CN110138698B - 高阶调制线性混合信号频偏初相联合估计方法及装置 - Google Patents

Abstract

本发明属于通信信号处理技术领域，特别涉及一种高阶调制线性混合信号频偏初相联合估计方法及装置，该方法包含：针对两路线性混合信号，按符号周期采样，获取混合离散信号；根据混合离散信号，对频偏与时延联合估计，建立两者的联合估计代价函数；利用神经网络对联合估计代价函数进行预测，通过求解代价函数极值获取频偏与时延的估计值。本发明通过构建频偏与时延的联合代价函数并利用神经网络对代价函数进行预测，进而快速求解代价函数的极值得出频偏与时延估计值；打破传统单参量估计带来性能损失，提高参数估计精度；将神经网络运用到代价函数极值求取，提高参数估计效率，降低求解过程复杂度，性能稳定、高效，具有较强应用价值和发展前景。

Description

高阶调制线性混合信号频偏初相联合估计方法及装置

技术领域

本发明属于通信信号处理技术领域，特别涉及一种高阶调制线性混合信号频偏初相联合估计方法及装置。

背景技术

近年来，无线通信的应用越来越广泛，而通信环境也越来越复杂，接收机同时接收两个或者多个信号的情况也在所难免。随着成对载波多址技术的广泛应用，第三方普遍侦收到时域和频域完全混叠的两路信号，因此对单通道接收数字调制混合信号的研究具有十分重要的时代意义。参数估计是进行信号解调的基础，截止当前所有的主流估计算法均是基于最大似然估计理论。利用DFT实现相位展开的算法，其主要理论依据是在Moeneclaey的基础上对频差估计的似然函数算法进行了降复杂度处理，虽然提高了算法的收敛速度，但也损失了部分性能。差分求和的估计算法，通过非线性操作和M次方消除干扰因素，但该算法的估计范围十分有限，而且也只能应用MPSK信号。通过改进最大似然估计准则，通过两种导频联合编码辅助载波同步的算法，使参数估计的精度和范围有着大幅度的提高。此外，基于数据辅助下的最大似然估计算法结合辅助信号和极值搜索能够精确的实现对两路信号频偏、初相的估计，但搜索过程过于繁琐，复杂度较高。针对单一信号的频偏、初相估计问题上已有了丰硕的研究成果，对于多路混合信号通过最大似然估计(FFT)也能进行低阶调制信号的参数估计，但对于高阶调制多路混合信号，由于交叉项较多，利用最大似然估计原理推导的估计公式较为复杂，传统的搜索过程又过于繁琐，因此，实现单通道高阶调制线性混合信号频偏、初相的快速精确估计已成为一个待解决的热门问题。

发明内容

为此，本发明提供一种高阶调制线性混合信号频偏初相联合估计方法及装置，实现非合作接收PCMA信号的参数估计，复杂度较低，估计性能强，无需考虑伪极值存在情况，具有较好的应用前景。

按照本发明所提供的设计方案，一种高阶调制线性混合信号频偏初相联合估计方法，包含如下内容：

针对两路线性混合信号，按符号周期采样，获取混合离散信号；

根据混合离散信号，对频偏与初相联合估计，建立两者的联合估计代价函数；

利用神经网络对联合估计代价函数进行预测，通过求解代价函数极值获取频偏与初相的估计值。

上述的，混合离散信号表示为：

其中，g(·)为等效信道滤波器，L₁、L₂为等效信道滤波器的非因果和因果周期，s^(t) _k+m为第t路信号的第k+m个输入符号，h_t为幅度，Δf_t为频偏，

