CN106936514A - 稀疏信道下基于能量集中的水声前导信号检测方法 - Google Patents

Abstract

本发明提出了提出一种稀疏信道下基于能量集中度(EC)的水声前导信号检测方法，应用于稀疏信道下的水声通信系统，降低前导信号误检率，提高检测率，提高系统的检测性能，提高系统通信效率。本发明通过稀疏信号重构以及OMP算法，估计了几个重要元素（分量）的能量集中度用以判定稀疏信号是否重构成功，可应用与水声通信、水声定位跟踪、军事、航海远洋、雷达、声纳中。相较于现有技术有以下优点：1.本发明在加性高斯白噪声以及不同类型干扰下都具有很强的鲁棒性；2.相较于基于匹配滤波器的检测技术，本发明在多径信道下有较好的检测性能；3.相较于其它现有技术，本发明在复杂多变的实际水下环境中表现出较为理想的检测性能。

Description

稀疏信道下基于能量集中的水声前导信号检测方法

技术领域

本发明涉及水声通信系统技术领域，尤其涉及一种稀疏信道下的水声前导信号检测方法。

背景技术

在传输大量数据流之前，通常都会发送一个用于辅助接收器检测传输数据的前导信号，这个前导信号会使接收器从一种潜在低功耗模式转入到一种高功耗的数据处理模式。前导信号的误检可能会缩短接收器电池寿命。同时，随着水下网络不断发展其应用范围越来越广，不同系统的共存问题日益凸显。而不同水下系统的共存要求接收机能够不被来自于其它系统的信号触发。

然而，水声系统中的前导信号检测在以下两个方面挑战。首先，实际系统中水下背景噪声是时变的非平稳的，并且存在着各种各样外界干扰：窄带干扰、冲激噪声、短时带限干扰等。(其中尤为有害的干扰是来自于共存声呐或通信系统中的类似的线性调频信号，因为类似线性调频信号往往具有很大相关性。)其次，水声信道具有复杂的多径结构。

现有水声前导信号技术一般都是基于匹配滤波器的检测方法，主要有以下几种：

1.匹配滤波器(MF)：将本地信号与接收信号进行卷积，进而得到接收信号与已知前导信号的相关值用于表征相似性并与门限值进行比较，以此进行信号检测。匹配滤波器是在加性高斯白噪声下最大化输出SNR的最优线性滤波器。

2.累积和检验算法(Page test)：首先对噪声方差进行估计，借此对匹配滤波器输出值进行归一化。其次将归一化值进行数据偏移并且对多条路径的归一化偏移值进行累加，提高检测能力。Page test算法明确考虑到海洋环境的非平稳性，且该算法复杂度较低。

3.归一化匹配滤波器(NMF)：在匹配滤波器基础上归一化输入功率，计算输入样本与本地模板之间的相关系数并与门限值进行比较，以此进行信号检测。NMF方法在干扰噪声能量较大时能够有效的抑制噪声幅度从而取得较为理想的检测效果。

然而以上基于匹配滤波器的算法都存在着各种各样的问题。其中MF算法，水下多径信道会导致模板不匹配，除此之外水下环境噪声是不稳定的还存在各种各样外部噪声。这使得接收器选择适当的门限值变得更加复杂；Page test算法，当干扰时长较短且频带与双曲调频信号(HFM)/线性调频信号(LFM)有重叠时，该算法受影响严重，检测性能不理想；NMF算法没有考虑到多径问题，其性能在密集的多径信道中会显著恶化。

发明内容

本发明的目的在于，提出了一种稀疏信道下基于能量集中度(EC)的水声前导信号检测方法，应用于稀疏信道下的水声通信系统，降低前导信号误检率，提高检测率，提高系统的检测性能，提高系统通信效率。本发明通过稀疏信号重构以及OMP算法，估计了几个重要元素(分量)的能量集中度用以判定稀疏信号是否重构成功，可应用与水声通信、水声定位跟踪、军事、航海远洋、雷达、声纳中。

