CN110113279A - 一种移动跳频水声通信多普勒因子估计方法 - Google Patents

Abstract

本发明属于水声通信技术领域，公开了一种移动跳频水声通信多普勒因子估计方法，在接收端进行通信信号同步，截取码片；对截取的码片进行多普勒频偏因子测量得到多普勒频偏因子估计结果；预选小波基函数作为去噪用小波基函数；分解多普勒频偏因子估计结果得到近似系数和细节系数；计算阈值门限；对细节系数进行软阈值去噪；对多普勒频偏因子进行重构；将多普勒频偏因子优化结果分组，取每组的中值代表该组；对下一组多普勒频偏因子中值大小进行预测；进行下一组码片的选取，重复步骤对下一组多普勒频偏因子中值大小进行预测。本发明选取最优去噪小波基函数，消除因同步不精准、选片不准确造成的估计误差，得到更精准的多普勒频偏因子估计结果。

Description

一种移动跳频水声通信多普勒因子估计方法

技术领域

本发明属于水声通信技术领域，尤其涉及一种移动跳频水声通信多普勒因子估计方法。

背景技术

随着国家海洋战略的实施，水声通信技术得到了极高的关注与发展，目前已广泛应用于各类军用、民用领域当中，如无人水下航行器的数据与控制指令通信等。水下航行器作为海洋探测和水声通信的重要载体，已成为各国海洋工程领域的研究热点。水下航行器具有隐蔽性、机动性、经济性等特点，

不同于陆地上的无线电通信，水下声传播速度只有1500m/s左右，声波在水下的传播速度远小于电磁波的传播速度，故与陆空无线通信比较而言，即使接收端与发射端存在很小的运动速度，也会对通信系统造成十分明显的影响。即便收发两端不存在自主运动，水下设备也会受到诸如洋流、潮汐等因素的影响而出现相对速度。这些因素会综合影响通信系统接收端的信号同步与码元同步，降低系统的稳定性。水声信道中存在更为明显的多普勒效应。由于水声信道的可用带宽窄，水声通信本质上是一个宽带通信系统，因此，水声信道中的多普勒效应将会引起接收信号在频域上的频率偏移和频谱扩展，在时域上则表现为接收时域波形的压缩或扩展。对于水下无人航行器，其运动速度一般为1.5～15m/s,此时的多普勒扩展因子可达10-3量级，在无线电通信系统中唯一能够与之相比的是低轨卫星系统过顶时产生的多普勒效应。为了减小多普勒效应对水声信号接收和处理的不良影响，有必要对接收到的水声信号进行有效的多普勒扩展因子估计和补偿，从而能够恢复出原始信号波形。因此，如何降低多普勒频偏对通信系统的影响是水声通信技术发展需要解决的问题。

公开号为CN108092723A的专利公开了一种基于压缩感知算法的水声双扩展信道环境下的独立路径多普勒补偿与均衡方法，该方法通过压缩感知算法对二维信道时延-多普勒扩展函数进行估计。公开号为CN107911133A的专利公开了一种移动水声通信的多普勒因子估计及补偿方法，主要以大尺度多普勒估计及补偿、残余多普勒估计及补偿，多普勒相位旋转补偿这三个步骤对接收信号进行估计与补偿。公开号为CN107547143A的专利公开了一种已知子载波频率的OFDM-MFSK水声通信宽带多普勒估计与补偿方法，仅需一次数据过采样即可实现水下OFDM-MFSK通信系统中宽带多普勒的精确估计与补偿。

以上几种多普勒估计方法都考虑了某短时间内单个码元或帧信号内的多普勒频偏因子估计，但是没有考虑到多个码元或连续的帧信号的多普勒频偏因子之间的变化过程，使得准确性降低，不能适应现代水声通信的要求。

发明内容

本发明的目的在于公开误差小、准确度高的一种移动跳频水声通信多普勒因子估计方法。

本发明的目的是这样实现的：

一种移动跳频水声通信多普勒因子估计方法，包含如下步骤：

步骤(1)：在接收端进行通信信号同步，将接收信号与本地训练序列参考信号进行拷贝相关，搜索到相关结果峰值的位置，确定训练序列起始时刻，然后根据选片策略，截取每一个训练序列中的码片；

