CN106656882B - 一种信号合成方法及系统 - Google Patents

一种信号合成方法及系统 Download PDF

Info

Publication number
CN106656882B
CN106656882B CN201611078831.6A CN201611078831A CN106656882B CN 106656882 B CN106656882 B CN 106656882B CN 201611078831 A CN201611078831 A CN 201611078831A CN 106656882 B CN106656882 B CN 106656882B
Authority
CN
China
Prior art keywords
matrix
signal
synthesis
objective function
correlation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611078831.6A
Other languages
English (en)
Other versions
CN106656882A (zh
Inventor
王雷欧
王东辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Acoustics CAS
Original Assignee
Institute of Acoustics CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Acoustics CAS filed Critical Institute of Acoustics CAS
Priority to CN201611078831.6A priority Critical patent/CN106656882B/zh
Publication of CN106656882A publication Critical patent/CN106656882A/zh
Application granted granted Critical
Publication of CN106656882B publication Critical patent/CN106656882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03891—Spatial equalizers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0204—Channel estimation of multiple channels
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • H04L25/0244—Channel estimation channel estimation algorithms using matrix methods with inversion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03891—Spatial equalizers
    • H04L25/03898—Spatial equalizers codebook-based design
    • H04L25/0391—Spatial equalizers codebook-based design construction details of matrices

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种信号合成方法及系统。该方法包括步骤：建立合成信号的目标函数，并通过对目标函数求取合成权值的偏导数以确定需求解的矩阵；采用分段量化法对需求解的矩阵进行计算；采用加速迭代法计算采用分段量化法进行计算后的矩阵的最大特征值及对应的特征向量，以获取合成权值的最优值；根据合成权值的最优值进行加权相干相加操作，以对多路信号进行合成。该系统包括第一计算模块、第二计算模块、第三计算模块和合成模块。本发明提供的方法和系统在各路信号的噪声方差相等或者不相等的情况均可以使用，并在大幅度简化计算量的同时，使合成后的信号具备良好的性能。

Description

一种信号合成方法及系统
技术领域
本发明涉及传感器网络技术领域，尤其涉及一种信号合成方法及系统。
背景技术
近年来，传感器网络已经广泛应用于环境监测、健康护理、智能家居、城市交通以及军事安全，但是由于传感器网络节点信号感知能力有限，对于一些微弱信号的接收处理能力不足，因此需要将多个节点所接收到的信号进行合成，进而提高接收信号的信噪比。信号合成的目标就是使合成信号的信噪比最大，除了要将多路接收信号间时延和频率等参数差异进行补偿使信号对齐之外，还需要按照最优的权值进行加权相干相加。由于对齐之后信号部分相干相加，而噪声随机相加，合成信号的有用部分的功率比噪声功率提升多，因此合成信号的信噪比得到提高。
