CN106506060A - 基于改进独立成分分析的星载ais冲突信号分离方法 - Google Patents

Abstract

本发明公开了一种基于改进独立成分分析的星载AIS冲突信号分离方法，包括：通过模数转换器采样形成N通道接收数据；对接收的N路观测信号进行中心化处理与白化处理；对观测信号预处理后的矩阵利用基于布谷鸟算法和牛顿迭代算法的改进ICA方法得到N路分离信号；对得到的N路分离信号分别进行数字下变频、匹配滤波和白化滤波；对白化滤波后的N路分离信号分别利用维特比算法进行译码，得到N个AIS数据帧。本发明不需要进行频偏、相移、幅度估计，简化了星载AIS接收机结构，减轻了星上载荷。

Description

基于改进独立成分分析的星载AIS冲突信号分离方法

技术领域

本发明属于无线通信中船舶自动识别系统技术领域，具体涉及一种基于改进独立成分分析的星载AIS冲突信号分离方法。

背景技术

1990年代初期，国际灯塔导航机构协会海上设备联合会首先提出了开发通用的船舶识别系统的提案。之后，国际海事组织、国际电信联盟和国际电工委员会都给予了极大的关注和支持，并最终开发了一种新的导航系统，即船舶自动识别系统(AIS)。AIS的主要目的是便于在船舶之间、船岸之间有效地交换导航数据，以提高海上航行的安全和海上事件监控的实时性。AIS设备通过采用自组织时分多址(SOTDMA)技术进行广播式自动报告。报告内容包含本船的动态信息、静态信息、航次信息和安全短消息等信息，同时也能接收其他船台或基站发送的消息。

由于AIS系统都受到通信距离的约束，只能对近岸的船舶实施监管，无法实现对远海域船舶的探测、识别以及追踪，因此星载AIS系统被正式提出，星载AIS为大范围内对海域船舶进行全程实时监管提供了可能。但是因为星载AIS覆盖多个独立AIS子网络，卫星很有可能会接收到来自多个AIS子网络的相互冲突的AIS信号。AIS多重冲突信号的分离与译码是星载AIS接收中的亟待解决的难点。

发明专利201310492497.9公开了一种解决AIS信号时隙冲突的信号处理方法，针对发生时隙冲突的AIS信号数与接收天线数相同的背景，通过对多天线接收的信号做相位处理而进行分离，只恢复需要分离的AIS信号，对于其他路AIS信号未能有效分离。发明专利201410502475.0公开了一种星载AIS基于接收盲波束成形的同信道干扰抑制方法，利用AIS信号的恒模特性通过恒模算法对用户信号实现盲波束成形，分离期望信号和干扰信号之后，对期望信号进行检测，然而这种技术在冲突信号波达方向角相差较小时很难进行分离，并且也是只分离了多路信号中的一路。发明专利201410228651.6公开了一种可用于星载AIS系统的冲突信号处理方法，利用帧结构中的已知信息做同步与信道估计，之后检测出一路信号，重构之后将其减去，对剩余信号重复此过程而完成信号分离，这种方法具有设备复杂与时效性较差的缺点。发明专利201410608054.6公开了一种基于参数估计下的星载AIS信号串行分离方法，主要针对混合的星载AIS基带信号，对其时延、频偏、相位等参数进行估计，利用这些信息以及非相干检测出的码元进行信号重构，实现一路信号的分离后再对剩下的信号重复此过程实现串行分离，并主要分析了主信号的分离效果，这种方法同样使得设备复杂，分离时效性较差。

发明内容

本发明的目的在于提供一种基于改进独立成分分析的星载AIS冲突信号分离方法。

实现本发明目的的技术方案为：一种基于改进独立成分分析的星载AIS冲突信号分离方法，包括以下步骤：

步骤1、通过N根相互独立天线的天线阵接收冲突信号，通过模数转换器采样形成N通道接收数据，每路数据采样T点，形成N×T的观测信号矩阵X，N等于源信号S的数目；

步骤2、对接收的N路观测信号进行中心化处理与白化处理；中心化处理通过观测信号减去观测信号样本均值得到中心化后的信号X′，白化处理通过对X′进行线性转换，得到白化后信号Y，即Y＝V×X′，其中V＝D^-1/2E^T，V为白化矩阵，D为以X′的协方差矩阵的特征值为对角元素的对角矩阵，E为以X′的协方差矩阵的特征向量构成的正交矩阵；

