CN105978641A - 一种认知无线电中时频重叠信号的信噪比估计方法 - Google Patents

Abstract

本发明公开了一种认知无线电中时频重叠信号的信噪比估计方法，根据接收信号归一化高阶累积量，构建归一化高阶累积量方程组；遍历所有的分量信号调制类型组合，通过归一化高阶累积量方程组，计算出各分量信号的功率，并判断调制类型组合是否正确；得到正确的分量信号调制类型组合与功率，计算出时频重叠信号的噪声功率，从而估计出underlay认知无线电中时频重叠信号的信噪比。本发明在高频谱重叠率的条件下，在0dB时，信噪比的估计归一化均方误差均小于0.2，可见该发明对underlay认知无线电中时频重叠信号的信噪比具有良好的估计性能；利用该发明技术可以便于测量出干扰温度，并且在干扰温度以下使主用户和次用户共存，从而提高频谱利用率。

Description

一种认知无线电中时频重叠信号的信噪比估计方法

技术领域

本发明属于通信技术领域，尤其涉及一种underlay认知无线电中时频重叠信号的信噪比估计方法。

背景技术

在现代无线通信领域，随着通信技术的发展，频谱资源变得越来越紧张。underlay认知无线电方式能够使主用户和次用户共享同一个频带，是解决频谱资源短缺问题的有效途径。在underlay方式下，只有当授权信道内信号的干扰温度低于信道的干扰温度限的时候，次用户才有被接入的可能。此时，信道内时频重叠信号的功率是计算干扰温度的一个重要参数，而计算信号的功率可以通过估计信号的信噪比得到。因此，研究underlay认知无线电中时频重叠信号的信噪比估计有一定的意义和价值。Shree等人利用随机矩阵理论，提出了基于接收信号协方差矩阵的最大特征值的信噪比估计方法(Shree KrishnaSharma.Eigenvalue-based sensing and SNR estimation for cognitive radio inpresence of noise correlation[J].IEEE Transactions on Vehicular Technology,2013,62(8):3671-3684.)，并针对信道相关以及噪声与信道均相关的情况，建立了接收信号协方差矩阵的渐近特征值概率分布函数,从而进行信噪比估计，该方法在信噪比大于3dB时，归一化MSE为0.1％。(Shree Krishna Sharma.SNR estimation for Multi-dimensional cognitive receiver under correlated Channel/Noise[J].IEEETransactions on Wireless Communication,2013,12(12):6392-6405.)。S.Chatzinotas等人针对宽带认知无线电中相关多测量向量和相关噪声两种场景，运用压缩测量的方法有效的对授权用户的信噪比进行估计。(S.Chatzinotas,B.Ottersten.Compressive SNREstimation for Wideband Cognitive Radio under Correlated Scenarios[C].WCNC,2014:713-718.)。Johanna Vartiainen等人提出了一种基于双门限的多个重叠窄带信号信噪比估计，该方法在两个BPSK信号混合且当0dB<SNR<6dB时，估计偏差接近零，但是该方法仅适应于时域重叠而频域不重叠的信号，不适用于实际的underlay频谱共享方式。(Johanna Vartiainen,Harri Saarnisaari,Janne J.Lehtomaki and Markku Juntti.Ablind signal localization and SNR estimation method[C].MilitaryCommunications Conference,2006:1-7)。

发明内容

本发明的目的在于提供一种认知无线电中时频重叠信号的信噪比估计方法，旨在解决underlay频谱共享方式下时频重叠信号的信噪比难以估计的问题。

本发明是这样实现的，一种认知无线电中时频重叠信号的信噪比估计方法，所述认知无线电中时频重叠信号的信噪比估计方法根据接收信号归一化高阶累积量，构建归一化高阶累积量方程组；遍历所有的分量信号调制类型组合，通过归一化高阶累积量方程组，计算出各分量信号的功率，并判断调制类型组合是否正确；得到正确的分量信号调制类型组合与功率，计算出时频重叠信号的噪声功率，从而估计出underlay认知无线电中时频重叠信号的信噪比，利用该发明技术可以便于测量出干扰温度，并且在干扰温度以下使主用户和次用户共存，从而提高频谱利用率。