步骤(2)：对截取的一组码片进行多普勒频偏因子测量，得到多普勒频偏因子估计结果α(n)；

步骤(3)：预选系列小波基函数，通过信息熵最大准则，对小波基函数进行选择，作为去噪用小波基函数；

若某小波基函数下得到的小波系数所求的小波系数的熵E_nt最大，选择该小波基函数作为去噪用小波基函数；

上式中，ω_j(j＝1,2,...,N)是通过离散小波分解后得到的小波系数；

步骤(4)：对多普勒频偏因子估计结果α(n)通过离散小波变换进行分解，分解层数固定，得到不同阶数下的近似系数和细节系数；

上式中，c_j,k为近似系数，ω_j,k为细节系数，φ_j,k(i)为尺度函数，ψ_j,k(i)为小波函数，j是扩张因子，k是平移因子，N为最大分解层数。

步骤(5)：对不同阶数下的细节系数进行固定阈值和无偏风险估计阈值的选取，然后通过启发式阈值准则计算阈值门限λ；

步骤(5.1)：固定阈值λ_u的选取：

上式中，N_p为细节系数序列长度，为细节系数方差估计值；

步骤(5.2)：无偏风险估计阈值的选取：

将分解结果的细节系数的平方按由小到大顺序排列得到w(i)，计算风险值r_i：

上式中，n为细节系数个数，记录r_i中的最小值为r_m，m为最小值所在的位置，对应的细节系数为w_m，则无偏风险估计阈值为

步骤(5.3)：计算阈值门限λ：

上式中，

步骤(6)：以阈值门限λ对不同阶数下的细节系数进行软阈值去噪，得到去噪后的细节系数；

软阈值去噪：

上式中，为去噪后的细节系数；

步骤(7)：基于去噪后的细节系数通过小波重构对多普勒频偏因子进行重构，得到多普勒频偏因子优化结果

对多普勒频偏因子进行重构：

上式中，是多普勒频偏因子优化结果；

步骤(8)：将多普勒频偏因子优化结果根据训练序列长度进行均匀分组，取每组的中值代表该组；

步骤(9)：进行卡尔曼滤波器参数初始化设定，将步骤(8)中每组的中值按顺序通过卡尔曼滤波器，以更新卡尔曼滤波器参数，并对下一组多普勒频偏因子中值大小进行预测；

以第n+2组码片，对n+3组码片的多普勒频偏因子中值大小进行预测：

上式中，为第n+1组优化结果，A为状态转移矩阵，B为系统输入量与系统状态之间的关系矩阵，U_n+1为系统输入量，为预测出的第n+2组码片多普勒频偏因子中值大小；P_n+1为第n+1组协方差，Q为过程噪声协方差，为第n+2组协方差估计；H为观测量与系统状态之间的关系矩阵,R为量测方程中的噪声协方差，K_n+2为第n+2卡尔曼增益；为经过优化算法得到的优化结果中值，为第n+2组后验估计值；P_n+2为第n+2组协方差；为第n+3组先验估计值；

完成第n+2组码片的时间更新和测量更新后，将第n+2组得到的后验估计作为第n+3组的先验估计值。

步骤(10)：根据多普勒频偏因子中值大小的预测值进行下一组码片的选取，然后重复步骤(3)至步骤(7)，得到该组码片的多普勒频偏因子优化结果，将该组多普勒频偏因子优化结果取中值，代入卡尔曼滤波器，然后对下一组多普勒频偏因子中值大小进行预测。

步骤(11)：完成全部码片多普勒频偏因子测量与估计优化后，结束。

本发明的有益效果为：本发明以连续的训练序列码片作为一个整体进行优化，将多普勒频偏因子变化趋势考虑在内，可得到更精准的多普勒频偏因子估计结果；本发明可消除因同步不精准、选片不准确造成的多普勒频偏因子估计误差；本发明对于非均匀多普勒频偏因子，经过所述方法优化后可得到更精准的多普勒频偏因子变化曲线；本发明可根据多普勒频偏因子分布特征，通过计算小波系数信息熵决定最优去噪小波基函数，可得到更精准的多普勒频偏因子估计结果。