为达上述目的，本发明通过以下技术方案实现：

一种稀疏信道下基于能量集中的水声前导信号检测方法，包括：

步骤1、频带搬移及采样：首先将接收到的带通信号进行频率搬移得到基带信号x(t)，然后对基带信号x(t)以基带采样率B进行采样，其中B为指定带宽，采样间隔为T_s＝1/B；

步骤2、块检测：在n时刻取N个连续接受样本组成数据块x[n]，

x[n]＝[x[n-N+1],···,x[n]]^h,

其中x[n]∈C^N×1，并且块大小N大于模板大小N_T，N_T＝信号时长T/采样间隔T_s；对每个数据块进行检测，利用字典矩阵Φ对检测数据块x[n]进行OMP信号重构；

步骤3、初始化残差、索引集：假设信道稀疏度为K，则需要在字典矩阵中找到K个字典条目组成索引向量集合用于信号重构。首先用观测量初始化残差量r₀＝x[n]，并初始化索引集 为空集，令迭代计数器i＝0，所述观测量即检测块；

步骤4、寻找能量贡献路径，索引字典条目，找到索引值t_i，更新索引集；

步骤5：剔除相关路径，得到估计信号并更新残差，在经历有限次迭代后，执行步骤6；否则，设置i＝i+1并返回步骤4；

步骤6、计算能量集中度EC得到本次检测结果：

当有信号发送时，由于水下多径信道具有稀疏性，重构信号与x[n]匹配，其能量集中在前几个码元。计算能量集中度如下式：

若ζ[n]＞Γ_EC表明检测到信号，若ζ[n]＜Γ_EC表明未检测到信号，其中Γ_EC为检测门限值；到此，一个数据块样本检测完成；

步骤7、窗口滑动，检测下一个数据块。

进一步地，为降低其计算复杂度，利用两步实现法借助NMF来实现所述检测方法，设置归一化匹配滤波门限h_NMF以及检测门限Γ_EC，具体实现步骤如下：

a)设置滑动窗口计数器w＝1；

b)假设窗口长度N为偶数，那么当对第N个检测块进行检测时，初始化残差如下：

r₀＝[x((w-1)N/2+1)x((w-1)N/2+2)…x((w-1)N/2+N)]^H；

c)对r₀做以下匹配归一化处理，

d)若r_NMF＜h_NMF，判断未发送信号，且w＝w+1,，滑动窗口对下一个检测块进行检测，同时返回步骤b，否则继续，执行步骤e；

e)～h)同上述过程中的步骤3-步骤6，计算

i)若ζ[n]＜Γ_EC，判断没有信号发送；否则，判断有信号发送。并且w＝w+1，返回步骤b继续对下一个数据块进行检测。

进一步地，所述步骤4以贪婪的方式在字典矩阵中选择列向量，在每次迭代中，选择与x[n]剩余部分最为相关的列向量；为了找到最为相关的列向量，则需解决以下优化问题：

其中t_i表示本次迭代中选择的字典条目在字典矩阵中的列标；选定字典条目后，将向量添加到向量集合中，并更新索引集：Ω_i＝Ω_i-1∪t_i

进一步地，步骤5中利用更新后的列向量集合求解以下最小二乘问题得到本次迭代的估计信号：

更新信号残差并估计信号：

进一步地，步骤5的停止准则替换为相对拟合误差准则。

本发明的有益效果是：本发明是基于水下信道固有稀疏特性的新型检测技术，即NMF-EC技术。通过稀疏信号重构以及OMP算法，NMF-EC技术估计了几个重要元素(分量)的能量集中度用以判定稀疏信号是否重构成功，该技术相较于现有技术有以下优点：1.本发明在加性高斯白噪声以及不同类型干扰下都具有很强的鲁棒性；2.相较于基于匹配滤波器的检测技术，本发明在多径信道下有较好的检测性能；3.相较于其它现有技术，本发明在复杂多变的实际水下环境中表现出较为理想的检测性能。