为初相，τ_t,k为时间延时，v_k为均值为0、功率谱密度为N₀时的加性高斯白噪声在k时刻的采样值，T为符号周期。

优选的，建立联合估计代价函数，包含如下内容：

首先，信号帧数为N_f，获取混合离散信号中关于信道参数的似然函数；

然后，依据采样率采样过程，获取信号最佳采样；

依据信号最佳采样，将似然函数最大化的求解转化为信道参数函数最小化求解。

更进一步，信道参数函数最小化求解中，通过计算频偏和初相两个向量的欧氏距离最小值，获取频偏和初相两个的估计值。

更进一步，欧氏距离计算公式表示为：

其中，Q＝2πΔf_t(i+n·N)T，T为符号周期，N_f为信号帧数，K为同步码符号长度，N为信号符号帧长。

上述的，利用神经网络对联合估计代价函数进行预测中，采用BP神经网络拓扑结构模型，分别对该结构模型进行训练检测，然后再利用训练检测后的结构模型对混合信号进行估计。

优选的，利用神经网络对联合估计代价函数进行预测，包含如下内容：

确定频偏和初相两个估计参数粗区间范围；

在两个区间范围内各随机选取N个值，并分别获取选取的频偏、初相两个值的欧式距离；

将分别选取N个频偏和初相值作为神经网络输入，将获取到的欧氏距离作为神经网络训练输出，对网络模型参数进行反复训练学习，直至误差接近目标误差系数，完成神经网络的训练；

在两个区间范围内再随机选取M个值并依次获取参数变量的欧氏距离，对训练后的神经网络进行测试，通过对比网络输出值与真实值误差进行神经网络模型的检测；

设定搜索频率区间，根据神经网络模型在搜索频率区间内输出的函数值，确定两路信号的频偏和初相值。

更进一步，设定搜索频率区间，选取两路信号的频偏和初相值中，首先根据神经网络模型在搜索频率区间内输出的函数值，选取两个最大值分别对应的频偏和初相值，作为粗搜索的两路频偏和初相值；然后，采用二分法进行细密搜索，依据迭代次数设定频偏和相位二级搜索的分辨率，并依据输出函数值，选取输出的最大值分别对应的频偏和初相值作为精确搜索最终确定的两路频偏和初相值。

一种高阶调制线性混合信号频偏初相联合估计装置，包含信号获取模块、函数建立模块和预测求解模块，其中，

信号获取模块，用于针对两路线性混合信号，按符号周期采样，获取混合离散信号；

函数建立模块，用于根据混合离散信号，对频偏与初相联合估计，建立两者的联合估计代价函数；

预测求解模块，用于利用神经网络对联合估计代价函数进行预测，通过求解代价函数极值获取频偏与初相的估计值。

上述的装置中，所述预测求解模块包含参数范围确定单元、数值选取单元、训练学习单元、模型检测单元和估计输出单元，其中，

参数范围确定单元，用于确定频偏和初相两个估计参数粗区间范围；

数值选取单元，用于在两个区间范围内各随机选取N个值，并分别获取选取的频偏、初相两个值的欧式距离；

训练学习单元，用于将分别选取N个频偏和初相值作为神经网络输入，将获取到的欧氏距离作为神经网络训练输出，对网络模型参数进行反复训练学习，直至误差接近目标误差系数，完成神经网络的训练；

模型检测单元，用于在两个区间范围内再随机选取M个值并依次获取参数变量的欧氏距离，对训练后的神经网络进行测试，通过对比网络输出值与真实值误差进行神经网络模型的检测；

估计输出单元，用于设定搜索频率区间，根据神经网络模型在搜索频率区间内输出的函数值，确定两路信号的频偏和初相值。

本发明的有益效果：

本发明基于最大后验概率准则推导出频偏与初相的联合代价函数；利用神经网络对代价函数进行预测，进而快速求解代价函数的极值得出频偏与初相的估计值；通过对频偏、时延经行联合估计，打破了传统的单参量估计所带来的性能损失，多参量联合估计提高了参数估计的精度；将神经网络的计算优势运用到代价函数极值求取中，提高了参数估计的效率，降低了求解过程的复杂度，性能稳定、运行高效，具有较强的实际应用价值和发展前景。