K.M.Cheung等人发表的文章《Eigen Theory for Optical Signal Combining:AUnified Approach》中提出了以合成信号信噪比为目标函数的特征值分解算法(Signal-to-Noise Ratio EIGEN，SNR EIGEN)，其中估计噪声相关矩阵的通常做法是假设噪声是高斯白噪声，并通过记录一段纯噪声再进行相关计算获得。但这样，一方面会增加系统的复杂度，另一方面具有不能准确反映信号带宽内噪声特性的风险，所以实际应用中，更多采用合成信号功率作为目标函数进行权值估计。C.H.Lee等人发表的文章《Large-Array SignalProcessing for Deep Space Application》中指出输出功率最大准则与合成信号信噪比最大准则是等价的。最大输出信号功率准则就是以合成信号的功率作为目标函数，计算最优合成权值，使得合成信号的输出功率最大(Combined Output Power EIGEN，COP EIGEN)。以合成信号功率为目标函数的特征值分解算法由于假设各信号的噪声方差相等，因此可以忽略噪声相关的影响，无需估计噪声相关矩阵，但是当各路信号噪声方差不一致时，采用最大输出信号功率准则计算合成权值将是有偏的。B.Luo等人发表的文章《On Eigen-BasedSignal Combining Using the Autocorrelation Coefficient》中指出合成信号的自相关系数与合成信号信噪比最大准则是等价的(Autocorrelation Coefficient EIGEN，ACEIGEN)。
以上三种算法SNR EIGEN、COP EIGEN和AC EIGEN的最优合成权值计算过程相似，合成权值的最优值是某个矩阵最大特征值对应的特征向量。但是这些算法的主要问题在于计算量较大。特别是，随着接收信号路数N和相关计算的长度L的增加，计算信号相关矩阵和求解最大特征值对应的特征向量的计算量将是巨大的，因此需要改进算法对计算量进行大幅缩减。
C.H.Lee等人发表的文章《Fast Eigen-Based Signal Combining Algorithm forLarge Antenna Arrays》提出两种迭代法能够得到最大特征值对应的特征向量，分别是(Power Method，PM)算法和(Proposed Matrix-free Signal combining Method，PMSM)算法。由于PM算法只计算最大特征值所对应的特征向量，避免了特征值分解所需要的运算，从而减少了计算量。但是该方法没有解决相关矩阵的计算问题，更重要的是该迭代法的收敛速度比较慢。PMSM算法通过特征向量迭代的方法无需计算相关矩阵，同时它与COP EIGEN和PM算法相同，都假设各信号的噪声方差相等，忽略噪声相关的影响，但是当各路信号噪声方差不一致时，采用这些算法计算合成权值将是有偏的，即合成损耗较大。
发明内容
本发明的目的在于，解决现有的信号合成技术中计算量大以及合成损耗较大的问题，提供一种信号合成方法及系统，通过采用分段量化法计算接收信号的相关矩阵，采用加速迭代法计算最大特征值对应的特征向量以获取信号合成的合成权值的最优值，该方法和系统在各路信号的噪声方差相等或者不相等的情况均可以使用，并在大幅度简化计算量的同时，使合成后的信号具备良好的性能。
为了实现上述目的，一方面，本发明提供了一种信号合成方法。该方法包括步骤：建立合成信号的目标函数，并通过对目标函数求取合成权值的偏导数以确定需求解的矩阵；采用分段量化法对需求解的矩阵进行计算；采用加速迭代法计算采用分段量化法进行计算后的矩阵的最大特征值及对应的特征向量，以获取合成权值的最优值；根据合成权值的最优值进行加权相干相加操作，以对多路信号进行合成。
优选地，建立合成信号的目标函数，并通过对目标函数求取合成权值的偏导数以确定需求解的矩阵步骤具体包括：
建立合成信号信噪比的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为噪声的相关矩阵的逆矩阵和接收信号的相关矩阵的乘积；或
建立合成信号功率的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为接收信号的相关矩阵；或
建立合成信号自相关系数的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为接收信号的两个相关矩阵的乘积。
优选地，采用分段量化法对需求解的矩阵进行计算步骤具体包括，互相关函数估计的计算公式为：
其中，和分别为一阶和三阶切比雪夫多项式， 表示分段量化函数。
优选地，采用加速迭代法计算采用分段量化法进行计算后的矩阵的最大特征值及对应的特征向量，以获取合成权值的最优值步骤具体包括，定义迭代公式：
