CN106533577A - 一种基于能量检测的非高斯噪声抑制方法 - Google Patents

Abstract

本发明公开了一种基于能量检测的非高斯噪声抑制方法，包括如下步骤：(1)建立非高斯噪声模型库；(2)利用USRP接收信号数据，基于能量检测方法，对USRP接收的信号数据的幅度特性进行分析，统计出模型库中各模型的参数特性，从而得到各模型分布的概率密度曲线；(3)再将得到的模型的概率密度曲线与噪声模型库中的图形进行对比，选择相差最小、匹配效果最佳的噪声模型，作为背景噪声；(4)最后将含有主用户信号的数据与背景噪声信号数据作对消处理，即同频率的两个信号幅值相减，从而降低噪声信号的幅值，提高信噪比。本发明可以有效提高频谱感知性能，在军事通信、信息处理等领域具有应用价值。

Description

一种基于能量检测的非高斯噪声抑制方法

技术领域

本发明涉及噪声抑制技术领域，尤其是一种基于能量检测的非高斯噪声抑制方法。

背景技术

通信系统中的噪声抑制技术广为人知。噪声抑制系统的目的是减少在语音编码中的背景噪声量，从而提高用户编码语音信号的总体性能。

由于频谱资源的短缺，能够更加高效的使用频谱资源，成为通信领域研究的又一个重点问题，而提高频谱资源利用率的关键技术之一是认知无线电技术，通过有效的频谱感知实现频谱资源的动态共享和合理有效的利用。

频谱感知技术是实现频谱动态共享的基础，目前关于频谱感知算法的研究已经相当广泛与成熟，能量检测、匹滤波器检测、循环平稳特征检测是公认的三种经典方法。

能量检测(energy detection,ED)根据两种假设下接收信号能量的大小实现信号检测，是一种对未知参数的确定性信号存在性检测的有效方法。它把一段时间内信号的平均功率作为检测统计量，将检测统计量与预设的判决门限进行比较。能量检测法检测算法过程：将信号通过模数转换器、快速傅里叶变换、平方器、N个抽样求和再平均后，得到了检测统计量Y。将感兴趣频段上的检测统计量与判决门限进行比较，如果超过门限则判定该频段内存在主用户信号，次用户不适合在该频段上工作；反之，则该频段只存在噪声，次用户可以工作在该频段。但其在低信噪比的情况下检测性能不佳，不能对信号、干扰和噪声加以区分，严重时出现检测失效。

匹配滤波器在数字通信信号和雷达信号的检测中经常用它对信号进行相干检测，其输出信号是输入信号的自相关函数，可实现输出信噪比最大。当主用户信号的调制类型、帧格式、脉冲整形、载波等先验信息已知时，匹配滤波器算法是实现频谱感知的较优算法。但其严重依赖主用户的先验信息，一旦与匹配滤波器失配，检测性能将大大降低，甚至导致误判。并且，当存在多个主用户时，该方法需要设计多个与之对应的匹配滤波器，实现成本增加。

循环平稳特征检测是因为调制信号一般是经过载波，脉冲序列，重复扩频，调频或者循环前缀等处理，其均值和自相关函数都具备了内在的周期性，许多通信信号具备循环平稳特性，而噪声却没有这个特性。主用户信号具有循环平稳性，它们的循环谱在非零循环频率处有较大的非零值，而噪声的循环谱主要集中在零循环处，而在非零循环频率上为零值或值很小。循环平稳特征检测就是利用主用户信号的频谱相关特性，经过分析循环谱中循环频率的特性来判决主用户是否存在。循环谱把频率从一维平面扩展到二维平面，其计算复杂度远远大于能量检测，这是周期特性检测应用的最大限制。

目前大多数的频谱感知技术的实现都是基于高斯噪声的假设，而实际通信环境中的噪声常常是非高斯分布。针对这一问题，目前以非高斯噪声为背景的频谱感知算法研究成为了热点，但如何建立非高斯噪声模型，如何通过对实际环境中信号的实时测量获得噪声模型参数是提高频谱感知性能的关键问题。