进一步，所述认知无线电中时频重叠信号的信噪比估计方法包括以下步骤：

步骤一，测量信号由N个分量信号以及高斯白噪声混合而成，求测量信号的归一化四阶累积量归一六阶累积量归一八阶累积量等N+1个归一化高阶累积量；

步骤二，构建归一化高阶累积量方程组；

步骤三，遍历出N个信号的调制类型组合，查表得到各个调制类型信号的归一化高阶累积量，代入方程组中的前N个方程，计算求得各分量信号所占总信号的功率比将结果代入第N+1个方程，筛选出正确的调制类型组合；

步骤四，得出正确的调制类型以及各分量信号所占总信号的功率比 根据信噪比估计公式估计信噪比。

进一步，时频重叠信号的归一化高阶累积量方程组构建方法包括：

接收信号的信号模型表示为：

r(t)＝x₁(t)+x₂(t)+…+x_n(t)+v(t)

$x_i=\underset{k}{\&Sigma;}{A}_{ki}cos(2{\mathrm{\&pi;f}}_{c}t+{\mathrm{\&theta;}}_{ki})\&CenterDot;g(t-{\mathrm{kT}}_{si})$

其中，x_i(t)为时频重叠信号的各个信号分量，各分量信号独立不相关，n为时频重叠信号分量的个数，θ_ki表示对各个信号分量载波相位的调制，f_ci为载波频率，A_ki为第i个信号在k时刻的幅度，T_si为码元长度，p_i(t)为滚降系数为α的升余弦成形滤波函数，且n(t)是均值为0，方差为σ²的平稳高斯白噪声；

混合信号的高阶累积量公式如下：

$C_{k,r}=C_{{k,x}_1}+C_{{k,x}_2}+...C_{{k,x}_n}+C_{k,v};$

两边同时除以混合信号的二阶矩k/2次方：

$\frac{C_{k,r}}{{\left(m_{r,2}\right)}^{k/2}}=\frac{C_{k,x_1}}{{\left(m_{r,2}\right)}^{k/2}}+\frac{C_{k,x_2}}{{\left(m_{r,2}\right)}^{k/2}}+\mathrm{...}\frac{C_{k,x_n}}{{\left(m_{r,2}\right)}^{k/2}}+\frac{C_{k,v}}{{\left(m_{r,2}\right)}^{k/2}};$

进一步变形为：

$\frac{C_{k,r}}{{\left(m_{r,2}\right)}^{k/2}}=\frac{C_{k,x_1}}{{\left(m_{x_1,2}\right)}^{k/2}}\&CenterDot;\frac{{\left(m_{x_1,2}\right)}^{k/2}}{{\left(m_{r,2}\right)}^{k/2}}+\frac{C_{k,x_2}}{{\left(m_{x_2,2}\right)}^{k/2}}\&CenterDot;\frac{{\left(m_{x_2,2}\right)}^{k/2}}{{\left(m_{r,2}\right)}^{k/2}}+\mathrm{...}\frac{C_{k,x_n}}{{\left(m_{x_n,2}\right)}^{k/2}}\&CenterDot;\frac{{\left(m_{x_n,2}\right)}^{k/2}}{{\left(m_{r,2}\right)}^{k/2}}+\frac{C_{k,v}}{{\left(m_{v,2}\right)}^{k/2}}\&CenterDot;\frac{{\left(m_{v,2}\right)}^{k/2}}{{\left(m_{r,2}\right)}^{k/2}}$

其中和表示各分量信号功率与总功率的比值和噪声功率与总功率的比值，分别表示为和λ_v。由于高斯白噪声的高阶累积量为0，所以上式可以表示为：

$\frac{C_{k,r}}{{\left(m_{r,2}\right)}^{k/2}}=\frac{C_{k,x_1}}{{\left(m_{x_1,2}\right)}^{k/2}}\&CenterDot;{{\mathrm{\&lambda;}}_{x_1}}^{k/2}+\frac{C_{k,x_2}}{{\left(m_{x_2,2}\right)}^{k/2}}\&CenterDot;{{\mathrm{\&lambda;}}_{x_2}}^{k/2}+...\frac{C_{k,x_n}}{{\left(m_{x_n,2}\right)}^{k/2}}\&CenterDot;{{\mathrm{\&lambda;}}_{x_n}}^{k/2};$