步骤3、对观测信号预处理后的Y矩阵利用基于布谷鸟算法和牛顿迭代算法的改进ICA方法得到最优的分离矩阵W，通过分离矩阵W、白化矩阵V、未中心化的观测信号X相乘得到N路分离信号S′；

步骤4、对得到的N路分离信号分别进行数字下变频、匹配滤波和白化滤波；

步骤5、对白化滤波后的N路分离信号分别利用维特比算法进行译码，得到N个AIS数据帧。

本发明与现有技术相比，具有以下显著优点：(1)本发明通过独立成分分析(ICA)算法的使用，不需要进行频偏、相移、幅度估计，省去了这些参数估计与本地信号再调制设备，简化了星载AIS接收机结构，减轻了星上载荷；(2)本发明可以单次并行得到N路源信号的恢复信号，比单次分离一路信号的串行分离方法更有效率；(3)本发明通过布谷鸟智能优化算法优良的快速全局寻优性能和牛顿迭代算法的精确的局部寻优性能的结合，充分利用了两种算法的优点规避二者的缺点，能稳定高效的进行冲突信号的分离，降低了环境影响与算法自身的随机初值影响；(4)本发明通过布谷鸟智能优化算法中依据不同小区AIS信号冲突概率大小可调的寻优容忍度的变化，可以提高分离矩阵的估计精度，改善信号分离效果，提升检测的误比特性能。

附图说明

图1是本发明实施例的AIS冲突信号收发系统模型示意图。

图2是运用改进的ICA算法分离冲突信号的流程图。

图3是本发明实施例中N＝2路时某路源信号及与之对应的分离信号的局部放大图。

图4是本发明实施例中N＝2路时的船舶发现概率曲线图。

具体实施方式

本发明的一种基于改进独立成分分析的星载AIS冲突信号分离方法，包括以下步骤：

步骤1、通过N根相互独立天线的天线阵接收冲突信号，通过模数转换器采样形成N通道接收数据，每路数据采样T点，形成N×T的观测信号矩阵X，N等于源信号S的数目；

步骤2、对接收的N路观测信号进行中心化处理与白化处理；中心化处理通过观测信号减去观测信号样本均值得到中心化后的信号X′，白化处理通过对X′进行线性转换，得到白化后信号Y，即Y＝V×X′，其中V＝D^-1/2E^T，V为白化矩阵，D为以X′的协方差矩阵的特征值为对角元素的对角矩阵，E为以X′的协方差矩阵的特征向量构成的正交矩阵；

步骤3、对观测信号预处理后的Y矩阵利用基于布谷鸟算法和牛顿迭代算法的改进ICA方法得到最优的分离矩阵W，通过分离矩阵W、白化矩阵V、未中心化的观测信号X相乘即得到N路分离信号S′；

步骤4、对得到的N路分离信号分别进行数字下变频、匹配滤波和白化滤波；

步骤5、对白化滤波后的N路分离信号分别利用维特比算法进行译码，得到N个AIS数据帧。

进一步的，步骤3具体为：

步骤3-1，改进ICA算法使用负熵作为目标函数，目标函数建立如下：

J_G(W)＝[E{G(u)}-E{G(v)}]²

其中，G{·}的表达形式为u＝W^TX(t)，W为分离矩阵，v为常量，E{·}为取期望运算；

步骤3-2，采用布谷鸟算法对目标函数全局初步寻优，初始化m个N维鸟巢的位置，即随机产生m个初始分离向量w_ij,j＝1,2,…,m，w_ij为分离矩阵W的元素，取J(w_ij)＝E{G(w_ij ^TX(t))}作为鸟巢的适应度函数；

步骤3-3，计算每个鸟巢的适应度函数值，找到所对应适应度最大的位置，称为当前最优解；

步骤3-4，保留上次迭代所产生的最优位置，对其余m-1个位置按照进行位置更新，其中，t代表迭代次数，α₀为步长因子，本实施方式中取α₀＝1，为乘法因子，与粒子群算法中算子相似，Lévy(λ)表示莱维随机搜索路径，服从莱维概率分布，即：

Lévy(λ)～μ＝t^-λ,1≤λ≤3

最优位置的初值为初始化时的最优解；

步骤3-5，对新产生的m-1个位置，分别计算它们的适应度，并与上次迭代过程中所产生的最优解进行比较；如果前者大于后者，则用前者替换后者，成为新的最优解；

步骤3-6，用一个随机数R作为本鸟巢主人发现外来鸟蛋的可能性，并将R与发现概率p_a比较，本实施方式中p_a取0.25，保留R≤p_a的鸟巢位置，同时随机改变被发现概率较大即R＞p_a的鸟巢位置，从而得到一组新的鸟巢位置；