附图说明：

图1为实施例中联合估计方法流程示意图；

图2为实施例中通过神经网络对联合估计代价函数预测示意图；

图3为实施例中联合估计装置示意图；

图4为实施例中预测求解模块示意图；

图5为实施例中两路混合信号异步编码示意图；

图6为实施例中BP神经网络拓扑结构；

图7为实施例中隐含层节点个数影响示意图；

图8为实施例中神经网络输出值检测对比示意图；

图9为实施例中帧个数对频偏估计性能影响示意图；

图10为实施例中帧个数对初相估计性能影响示意图；

图11为实施例中幅度比对频偏估计性能影响示意图；

图12为实施例中幅度比对初相估计性能影响示意图。

具体实施方式：

下面结合附图和技术方案对本发明作进一步详细的说明，并通过优选的实施例详细说明本发明的实施方式，但本发明的实施方式并不限于此。

载波成对多址接入技术PCMA允许双向卫星通信链路在时间和频谱上进行重叠，对提高卫星频谱资源利用率具有非常重要的意义，因而在卫星通信系统中得到大量应用和研究。本申请实施例中，提供一种高阶调制线性混合信号频偏初相联合估计方法，参见图1所示，包含如下内容：针对两路线性混合信号，按符号周期采样，获取混合离散信号；根据混合离散信号，对频偏与初相联合估计，建立两者的联合估计代价函数；利用神经网络对联合估计代价函数进行预测，通过求解代价函数极值获取频偏与初相的估计值。

针对两路MPSK或者MQAM线性混合信号，本发明另一个实施例中，考虑到两路信号接近同频、同符号速率，按符号周期T采样后得到其离散表达式：

其中，g(·)为成型滤波器和匹配滤波器的响应总和，等效为信道滤波器，信道的持续响应时间[-L₁T,L₂T],其中，L₁、L₂为等效滤波器的非因果和因果周期，L为信道滤波器的记忆长度(L＝L₁+L₂+1)；s^(t) _k+m为第t(t＝1,2)路信号的第(k+m)个输入符号。h_t,k为幅度，Δf_t,k为频偏，

为初相，τ_t,k为时间延时，由于两路信号的信道参数在实际工程应用中是随时间缓慢变化的，因此可以假设信道参数在一定时间内是恒定不变的，即

v_k为均值为0，功率谱密度为N₀的加性高斯白噪声在k时刻的采样值。

当两路信号编码异步时，利用已知的帧长、帧数信息以及固定帧同步序列，基于最大似然准则进行估计方程的推导，由于方程过于复杂，利用神经网络拟合估计方程的非线性映射关系，通过神经网络对频偏、初相进行快速精准的估计。不失普遍性，假设两路信号编码异步，如图5所示，第一路编码的起始位置为n₁，第二路编码起始位置为n₂，且两路同步码位置不重叠。K和P分别为同步码符号和数据符号长度，信号的符号帧长为N＝K+P.单通道线性混合信号的频偏、初相估计，就是基于帧信息的数据辅助条件下，根据接收序列y(l)，精确得到Δf₁、Δf₂与

的估计值。

进一步地，本发明再一个实施例中，设定信号帧数，获取混合离散信号中关于信道参数的似然函数；依据采样率采样过程，获取信号最佳采样；依据信号最佳采样，将似然函数最大化的求解转化为信道参数函数最小化求解。

假设帧数为N_f，信道参数

根据式(1)所示复基带线性混合信号的离散表达式，对于混合信号中的第t路信号而言，关于Φ的似然函数可表示如下：

式中

设Vⁿ是复数域上的n维向量空间，取Vⁿ内向量Y＝(1,1,···,1)，根据柯西不等式可得：

于是，p(y_t|Φ)满足以下关系式：

当采用较高的采样率采样时，寻找其中一路信号达到最佳采样序列，假设第t路已经达到了最佳采样，进一步分析：

设第t路信号的同步码符号为α₁ ^(t),α₂ ^(t),···,α_K ^(t)。对于任一路信号而言，同步帧内各位置上的符号都是相关的，经过多帧累加后，其个位置的值是多帧符号累加的结果，而除同步码以外的位置是各不相关的，经过多帧累加后，即N_f达到了一定的阈值，这些位置的幅度波动不会太大，可近似认为是0，当一路达到最佳采样时，在式中另一路由于残余频偏Δf₁-Δf₂的存在，使得同步头位置经过多帧累加后也近似为0，假设第1路信号达到最佳采样即t＝1则：

