CN108574956B - 一种特征序列的优选方法和装置 - Google Patents

Abstract

本发明实施例提供了一种特征序列的优选方法和装置，所述方法包括：按照预设算法生成多个特征序列，按预设数量将所述多个特征序列组织为多个特征序列组；针对各个特征序列组中的任意两个不同特征序列，分别生成特征序列对偶；计算所述特征序列对偶的最大相关峰值，用于评估特征序列对偶的两个特征序列之间的互相关性强弱；根据所有特征序列组中的每个特征序列对偶的最大相关峰值确定最优特征序列组。经过优选后的特征序列组，可以有效地降低接收侧基站检测特征序列的误检率。

Description

一种特征序列的优选方法和装置

技术领域

本发明涉及通信技术领域，特别是涉及一种特征序列的优选方法和一种特征序列的优选装置。

背景技术

在LTE(Long Term Evolution，长期演进)系统中等移动网络中广泛存在的远端干扰的问题，为了解决远端干扰，现有的技术通过在特殊子帧上添加特征序列的方式来检测远端干扰，具体地，受扰基站在特殊子帧DwPTS(Downlink Pilot Time Slot，下行导频时隙)时隙上周期性发送特征序列，该特征序列采用gold序列，接收基站采用相关检测算法检测出特征序列，从而识别出远端干扰源，检测到远端干扰后，接收端可以进行自适应干扰规避处理。

目前，现有技术的做法是固定选取一组特征序列(如选取候选特征序列集中最前面的几个特征序列)，没有对特征序列进行优选，这种做法存在的问题是：在候选的特征序列中，虽然特征序列之间的互相关性较弱，但两个特征序列之间的互相关性并不相同，而且高于特征序列与白噪声之间的互相关性，如果简单地固定选取一组特征序列，一般来说这组特征序列的任意两个特征序列之间的互相关性并不是最优的，而远端干扰检测需要做干扰源的盲检测，即遍历检测选取的所有特征序列，如果特征序列之间的互相关性高于特征序列与白噪声之间的互相关性，则必然会抬高误检率，而为了保证要求的误检率，必须抬高检测门限，而这样会同步抬高漏检率。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种特征序列的优选方法和一种特征序列的优选装置。

为了解决上述问题，本发明实施例公开了一种特征序列的优选方法，所述方法包括：

按照预设算法生成多个特征序列，按预设数量将所述多个特征序列组织为多个特征序列组；

针对各个特征序列组中的任意两个不同特征序列，分别生成特征序列对偶；

计算所述特征序列对偶的最大相关峰值，用于评估特征序列对偶的两个特征序列之间的互相关性强弱；

根据所有特征序列组中的每个特征序列对偶的最大相关峰值确定最优特征序列组。

优选地，所述计算特征序列对偶的最大相关峰值的步骤包括：

将特征序列对偶中的两个特征序列在频域做共轭相乘运算，获得频域相关数据；

将频域相关数据经IFFT处理变换到时域，获得时域每个样点的相关值；

获取时域所有样点相关值的最大值，该最大值为两个特征序列之间的最大相关峰值。

优选地，所述根据所有特征序列组中的每个特征序列对偶的最大相关峰值确定最优特征序列组的步骤包括：

将所述特征序列组中的所有特征序列对偶的最大相关峰值进行均值运算及方差运算，获得每个所述特征序列组的最大相关峰值均值及最大相关峰值方差值；

判断所述最大相关峰值均值是否为最小值；并且，所述最大相关峰值方差值是否小于预设门限；

若是，则确定满足所述条件的特征序列组为最优特征序列组。

本发明实施例还公开了一种特征序列的优选装置，所述装置还包括：

组织模块，用于按照预设算法生成多个特征序列，按预设数量将所述多个特征序列组织为多个特征序列组；

特征序列对偶生成模块，用于针对各个特征序列组中的任意两个不同特征序列，分别生成特征序列对偶；

最大相关峰值计算模块，用于计算所述特征序列对偶的最大相关峰值，用于评估特征序列对偶的两个特征序列之间的互相关性强弱；

最优特征序列组确定模块，用于根据所有特征序列组中的每个特征序列对偶的最大相关峰值确定最优特征序列组。

优选地，所述最大相关峰值计算模块包括：

频域相关数据获得子模块，用于将特征序列对偶中的两个特征序列在频域做共轭相乘运算，获得频域相关数据；

相关值获得子模块，用于将频域相关数据经IFFT处理变换到时域，获得时域每个样点的相关值；

最大相关峰值获得子模块，用于获取时域所有样点相关值的最大值，该最大值为两个特征序列之间的最大相关峰值。

优选地，所述最优特征序列组确定模块包括：

均值及方差值获得子模块，用于将所述特征序列组中的所有特征序列对偶的最大相关峰值进行均值运算及方差运算，获得每个所述特征序列组的最大相关峰值均值及最大相关峰值方差值；