附图说明

图1是滑动窗口示意图；

图2是高斯白噪声下HFM前导信号检测ROC曲线(SNR＝-13dB)；

图3是窄带干扰下HFM前导信号检测ROC曲线(SNR＝-12dB)；

图4是短时带限干扰下HFM前导信号检测ROC曲线(SNR＝-13dB)；

图5(a)是类似调频干扰HFM前导信号检测ROC曲线(蒙特卡洛仿真5000次，SNR＝-2dB，INR＝1db，干扰时长＝90ms)；

图5(b)是类似调频干扰HFM前导信号检测ROC曲线(蒙特卡洛仿真5000次，SNR＝-3dB，INR＝3db，干扰时长＝90ms)；

图6是冲激干扰下前导信号检测ROC曲线(SNR＝-12dB)；

图7是冲激干扰下前导信号检测ROC曲线(SNR＝-13dB)；

图8是不同多径条数下HFM前导信号检测ROC曲线(SNR＝-13dB)；

图9是短时带限干扰下下HFM前导信号检测ROC曲线(实验数据)；

图10是上行扫频干扰HFM前导信号检测ROC曲线(实验数据)；

图11是下行扫频干扰HFM前导信号检测ROC曲线(实验数据)；

图12是冲击干扰下HFM前导信号检测ROC曲线(实验数据)。

具体实施方案

下面通过具体实施方式结合附图对本发明作进一步详细说明。

基于背景技术中对现有技术的分析，现有技术和现在的研究都没有考虑到水下信道各种外界干扰及其复杂的多径结构。本发明基于水下信道具有稀疏特性这一前提假设进行。稀疏信道估计已被成功的应用于单载波与多载波水下传输的通信接收机设计中，正交匹配追踪(OMP)算法是一种简单且有效地追踪算法。本发明采用信道估计方法，借助信号的重构进行水声通信中的前导信号检测(注：相似方法仅被尝试用于无干扰条件的无线信道)。

相较于基于匹配滤波器的接收技术，能量集中度(Energy Concentration EC)检测顾名思义是一种基于能量的检测技术。在本发明的检测过程中，首先通过若干次迭代过程从接受数据中分离出若干条主要路径的贡献，然后将其进行线性叠加得到重构信号。然后计算重构信号的能量作为检测量进行判别。能量集中度检测技术中，信号的重构过程不仅减小了多径信号之间的相互影响，还剔除了部分干扰噪声以及无关多径，有效提高了信噪比。而重构信号的能量则表征了几条重要路径对接受信号的贡献。相比于上述基于匹配滤波检测技术，能量集中度检测不但可以有效抑制部分干扰噪声，而且充分考虑了水声信号的多径效应。

接收端接收到的信号实际上是经频率搬移后的带通信号。由于HFM或LFM波形对多普勒不敏感，因此经常被用做前导信号。用和s(t)分别表示通带与基带中的前导信号，f_c表示载频，因此有

其中参数k、b为：

式中T为信号时长。由上式可知，LFM瞬时频率可表示为f(t)＝f₁+kt，并且满足f(0)＝f₁，f(T)＝f₂；HFM瞬时频率可表示为并且满足f(0)＝f₁，f(T)＝f₂。对于LFM与HFM，当f₂＞f₁，为向上扫描的LFM或HFM，当f₁＞f₂，为向下扫描。

基带LFM或HFM波形可表示为：

本发明采用的时变水声信道可表示为：

其中N_pa表示多径条数，A_p，τ_p以及a_p分别表示第p条路径的幅度、时延以及多普勒量级(时间扩张)。由于LFM波形对多普勒压缩或扩张不敏感，因此可以忽略多普勒影响从而采用以下更为简单的信道模型，如下：