步骤3-7，判断是否满足“相邻两次的适应度最优解的差值连续多次小于一个极小值，即目标函数值达到近似全局最大”的终止条件，若不满足转步骤3-3；否则进行步骤3-8；极小值依目标函数不同而不同，本实施方式中取0.65；

步骤3-8，将输出最优解作为分离矩阵的一个行向量；

步骤3-9，重复步骤3-2到步骤3-8共N次，得到初步优化的N×N的分离矩阵W₁，W₁表示分离矩阵W的初步优化值；

步骤3-10，采用牛顿迭代算法进行局部精确寻优，将上一步的初步优化分离矩阵W₁带入W，作为W的初始化值；

步骤3-11，利用下式迭代更新分离向量，从而更新分离矩阵，并进行标准化：

其中，g(·)为G(·)的导数，g′(·)为g(·)的导数，X(t)为前述观测矩阵，表示对分离向量进行转置操作，为取向量的模，为分离向量标准化后的结果；

步骤3-12，若分离矩阵未收敛，返回步骤3-11；否则转步骤3-13；

步骤3-13，将分离矩阵与未中心化的白化观测信号相乘，得出最优分离信号。

下面结合附图和具体实施例对本发明作进一步说明。

实施例

图1是本实施例的AIS冲突信号收发系统模型，每艘船舶都有一个天线用来发射形成一路GMSK调制形式的AIS信号，不同AIS小区的N艘船舶若在同一时刻发送N路源信号S(t)，便极有可能在星载AIS接收机端形成冲突信号，星载AIS接收机通过N路天线进行接收，由于各个源信号的线型混合，构成了盲源信号分离模型，建模如下：

X(t)＝AS(t)+n(t),t＝1,2,…,T

T为天线接收到的冲突信号通过模数转换器ADC得到的观测信号的采样总点数，t为离散时间，X(t)为已知的M维观测信号，A是N×N的未知常数构成的混合矩阵，S(t)是未知的N维源信号，n(t)是加性噪声。

经过采样得到的数字信号要经过中心化与白化的预处理，因为改进的ICA算法要求信号满足零均值与单位方差以简化计算，中心化通过观测信号减去样本均值实现，中心化可使观测信号满足零均值条件。白化通过对中心化后的信号进行线性转换实现，白化过程不仅能使观测信号满足单位方差，还使得白化后的信号为非相关的。

预处理之后的信号应用改进的ICA算法进行盲源信号分离。用布谷鸟算法对目标函数进行初步寻优，布谷鸟算法具有出色的全局寻优能力，应用其求得分离矩阵，因布谷鸟算法存在收敛精度不够高的缺点，故后续需要用收敛精度高的牛顿迭代算法继续对目标函数寻优，得到精确的分离矩阵，由于布谷鸟算法的初步寻优避免了牛顿迭代算法的初始值毫无标准的任意性，牛顿迭代算法又弥补了布谷鸟算法后期收敛精度不高的不足，因此改进的ICA算法能得到分离效果更好的分离信号。对分离后的各路信号进行数字下变频、匹配滤波、白化滤波，再通过维特比译码即完成了整个星载AIS接收机的解调解码过程。图2为运用改进的ICA算法分离冲突信号的流程图。

图3是仿真条件为N＝2，源信号到达星载AIS接收机天线时幅值比为1：0.7，信噪比为20dB时，2路信号同时到达星载AIS接收机发生碰撞后，利用改进的ICA算法分离信号得到的对幅值最大的分离信号与相对应的源信号的局部对比图，两者波形除幅度外基本一致，失真较小，能够通过分离波形得到较好的误帧率性能，因此AIS冲突信号经过基于改进独立成分分析的冲突信号分离方法对2路信号实现了比较好的分离，尤其对大幅值信号基本实现了比较好的恢复。

图4是N＝2，设定到达星载AIS接收机天线的2路信号同时到达，发生碰撞的情况，分别利用FastICA与改进的ICA算法分离信号并利用维特比译码后根据主信号的误帧率情况绘制的误帧率曲线，主信号与干扰信号的幅度比为1:0.7，横坐标为归一化信噪比。由图可知，在大量统计实验中改进的ICA算法比FastICA算法分离性能更好，尤其当信噪比较大时可以得到较好的误帧性能。

由上可知基于改进独立成分分析的星载AIS冲突信号分离方法对于AIS冲突信号可以达到比较好的分离效果，误帧性能良好。

Claims (2)