b(k)＝Ba(k-1)＝(I+A)n-1a(k-1)；
其中，A为n阶不可约非负方阵，B＝(I+A)n-1,I为单位矩阵。
优选地，采用加速迭代法计算采用分段量化法进行计算后的矩阵的最大特征值及对应的特征向量，以获取合成权值的最优值步骤具体包括：
其中，FA(a(k))和GA(a(k))是伴随于A的Collatz-Wielandt函数；λ(k)为矩阵A的特征值。
优选地，采用加速迭代法计算采用分段量化法进行计算后的矩阵的最大特征值及对应的特征向量，以获取合成权值的最优值步骤具体包括：矩阵A的最大特征值为λ(k)＝0.5(GA(a(k))+FA(a(k)))，对应的特征向量为a(k)。
另一方面，本发明提供了一种信号合成系统。该系统包括第一计算模块，第二计算模块、第三计算模块和合成模块。第一计算模块用于建立合成信号的目标函数，并通过对目标函数求取合成权值的偏导数以确定需求解的矩阵；第二计算模块用于采用分段量化法对需求解的矩阵进行计算；第三计算模块用于采用加速迭代法计算采用分段量化法进行计算后的矩阵的最大特征值及对应的特征向量，以获取合成权值的最优值。合成模块用于根据合成权值的最优值进行加权相干相加操作，以对多路信号进行合成。
优选地，第一计算模块具体用于：
建立合成信号信噪比的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为噪声的相关矩阵的逆矩阵和接收信号的相关矩阵的乘积；或
建立合成信号功率的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为接收信号的相关矩阵；或
建立合成信号自相关系数的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为接收信号的两个相关矩阵的乘积。
优选地，第二计算模块具体用于采用如下公式计算互相关函数的估计：
其中，和分别为一阶和三阶切比雪夫多项式， 表示分段量化函数。
优选地，第三计算模块具体用于定义迭代公式：
b(k)＝Ba(k-1)＝(I+A)n-1a(k-1)；
其中，A为n阶不可约非负方阵，B＝(I+A)n-1,I为单位矩阵；
矩阵A的最大特征值为λ(k)＝0.5(GA(a(k))+FA(a(k)))，对应的特征向量为a(k)，FA(a(k))和GA(a(k))是伴随于A的Collatz-Wielandt函数。
本发明提供的一种信号合成方法及系统采用分段量化法计算接收信号的相关矩阵，采用加速迭代法计算最大特征值对应的特征向量以获取信号合成的合成权值的最优值，该方法和系统在各路信号的噪声方差相等或者不相等的情况均可以使用，并在大幅度简化计算量的同时，使合成后的信号具备良好的性能。
附图说明
图1为本发明实施例提供的一种信号合成方法的流程示意图；
图2为本发明实施例提供的采用分段量化法计算矩阵的算法流程图；
图3为本发明实施例提供的采用加速迭代法计算合成权值的最优值的算法流程图；
图4为本发明实施例提供的一种信号合成系统的结构示意图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案作进一步的详细描述。
图1为本发明实施例提供的一种信号合成方法的流程示意图。如图1所示，该方法包括步骤101-104：
步骤101，建立合成信号的目标函数，并通过对目标函数求取合成权值的偏导数以确定需求解的矩阵。
在本发明提供的实施例一中，建立合成信号信噪比的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为噪声的相关矩阵Rn(0)的逆矩阵和接收信号的相关矩阵Rx(0)的乘积。
首先，将传感器接收到的多路信号建模为：
xi(k)＝si(k)+ni(k) (1)
其中，k为采样点编号；下标i表示路数编号；xi(k)表示第i路所接收到的信号，i＝1,2,…,N，N为总路数；si(k)表示第i路接收的源信号，ni(k)表示第i路信号的噪声分量。通常将ni(k)建模为零均值高斯白噪声，其方差为
多路信号进行合成的合成权值向量为：
w＝[w1,w2,…,wN]T (2)
信号强度的大小反应了信号的路径损耗和接收系统增益，信号强度的表达式为：
α＝[α1,α2,…,αN]T (3)
根据公式(1)、公式(2)和公式(3)可以将合成信号表示为：
xc(k)＝wHx(k)＝wHαs(k)+wHn(k)＝sc(k)+nc(k) (4)
在公式(4)中，上标H表示共轭转置，且：
x(k)＝[x1(k),x2(k),…,xi(k),…,xN(k)] (5)
s(k）＝[α1s(k),α2s(k),…,αis(k),…,αNs(k)] (6)
n(k)＝[n1(k),n2(k),…,ni(k),…nN(k)] (7)
sc(k)＝wHαs(k) (8)
nc(k)＝wHn(k) (9)
合成信号信噪比的计算公式为：