经过信道传播后，接受到的带通信号为：

其中*表示卷积，为环境噪声，为外界干扰。

本发明的稀疏信道下基于能量集中的水声前导信号检测方法的实现步骤如下所示：

步骤1：频带搬移及采样

首先将接收到的带通信号进行频率搬移得到基带信号x(t)：

其中*表示卷积。然后对基带信号x(t)以基带采样率B进行采样，其中B为指定带宽。此时采样间隔为T_s＝1/B，则接收机接收的传入样本x[n]为：

步骤2：块检测

在n时刻取N个连续接受样本组成数据块x[n]，

x[n]＝[x[n-N+1],···,x[n]]^h, (12)

其中x[n]∈C^N×1，并且块大小N大于模板大小N_T(N_T＝信号时长T/采样间隔T_s)。

理论分析：本发明根据发送信号模型s[n]构造字典矩阵Φ，其中

s＝[s[0],...,s[N_T-1]]^h， (14)

Φ＝[φ₀,φ₁,...,φ_D-1], (16)

其中，s(t)为发送信号，T_s为基带采样间隔，φ_l∈C^N×1为信号s的第l个延迟副本(l＝0、1…D-1)，D＝N-N_T为最大延迟，Φ∈C^N×D为字典矩阵。

本发明对每个数据块进行检测，首先利用字典矩阵Φ对检测数据块x[n]进行OMP信号重构，显然当没有前导信号发送时，检测数据块x[n]与传输信号无关；当有前导信号发送时，检测数据块x[n]则包含LFM/HFM模板信号s[n]。此时接收信号x[n]可表示为

x[n]＝Φξ[n]+ν[n] (17)

ξ[n]＝[ξ₀[n],...,ξ_D-1[n]]^h, (18)

其中，ξ_l表示第l个延迟副本所对应的信道相关系数，v[n]表示水下各种干扰与噪声。而信号的重构过程即在字典矩阵中找到若干个列向量组成接收数据块向量x[n]的过程。

步骤3：初始化残差、索引集

采用OMP对每个数据块进行信号重构，需要确定矩阵Φ中的哪些列向量组成了本次观测向量x[n]。假设信道稀疏度为K，则需要在字典矩阵中找到K个字典条目组成索引向量集合用于信号重构。首先用观测量(检测块)初始化残差量r₀＝x[n]，并初始化索引集(空集)，(空集)，令迭代计数器i＝0(表示索引次数)。

步骤4：寻找能量贡献路径，索引字典条目，找到索引值t_i，更新索引集

本发明的主要思想是以贪婪的方式在字典矩阵中选择列向量。在每次迭代中，选择与x[n]剩余部分最为相关的列向量。为了找到最为相关的列向量，则需解决以下优化问题：

其中t_i表示本次迭代中选择的字典条目在字典矩阵中的列标。选定字典条目后，将向量添加到向量集合中，并更新索引集：Ω_i＝Ω_i-1∪t_i。

步骤5：剔除相关路径，得到估计信号，用于能量计算

利用更新后的列向量集合求解以下最小二乘问题得到本次迭代的估计信号。

更新信号残差并估计信号：

本发明在经历有限次迭代(K次)后停止，得到执行步骤6(注意：可以使用其它停止准则，如相对拟合误差准则)。否则，设置i＝i+1并返回步骤4。

步骤6：计算能量集中度(EC)得到本次检测结果

不同于其它基于能量的检测技术，能量集中度检测并不是直接对未经处理的原始信号进行能量计算。相反它结束水声信道的稀疏性与线性，借助信号的重构过程筛选相路径并按照其与接收信号的相关程度进行累计叠加。这样它兼顾了每条路径对接收信号的贡献已经多径的累积效应。

基于以上步骤得到的重构信号是K条多径贡献的线性叠加。当没有信号发送时，估计值是信号的失配重构，不具有稀疏特性，且它的前几个元素并不显著大于后面的元素。然而当有信号发送时，由于水下多径信道具有稀疏性，重构信号与x[n]匹配，其能量集中在前几个码元。计算能量集中度如下式：

若ζ[n]＞Γ_EC表明检测到信号，若ζ[n]＜Γ_EC表明未检测到信号，其中Γ_EC为检测门限值。到此，一个数据块样本检测完成。(本技术需要由用户指定两个参数信道稀疏度K和检测门限Γ_EC)