附图说明

图1是一种移动跳频水声通信多普勒因子估计方法流程图；

图2是均匀多普勒因子不同阶数小波分解下估计结果优化前后对比图；

图3是加性高斯白噪声下优化方法前后对比图；

图4是独立同分布随机瑞利衰落信道下优化方法前后对比图；

图5是仿真加性高斯白噪声快速运动极端情况下多普勒因子真实值与优化值对比。

具体实施方式

下面结合附图来进一步描述本发明：

如图1所示，一种移动跳频水声通信多普勒因子估计方法，包含如下步骤：

步骤1：在接收端进行通信信号同步，同步时，将接收信号与本地训练序列参考信号进行拷贝相关，搜索到相关结果峰值的位置，即可确定训练序列起始时刻；

确定训练序列起始时刻后，可根据一定选片策略，如扩张型选片、固定长度选片等方法，截取每一个训练序列中的码元。

步骤2：对接收信号中的训练序列按码片进行多普勒频偏因子测量，得到初测多普勒频偏因子估计结果α(n)；

初测多普勒频偏因子估计方法结合抛物线拟合算法，提高初测精度。

步骤3：预选系列小波基函数，通过信息熵最大准则，对小波基进行优选，以作为去噪所用小波基；

通过信息熵最大准则，对小波基进行优选的具体方法如式(1)、(2)所示

其中，ω_j(j＝1,2,...,N)为通过离散小波分解后得到的小波系数，E_nt为小波系数的熵，若某小波基下得到的小波系数所求的信息熵E_nt最大，则认为该小波基为最优小波基。分解采用的预选小波基包含db N(Daubechies)、sym(Symlets)，DMEY等小波基函数。

步骤4：通过离散小波变换对初测多普勒频偏因子序列进行分解，分解层数固定，得到不同阶数、长度的近似系数与细节系数；

对步骤2中得到的初测多普勒频偏因子序列，通过离散小波变换进行分解，具体表达式如式(3)所示

其中，c_j,k为不同阶数下的近似系数，ω_j,k为不同阶数下的细节系数，φ_j,k(i)为尺度函数，ψ_j,k(i)为小波函数，j与k分别为扩张因子与平移因子，N为最大分解层数。φ_j,k(i)与ψ_j,k(i)的具体表达式如式(4)、(5)所示。在处理均匀多普勒频偏因子序列时，一般采用3阶或3阶以上的分解层数，对于非均匀多普勒因子序列，一般采用3阶或3阶以下的分解层数。该处理过程中，主要目的是提取序列其中低频分量作为多普勒因子优化结果以便于后续信号的补偿。在本实例中，采用“sym8”正交小波基。

步骤5：计算该细节系数下的固定阈值与无偏风险估计阈值，通过启发式阈值准则计算阈值门限λ；启发式阈值是无偏估计阈值和固定阈值的综合，若信噪比较大就采用固定阈值法，信噪比很小就按无偏估计方法。因低信噪比情况下，部分多普勒因子估计结果可能会超过门限被舍弃，因此出现空值，这种情况下得到的多普勒估计因子的数量会少于码片数量，带来误差。

固定阈值λ_u选取的具体方法如式(6)所示，其中为细节系数方差估计值，N_p为细节系数序列长度，一般地，其中，N为上一层细节系数长度或分解的序列长度。

无偏风险估计阈值选取的具体方法为：

将分解结果的细节系数的平方按由小到大顺序排列得到w(i)，计算风险值r_i。

其中，n为细节系数个数，记录r_i中的最小值为r_m，m为最小值所在的位置，对应的细节系数为w_m，则无偏风险估计阈值为

最终门限λ的具体确定方法为：

其中，用于判定最优门限的选择，得到最终门限λ。

步骤6：以λ为门限对各阶细节系数进行软阈值去噪，得到细节系数去噪结果；

根据步骤5得到的门限，进行软阈值去噪的具体过程：

以λ为门限对各阶细节系数进行软阈值去噪的具体方法为：

其中，为去噪后的各阶细节系数，再由高阶，逐级向上计算得到低阶的近似系数，再通过近似系数与去噪后的细节系数向上计算更低阶近似系数。

步骤7：通过小波重构对多普勒频偏因子进行重构，得到优化后的多普勒频偏因子序列优化结果该结果可用于更精准的多普勒补偿。

对多普勒频偏因子进行重构的具体方法为：

其中，为小波软阈值去噪后更贴近真实值的多普勒频偏因子序列优化结果。

步骤8：将从训练序列中得到的优化结果根据训练序列长度进行均匀分组，每组优选结果取中值，以代表该组。

步骤9：进行卡尔曼滤波器参数初始化设定，完成后将步骤八所述的每组优选结果中值按顺序通过卡尔曼滤波器，用以更新卡尔曼滤波器参数，并对下一组数据段分组多普勒因子大小中值进行预测。