由此，构建归一化高阶累积量方程组：

$\left\{\begin{array}{c}\frac{C_{4,r}}{{\left(m_{r,2}\right)}^2}=\frac{C_{4,x_1}}{{\left(m_{x_1,2}\right)}^2}\&CenterDot;{{\mathrm{\&lambda;}}_{x_1}}^2+\frac{C_{4,x_2}}{{\left(m_{x_2,2}\right)}^{k/2}}\&CenterDot;{{\mathrm{\&lambda;}}_{x_2}}^2+\mathrm{...}\frac{C_{4,x_N}}{{\left(m_{x_N,2}\right)}^{k,2}}\&CenterDot;{{\mathrm{\&lambda;}}_{x_N}}^2\\ \frac{C_{6,r}}{{\left(m_{r,2}\right)}^3}=\frac{C_{6,x_1}}{{\left(m_{x_1,2}\right)}^3}\&CenterDot;{{\mathrm{\&lambda;}}_{x_1}}^3+\frac{C_{6,x_2}}{{\left(m_{x_2,2}\right)}^3}\&CenterDot;{{\mathrm{\&lambda;}}_{x_2}}^3+\mathrm{...}\frac{C_{6,x_N}}{{\left(m_{x_N,2}\right)}^3}\&CenterDot;{{\mathrm{\&lambda;}}_{x_N}}^3\\ \frac{C_{8,r}}{{\left(m_{r,2}\right)}^4}=\frac{C_{8,x_1}}{{\left(m_{x_1,2}\right)}^4}\&CenterDot;{{\mathrm{\&lambda;}}_{x_1}}^4+\frac{C_{8,x_2}}{{\left(m_{x_2,2}\right)}^4}\&CenterDot;{{\mathrm{\&lambda;}}_{x_2}}^4+\mathrm{...}\frac{C_{8,x_N}}{{\left(m_{x_N,2}\right)}^4}\&CenterDot;{{\mathrm{\&lambda;}}_{x_N}}^4\\ \mathrm{...}\end{array}\right.$

进一步，分量信号的功率求解以及调制类型组合判断的方法包括：不同的调制类型组合通过方程组中前N个方程，可以得到的不同的分量信号功率向量通过比较这些功率向量到第N+1曲线或曲面的欧式距离，得到正确的调制类型组合与个分量信号功率。

本发明所提供的认知无线电中时频重叠信号的信噪比估计方法，在高频谱重叠率的条件下，在0dB时，信噪比的估计归一化均方误差均小于0.2，可见该发明对underlay认知无线电中时频重叠信号的信噪比具有良好的估计性能；利用该发明技术可以便于测量出干扰温度，并且在干扰温度以下使主用户和次用户共存，从而提高频谱利用率。

附图说明

图1是本发明实施例提供的认知无线电中时频重叠信号的信噪比估计方法流程图。

图2是本发明实施例提供的本发明对不同调制类型组合的时频重叠信号在不同信噪比下的估计归一化均方根误差。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明为在underlay认知无线电中，一种具有低信噪比和高频谱重叠率的时频重叠信号信噪比估计方法，所述方法包括以下步骤：

S1测量信号由N个分量信号以及高斯白噪声混合而成，求测量信号的归一化四阶累积量归一六阶累积量归一八阶累积量等N+1个归一化高阶累积量；

S2构建归一化高阶累积量方程组；

需要说明的是，步骤S2中时频重叠信号的归一化高阶累积量方程组构建原理为：

接收信号的信号模型表示为：

r(t)＝x₁(t)+x₂(t)+…+x_n(t)+v(t)

$x_i=\underset{k}{\&Sigma;}{A}_{ki}cos(2{\mathrm{\&pi;f}}_{c}t+{\mathrm{\&theta;}}_{ki})\&CenterDot;g(t-{\mathrm{kT}}_{si})$

其中，x_i(t)为时频重叠信号的各个信号分量，各分量信号独立不相关，n为时频重叠信号分量的个数，θ_ki表示对各个信号分量载波相位的调制，f_ci为载波频率，A_ki为第i个信号在k时刻的幅度，T_si为码元长度，p_i(t)为滚降系数为α的升余弦成形滤波函数，且n(t)是均值为0，方差为σ²的平稳高斯白噪声。

混合信号的高阶累积量公式如下：

$C_{k,r}=C_{{k,x}_1}+C_{{k,x}_2}+...C_{{k,x}_n}+C_{k,v}$

两边同时除以混合信号的二阶矩k/2次方。

$\frac{C_{k,r}}{{\left(m_{r,2}\right)}^{k/2}}=\frac{C_{k,x_1}}{{\left(m_{r,2}\right)}^{k/2}}+\frac{C_{k,x_2}}{{\left(m_{r,2}\right)}^{k/2}}+\mathrm{...}\frac{C_{k,x_n}}{{\left(m_{r,2}\right)}^{k/2}}+\frac{C_{k,v}}{{\left(m_{r,2}\right)}^{k/2}}$