理论分析：通过分析可知重构信号是来自于K条主要路径贡献的线性累加。该信号的重构过程不仅减小了多径之间的相互影响，而且有效剔除部分噪声干扰，提高信噪比。而重构信号的能量则表征了K条主要路径对接受数据的贡献，充分考虑了信道的多径效应。能量集中度检测技术是充分考虑多径基础上基于能量的检测技术。该技术相对于现有基于匹配滤波检测技术充分利用了信道的稀疏特性，在一定程度上克服了信道复杂的多径结构。

步骤7：窗口滑动，检测下一个数据块

如附图1所示，滑动窗口步长为N/2，N个接收数据为一个检测样本。每次检测完成后，滑动窗口移动N/2得到下一个检测样本，然后返回步骤3对新样本进行新一轮的检测。

EC技术的两步实现

相较于基于匹配滤波的检测技术，累积相关系数技术虽然有较为理想的检测效果，但其计算复杂度却相对较高。为降低其计算复杂度，可利用一种两步实现法借助NMF来实现该技术。与上述实现过程相比本实现过程需要两个门限值即归一化匹配滤波门限h_NMF以及检测门限Γ_EC。具体实现步骤如下：

a)设置滑动窗口计数器(对检测块进行技术)w＝1。

b)假设窗口长度N为偶数，那么当对第N个检测块进行检测时，可初始化残差如下：

r₀＝[x((w-1)N/2+1)x((w-1)N/2+2)…x((w-1)N/2+N)]^H (23)

c)对r₀做以下匹配归一化处理，

s[n]为LFM/HFM模板信号。

d)若r_NMF＜h_NMF，判断未发送信号，且w＝w+1,，滑动窗口对下一个检测块进行检测，同时返回步骤b，否则继续，执行步骤e。

e)～h)同上述过程中的步骤3-步骤6，计算

i)若ζ[n]＜Γ_EC，判断没有信号发送；否则，判断有信号发送。并且w＝w+1，返回步骤b继续对下一个数据块进行检测。

仿真实例

仿真实例1(加性高斯白噪声)

具有时变方差的高斯噪声可表示为其中N(0，σ²)表示均值为0方差为σ²的的正态分布。水下环境噪声是非平稳性的，而环境噪声的非平稳性为检测器选择适当的阈值提出了挑战。

本例比较不同检测器在加性高斯白噪声下的性能。附图2所示的是在SNR＝-13dB时的模拟ROC曲线，同时设置HFM波形的扩展增益为27dB。该仿真条件下，MF检测性能优于NMF、MF-PT，而本发明的技术即能量集中度(EC)检测技术显然表现出比MF更好的检测性能。。

仿真实例2(窄带干扰)

窄带干扰通常具有较长的持续时间且频带受限，特殊情况下它只有一个频调，通常情况下有多个频调且表示为：

式中f_nb[i]，A_nb[i]，φ_nb[i]分别表示第i个频调的频率、幅度、相位偏移。通常，窄带干扰具有比前导信号更长的持续时间。

本例中，窄带干扰为13.5KHZ的单音信号，它覆盖整个块持续时间且其功率是前导信号的三倍。从附图3可以看出，在窄带干扰下，鉴于其有效的归一化步骤，PT表现出比MF、NMF更好的检测性能。尽管没有任何归一化过程，本发明的技术在有效提高信噪比的基础上综合考虑了多条主要路径影响，表现出优于以上基于匹配滤波技术的良好检测性能。

仿真实例3(短时带限干扰)

短时带限干扰，带限指干扰频带范围[f_L,f_H]有限并且在信号频带内，短时指干扰持续时长小于前导信号。该干扰也可能是附近系统因其它目的传输的波形。定义干扰带宽为B₁＝f_H-f_L，干扰时长为T₁。