判断子模块，用于判断所述最大相关峰值均值是否为最小值；并且，所述最大相关峰值方差值是否小于预设门限；

最优特征序列组确定模块，用于当所述最大相关峰值均值为最小值，并且，所述最大相关峰值方差值小于预设门限时，则确定满足所述条件的特征序列组为最优特征序列组。

本发明实施例包括以下优点：

本发明实施例中，按照预设算法生成多个特征序列，按预设数量将所述多个特征序列组织为多个特征序列组；针对各个特征序列组中的任意两个不同特征序列，分别生成特征序列对偶；计算所述特征序列对偶的最大相关峰值，用于评估特征序列对偶的两个特征序列之间的互相关性强弱；根据所有特征序列组中的每个特征序列对偶的最大相关峰值确定最优特征序列组；依据所述最大相关峰值生成相应的指定特征序列组；经过优选后的特征序列组，可以有效地降低接收侧基站检测特征序列的误检率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图

图1是本发明实施例的一种特征序列的优选方法实施例的步骤流程图；

图2是本发明实施例的一种特征序列的优选装置的结构框图；

具体实施方式

为了使本发明实施例所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明实施例进一步详细说明。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。

参照图1，示出了本发明实施例的一种特征序列的优选方法实施例的步骤流程图，具体可以包括如下步骤：

步骤101，按照预设算法生成多个特征序列，按预设数量将所述多个特征序列组织为多个特征序列组；

本发明实施例中，首先会按照预设算法生成多个特征序列，进一步按预设数量将所述多个特征序列组织为多个特征序列组，该预设数量为本领域技术人员根据实际情况设定的任何数值，本发明实施例对此不作限制。

举例而言，生成的特征序列可以为gold序列(由m序列派生出的伪随机码)，当然，还可以其他特征序列，如ZC(Zadoff-Chu)序列、m序列(最长线性移位寄存器序列)，本发明实施例对特征序列的种类不作具体的限制。例如，采集到的100个gold序列，其中，100个gold序列包括：特征序列1、特征序列2、特征序列3·············特征序列100。

假设步骤101中的预设数量为4；可以将100个特征序列任取4个特征序列，生成多个特征序列组，即每个特征序列组包括4个预设数量的特征序列，举例而言，如特征序列组1可以包括特征序列1、特征序列2、特征序列3及特征序列4。

步骤102，针对各个特征序列组中的任意两个不同特征序列，分别生成特征序列对偶；

进一步地，针对各个特征序列组中的任意两个特征序列，分别生成特征序列对偶，例如，承接步骤101的特征序列组，特征序列1与特征序列2可以组成特征序列对偶1，特征序列3与特征序列4可以组成特征序列对偶2，特征序列1与特征序列3可以组成特征序列对偶3、特征序列2与特征序列4可以组成特征序列对偶4，特征序列2与特征序列3可以组成特征序列对偶5，特征序列1与特征序列4可以组成特征序列对偶6；将特征序列组的任意特征序列两两组合成特征序列对偶。

步骤103，计算所述特征序列对偶的最大相关峰值，用于评估特征序列对偶的两个特征序列之间的互相关性强弱；

实际应用到本发明实施例中，获取每组特征序列对偶(如特征序列对偶1、特征序列对偶2······)的最大相关峰值，具体地，可以将特征序列对偶中的两个特征序列进行共轭相乘及傅里叶变换，选取出时域相关值的最大值为所述最大相关峰值；用于评估特征序列对偶的两个特征序列之间的互相关性强弱。