将每组优选结果中值按顺序通过卡尔曼滤波器，用以更新卡尔曼滤波器参数，并对下一组数据段分组多普勒因子大小进行预测的具体方法为：

以第n+2组码片为例，对n+3组码片的多普勒因子中值大小进行预测。

其中，为第n+1组优化结果，A为状态转移矩阵，B为系统输入量与系统状态之间的关系矩阵，U为系统输入量，为预测出的第n+2组码片多普勒因子中值大小。

其中，P_n+1为第n+1组协方差，Q为过程噪声协方差，为第n+2组协方差估计。

其中，H为观测量与系统状态之间的关系矩阵,R为量测方程中的噪声协方差，K_n+2为第n+2卡尔曼增益。

其中，为经过优化算法得到的优化结果中值，为第n+2组后验估计值。

其中，P_n+2为第n+2组协方差，该过程为误差协方差更新过程。

其中，为第n+3组先验估计值。

完成第n+2组的时间更新和测量更新后，将第n+2组得到的后验估计作为第n+3组的先验估计值。

步骤10：根据预测值进行下一组码片范围的选取，选取完成后，重复步骤三到步骤七，得到该组多普勒因子优化结果，将优化结果取中值，带入卡尔曼滤波器，对下一组多普勒因子中值大小进行预测。

步骤11：完成全部码片多普勒频偏因子测量与估计优化后，结束。

一般地，重构主要由一组正交滤波器组及过采样完成。为了充分说明不同阶数下，该方法的性能对比，浅水信道下均匀多普勒因子不同阶数小波分解下估计结果优化前后对比如图2所示，其中，通过线性插值方法给予接收信号2m/s的多普勒，从图中可看出，在信道影响下，多普勒因子估计值起伏较大，在不通过各路径单独补偿的情况下，该方法仍然能够优化出更贴近真实值的结果，且对于均匀多普勒因子，3阶以上的小波软阈值去噪效果更好。

为了进一步描述所述方法的性能，在加性高斯白噪声及独立同分布随机瑞利衰落信道下的性能对比，采用均方根误差对比估计效果，对序列进行3层分解，初始多普勒因子序列仅做取中值处理，并引入常规卡尔曼滤波器进行对比，由图3可得，在加性高斯白噪声下，当SNR较大时，该方法效果优于序列取中值方法。由图4可得，在独立同分布随机瑞利衰落信道下，所述方法明显优于卡尔曼滤波器及序列中值，更接近真实值。对于非均匀多普勒频偏因子的优化结果如图5所示，其中，通过线性插值方法在接收信号上增加正弦变化的多普勒频偏因子，速度由6m/s快速变化到-4m/s，通过加入加性高斯白噪声控制信噪比为5dB，此时为J＝3的情况下的优化结果，由图中可以看出，初测多普勒因子存在一定震动，若直接以此值进行补偿，将带来误差，经过优化后，可得到连续、更贴近真实值的结果。

该方法可用于多种多普勒频偏因子估计方法中，可起到优化估计结果的作用。

与现有技术相比，本发明以连续的训练序列码片作为一个整体进行优化，将多普勒频偏因子变化趋势考虑在内，可得到更精准的多普勒频偏因子估计结果；本发明可消除因同步不精准、选片不准确造成的多普勒频偏因子估计误差；本发明对于非均匀多普勒频偏因子，经过所述方法优化后可得到更精准的多普勒频偏因子变化曲线；本发明可根据多普勒频偏因子分布特征，通过计算小波系数信息熵决定最优去噪小波基函数，可得到更精准的多普勒频偏因子估计结果。

以上所述并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种移动跳频水声通信多普勒因子估计方法，其特征在于：包含如下步骤：

步骤(1)：在接收端进行通信信号同步，将接收信号与本地训练序列参考信号进行拷贝相关，搜索到相关结果峰值的位置，确定训练序列起始时刻，然后根据选片策略，截取每一个训练序列中的码片；