当Ω₁(Φ)最小时，根据式(5)可知Γ₁(Φ)最大，此时便可以将似然函数最大化的求解转化为对Ω_i(Φ)最小化的求解问题，同理可得当第2路信号达到最佳采样时：

在Ω_t(Φ)最小化的求解问题中，由于公式中参数较多，采取传统的极值求导的方法是不可行的，不失一般性，当且仅当帧数累加到一定阈值且校正的Δf_t、

接近于真实值时存在以下近似关系：

本发明另一个实施例中，信道参数函数最小化求解中，通过计算频偏和初相两个向量的欧氏距离最小值，获取频偏和初相两个的估计值。当两向量的近似性最强时，其欧式距离最小，由于参数h_t与N_f仅影响着向量

的幅度和目标函数的函数值，但不会对目标函数极值的映射对应关系产生太大影响，在推导目标函数过程中可忽略不计，令2πΔf_t(i+n·N)T＝Q，进而两者的欧式距离为：

寻找Δf_t、

使ρ_t(Φ)最小，此时的Δf_t即为所得的频偏估计值，

为所得的初相估计值。在求解极值过程中，由于目标函数过于复杂，本发明实施例中借助神经网络拟合目标函数，在保证估计精度的基础上降低算法的复杂度，提高参数估计效率。参见图6所示，BP网络是在输入层与输出层之间增加若干层(一层或多层)神经元，这些神经元称为隐单元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出之间的关系，每一层可以有若干个节点。BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每～层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。本发明另一个实施例，采用BP神经网络拓扑结构模型，分别对该结构模型进行训练检测，然后再利用训练检测后的结构模型对混合信号进行估计。

进一步地，利用神经网络对联合估计代价函数进行预测过程，参见图2所示，包含如下内容：

S301、确定频偏和初相两个估计参数粗区间范围；

S302、在两个区间范围内各随机选取N个值，并分别获取选取的频偏、初相两个值的欧式距离；

S303、将分别选取N个频偏和初相值作为神经网络输入，将获取到的欧氏距离作为神经网络训练输出，对网络模型参数进行反复训练学习，直至误差接近目标误差系数，完成神经网络的训练；

S304、在两个区间范围内再随机选取M个值并依次获取参数变量的欧氏距离，对训练后的神经网络进行测试，通过对比网络输出值与真实值误差进行神经网络模型的检测；

S305、设定搜索频率区间，根据神经网络模型在搜索频率区间内输出的函数值，确定两路信号的频偏和初相值。

更进一步，设定搜索频率区间，选取两路信号的频偏和初相值中，首先根据神经网络模型在搜索频率区间内输出的函数值，选取两个最大值分别对应的频偏和初相值，作为粗搜索的两路频偏和初相值；然后，采用二分法进行细密搜索，依据迭代次数设定频偏和相位二级搜索的分辨率，并依据输出函数值，选取输出的最大值分别对应的频偏和初相值作为精确搜索最终确定的两路频偏和初相值。

本发明另一个实施例中，借助神经网络拟合目标函数，可三个过程：训练过程、检测过程、估计过程。在实际应用中，参数估计前会确定一个粗区间，令

基于神经网络的频偏、相位估计步骤可设计为如下：

步骤1在Δf_t＝[f_a ^(t),f_b ^(t)]，

区间内各随机取N个值F₁＝[f₁,f₂,,f₃···f_N]，

根据式(6)每个f_i(i＝1,2,3···N)、

均对应一对ρ₁(Φ)与ρ₂(Φ)。

步骤2将F₁＝[f₁,f₂,,f₃···f_N]、

作为神经网络的训练输入，将ρ₁(Φ)与ρ₂(Φ)作为神经网络的训练输出，即两个输入值对应两个输出值，调整网络参数反复训练(N_t＝100)，直至误差接近目标误差系数，完成神经网络的训练。