本发明实施例的一种优选实施例中，所述计算特征序列对偶的最大相关峰值的步骤可以包括以下子步骤：

步骤S1031，将特征序列对偶中的两个特征序列在频域做共轭相乘运算，获得频域相关数据；

步骤S1032，将频域相关数据经IFFT处理变换到时域，获得时域每个样点的相关值；

步骤S1033，获取时域所有样点相关值的最大值，该最大值为两个特征序列之间的最大相关峰值。

步骤104，根据所有特征序列组中的每个特征序列对偶的最大相关峰值确定最优特征序列组。

本发明实施例的另一种优选实施例中，所述根据所有特征序列组中的每个特征序列对偶的最大相关峰值确定最优特征序列组的步骤可以包括以下子步骤：

步骤S1041，将所述特征序列组中的所有特征序列对偶的最大相关峰值进行均值运算及方差运算，获得每个所述特征序列组的最大相关峰值均值及最大相关峰值方差值；

步骤S1042，判断所述最大相关峰值均值是否为最小值；并且，所述最大相关峰值方差值是否小于预设门限；

步骤S1043，若是，则确定满足所述条件的特征序列组为最优特征序列组。

具体到本发明实施例中，获得每个不同的特征序列组中的多个组特征序列对偶的最大相关峰值均值及最大相关峰值方差值，该最大相关峰值均值即每个特征序列组中的多组特征序列对偶的最大相关峰值的平均值，该最大相关峰值方差值即每个特征序列组中的多组特征序列对偶的最大相关峰值的方差值；如获得25个特征序列组的最大相关峰值均值及最大相关峰值方差值，判断判断所述最大相关峰值均值是否为最小值；并且，所述最大相关峰值方差值是否小于预设门限，当上述两者的条件都符合时，将所述最大相关峰值均值及所述最大相关峰值方差值对应的特征序列组确定为最优特征序列组。

本发明实施例中，按照预设算法生成多个特征序列，按预设数量将所述多个特征序列组织为多个特征序列组；针对各个特征序列组中的任意两个不同特征序列，分别生成特征序列对偶；计算所述特征序列对偶的最大相关峰值，用于评估特征序列对偶的两个特征序列之间的互相关性强弱；根据所有特征序列组中的每个特征序列对偶的最大相关峰值确定最优特征序列组；依据所述最大相关峰值生成相应的指定特征序列组；经过优选后的特征序列组，可以有效地降低接收侧基站检测特征序列的误检率，有助于提高特征序列的检出率，提升特征序列的检测性能，可以使基站更好地采取措施抑制远端基站的干扰。

为使本领域技术人员更好地理解本发明实施例，以下通过一个具体的示例进行说明。

1、采集多个特征序列，特征序列采用gold序列或ZC序列，用于检测远端干扰的。

2、采用最大相关峰值评估两个不同特征序列之间的互相关性的强弱，最大相关峰值的计算方法如下：

(1)两个特征序列均为频域特征序列，在频域做共轭相乘运算，得到频域相关数据；

(2)将频域相关数据经IFFT(Inverse Fast Fourier Transform，快速傅里叶逆变换)处理变换到时域，得到时域每个样点的相关值；

(3)获取时域所有样点相关值的最大值，该最大值为两个特征序列之间的最大相关峰值。

3、在候选的特征序列中，任意两个不同特征序列组合成一个特征序列对偶，所有特征序列对偶构成特征序列对偶集，计算每个特征序列对偶的最大相关峰值，用于评估两个特征序列之间的互相关性强弱。

4、在候选的特征序列中，选取n个不同特征序列构成一个特征序列组，特征序列组内的任意两个不同特征序列的组合构成n*(n-1)/2个特征序列对偶，每个特征序列对偶对应一个最大相关峰值。如果该特征序列组同时满足如下条件，则选择为指定特征序列组：

(1)这n个特征序列组合成的m＝n*(n-1)/2个特征序列对偶，其对应的m个最大相关峰值的均值(最大相关峰值均值)在所有其他特征序列组中为最小；

(2)m个最大相关峰值的方差值(最大相关峰值方差值)小于预设门限。

5、将选择的指定特征序列组内的每个特征序列作为优选特征序列(第一特征序列、第二特征序列)，用于远端干扰检测。

6、根据上行子帧的干扰功率和干扰特征判定是疑似远端干扰后，发送侧基站在子帧1(特征子帧)或子帧6(特征子帧)的DwPTS(Downlink Pilot Time Slot，下行导频时隙)全带宽上周期性发送上述优选特征序列(第二特征序列)。

7、接收侧基站将优选特征序列作为参考特征序列(第一特征序列)，在子帧1的UpPTS(Uplink Pilot Time Slot上行导频时隙)的两个符号和子帧2的14个符号上或者子帧6的UpPTS的两个符号和子帧7的14个符号上进行特征序列相关检测。

8、接收侧基站将接收到发送侧基站的时域上行信号经FFT(Fast FourierTransform，快速傅里叶变换)处理变换到频域，与第一特征序列在频域做相关运算，然后将相关运算后的频域相关数据经IFFT变换到时域，如果时域最大相关峰的相关功率值与平均噪声功率的比值(特征功率值)大于预设功率门限，则判定检测到特征序列。

9、如果持续检测到第二特征序列，则判定检测到远端干扰，发送侧基站的下行信号落在了保护间隔时隙落到接收侧基站上行信号时隙中。

10、接收侧基站进行自适应的功率调整或干扰抑制避免远端干扰。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图2，示出了本发明实施例的一种特征序列的优选装置实施例的结构框图，具体可以包括如下模块：