发明内容

本发明要解决的技术问题是提供一种基于能量检测的非高斯噪声抑制方法，该方法可以有效提高频谱感知性能，在军事通信、信息处理等领域具有应用价值。

为解决上述技术问题，本发明所采取的技术方案是：1、一种基于能量检测的非高斯噪声抑制方法，其特征在于包括如下步骤：

(1)建立非高斯噪声模型库；

(2)利用USRP接收信号数据，基于能量检测方法，对USRP接收的信号数据的幅度特性进行分析，统计出模型库中各模型的参数特性，从而得到各模型分布的概率密度曲线；

(3)再将得到的模型的概率密度曲线与噪声模型库中的图形进行对比，选择相差最小、匹配效果最佳的噪声模型，作为背景噪声；

(4)最后将含有主用户信号的数据与背景噪声信号数据作对消处理，即同频率的两个信号幅值相减，从而降低噪声信号的幅值，提高信噪比。

进一步说明，所述的步骤1中，非高斯噪声模型库包括混合高斯分布模型、广义高斯分布模型和Laplace分布模型的概率密度函数及统计特性。

进一步说明，所述的混合高斯分布模型的概率密度函数为：

其中，w(n)为加性背景噪声，ε_i为第i个高斯分量的加权系数，且每个高斯分量的均值为μ_i，方差为c为混合高斯阶数。

进一步说明，所述的广义高斯分布模型的概率密度函数为：

其中

式中μ为均值，σ²为方差，β为描述分布的形状参数，决定密度函数的衰减速度。当β→0时，密度函数的极限为δ函数；当β＝1时，GGD转化为Laplace分布；当β＝2时，GGD转化为Gaussian分布；当β→∞时，GGD趋于均匀分布。

进一步说明，所述的能量检测方法：将信号这单一的数字流变换成N个数字流，对每一个数字流利用快速傅里叶变换获得的结果进行取模平方运算，得到信号的能量值，再累加求和获得N个抽样的模平方之和，并将数据保存；

能量检测方法的实现平台包括USRP、s2v、FFT、c2mag和stats，其中USRP是获取信号，s2v是一个数字流变换成N个数字流、FFT为快速傅里叶变换、c2mag对快速傅里叶变换结果取模平方再求和、stats保存数据，对数据结果作如下处理：

其中V是以mv为单位的信号幅值，m.data为N个抽样之和存入message的数据，N为采样点数，最终获得取样信号的模值。

进一步说明，对宽频带进行能量检测时，采用步进调频的方式，每次只检测一段窄带，几次步进之后，即可完成宽频带的检测。

采用上述技术方案所产生的有益效果在于：本发明通过USRP和GNURADIO(装在PC上的开源无线电软件)的联合使用，通过研究频谱感知，在USRP上实现频谱感知功能，并通过MATLAB对信号数据进行处理实现性能优化，达到抑制噪声的目的，从而可以有效提高频谱感知性能，在军事通信、信息处理等领域具有应用价值；本发明中的实现方法可以像编写软件一样实现无线电的各种功能。

附图说明

图1是本发明中非高斯噪声抑制算法流程图；

图2是频谱感知平台的总体框图；

图3是本发明中的能量检测框图；

图4是本发明中频谱感知平台的能量检测流程图；

图5是本发明中宽频带步进调频法实现流程图；

图6是800-1000MHz频谱占用情况，同时也是无发射信号的信号数据；

图7是有900MHz发射信号的信号数据；

图8是对消处理后的信号数据。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明为一种基于能量检测的非高斯噪声抑制方法，可以根据不同的非高斯噪声背景，自适应选择与之匹配最佳的非高斯噪声模型，通过对消处理达到抑制非高斯噪声的目的，其关键在于非高斯噪声分布曲线的拟合、非高斯噪声模型的选取。算法的流程图如图1所示。主要步骤如下：建立非高斯噪声模型库，本文选择两种典型的非高斯噪声模型(混合高斯分布模型、广义高斯分布模型)。然后对USRP(Universal Software RadioPeripheral，通用软件无线电外设)接收的信号数据的幅度特性进行分析，统计出模型库中各模型的参数特性，从而得到各模型分布的概率密度曲线。再将得到的模型的概率密度曲线与噪声模型库中的图形进行对比，选择相差最小、匹配效果最佳的噪声模型，作为背景噪声。最后将含有主用户信号的数据与背景噪声信号数据作对消处理，即同频率的两个信号幅值相减，从而降低噪声信号的幅值，提高信噪比。上述的噪声抑制方法中是基于能量检测，研究进一步深化和提升频谱感知能力，通过在基于嵌入式的软件无线电平台USRP设备上实现频谱感知功能，为日后实现各种非高斯噪声下的频谱感知算法打下坚实基础。