为不失一般性，假设N₁＝[B₁T₁]为偶数。将干扰转移到基带[-B/2,B/2)，基带信号用傅里叶级数表示为：

式中c_l为基系数，相应的通带信号可参数化为

本例中的短时带限干扰是由固定持续时长为33.3ms的高斯白噪声通过中心频率为13KHZ，带宽为1624HZ的带通滤波器得到的。这样干扰的持续时间与带宽均为前导信号的1/3。干扰的起始时间随机分布在块中[25,125]ms的时间范围内。由附图4可知，本发明提出的方法在短时带限干扰下性能良好，而PT算法性能要比所提出的算法以及NMF差，这是因为PT算法的归一化步骤在持续时间较短的干扰下不能很好的工作，而本发明的能量集中度(EC)检测技术相比于其它技术针对这种类型的干扰显然有更好的检测性能，这与其抓住信道稀疏特性兼顾多径累积效应的检测思想密不可分。

仿真实例4(LFM/HFM干扰)

来自其它信道用户的通信设备也可使用具有不同参数的HFM或LFM信号，用表示。当线性调频信号通过路径参数为{(A′_p,τ′_p)}的水下信道(信道模型如8式)，接收机接收的干扰形式为：

由于类似调频信号之间的相关性很高，因此这种类型的干扰对检测器的性能有较为严重的影响。

本例中的线性调频干扰具有与前导信号相同带宽和中心频率，唯一区别是干扰长时长为90ms，前导信号时长为100ms。前导信号和chirp干扰可能来自不同的调制解调器。具有相同参数不同实现的信道可以通过相同的方法进行模拟。

附图5(a)中SNR＝-2dB，INR＝1db。本发明提出的方法检测性能要优于其它检测器，并且由于类似chirp之间的强相关性(后面附图9中给出了说明)，PT算法在这种仿真条件下表现很不理想。附图5(b)中SNR＝-3dB，INR＝3dB，EC检测性能下降。因为基于不匹配chirp的重构信号仍然是近似稀疏的，本仿真条件下NMF和NMF-ACC算法性能稳定，且累积了多条路径的ACC在所有检测器中表现最好。

仿真实例5(冲激干扰)

水下环境具有很强的冲激噪声。由于海港临近区域的人类活动以及生物噪声，冲激干扰的影响不可忽略。与高斯噪声不同，冲激干扰幅度非常大、持续时间很短。

对称α稳定(SαS)分布用来表征环境噪声以及温暖浅水区对虾产生的冲激噪声的经验振幅分布函数。白噪声模型SoS(WSoSW)中设置a＝1，得到基于二分量高斯混合(GM)模型在样本水平上对复合噪声建模μ[n]＝w[n]+i[n]的另一种常用方法，并且被广泛应用于冲激噪声的研究。

该模型的概率密度函数为：

式中N(·)为复高斯分布函数，为加性高斯白噪声的方差，为冲激噪声高斯分量的方差，p为冲激噪声发生的概率。然而在较短的持续时间(窗口长度)内，可视为那么对于每个分量，噪声是独立同分布(IID)的。至于模型参数p，可由特定记录噪声信号推到得到。

附图6和附图7中描绘了式(28)中模型产生的冲激干扰(信噪比不同)下所有检测器的ROC性能曲线，其模型参数为p＝0.01。与在加性高斯白噪声中不同，MF在冲激噪声性能下降。由于归一化克服了噪声功率的不断变化，NMF和PT相比于MF能更好的工作。通过提取信号分量，本发明表现出更好的检测性能。

仿真实例6(路径条数)

本发明是在稀疏信道基础上进行的，而路径条数表征信道的稀疏度。

如附图8所示，本例比较不同L下的检测性能。通常，随着L从15减小到10，从10减小到5，检测性能提高。这是因为当SNR较低时，信号幅度小的路径很难提取。借助少数主路径可以有效的将前导信号从干扰中区分开来。