进一步变形为：

$\frac{C_{k,r}}{{\left(m_{r,2}\right)}^{k/2}}=\frac{C_{k,x_1}}{{\left(m_{x_1,2}\right)}^{k/2}}\&CenterDot;\frac{{\left(m_{x_1,2}\right)}^{k/2}}{{\left(m_{r,2}\right)}^{k/2}}+\frac{C_{k,x_2}}{{\left(m_{x_2,2}\right)}^{k/2}}\&CenterDot;\frac{{\left(m_{x_2,2}\right)}^{k/2}}{{\left(m_{r,2}\right)}^{k/2}}+\mathrm{...}\frac{C_{k,x_n}}{{\left(m_{x_n,2}\right)}^{k/2}}\&CenterDot;\frac{{\left(m_{x_n,2}\right)}^{k/2}}{{\left(m_{r,2}\right)}^{k/2}}+\frac{C_{k,v}}{{\left(m_{v,2}\right)}^{k/2}}\&CenterDot;\frac{{\left(m_{v,2}\right)}^{k/2}}{{\left(m_{r,2}\right)}^{k/2}}$

其中和表示各分量信号功率与总功率的比值和噪声功率与总功率的比值，分别表示为和λ_v。由于高斯白噪声的高阶累积量为0，所以上式可以表示为：

$\frac{C_{k,r}}{{\left(m_{r,2}\right)}^{k/2}}=\frac{C_{k,x_1}}{{\left(m_{x_1,2}\right)}^{k/2}}\&CenterDot;{{\mathrm{\&lambda;}}_{x_1}}^{k/2}+\frac{C_{k,x_2}}{{\left(m_{x_2,2}\right)}^{k/2}}\&CenterDot;{{\mathrm{\&lambda;}}_{x_2}}^{k/2}+...\frac{C_{k,x_n}}{{\left(m_{x_n,2}\right)}^{k/2}}\&CenterDot;{{\mathrm{\&lambda;}}_{x_n}}^{k/2}$

由此，可以构建归一化高阶累积量方程组。

$\left\{\begin{array}{c}\frac{C_{4,r}}{{\left(m_{r,2}\right)}^2}=\frac{C_{4,x_1}}{{\left(m_{x_1,2}\right)}^2}\&CenterDot;{{\mathrm{\&lambda;}}_{x_1}}^2+\frac{C_{4,x_2}}{{\left(m_{x_2,2}\right)}^{k/2}}\&CenterDot;{{\mathrm{\&lambda;}}_{x_2}}^2+\mathrm{...}\frac{C_{4,x_N}}{{\left(m_{x_N,2}\right)}^{k,2}}\&CenterDot;{{\mathrm{\&lambda;}}_{x_N}}^2\\ \frac{C_{6,r}}{{\left(m_{r,2}\right)}^3}=\frac{C_{6,x_1}}{{\left(m_{x_1,2}\right)}^3}\&CenterDot;{{\mathrm{\&lambda;}}_{x_1}}^3+\frac{C_{6,x_2}}{{\left(m_{x_2,2}\right)}^3}\&CenterDot;{{\mathrm{\&lambda;}}_{x_2}}^3+\mathrm{...}\frac{C_{6,x_N}}{{\left(m_{x_N,2}\right)}^3}\&CenterDot;{{\mathrm{\&lambda;}}_{x_N}}^3\\ \frac{C_{8,r}}{{\left(m_{r,2}\right)}^4}=\frac{C_{8,x_1}}{{\left(m_{x_1,2}\right)}^4}\&CenterDot;{{\mathrm{\&lambda;}}_{x_1}}^4+\frac{C_{8,x_2}}{{\left(m_{x_2,2}\right)}^4}\&CenterDot;{{\mathrm{\&lambda;}}_{x_2}}^4+\mathrm{...}\frac{C_{8,x_N}}{{\left(m_{x_N,2}\right)}^4}\&CenterDot;{{\mathrm{\&lambda;}}_{x_N}}^4\\ \mathrm{...}\end{array}\right.$

S3遍历出N个信号的调制类型组合，查表得到各个调制类型信号的归一化高阶累积量，代入方程组中的前N个方程，计算求得各分量信号所占总信号的功率比将结果代入第N+1个方程，筛选出正确的调制类型组合；