组织模块201，用于按照预设算法生成多个特征序列，按预设数量将所述多个特征序列组织为多个特征序列组；

特征序列对偶生成模块202，用于针对各个特征序列组中的任意两个不同特征序列，分别生成特征序列对偶；

最大相关峰值计算模块203，用于计算所述特征序列对偶的最大相关峰值，用于评估特征序列对偶的两个特征序列之间的互相关性强弱；

最优特征序列组确定模块204，用于根据所有特征序列组中的每个特征序列对偶的最大相关峰值确定最优特征序列组。

优选地，所述最大相关峰值计算模块包括：

频域相关数据获得子模块，用于将特征序列对偶中的两个特征序列在频域做共轭相乘运算，获得频域相关数据；

相关值获得子模块，用于将频域相关数据经IFFT处理变换到时域，获得时域每个样点的相关值；

最大相关峰值获得子模块，用于获取时域所有样点相关值的最大值，该最大值为两个特征序列之间的最大相关峰值。

优选地，所述最优特征序列组确定模块包括：

均值及方差值获得子模块，用于将所述特征序列组中的所有特征序列对偶的最大相关峰值进行均值运算及方差运算，获得每个所述特征序列组的最大相关峰值均值及最大相关峰值方差值；

判断子模块，用于判断所述最大相关峰值均值是否为最小值；并且，所述最大相关峰值方差值是否小于预设门限；

最优特征序列组确定模块，用于当所述最大相关峰值均值为最小值，并且，所述最大相关峰值方差值小于预设门限时，则确定满足所述条件的特征序列组为最优特征序列组。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种方法和一种装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种特征序列的优选方法，其应用于在特殊子帧上添加上述特征序列来检测远端干扰，所述方法包括：

按照预设算法生成多个特征序列，按预设数量将所述多个特征序列组织为多个特征序列组；

针对各个特征序列组中的任意两个不同特征序列，分别生成特征序列对偶；

计算所述特征序列对偶的最大相关峰值，用于评估特征序列对偶的两个特征序列之间的互相关性强弱；

根据所有特征序列组中的每个特征序列对偶的最大相关峰值确定最优特征序列组；

所述根据所有特征序列组中的每个特征序列对偶的最大相关峰值确定最优特征序列组的步骤包括：

将所述特征序列组中的所有特征序列对偶的最大相关峰值进行均值运算及方差运算，获得每个所述特征序列组的最大相关峰值均值及最大相关峰值方差值；

判断所述最大相关峰值均值是否为最小值；并且，所述最大相关峰值方差值是否小于预设门限；

若是，则确定满足条件的特征序列组为最优特征序列组。

2.根据权利要求1所述的方法，其特征在于，所述计算特征序列对偶的最大相关峰值的步骤包括：

将特征序列对偶中的两个特征序列在频域做共轭相乘运算，获得频域相关数据；

将频域相关数据经IFFT处理变换到时域，获得时域每个样点的相关值；

获取时域所有样点相关值的最大值，该最大值为两个特征序列之间的最大相关峰值。

3.一种特征序列的优选装置，其应用于在特殊子帧上添加上述特征序列来检测远端干扰，所述装置还包括：

组织模块，用于按照预设算法生成多个特征序列，按预设数量将所述多个特征序列组织为多个特征序列组；

特征序列对偶生成模块，用于针对各个特征序列组中的任意两个不同特征序列，分别生成特征序列对偶；

最大相关峰值计算模块，用于计算所述特征序列对偶的最大相关峰值，用于评估特征序列对偶的两个特征序列之间的互相关性强弱；

最优特征序列组确定模块，用于根据所有特征序列组中的每个特征序列对偶的最大相关峰值确定最优特征序列组；

所述最优特征序列组确定模块包括：

均值及方差值获得子模块，用于将所述特征序列组中的所有特征序列对偶的最大相关峰值进行均值运算及方差运算，获得每个所述特征序列组的最大相关峰值均值及最大相关峰值方差值；

判断子模块，用于判断所述最大相关峰值均值是否为最小值；并且，所述最大相关峰值方差值是否小于预设门限；

最优特征序列组确定模块，用于当所述最大相关峰值均值为最小值，并且，所述最大相关峰值方差值小于预设门限时，则确定满足条件的特征序列组为最优特征序列组。

4.根据权利要求3所述的装置，其特征在于，所述最大相关峰值计算模块包括：

频域相关数据获得子模块，用于将特征序列对偶中的两个特征序列在频域做共轭相乘运算，获得频域相关数据；

相关值获得子模块，用于将频域相关数据经IFFT处理变换到时域，获得时域每个样点的相关值；

最大相关峰值获得子模块，用于获取时域所有样点相关值的最大值，该最大值为两个特征序列之间的最大相关峰值。

Images