其中,Rs(0)表示源信号的相关矩阵，Rn(0)表示噪声的相关矩阵。据公式(10)对w求偏导，可以得到：
矩阵特征值的定义为：设A是n阶方阵，如果数λ和n维非零列向量x使关系式Ax＝λx成立，那么这样的数λ称为矩阵A特征值，非零向量x称为A的对应于特征值λ的特征向量。由矩阵特征值的定义以及公式(10)和公式(11)可知，为矩阵的特征值，w为矩阵对应于特征值的特征向量。故获得最大信噪比时的最优合成权值，即为矩阵取最大特征值时对应的特征向量中的数值。
因此，为了获取合成权值的最优值，需要分别计算源信号的相关矩阵Rs(0)和噪声相关矩阵Rn(0)，以求出矩阵取最大特征值时的特征向量。由于对源信号的相关矩阵Rs(0)计算困难，若直接计算Rs(0)不仅会增加计算的复杂度，而且会影响最优合成权值的计算精度。因此，将公式(10)转化为：
对公式(12)中的w求偏导，可以得到：
其中，接收信号的相关矩阵Rx(0)的表达式为：
公式(15)中，L表示相关计算的长度。由公式(13)可知，合成信号信噪比最大时的最优合成权值，为矩阵的特征值最大时对应的特征向量中的数值。此算法需要计算接收信号的相关矩阵Rx(0)和噪声的相关矩阵Rn(0)。
在本发明提供的实施例二中，建立合成信号功率的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为接收信号的相关矩阵Rx(0)。
接收信号的相关矩阵Rx(0)为Hemitian矩阵，可以归一化为：
Rx(0)＝VΛVH (16)
其中Λ为对角矩阵，Λ＝diag(λ1,…,λN)，对角线元素λi是相关矩阵Rx(0)的特征值，且λ1≥λ2≥…≥λN。V＝[v1,…,vN]是由特征值对应特征向量组成的矩阵，其中vi是对应于特征值λi的特征向量。合成权值可以表示为特征向量的线性组合，即：
其中系数向量β＝[β1,β2,…,βN]T，权值约束关系为wHw＝1，βHβ＝1。因此合成信号的功率为：
合成信号的最大输出功率为特征值λ1，此时的权值为最大特征值对应的特征向量v1。以合成信号功率为目标函数的特征值分解算法由于假设各信号的噪声方差相等，因此可以忽略噪声相关的影响，无需计算Rn(0)，只需计算接收信号的相关矩阵Rx(0)。
在本发明提供的实施例三中，建立合成信号自相关系数的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为接收信号的两个相关矩阵Rx(0)和Rx(τ)的乘积。
合成信号的自相关系数表示为：
对公式(19)中的w求偏导，可以得到：
由公式(21)可知，矩阵的最大特征值对应的特征向量就是使合成信号信噪比最大的合成权值。该算法只需要计算接收信号的两个相关矩阵和Rx(τ)，τ为信号的位移量，取值为整数，例如可以取τ＝1。
步骤102，采用分段量化法对需求解的矩阵进行计算。
图2为本发明实施例提供的采用分段量化法计算矩阵的算法流程图。如图2所示，采用分段量化法对需求解的矩阵进行计算包括步骤1021-1026。
步骤1021，分段量化法计算相关矩阵开始。采用分段量化法计算的相关矩阵为Rx(0)。
步骤1022，利用公式(22)，对接收到的第i路信号xi(t)做分段量化运算，得到Zi(t)。
设Z＝Sign(X)为分段量化函数，其表达式为：
Δ表示分段量化阈值；将Sign[x1(t)]记为Z1(t)，Sign[x2(t)]为Z2(t)，J.H.VanVleck在文章《The Spectrum of Clipped Noise》中证明了当x1(t)和x2(t)服从零均值高斯分布且平稳时，x1(t)与x2(t)之间的分段量化相关函数Hz1z2(m)与互相关函数Rx1x2(m)之间存在如下关系：
其中：
步骤1023，利用公式(25)计算分段量化相关函数的估计。
用分段量化相关函数的估计代替Hz1z2(m)，则可以得到相应的互相关函数的估计而可以由下式计算：
公式(25)中，Z1(k)和Z2(k)分别是x1(t)和x2(t)分段量化后样本点。显然，对应每个m，分段量化相关函数的估计只需要进行2L次分段量化比较和L次加(或减)1运算。
步骤1024，利用公式(26)计算相应的互相关函数的估计。
因为公式(23)涉及正弦函数的运算，为进一步简化算法，对公式(23)进行切比雪夫多项式拟合，进而表示为：
其中， 和分别为一阶和三阶切比雪夫多项式， 表示分段量化函数。经过整理后可以得到：
步骤1025，判断相关矩阵是否完成，如果未完成则转到步骤1023并继续进行，如果完成则进行步骤1026。
步骤1026，分段量化法计算相关矩阵结束。最终得到计算完成的相关矩阵Rx(0)。
在本发明提供的实施例一中，由于公式(15)中的浮点数值乘法是信号相关矩阵计算最复杂部分，为了简化计算，采用分段量化法。采用分段量化法计算接收信号的相关矩阵Rx(0)和噪声的相关矩阵Rn(0)。然后对Rn(0)取逆得到并与Rn(0)相乘得到矩阵