需要说明的是，步骤S3中分量信号的功率求解以及调制类型组合判断的原理为：

信号的归一化高阶累积量只与调制类型和滚降系数有关，遍历所有的分量信号组合时，只需要通过查表就可以找到对应的归一化高阶累积量的值，带入方程组求解。

由于接受信号的归一化高阶累积量与理论值往往有些许误差，直接求解方程组会得到复数解或者空解，而实际信号功率为正数，且分量信号的功率和小于等于混合信号功率，因此可以看做在条件下，使点到前N个方程曲线(曲面)为最短欧式距离的最优解；比较所有调制类型组合所得到的分量信号功率向量到第N+1曲线(曲面)的欧式距离，得到正确的调制类型组合与个分量信号功率。

S4得出正确的调制类型以及各分量信号所占总信号的功率比根据信噪比估计公式估计信噪比。

下面结合仿真实验对本发明的应用效果作详细的描述。

为了评估方法的性能，下面的仿真实验采用信号的类型为BPSK信号和QPSK信号的混合信号，并进行2000次Monte Carlo实验。检测的评估标准为归一化均方误差

为了测试本方法的检验统计量的性能，参数设置如下：对MPSK信号的任意两两组合的重叠情况进行仿真测试，混合信噪比的变化范围是-2dB至10dB，间隔为1dB。任意两个信号的参数设置如下：载波频率为f_c1＝300Hz与f_c2＝260Hz，码元速率为f_b1＝50Baud与f_b1＝50Baud，采样频率f_s＝800Hz，数据长度为30000点。如图2所示，对于任意两个信号重叠的情况，当混合信噪大于0dB时，信号的信噪比估计性能较好。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种认知无线电中时频重叠信号的信噪比估计方法，其特征在于，所述认知无线电中时频重叠信号的信噪比估计方法根据接收信号归一化高阶累积量，构建归一化高阶累积量方程组；遍历所有的分量信号调制类型组合，通过归一化高阶累积量方程组，计算出各分量信号的功率，并判断调制类型组合是否正确；得到正确的分量信号调制类型组合与功率，计算出时频重叠信号的噪声功率，从而估计出underlay认知无线电中时频重叠信号的信噪比。

2.如权利要求1所述的认知无线电中时频重叠信号的信噪比估计方法，其特征在于，所述认知无线电中时频重叠信号的信噪比估计方法包括以下步骤：

步骤一测量信号由N个分量信号以及高斯白噪声混合而成，求测量信号的归一化四阶累积量归一六阶累积量归一八阶累积量等N+1个归一化高阶累积量；

步骤二，构建归一化高阶累积量方程组；

步骤三，遍历出N个信号的调制类型组合，查表得到各个调制类型信号的归一化高阶累积量，代入方程组中的前N个方程，计算求得各分量信号所占总信号的功率比将结果代入第N+1个方程，筛选出正确的调制类型组合；

步骤四，得出正确的调制类型以及各分量信号所占总信号的功率比 根据信噪比估计公式估计信噪比。

3.如权利要求2所述的认知无线电中时频重叠信号的信噪比估计方法，其特征在于，时频重叠信号的归一化高阶累积量方程组构建方法包括：

接收信号的信号模型表示为：

r(t)＝x₁(t)+x₂(t)+…+x_n(t)+v(t)

$x_i=\underset{k}{\mathrm{\&Sigma;}}{A}_{ki}cos(2{\mathrm{\&pi;f}}_{c}t+{\mathrm{\&theta;}}_{ki})\&CenterDot;g(t-{\mathrm{kT}}_{si})$

其中，x_i(t)为时频重叠信号的各个信号分量，各分量信号独立不相关，n为时频重叠信号分量的个数，θ_ki表示对各个信号分量载波相位的调制，f_ci为载波频率，A_ki为第i个信号在k时刻的幅度，T_si为码元长度，p_i(t)为滚降系数为α的升余弦成形滤波函数，且n(t)是均值为0，方差为σ²的平稳高斯白噪声；

混合信号的高阶累积量公式如下：

$C_{k,r}=C_{k,x_1}+C_{k,x_2}+...C_{k,x_n}+C_{k,v};$

两边同时除以混合信号的二阶矩k/2次方：

$\frac{C_{k,r}}{{\left(m_{r,2}\right)}^{k/2}}=\frac{C_{k,x_1}}{{\left(m_{r,2}\right)}^{k/2}}+\frac{C_{k,x_2}}{{\left(m_{r,2}\right)}^{k/2}}+...\frac{C_{k,x_n}}{{\left(m_{r,2}\right)}^{k/2}}+\frac{C_{k,v}}{{\left(m_{r,2}\right)}^{k/2}};$