步骤3为验证神经网络的拟合效果，在Δf_t＝[f_a ^(t),f_b ^(t)]中随机取M个值H＝[h₁,h₂,h₃···h_M]，且

同理在

中随机取出M个值O＝[o₁,o₂,o₃···o_M]，将H、O作为检测输入，对比网络检测输出值与真实值的误差，判定网络的可靠性。

步骤4先令粗搜索频率区间为(f_a ^(t)-f_b ^(t))/I、

根据神经网络在区间内输出的函数值，选取两个最大值分别对应的f⁽¹⁾、

与f⁽²⁾、

即为粗搜索的两路频偏，初相值；为进一步提高估计的分辨率，采用二分法进行细密搜索，若迭代次数为Q，对频偏和相位二级搜索的分辨率为(f_a ^(t)-f_b ^(t))/(I·2^Q)、

利用网络选取出两个输出的最大值分别对应的f⁽¹⁾、

与f⁽²⁾、

即为精确搜索的两路频偏、初相值。

基于上述的联合估计方法，本发明实施例还提供一种高阶调制线性混合信号频偏初相联合估计装置，参见图3所示，包含信号获取模块101、函数建立模块102和预测求解模块103，其中，

信号获取模块101，用于针对两路线性混合信号，按符号周期采样，获取混合离散信号；

函数建立模块102，用于根据混合离散信号，对频偏与初相联合估计，建立两者的联合估计代价函数；

预测求解模块103，用于利用神经网络对联合估计代价函数进行预测，通过求解代价函数极值获取频偏与初相的估计值。

进一步地，上述的装置中，预测求解模块103包含参数范围确定单元301、数值选取单元302、训练学习单元303、模型检测单元304和估计输出单元305，其中，

参数范围确定单元301，用于确定频偏和初相两个估计参数粗区间范围；

数值选取单元302，用于在两个区间范围内各随机选取N个值，并分别获取选取的频偏、初相两个值的欧式距离；

训练学习单元303，用于将分别选取N个频偏和初相值作为神经网络输入，将获取到的欧氏距离作为神经网络训练输出，对网络模型参数进行反复训练学习，直至误差接近目标误差系数，完成神经网络的训练；

模型检测单元304，用于在两个区间范围内再随机选取M个值并依次获取参数变量的欧氏距离，对训练后的神经网络进行测试，通过对比网络输出值与真实值误差进行神经网络模型的检测；

估计输出单元305，用于设定搜索频率区间，根据神经网络模型在搜索频率区间内输出的函数值，确定两路信号的频偏和初相值。

为验证本发明技术方案的有效性，下面通过仿真实验做进一步解释说明：

仿真一：隐含层节点数直接影响着网络的训练输出，若隐含层节点数太少，网络所获取的信息量过少，以至于网路出现欠拟合、训练效果差的现象；若隐含层节点数过多，则会导致网络处理的信息量过大，不仅仅会增加训练时间，提升算法的复杂度，而且还有可能出现过拟合的问题，实验不仅要尽可能的减少训练时长，也要保证拟合的准确性，因此合理的选择隐含层节点的数量非常重要。隐含层节点个数的选取原则一般为：在较高精度拟合输入输出关系的基础上，选取尽量少的隐含层节点个数，降低训练的复杂度，可根据经验公式确定隐含层节点个数:

其中n为输入层节点个数，m为输出层节点个数，α取1～10的常数，实验取输入层节点数为2，输出层节点数为2，隐含层节点个数在[3,13]之间。实验只改变隐含层节点数而其余参数保持不变，分析拟合误差随节点数变化的走势如图7所示，由图可以发现，网络对目标函数的拟合误差随节点数的增加呈现先下降后上升的趋势，当节点数为7时，对两路函数值的拟合误差最小，达到10^-6数量级，图8为隐含层节点数为7，训练样本和检测样本均为50个时，网络检测输出值和真实值的对比，(a)为第一路网络输出，(b)为第二路网络输出，网络拟合程度在接受范围，因此，BP神经网络应选用7个隐含层节点数。

