

S1对接收到的待检突发信号进行分段处理，再求每段信号的功率谱的倒谱，取倒谱的最大值作为检验统计量；

S2用移动平均法对检验统计量进行平滑；

S3用K-均值聚类算法对经过平滑后的检验统计量分类判决，区分出信号和噪声；

S4用基于长度的三态转换对判决结果进行修正，完成突发信号的检测。

2.根据权利要求1所述的低信噪比下突发信号的检测方法，其特征在于，步骤S1的具体实施如下：

2.1)设经过采样的待检突发信号为x(n)(n＝1，2，…，N)，N为数据长度，对数据分段处理，每次处理的数据长度记为perlen，步进长度记为step，则第i段信号x_i(n)为：

计算信号x_i(n)的功率谱为：

其中，FFT[·]为傅里叶变换，ω为角频率，为第i段信号x_i(n)的自相关函数，τ为延时；

2.2)根据如下公式求每段信号的功率谱的倒谱：

其中，IFFT[·]为反傅里叶变换；

2.3)取倒谱的最大值作为检验统计量T(n)：

3.根据权利要求1所述的低信噪比下突发信号的检测方法，其特征在于，步骤S2具体实施如下：

用长度为l的移动矩形窗对检验统计量处理，在窗内求均值，得到平滑后的检验统计量S(n)，n＝1，2，…，N：

4.根据权利要求1所述的低信噪比下突发信号的检测方法，其特征在于，步骤S3包括如下：

4.1)对于步骤S2中得到的经过平滑的检验统计量S(n)，令迭代次数I＝1，选取2个初始聚类中心A_j(I)(j＝1，2)；

4.2)计算每个数据对象S(n)与A_j(I)的距离：

D(S(n)，A_j(I))＝|S(n)-A_j(I)|；

若满足D(S(n)，A_k(I))＝min{D(S(n)，A_j(I))，(j＝1，2)}，则S(n)∈A_k，A_k表示第k类，k＝1，2；

4.3)计算误差平方和准则函数：

$J\left(I\right)=\underset{j=1}{\overset{2}{\Σ}}\underset{k=1}{\overset{n_j}{\Σ}}\left|\right|S_k^{\left(j\right)}-A_j\left(I\right)|{|}^2;$

其中，为在步骤4.2)中被归入第j类的数据，n_j为其个数；

4.4)判断：如果|J(I)-J(I-1)|＜ζ，则结束迭代，其中，ζ为任意小的数；否则I＝I+1，计算2个新的聚类中心返回步骤4.2)重新执行。

5.根据权利要求1所述的低信噪比下突发信号的检测方法，其特征在于，所述步骤S4的具体实施如下：

5.1)对待检突发信号的信号长度范围L_min和L_max分别计算最小数据块长度和最大数据块长度其中，L_min和L_max分别为待检突发信号的长度L的最小值和最大值；f_s为采样频率；

5.2)计算步骤S3得到的判决结果中连续判为信号的个数，记为A，若A＞D，则认为是连续信号；若A＜J，则认为无信号或为短突发干扰信号；若J≤A≤D，则判待检突发信号存在。