由附图2-8，可以得到以下结论：

●没有干扰，所有检测器在加性高斯白噪声下都表现出良好的性能。当存在干扰时，情况有所不同。一般而言，MF在所有检测方法中对干扰最为敏感，它需要某种归一化方式以使检测器在不同情况下稳定工作。在长时间干扰下，如窄带干扰、冲激干扰，PT性能较好，在短时间干扰下，如短时带限干扰、类似线性调频信号，PT性能较差。在所有基于匹配滤波器的检测器中，NMF方法对于不同干扰性能是最强的。

●除具有很大INR的类似线性调频信号外，在所有测试情况下EC方法都比基于匹配滤波器的加测器有更好的检测性能。该仿真结果充分证明了利用信道稀疏性进行前导信号检测的优势，能够实现检测器在不同类型干扰下的鲁棒性。

实验数据

下面将利用移动水声通信实验室(MACE10)收集的数据来比较不同的检测方法。该实验室于2010年6月在马萨诸塞州马萨诸塞葡萄园成立。发射源与接收矩阵被部署在深度约为95m到100m的水域中。接收器有两个子表面接收系泊装置和两个表面耦合的接收器浮标。每个浮标有4个元素，组成1m长的垂直阵列。接收阵列是静止的，发射阵列则以1到2m/s的速度被船拖拽。发射器与接收器的相对距离从500m变化到7km左右。前导信号参数设置如表1，与模拟仿真中相同。在前导信号之后，是发送的M序列和其它通信数据。由于相对距离的改变，多径信道的分布不是固定不变的。

将含有HFM前导信号的数据集转换为基带数据，持续时长为260ms备用数据块中，HFM前导信号在块内[25,125]ms的时间范围内随机开始。实验中总共获得5127块所需HFM前导信号数据块，使用其中的2000块进行H₁假设下的检测。需要注意的是，由于数据发射源的移动，这些数据块所对应的信道是时变的。

实验实例7(HFM与滤过的M序列)

附图9为实验环境中，短时带限干扰下不同检测器性能。为了模拟短时窄带干扰，将来自MACE10的2000个M序列剪切成长度为10ms的数据块，并用带宽为2KHZ的滤波器对这些数据块进行处理。生成260ms的噪声块并将干扰随机添加在数据块[25,125]ms的时间范围内。如附图9所示，为SNR＝-4dB，INR＝5dB时不同检测器的ROC性能曲线，其中累积相关系数检测技术参数设置L＝10。由图可知，本发明的技术显然比MF、NMF、以及PT有更强的检测能力。显然，PT算法在这种短时带限干扰下不能很好地工作。

实验实例8(HFM与类似线性调频信号)

在MACE10数据集中，包含具有相同带宽但时长为200ms的下行扫描HFM信号，还有具有相同带宽、相同时长(100ms)的上行扫描LFM信号。可以使用这些HFM信号作为chirp干扰。

附图10和附图11是实验环境中，类似线性调频干扰下不同检测器性能。附图10为下行扫描HFM作为干扰且SNR＝3dB，INR＝1dB是的ROC性能曲线。附图11为上行扫描LFM作为干扰且SNR＝-5dB，INR＝8dB时的ROC性能曲线。显然，PT能在较长时间干扰下能很好的工作。但不能很好的区别上行扫频LFM与上行扫频HFM。NMF性能良好，并且其性能在第二种情况下要比NMF-EC好。同时，两种情况下NMF-ACC性能都要优于NMF。

实验实例9(HFM与冲激噪声)

本例研究了HFM前导信号在冲激干扰下的检测性能。冲击干扰数据集来源于2013年5月在台湾高雄市附近的南海海域进行的海上实验。实验期间存在很多意外的冲激干扰。并且几乎所有的数据集都受到不同程度的影响。

附图12是实验环境中，冲激干扰下不同检测器性能。在附图12中，冲激干扰的幅度值是数据中值幅度的四倍，并且选择发生800个数据块，其发生概率p＝0.01左右，INR＝13dB。每个数据块的长度仍然为260ms。冲激干扰下，MF在所有检测器中性能是最差的。由于NMF与PT算法中的归一化步骤，它们在冲激干扰下具有更稳定的性能。