仿真二：图9与图10分别给出了频偏和初始相位估计性能随帧数变化的曲线，从图中可以看出在本实验的仿真条件下，随着帧个数的增加，频偏和初相的估计性能越来越好，在E_b/N₀＞10dB时，仅需要20帧的数据，频偏的平均估计方差接近10^-12数量级，初相的平均估计方差接近10^-8数量级，40帧时，频偏估计接近10^-13数量级，初相估计接近10^-9数量级，图中还给出了频偏、初相估计方差的平均CRB。根据性能曲线走势可知，当E_b/N₀较低时算法估计性能接近CRB，随着E_b/N₀的增加，本发明技术方案的估计性能曲线与CRB之间的距离越来越远，通过分析不难发现，当E_b/N₀较小时，噪声是影响算法估计性能的主导因素，当E_b/N₀增加到一定程度时，噪声的影响变成了次要因素，算法本身的推导方法和极值的搜索方式成了影响估计性能的主导因素，由于CRB是在已知定时误差和幅度的情况下推导来的，而本算法设定这些参数均未知，所以随着E_b/N₀的增加，算法本身的条件限制也就造成了与CRB的距离越来越大。

仿真三：基于最大似然准则，通过求欧氏距离得到目标函数，由于幅度衰减对目标函数极值的映射关系影响较小，在化简目标函数的过程中将幅度衰减忽略不计，然而当两路信号幅度出现严重不对称的时候，弱信号完全淹没于强信号当中，对弱信号频偏、初相的估计性能将严重失效。设定h₁＝1.0，h₂在[0.1,1]之间以间隔0.1均匀变化，N_f＝30，由于定时偏差的大小最终反映到采样值的衰减上，为了更好的观察估计性能随着幅度比的变化情况，令τ₁＝τ₂＝0，其它条件不变，图11、图12分别给出了频偏、初相在E_b/N₀＝10dB时的估计性能随幅度比变化的曲线。从图中可以看到，随着幅度比的增加，弱信号的估计性能逐渐提升，强信号的估计性能缓慢下降，平均估计性能逐渐提升，分析原因不难发现，当幅度差距较大时，弱信号可看作强信号的噪声，此时相当于对单一强信号的参数估计，强信号的估计性能较好，弱信号的估计性能较差，随着弱信号幅度的不断增加，对单一强信号参数估计的干扰逐渐增强，当幅度比增加到一定程度时，弱信号的估计性能逐渐变好。对于整体性能而言，随着幅度比的增加，推导过程中的近似方程和目标函数逐渐成立，所以平均估计性能逐渐变好，从图中可以看出，当幅度比h₁/h₂＞0.6时，频偏的估计性能达到10^-12数量级，初相的估计性能达到10^-8数量级，最后当h₁/h₂＝1时，两路信号的参数估计性能接近。

本说明书中各个实施例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部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

结合本文中所公开的实施例描述的各实例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已按照功能一般性地描述了各示例的组成及步骤。这些功能是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不认为超出本发明的范围。

本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如：只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现，相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种高阶调制线性混合信号频偏初相联合估计方法，其特征在于，包含如下内容：

针对两路线性混合信号，按符号周期采样，获取混合离散信号；

根据混合离散信号，对频偏与初相联合估计，建立两者的联合估计代价函数；

利用神经网络对联合估计代价函数进行预测，通过求解代价函数极值获取频偏与初相的估计值；

利用神经网络对联合估计代价函数进行预测中，采用BP神经网络拓扑结构模型，分别对该结构模型进行训练检测，然后再利用训练检测后的结构模型对混合信号进行估计；

利用神经网络对联合估计代价函数进行预测，包含如下内容：

确定频偏和初相两个估计参数粗区间范围；

在两个区间范围内各随机选取N个值，并分别获取选取的频偏、初相两个值的欧式距离；

将分别选取N个频偏和初相值作为神经网络输入，将获取到的欧氏距离作为神经网络训练输出，对网络模型参数进行反复训练学习，直至误差接近目标误差系数，完成神经网络的训练；