在本发明提供的实施例二中，采用分段量化法对接收信号的相关矩阵Rx(0)进行计算，计算过程与上述步骤1021-1026相同，在此不做赘述。
在本发明提供的实施例三中，采用分段量化法计算的相关矩阵为接收信号的两个相关矩阵Rx(0)和Rx(τ)进行计算，计算过程与上述步骤1021-1026相同，在此不做赘述。然后对Rx(0)取逆得到并与Rx(τ)相乘得到矩阵
步骤103，采用加速迭代法计算采用分段量化法进行计算后的矩阵的最大特征值及对应的特征向量，以获取合成权值的最优值。
图3为采用加速迭代法计算合成权值的最优值的算法流程图。如图3所示，采用加速迭代法计算合成权值的最优值的算法包括：
步骤1031，加速迭代法计算合成权值的最优值开始。计算对象为n阶不可约非负方阵A。
步骤1032，选取初始向量a(0)。
已知R为实数集，令R+为全体非负实数的集合，
对任意的n阶不可约非负矩阵A，
定义公式(28)为伴随于A的Collatz-Wielandt函数。
选取初始向量a(0)＝(1,…,1)T。
步骤1033，利用公式(29)求取b(k)。
对任意n阶不可约非负方阵A，令B＝(I+A)n-1，则由非负矩阵的理论可知B为正矩阵。
对任取的初始向量a0∈Hn，定义如下迭代公式：
b(k)＝Ba(k-1)＝(I+A)n-1a(k-1) (29)
步骤1034，利用公式(30)对b(k)进行归一化，得到a(k)。
将公式(29)中的b(k)归一化得到向量a(k)：
{a(k):k＝1,2,…,}是第k次迭代所得向量序列。由非负矩阵的理论可知，对于伴随于A的Collatz-Wielandt函数，有：
limk→∞FA(a(k))＝limk→∞GA(a(k))＝λ(k) (31)
步骤104，根据合成权值的最优值进行加权相干相加操作，以对多路信号进行合成。
SNR EIGEN、COP EIGEN和AC EIGEN构成每个相关矩阵需要N2L次乘累加运算，求解合成权值的最优值大约需要N3次运算。随着信号路数N和相关计算长度L的增加硬件实现的计算量将是巨大的。PM算法和PMSM算法都是针对COP EIGEN算法通过迭代方法简化计算量，其中PM算法只计算最大特征值所对应的特征向量，避免了特征值分解所需要的运算，从而将计算量简化到N2L+N2kPM，kPM为PM算法迭代次数，但是该方法没有解决相关矩阵的计算问题。PMSM算法把相关矩阵的计算通过特征向量的迭代更新进行了优化，使得最终的计算量减少为2NLkPMSM，kPMSM为PMSM算法迭代次数。
采用分段量化法计算相关矩阵需要NL次比较运算和N2L次加(或减)1运算，相比浮点乘累加计算简单得多。而采用加速迭代法计算合成权值的最优值时，若其迭代次数kour小于PM算法的迭代次数kPM，则可以进一步简化计算复杂度。不同信号合成算法所需计算复杂度如表1所示。
(表1)
通过以下实验进一步证明本发明提出的一种信号合成方法的能达到的有益效果。为了评估算法性能，定义合成信噪比损失ζ：
其中理论最大合成信号信噪比
上式中Ps表示信号功率。本实施例中α＝[1,1,…,1]T,Ps＝1。
公式(32)中的实际合成信号信噪比
其中，信号功率Ps、信号强度α、噪声方差均为已知的仿真参数，通过不同算法计算合成权值wi，进而得到本发明分别与SNR EIGEN、COP EIGEN、AC EIGEN、PM以及PMSM等算法比较，原信号采用80KHz正弦信号，采样速率1.4MHz。分段量化阈值Δ＝0.01，加速迭代法参数P＝0.0001，进行500次独立测试。等噪声方差情况下的合成性能仿真结果如表2所示。
(表2)
如表2所示的合成性能损失，在等噪声方差情况下，当信号路数N＝8，相关计算的长度L＝1024，COP EIGEN、PM、PMSM、以及采用本发明实施例二中算法的合成损耗最小，同时采用本发明实施例二中算法的迭代次数也最小，而AC EIGEN的合成损耗最大。
不等噪声方差情况下的合成性能仿真结果如表2所示。其中，8路信号的噪声方差比设为1：1：1：1：1.5：1.5：1.5：1.5。
(表3)
如表3所示的合成性能损失，在不等噪声方差情况下，当信号路数N＝8，相关计算的长度L＝1024，SNR EIGEN的合成损耗最小，但是该算法需要估计噪声相关矩阵。本发明实施例三中算法的合成损耗远优于COP EIGEN、PM和PMSM算法，同时本发明实施例三中算法的迭代次数也优于PM和PMSM算法。
结合以上实施例及实验结果，无论在等噪声方差情况下或者在不等噪声方差情况下，本发明的信号合成方法都可以灵活应用于COP EIGEN和AC EIGEN等信号合成算法，并得到很好的信号合成性能。而其计算量大幅简化，进而降低功耗，易于硬件实现。
本发明实施例提供的一种信号合成方法采用分段量化法计算接收信号的相关矩阵，采用加速迭代法计算最大特征值对应的特征向量以获取信号合成的最优合成权值，该方法在各路信号的噪声方差相等或者不相等的情况均可以使用，并在大幅度简化计算量的同时，使合成后的信号具备良好的性能。