1.一种基于改进独立成分分析的星载AIS冲突信号分离方法，其特征在于，包括以下步骤：

步骤1，通过N根相互独立天线的天线阵接收冲突信号，通过模数转换器采样形成N通道接收数据，每路数据采样T点，形成N×T的观测信号矩阵X，N等于源信号S的数目；

步骤2，对接收的N路观测信号进行中心化处理和白化处理；中心化处理通过观测信号减去观测信号样本均值得到中心化后的信号X′，白化处理通过对X′进行线性转换，得到白化后信号Y，即Y＝V×X′，其中V＝D^-1/2E^T，V为白化矩阵，D为以X′的协方差矩阵的特征值为对角元素的对角矩阵，E为以X′的协方差矩阵的特征向量构成的正交矩阵；

步骤3，对观测信号预处理后的Y矩阵利用基于布谷鸟算法和牛顿迭代算法的改进ICA方法得到最优的分离矩阵W，通过分离矩阵W、白化矩阵V、未中心化的观测信号X相乘得到N路分离信号S′；

步骤4，对得到的N路分离信号分别进行数字下变频、匹配滤波和白化滤波；

步骤5，对白化滤波后的N路分离信号分别利用维特比算法进行译码，得到N个AIS数据帧。

2.根据权利要求1所述的基于改进独立成分分析的星载AIS冲突信号分离方法，其特征在于，步骤3具体为：

步骤3-1，改进ICA算法使用负熵作为目标函数，目标函数建立如下：

J_G(W)＝[E{G(u)}-E{G(v)}]²

其中，G{·}的表达形式为u＝W^TX(t)，W为分离矩阵，v为常量，E{·}为取期望运算；

步骤3-2，采用布谷鸟算法对目标函数全局初步寻优，初始化m个N维鸟巢的位置，即随机产生m个初始分离向量w_ij,j＝1,2,…,m，w_ij为分离矩阵W的元素，取J(w_ij)＝E{G(w_ij ^TX(t))}作为鸟巢的适应度函数；

步骤3-3，计算每个鸟巢的适应度函数值，找到所对应适应度最大的位置，称为当前最优解；

步骤3-4，保留上次迭代所产生的最优位置，对其余m-1个位置按照进行位置更新，其中，t代表迭代次数，α₀为步长因子，为乘法因子，Lévy(λ)表示莱维随机搜索路径，服从莱维概率分布，即：

Lévy(λ)～μ＝t^-λ,1≤λ≤3，最优位置的初值为初始化时的最优解；

步骤3-5，对新产生的m-1个位置，分别计算它们的适应度，并与上次迭代过程中所产生的最优解进行比较；如果前者大于后者，则用前者替换后者，成为新的最优解；

步骤3-6，用一个随机数R作为本鸟巢主人发现外来鸟蛋的可能性，并将R与发现概率p_a比较，保留R≤p_a的鸟巢位置，同时随机改变R＞p_a的鸟巢位置，从而得到一组新的鸟巢位置；

步骤3-7，判断是否满足“相邻两次的适应度最优解的差值连续多次小于一个极小值”的终止条件，若不满足转步骤3-3；否则进行步骤3-8；

步骤3-8，将输出最优解作为分离矩阵的一个行向量；

步骤3-9，重复步骤3-2到步骤3-8共N次，得到初步优化的N×N的分离矩阵W₁，W₁表示分离矩阵W的初步优化值；

步骤3-10，采用牛顿迭代算法进行局部精确寻优，将上一步的初步优化分离矩阵W₁带入W，作为W的初始化值；

步骤3-11，利用下式迭代更新分离向量，从而更新分离矩阵，并进行标准化：

$w_{ij}^{t+1}=E\left\{X\left(t\right)g\left({w_{ij}^t}^{T}X\right(t\left)\right)\right\}-E\left\{g^{\′}\left({w_{ij}^t}^{T}X\right(t\left)\right)\right\}{w}_{ij}^t$

$w_{ij}^{t+1}*=w_{ij}^{t+1}/\left|\right|w_{ij}^{t+1}\left|\right|$

其中，g(·)为G(·)的导数，g′(·)为g(·)的导数，X(t)为前述观测矩阵，表示对分离向量进行转置操作，为取向量的模，为分离向量标准化后的结果；

步骤3-12，若分离矩阵未收敛，返回步骤3-11；否则转步骤3-13；

步骤3-13，将分离矩阵与未中心化的白化观测信号相乘，得出最优分离信号。