为了更好地抑制非高斯噪声，就需要了解非高斯噪声的特性，对非高斯噪声进行建模。非高斯噪声的统计建模主要有两类：物理统计建模和经验模型。物理统计模型从噪声的物理产生过程的角度来表示噪声，模型复杂，不适合于作为信号处理的噪声模型框架。经验模型是利用已知函数对观测噪声数据进行拟合，常表示为简单的参数化模型，因而适用于信号处理的框架。

混合高斯分布模型是一种简单的应用非常广泛的模型，常用来对人为噪声、脉冲现象以及超宽带(UWB)系统引起的干扰进行建模。混合高斯模型的概率密度函数是由一组高斯分布的概率密度函数加权求和构成的。对于大方差分量其权值较小。其中，在上述的非高斯噪声模型中混合高斯分布模型的概率密度函数为：

其中，w(n)为加性背景噪声，ε_i为第i个高斯分量的加权系数，且每个高斯分量的均值为μ_i，方差为c为混合高斯阶数。

广义高斯分布模型是一类以Gaussian分布、Laplace分布为特例，以δ函数和均匀分布为极限形式的对称分布。其概率密度函数可以表示成：

其中

式中μ为均值，σ²为方差，β为描述分布的形状参数，决定密度函数的衰减速度。当β→0时，密度函数的极限为δ函数；当β＝1时，GGD转化为Laplace分布；当β＝2时，GGD转化为Gaussian分布；当β→∞时，GGD趋于均匀分布。

本发明中基于能量检测的非高斯噪声抑制方法的有效性验证，需要搭建频谱感知平台，该频谱感知平台的总体框架如附图2所示，包括发射端和接收端，其中发射端包括发射天线、处于无限射频前端的USRP子板、USRP木板以及装载GNURADIO和MATLAB的计算机，接收端是在发射端的基础上，增加噪声建模与频谱感知算法，该算法是基于能量检测法实现。

基于能量检测法采用频域能量检测FFT法进行感知。利用FFT法进行频谱感知的过程如图3所示。算法过程：将信号通过模数转换器、快速傅里叶变换、平方器、N个抽样求和再平均后，得到了检测统计量Y。将感兴趣频段上的检测统计量与判决门限进行比较，如果超过门限则判定该频段内存在主用户信号，次用户不适合在该频段上工作；反之，则该频段只存在噪声，次用户可以工作在该频段。检测统计量Y为：

本发明利用频谱感知平台实现的能量检测流程图如图4所示。首先将信号通过s2v转换为向量，将单一的数字流变换成N个数字流，对每一个数字流利用快速傅里叶变换获得的结果进行取模平方运算，得到信号的能量值，这样获得N个抽样的模平方之和，对模平方之和作如下处理：

其中V是以mv为单位的信号幅值，m.data为N个抽样之和存入message的数据，N为采样点数，最终获得取样信号的模值。

另外，受制于设备硬件约束，USRP不能检测超过8MHz的带宽。所以，对宽频带进行能量检测时，就需要采用步进调频的方式来实现，每次只检测一段窄带，几次步进之后，便可实现宽带的检测。流程图如图5所示。

利用频谱感知平台，结合基于能量检测的非高斯噪声抑制的具体步骤，使用RFX900子板进行实验。其中使用RFX900子板(可覆盖750-1050MHz频段)感知范围800-1000MHz，使用MATLAB将数据画图，如附图6所示，其中Y轴为信号幅值，单位为mv；X轴为频率，单位为Hz。实验中采用附图7中的无发射信号的信号数据，对信号数据的幅度特性进行分析，统计出模型库中各模型的参数特性，获得无发射信号的概率密度函数曲线，最后利用MATLAB中的cftool函数拟合工具，导入概率密度函数数据，在函数选项中选择自定义公式，分别输入GMD和GGD函数公式进行拟合(参数要设定范围)，获得无有发射信号的信号数据和对消处理后的信号数据，结果发现与GMD匹配效果最佳，所以选定GMD作为背景噪声模型进行对消处理。从图8中可以看出对消处理后信号数据的信噪比远大于处理前信号数据的信噪比，这就具有了实际应用价值。