图4为本发明实施例提供的一种信号合成系统的结构示意图。如图4所示，该系统200包括第一计算模块201，第二计算模块202、第三计算模块203和合成模块204。
第一计算模块201用于建立合成信号的目标函数，并通过对目标函数求取合成权值的偏导数以确定需求解的矩阵。
具体地，建立合成信号信噪比的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为噪声的相关矩阵Rn(0)的逆矩阵和接收信号的相关矩阵Rx(0)的乘积；或
建立合成信号功率的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为接收信号的相关矩阵Rx(0)；或
建立合成信号自相关系数的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为接收信号的两个相关矩阵Rx(0)和Rx(τ)的乘积。
第二计算模块202用于采用分段量化法对需求解的矩阵进行计算。
具体地，第二计算模块具体用于采用如下公式计算互相关函数的估计：
其中， 和分别为一阶和三阶切比雪夫多项式， 表示分段量化函数。
第三计算模块203用于采用加速迭代法计算采用分段量化法进行计算后的矩阵的最大特征值及对应的特征向量，以获取合成权值的最优值。
具体地，第三计算模块具体用于定义迭代公式：
b(k)＝Ba(k-1)＝(I+A)n-1a(k-1)；
其中，A为n阶不可约非负方阵，B＝(I+A)n-1,I为单位矩阵；
矩阵A的最大特征值为λ(k)＝0.5(GA(a(k))+FA(a(k)))，对应的特征向量为a(k)，FA(a(k))和GA(a(k))是伴随于A的Collatz-Wielandt函数。
合成模块204用于根据合成权值的最优值进行加权相干相加操作，以对多路信号进行合成。
具体内容在前述的信号合成方法中已详细阐述，在此不做赘述。
本发明实施例提供的一种信号合成系统通过第二计算模块采用分段量化法计算接收信号的相关矩阵，通过第三计算模块采用加速迭代法计算最大特征值对应的特征向量以获取信号合成的最优合成权值，该系统在各路信号的噪声方差相等或者不相等的情况均可以使用，并在大幅度简化计算量的同时，使合成后的信号具备良好的性能。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不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，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种信号合成方法，其特征在于，包括步骤：
建立合成信号的目标函数，并通过对目标函数求取合成权值的偏导数以确定需求解的矩阵；
采用分段量化法对所述需求解的矩阵进行计算；
采用加速迭代法计算采用分段量化法进行计算后的矩阵的最大特征值及对应的特征向量，以获取所述合成权值的最优值；
根据所述合成权值的最优值进行加权相干相加操作，以对多路信号进行合成。
2.根据权利要求1所述的方法，其特征在于，所述建立合成信号的目标函数，并通过对目标函数求取合成权值的偏导数以确定需求解的矩阵步骤具体包括：
建立合成信号信噪比的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为噪声的相关矩阵的逆矩阵和接收信号的相关矩阵的乘积；或
建立合成信号功率的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为接收信号的相关矩阵；或
建立合成信号自相关系数的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为接收信号的两个相关矩阵的乘积。
3.根据权利要求1所述的方法，其特征在于，所述采用分段量化法对所述需求解的矩阵进行计算步骤具体包括，互相关函数估计的计算公式为：
其中， 和分别为一阶和三阶切比雪夫多项式， 表示分段量化函数。
4.根据权利要求1-3任一权利要求所述的方法，其特征在于，采用加速迭代法计算采用分段量化法进行计算后的矩阵的最大特征值及对应的特征向量，以获取所述合成权值的最优值步骤具体包括，定义迭代公式：
b(k)＝Ba(k-1)＝(I+A)n-1a(k-1)；
其中，A为n阶不可约非负方阵，B＝(I+A)n-1,I为单位矩阵。
5.根据权利要求4所述的方法，其特征在于，采用加速迭代法计算采用分段量化法进行计算后的矩阵的最大特征值及对应的特征向量，以获取所述合成权值的最优值步骤具体包括：
其中，FA(a(k))和GA(a(k))是伴随于A的Collatz-Wielandt函数；λ(k)为矩阵A的特征值。
6.根据权利要求5所述的方法，其特征在于，采用加速迭代法计算采用分段量化法进行计算后的矩阵的最大特征值及对应的特征向量，以获取所述合成权值的最优值步骤具体包括：