在两个区间范围内再随机选取M个值并依次获取参数变量的欧氏距离，对训练后的神经网络进行测试，通过对比网络输出值与真实值误差进行神经网络模型的检测；

设定搜索频率区间，根据神经网络模型在搜索频率区间内输出的函数值，确定两路信号的频偏和初相值。

2.根据权利要求1所述的高阶调制线性混合信号频偏初相联合估计方法，其特征在于，混合离散信号表示为：

其中，g(·)为等效信道滤波器，L₁、L₂为等效信道滤波器的非因果和因果周期，s^(t) _k+m为第t路信号的第k+m个输入符号，h_t为幅度，Δf_t为频偏，

为初相，τ_t,k为时间延时，v_k为均值为0、功率谱密度为N₀时的加性高斯白噪声在k时刻的采样值，T为符号周期。

3.根据权利要求2所述的高阶调制线性混合信号频偏初相联合估计方法，其特征在于，建立联合估计代价函数，包含如下内容：

首先，信号帧数为N_f，获取混合离散信号中关于信道参数的似然函数；

然后，依据采样率采样过程，获取信号最佳采样；

依据信号最佳采样，将似然函数最大化的求解转化为信道参数函数最小化求解。

4.根据权利要求3所述的高阶调制线性混合信号频偏初相联合估计方法，其特征在于，信道参数函数最小化求解中，通过计算频偏和初相两个向量的欧氏距离最小值，获取频偏和初相两个的估计值。

5.根据权利要求4所述的高阶调制线性混合信号频偏初相联合估计方法，其特征在于，欧氏距离计算公式表示为：

其中，Q＝2πΔf_t(i+n·N)T，T为符号周期，N_f为信号帧数，K为同步码符号长度，N为信号符号帧长，y_i+n·N表示信号符号帧长为N的混合信号，a^(t) _i-nt+1表示第t路信号中同步帧i-n_t+1位置的同步码符号，

表示表示第t路信号初相估计值，n₁表示第1路信号编码起始位置，n_t表示第t路信号编码起始位置。

6.根据权利要求1所述的高阶调制线性混合信号频偏初相联合估计方法，其特征在于，设定搜索频率区间，选取两路信号的频偏和初相值中，首先根据神经网络模型在搜索频率区间内输出的函数值，选取两个最大值分别对应的频偏和初相值，作为粗搜索的两路频偏和初相值；然后，采用二分法进行细密搜索，依据迭代次数设定频偏和相位二级搜索的分辨率，并依据输出函数值，选取输出的最大值分别对应的频偏和初相值作为精确搜索最终确定的两路频偏和初相值。

7.一种高阶调制线性混合信号频偏初相联合估计装置，其特征在于，包含信号获取模块、函数建立模块和预测求解模块，其中，

信号获取模块，用于针对两路线性混合信号，按符号周期采样，获取混合离散信号；

函数建立模块，用于根据混合离散信号，对频偏与初相联合估计，建立两者的联合估计代价函数；

预测求解模块，用于利用神经网络对联合估计代价函数进行预测，通过求解代价函数极值获取频偏与初相的估计值；

所述预测求解模块包含参数范围确定单元、数值选取单元、训练学习单元、模型检测单元和估计输出单元，其中，

参数范围确定单元，用于确定频偏和初相两个估计参数粗区间范围；

数值选取单元，用于在两个区间范围内各随机选取N个值，并分别获取选取的频偏、初相两个值的欧式距离；

训练学习单元，用于将分别选取N个频偏和初相值作为神经网络输入，将获取到的欧氏距离作为神经网络训练输出，对网络模型参数进行反复训练学习，直至误差接近目标误差系数，完成神经网络的训练；

模型检测单元，用于在两个区间范围内再随机选取M个值并依次获取参数变量的欧氏距离，对训练后的神经网络进行测试，通过对比网络输出值与真实值误差进行神经网络模型的检测；

估计输出单元，用于设定搜索频率区间，根据神经网络模型在搜索频率区间内输出的函数值，确定两路信号的频偏和初相值。

Images