进一步变形为：

$\frac{C_{k,r}}{{\left(m_{r,2}\right)}^{k/2}}=\frac{C_{k,x_1}}{{\left(m_{x_1,2}\right)}^{k/2}}\&CenterDot;\frac{{\left(m_{x_1,2}\right)}^{k/2}}{{\left(m_{r,2}\right)}^{k/2}}+\frac{C_{k,x_2}}{{\left(m_{x_2,2}\right)}^{k/2}}\&CenterDot;\frac{{\left(m_{x_2,2}\right)}^{k/2}}{{\left(m_{r,2}\right)}^{k/2}}+...\frac{C_{k,x_n}}{{\left(m_{x_n,2}\right)}^{k/2}}\&CenterDot;\frac{{\left(m_{x_n,2}\right)}^{k/2}}{{\left(m_{r,2}\right)}^{k/2}}+\frac{C_{k,v}}{{\left(m_{v,2}\right)}^{k/2}}\&CenterDot;\frac{{\left(m_{v,2}\right)}^{k/2}}{{\left(m_{r,2}\right)}^{k/2}}$

其中和表示各分量信号功率与总功率的比值和噪声功率与总功率的比值，分别表示为和λ_v；高斯白噪声的高阶累积量为0，上式表示为：

$\frac{C_{k,r}}{{\left(m_{r,2}\right)}^{k/2}}=\frac{C_{k,x_1}}{{\left(m_{x_1,2}\right)}^{k/2}}\&CenterDot;{{\mathrm{\&lambda;}}_{x_1}}^{k/2}+\frac{C_{k,x_2}}{{\left(m_{x_2,2}\right)}^{k/2}}\&CenterDot;{{\mathrm{\&lambda;}}_{x_2}}^{k/2}+...\frac{C_{k,x_n}}{{\left(m_{x_n,2}\right)}^{k/2}}\&CenterDot;{{\mathrm{\&lambda;}}_{x_n}}^{k/2};$

由此，构建归一化高阶累积量方程组：

$\left\{\begin{array}{c}\frac{C_{4,r}}{{\left(m_{r,2}\right)}^2}=\frac{C_{4,x_1}}{{\left(m_{x_1,2}\right)}^2}\&CenterDot;{{\mathrm{\&lambda;}}_{x_1}}^2+\frac{C_{4,x_2}}{{\left(m_{x_2,2}\right)}^{k/2}}\&CenterDot;{{\mathrm{\&lambda;}}_{x_2}}^2+...\frac{C_{4,x_N}}{{\left(m_{x_N,2}\right)}^{k/2}}\&CenterDot;{{\mathrm{\&lambda;}}_{x_N}}^2\\ \frac{C_{6,r}}{{\left(m_{r,2}\right)}^3}=\frac{C_{6,x_1}}{{\left(m_{x_1,2}\right)}^3}\&CenterDot;{{\mathrm{\&lambda;}}_{x_1}}^3+\frac{C_{6,x_2}}{{\left(m_{x_2,2}\right)}^3}\&CenterDot;{{\mathrm{\&lambda;}}_{x_2}}^3+...\frac{C_{6,x_N}}{{\left(m_{x_N,2}\right)}^3}\&CenterDot;{{\mathrm{\&lambda;}}_{x_N}}^3\\ \frac{C_{8,r}}{{\left(m_{r,2}\right)}^4}=\frac{C_{8,x_1}}{{\left(m_{x_1,2}\right)}^4}\&CenterDot;{{\mathrm{\&lambda;}}_{x_1}}^4+\frac{C_{8,x_2}}{{\left(m_{x_2,2}\right)}^4}\&CenterDot;{{\mathrm{\&lambda;}}_{x_2}}^4+...\frac{C_{8,x_N}}{{\left(m_{x_N,2}\right)}^4}\&CenterDot;{{\mathrm{\&lambda;}}_{x_N}}^4\\ ...\end{array}\right..$

4.如权利要求2所述的认知无线电中时频重叠信号的信噪比估计方法，其特征在于，分量信号的功率求解以及调制类型组合判断的方法包括：不同的调制类型组合通过方程组中前N个方程，得到的不同的分量信号功率向量通过比较功率向量到第N+1曲线或曲面的欧式距离，得到正确的调制类型组合与个分量信号功率。