矩阵A的最大特征值为λ(k)＝0.5(GA(a(k))+FA(a(k)))，对应的特征向量为a(k)。
7.一种信号合成系统，其特征在于，包括：
第一计算模块，用于建立合成信号的目标函数，并通过对目标函数求取合成权值的偏导数以确定需求解的矩阵；
第二计算模块，用于采用分段量化法对所述需求解的矩阵进行计算；
第三计算模块，用于采用加速迭代法计算采用分段量化法进行计算后的矩阵的最大特征值及对应的特征向量，以获取所述合成权值的最优值；
合成模块，用于根据所述合成权值的最优值进行加权相干相加操作，以对多路信号进行合成。
8.根据权利要求7所述的系统，其特征在于，所述第一计算模块具体用于：
建立合成信号信噪比的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为噪声的相关矩阵的逆矩阵和接收信号的相关矩阵的乘积；或
建立合成信号功率的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为接收信号的相关矩阵；或
建立合成信号自相关系数的目标函数，通过对目标函数求取合成权值的偏导数获得需求解的矩阵为接收信号的两个相关矩阵的乘积。
9.根据权利要求7所述的系统，其特征在于，所述第二计算模块具体用于：
采用如下公式计算互相关函数的估计：
其中， 和分别为一阶和三阶切比雪夫多项式， 表示分段量化函数。
10.根据权利要求7所述的系统，其特征在于，所述第三计算模块具体用于，
定义迭代公式：
b(k)＝Ba(k-1)＝(I+A)n-1a(k-1)；
其中，A为n阶不可约非负方阵，B＝(I+A)n-1,I为单位矩阵；
矩阵A的最大特征值为λ(k)＝0.5(GA(a(k))+FA(a(k)))，对应的特征向量为a(k），FA(a(k))和GA(a(k))是伴随于A的Collatz-Wielandt函数。
CN201611078831.6A 2016-11-29 2016-11-29 一种信号合成方法及系统 Active CN106656882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611078831.6A CN106656882B (zh) 2016-11-29 2016-11-29 一种信号合成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611078831.6A CN106656882B (zh) 2016-11-29 2016-11-29 一种信号合成方法及系统

Publications (2)

Publication Number Publication Date
CN106656882A CN106656882A (zh) 2017-05-10
CN106656882B true CN106656882B (zh) 2019-05-10

Family

ID=58814369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611078831.6A Active CN106656882B (zh) 2016-11-29 2016-11-29 一种信号合成方法及系统

Country Status (1)

Country Link
CN (1) CN106656882B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107153180B (zh) * 2017-06-15 2020-02-07 中国科学院声学研究所 一种目标信号检测方法及系统
CN108366025B (zh) * 2018-01-22 2020-05-15 中国科学院声学研究所 一种信号合成方法及系统
CN108600324B (zh) * 2018-03-27 2020-07-28 中国科学院声学研究所 一种信号合成方法及系统
US10580385B2 (en) * 2018-06-11 2020-03-03 Hung-Cheng Kuo Method for enhancing luminance uniformity of a display panel
CN113763681A (zh) * 2021-08-30 2021-12-07 华能济宁运河发电有限公司 一种基于远动通信网关机的事故总信号合成方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102664003A (zh) * 2012-04-24 2012-09-12 南京邮电大学 基于谐波加噪声模型的残差激励信号合成及语音转换方法
CN103716267A (zh) * 2012-09-29 2014-04-09 航天恒星科技有限公司 一种宽带信号空间分集合成方法