总之，通过附图9-12可得到以下结论。MF在干扰下性能很差，PT在短时带限干扰下检测性能较低。相对来说，NMF在不同情况下具有更强的鲁棒性。本位提出的检测器在不同情况下都显示出比所有基于MF检测器更好的性能。特别的，ACC在所有检测器中是最好的。这些结论与模拟仿真中的观测结果一致。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (5)

1.一种稀疏信道下基于能量集中度(EC)的水声前导信号检测方法，其特征在于：所述方法包括：

步骤1、频带搬移及采样：首先将接收到的带通信号进行频率搬移得到基带信号x(t)，然后对基带信号x(t)以基带采样率B进行采样，其中B为指定带宽，采样间隔为T_s＝1/B；

步骤2、块检测：

在n时刻取N个连续接受样本组成数据块x[n]，

x[n]＝[x[n-N+1],···,x[n]]^h,

其中x[n]∈C^N×1，并且块大小N大于模板大小N_T，N_T＝信号时长T/采样间隔T_s；

对每个数据块进行检测，利用字典矩阵Φ对检测数据块x[n]进行OMP信号重构；

步骤3、初始化残差、索引集：

假设信道稀疏度为K，则需要在字典矩阵中找到K个字典条目组成索引向量集合用于信号重构。首先用观测量初始化残差量r₀＝x[n]，并初始化索引集 为空集，令迭代计数器i＝0，所述观测量即检测块；

步骤4、寻找能量贡献路径，索引字典条目，找到索引值t_i，更新索引集；

步骤5、剔除相关路径，得到估计信号并更新残差；在经历有限次迭代后，执行步骤6；否则，设置i＝i+1并返回步骤4；

步骤6、计算能量集中度EC得到本次检测结果：当有信号发送时，由于水下多径信道具有稀疏性，重构信号与x[n]匹配，其能量集中在前几个码元。计算能量集中度如下式：

若ζ[n]＞Γ_EC表明检测到信号，若ζ[n]＜Γ_EC表明未检测到信号，其中Γ_EC为检测门限值；到此，一个数据块样本检测完成；

步骤7、窗口滑动，检测下一个数据块。

2.根据权利要求1所述的方法，其特征在于：为降低其计算复杂度，利用两步实现法借助NMF来实现所述检测方法，设置归一化匹配滤波门限h_NMF以及检测门限Γ_EC，具体实现步骤如下：

a)设置滑动窗口计数器w＝1；

b)假设窗口长度N为偶数，那么当对第N个检测块进行检测时，初始化残差如下：

r₀＝[x((w-1)N/2+1)x((w-1)N/2+2)…x((w-1)N/2+N)]^H；

c)对r₀做以下匹配归一化处理：

d)若r_NMF＜h_NMF，判断未发送信号，且w＝w+1,，滑动窗口对下一个检测块进行检测，同时返回步骤b，否则继续，执行步骤e；

e)～(h)同所述步骤3-步骤6，计算

i)若ζ[n]＜Γ_EC，判断没有信号发送；否则，判断有信号发送。并且w＝w+1，返回步骤b继续对下一个数据块进行检测。

3.根据权利要求1所述的方法，其特征在于：所述步骤4以贪婪的方式在字典矩阵中选择列向量，在每次迭代中，选择与x[n]剩余部分最为相关的列向量；

为了找到最为相关的列向量，则需解决以下优化问题：

其中t_i表示本次迭代中选择的字典条目在字典矩阵中的列标；选定字典条目后，将向量添加到向量集合中，并更新索引集：Ω_i＝Ω_i-1∪t_i。

4.根据权利要求1所述的方法，其特征在于：步骤5中利用更新后的列向量集合求解以下最小二乘问题得到本次迭代的估计信号：

更新信号残差并估计信号：

5.根据权利要求1所述的方法，其特征在于：步骤5的停止准则替换为相对拟合误差准则。