步骤(2)：对截取的一组码片进行多普勒频偏因子测量，得到多普勒频偏因子估计结果α(n)；

步骤(3)：预选系列小波基函数，通过信息熵最大准则，对小波基函数进行选择，作为去噪用小波基函数；

步骤(4)：对多普勒频偏因子估计结果α(n)通过离散小波变换进行分解，分解层数固定，得到不同阶数下的近似系数和细节系数；

步骤(5)：对不同阶数下的细节系数进行固定阈值和无偏风险估计阈值的选取，然后通过启发式阈值准则计算阈值门限λ；

步骤(6)：以阈值门限λ对不同阶数下的细节系数进行软阈值去噪，得到去噪后的细节系数；

步骤(7)：基于去噪后的细节系数通过小波重构对多普勒频偏因子进行重构，得到多普勒频偏因子优化结果

步骤(8)：将多普勒频偏因子优化结果根据训练序列长度进行均匀分组，取每组的中值代表该组；

步骤(9)：进行卡尔曼滤波器参数初始化设定，将步骤(8)中每组的中值按顺序通过卡尔曼滤波器，以更新卡尔曼滤波器参数，并对下一组多普勒频偏因子中值大小进行预测；

步骤(10)：根据多普勒频偏因子中值大小的预测值进行下一组码片的选取，然后重复步骤(3)至步骤(7)，得到该组码片的多普勒频偏因子优化结果，将该组多普勒频偏因子优化结果取中值，代入卡尔曼滤波器，然后对下一组多普勒频偏因子中值大小进行预测；

步骤(11)：完成全部码片多普勒频偏因子测量与估计优化后，结束。

2.根据权利要求1所述的一种移动跳频水声通信多普勒因子估计方法，其特征在于：所述的步骤(3)具体为：

若某小波基函数下得到的小波系数所求的小波系数的熵E_nt最大，选择该小波基函数作为去噪用小波基函数；

上式中，ω_j(j＝1,2,...,N)是通过离散小波分解后得到的小波系数。

3.根据权利要求2所述的一种移动跳频水声通信多普勒因子估计方法，其特征在于：所述的步骤(4)具体为：

上式中，c_j,k为近似系数，ω_j,k为细节系数，φ_j,k(i)为尺度函数，ψ_j,k(i)为小波函数，j是扩张因子，k是平移因子，N为最大分解层数。

4.根据权利要求3所述的一种移动跳频水声通信多普勒因子估计方法，其特征在于：所述的步骤(5)包括：

步骤(5.1)：固定阈值λ_u的选取：

上式中，N_p为细节系数序列长度，为细节系数方差估计值；

步骤(5.2)：无偏风险估计阈值的选取：

将分解结果的细节系数的平方按由小到大顺序排列得到w(i)，计算风险值r_i：

上式中，n为细节系数个数，记录r_i中的最小值为r_m，m为最小值所在的位置，对应的细节系数为w_m，则无偏风险估计阈值为

步骤(5.3)：计算阈值门限λ：

上式中，

5.根据权利要求4所述的一种移动跳频水声通信多普勒因子估计方法，其特征在于：所述的步骤(6)中的软阈值去噪为：

上式中，为去噪后的细节系数。

6.根据权利要求5所述的一种移动跳频水声通信多普勒因子估计方法，其特征在于：所述的步骤(6)中的对多普勒频偏因子进行重构：

上式中，是多普勒频偏因子优化结果。

7.根据权利要求6所述的一种移动跳频水声通信多普勒因子估计方法，其特征在于：所述的步骤(9)具体为：

以第n+2组码片，对n+3组码片的多普勒频偏因子中值大小进行预测：

上式中，为第n+1组优化结果，A为状态转移矩阵，B为系统输入量与系统状态之间的关系矩阵，U_n+1为系统输入量，为预测出的第n+2组码片多普勒频偏因子中值大小；P_n+1为第n+1组协方差，Q为过程噪声协方差，为第n+2组协方差估计；H为观测量与系统状态之间的关系矩阵,R为量测方程中的噪声协方差，K_n+2为第n+2卡尔曼增益；为经过优化算法得到的优化结果中值，为第n+2组后验估计值；P_n+2为第n+2组协方差；为第n+3组先验估计值；

完成第n+2组码片的时间更新和测量更新后，将第n+2组得到的后验估计作为第n+3组的先验估计值。