综上所述，本发明利用USRP、GNURADIO和MATLAB设计并实现了一种有效的频谱感知平台，该平台能实时测量环境中的噪声并进行非高斯噪声建模确定对应参数，在此基础上可采用传统能量检测以及基于非线性处理的各种针对非高斯噪声的检测器，如Rao检测器、PCA检测器和基于分数低阶矩的检测器等实现频谱感知，检验和比较各种算法的在实际噪声环境中感知效果。这种技术具有应用推广价值，为实现动态频谱资源分配提供有效的技术支持。

Claims (6)

1.一种基于能量检测的非高斯噪声抑制方法，其特征在于包括如下步骤：

(1)建立非高斯噪声模型库；

(2)利用USRP接收信号数据，基于能量检测方法，对USRP接收的信号数据的幅度特性进行分析，统计出模型库中各模型的参数特性，从而得到各模型分布的概率密度曲线；

(3)再将得到的模型的概率密度曲线与噪声模型库中的图形进行对比，选择相差最小、匹配效果最佳的噪声模型，作为背景噪声；

(4)最后将含有主用户信号的数据与背景噪声信号数据作对消处理，即同频率的两个信号幅值相减，从而降低噪声信号的幅值，提高信噪比。

2.根据权利要求1所述的一种基于能量检测的非高斯噪声抑制方法，其特征在于：所述的步骤1中，非高斯噪声模型库包括混合高斯分布模型、广义高斯分布模型和Laplace分布模型的概率密度函数及统计特性。

3.根据权利要求2所述的一种基于能量检测的非高斯噪声抑制方法，其特征在于：所述的混合高斯分布模型的概率密度函数为：

$f\left(w\right(n\left)\right)=\underset{i=1}{\overset{c}{\Σ}}\frac{{\mathrm{\ϵ}}_i}{\sqrt{2{\mathrm{\π\σ}}_i^2}}\exp (-\frac{{\left(w\right(n)-{\mathrm{\μ}}_i)}^2}{2{\mathrm{\σ}}_i^2})$

其中，w(n)为加性背景噪声，ε_i为第i个高斯分量的加权系数，且每个高斯分量的均值为μ_i，方差为c为混合高斯阶数。

4.根据权利要求2所述的一种基于能量检测的非高斯噪声抑制方法，其特征在于：所述的广义高斯分布模型的概率密度函数为：

$p\left(w\right(n);\mathrm{\β},{\mathrm{\σ}}^2)=\frac{\mathrm{\β}}{2B(\mathrm{\β},{\mathrm{\σ}}^2)\mathrm{\Γ}(1/\mathrm{\β})}\exp (-\frac{|w\left(n\right)-\mathrm{\μ}{|}^{\mathrm{\β}}}{{\[B(\mathrm{\β},{\mathrm{\σ}}^2)\]}^{\mathrm{\β}}})$

其中

$B(\mathrm{\β},{\mathrm{\σ}}^2)=\mathrm{\σ}{\left(\frac{\mathrm{\Γ}(1/\mathrm{\β})}{\mathrm{\Γ}(3/\mathrm{\β})}\right)}^{1/2}$

式中μ为均值，σ²为方差，β为描述分布的形状参数，决定密度函数的衰减速度。当β→0时，密度函数的极限为δ函数；当β＝1时，GGD转化为Laplace分布；当β＝2时，GGD转化为Gaussian分布；当β→∞时，GGD趋于均匀分布。

5.根据权利要求1所述的一种基于能量检测的非高斯噪声抑制方法，其特征在于所述的能量检测方法：将信号这单一的数字流变换成N个数字流，对每一个数字流利用快速傅里叶变换获得的结果进行取模平方运算，得到信号的能量值，再累加求和获得N个抽样的模平方之和，并将数据保存；

能量检测方法的实现平台包括USRP、s2v、FFT、c2mag和stats，其中USRP是获取信号，s2v是一个数字流变换成N个数字流、FFT为快速傅里叶变换、c2mag对快速傅里叶变换结果取模平方再求和、stats保存数据，对数据结果作如下处理：

$V=\sqrt{m.data/N}$

其中V是以mv为单位的信号幅值，m.data为N个抽样之和存入message的数据，N为采样点数，最终获得取样信号的模值。

6.根据权利要求5所述的一种基于能量检测的非高斯噪声抑制方法，其特征在于对宽频带进行能量检测时，采用步进调频的方式，每次只检测一段窄带，几次步进之后，即可完成宽频带的检测。