CN104934041A (zh) * 2015-05-07 2015-09-23 西安电子科技大学 基于多目标优化联合块对角化的卷积盲信号分离方法
CN105527610A (zh) * 2015-12-05 2016-04-27 中国人民解放军信息工程大学 基于分数阶时延估计的多天线联合优化杂波抑制方法
CN105788603A (zh) * 2016-02-25 2016-07-20 深圳创维数字技术有限公司 一种基于经验模态分解的音频识别方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102664003A (zh) * 2012-04-24 2012-09-12 南京邮电大学 基于谐波加噪声模型的残差激励信号合成及语音转换方法
CN103716267A (zh) * 2012-09-29 2014-04-09 航天恒星科技有限公司 一种宽带信号空间分集合成方法
CN104934041A (zh) * 2015-05-07 2015-09-23 西安电子科技大学 基于多目标优化联合块对角化的卷积盲信号分离方法
CN105527610A (zh) * 2015-12-05 2016-04-27 中国人民解放军信息工程大学 基于分数阶时延估计的多天线联合优化杂波抑制方法
CN105788603A (zh) * 2016-02-25 2016-07-20 深圳创维数字技术有限公司 一种基于经验模态分解的音频识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Fast Eigen-based signal combining algorithms for large antenna arrays;Lee,CH；Cheung,KM；Vilnrotter,VA;《2003 IEEE AEROSPACE CONFERENCE PROCEEDINGS》;20030315;全文 *

Also Published As

Publication number Publication date
CN106656882A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
CN106656882B (zh) 一种信号合成方法及系统
CN104020439B (zh) 基于空间平滑协方差矩阵稀疏表示的波达方向角估计方法
CN107450047B (zh) 嵌套阵下基于未知互耦信息的压缩感知doa估计方法
CN108470089B (zh) 一种基于最小二乘样本拟合的复信号时延估计方法
CN106569172B (zh) 二维doa估计方法
CN103353588B (zh) 基于天线均匀平面阵的二维波达方向角估计方法
CN108364659A (zh) 基于多目标优化的频域卷积盲信号分离方法
CN110632555B (zh) 一种基于矩阵特征值扰动的tdoa直接定位方法
WO2015192696A1 (zh) 分布式网络中基于gossip算法的多目标DOA估计系统及估计方法
Wang et al. Quadratic constrained weighted least-squares method for TDOA source localization in the presence of clock synchronization bias: Analysis and solution
CN107255796B (zh) 一种非均匀噪声下窄带近场信号源定位方法
CN110138698B (zh) 高阶调制线性混合信号频偏初相联合估计方法及装置
CN101982953B (zh) 宽带无线通信信道频域多维参数化模型及建模方法
CN109407046A (zh) 一种基于变分贝叶斯推断的嵌套阵列波达方向角估计方法
CN109557504B (zh) 一种近场窄带信号源的定位方法
CN110212966A (zh) 一种相干源条件下基于重要性重采样的天线互耦校正方法
CN104794264A (zh) 一种基于稀疏频率的雷达通信波形设计方法
CN109212467A (zh) 幅相误差下基于部分校准嵌套阵列的欠定波达方向估计方法
CN110941980B (zh) 一种密集环境中基于压缩感知的多径时延估计方法及装置
CN109581277B (zh) 一种基于压缩感知理论的四维天线阵doa估计方法
CN104076324A (zh) 一种未知信源数高精度波达方向估计方法
CN107181705B (zh) 一种半盲信道估计方法及系统
CN105978833A (zh) 一种改进的sage信道参数估计方法
CN104407319A (zh) 阵列信号的目标源测向方法和系统
CN108242808A (zh) 基于igd-lms的时滞电力系统稳定性判别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant