CN111131108B - 一种非合作水声ofdm子载波调制方式识别方法 - Google Patents

一种非合作水声ofdm子载波调制方式识别方法 Download PDF

Info

Publication number
CN111131108B
CN111131108B CN201911396032.7A CN201911396032A CN111131108B CN 111131108 B CN111131108 B CN 111131108B CN 201911396032 A CN201911396032 A CN 201911396032A CN 111131108 B CN111131108 B CN 111131108B
Authority
CN
China
Prior art keywords
block
channel
ofdm
identification
initial value
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
CN201911396032.7A
Other languages
English (en)
Other versions
CN111131108A (zh
Inventor
刘凇佐
乔钢
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201911396032.7A priority Critical patent/CN111131108B/zh
Publication of CN111131108A publication Critical patent/CN111131108A/zh
Application granted granted Critical
Publication of CN111131108B publication Critical patent/CN111131108B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
    • H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
    • 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
    • H04L25/0212—Channel estimation of impulse response
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2626—Arrangements specific to the transmitter only
    • H04L27/2627—Modulators
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
  • Detection And Prevention Of Errors In Transmission (AREA)

Abstract

本发明在水声衰落信道下提供了一种基于分块期望最大化的非合作水声OFDM通信子载波映射识别方法，该方法首先根据OFDM的结构特点对观测数据分块，然后在每个分块下分别利用聚类算法得到衰落信道的初始状态信息，然后分别在每一种候选子载波调制方式下应用期望最大化算法迭代的对信道状态信息进行更新，完成信道状态信息的估计，最后通过类混合似然比检验完成子载波调制方式的识别。本发明在非合作OFDM子载波识别上提供了一种新的思路，联合水声OFDM调制结构上的特点，对接收到的信号分块作为期望最大化算法的观测样本，有效提高了衰落信道的估计精度，进而提升了识别的可靠性。仿真和外场实验验证了该算法的有效性。

Description

一种非合作水声OFDM子载波调制方式识别方法
技术领域
本发明涉及一种非合作水声OFDM子载波调制方式识别方法，属于水声通信与水声对抗领域，涉及非合作水声OFDM子载波调制识别问题，以期在水声衰落信道下能保持较高的子载波识别率。
背景技术
非合作水声通信中的调制识别是通信系统参数估计以及加扰等技术的重要基础。水声正交频分复用技术因其频谱利用率高以及良好的抗频率选择性衰落等特性在水声通信领域中应用广泛，已经成为高速水声通信的主要技术之一，所以针对非合作水声OFDM的识别尤为重要，早期关于OFDM的识别主要集中在与单载波的分类上，而对于子载波调制方式的识别上研究较少，主要原因有两个，第一是由于子载波的识别建立在准确去除循环前缀与经过快速傅里叶变换分离出各子载波信号的基础上，第二是由于水声衰落信道较为复杂，识别难度大。目前已经有了很多优秀的算法可以有效解决第一个问题，所以针对水声衰落信道下的OFDM子载波识别问题成为亟需解决的问题。
目前关于水声OFDM子载波调制识别的研究还很少，大多应用场景集中在无线电中，包含基于最大似然、高阶矩等识别方法，然而，这些方法要么不能适用于多径信道，要么需要较高的信噪比。在非OFDM子载波识别领域，针对MPSK信号提出了用期望最大化算法估计未知衰落信道系数、相位偏移，最后通过似然比检验的方式识别子载波调制方式，有效提高了识别性能，提供了衰落信道下自动调制识别的新思路。
发明内容
本发明的目的是为了提供一种基于分块期望最大化的非合作水声OFDM子载波调制方式识别方法。
本发明的目的是这样实现的：包括如下步骤：
步骤一：将映射后的信号建模为高斯混合模型，在接收端对经过FFT运算后的OFDM信号进行分块，子载波个数为N，分块个数设为N_Block，在所有的OFDM符号上，取前N/N_Block子载波为分块1，作为EM算法的观测样本，取N/N_Block+1至2N/N_Block为分块2，以此类推实现对所有OFDM符号分块，分别对每块观测样本依次执行步骤二-步骤九，直到求出所有分块的信道衰落系数和噪声功率；
步骤二：设置k-means迭代次数、信道衰减系数初始值、信道噪声功率初始值；
步骤三：k-means代价函数为
Figure BDA0002346337620000021
zt,n,m是定义的隐变量
Figure BDA0002346337620000022
T、N、M分别表示OFDM符号个数、子载波数、候选的子载波调制方式的个数，r是接收的观测数据，s是发送端子载波映射后的符号，分别对Re{h}、Im{h}求偏导，并令其结果为零，得到信道衰落系数的估计值
Figure BDA0002346337620000023
并将其作为新的迭代初始值；
步骤四：重复执行步骤三，直到到达迭代次数，并且利用聚类后的结果计算方差，将此步骤得到的结果作为EM算法的初始值hi、σi；
步骤五：E步：引入隐变量zt,n,m，将观测样本展开成完整数据，得到完整数据的似然函数
Figure BDA0002346337620000024
N(r|sm,h,σ)是第m个高斯模型的概率密度函数；
步骤六：定义函数Q(h,σ,hi,σi)＝Ez[lnf(r,z|s,h,σ)|r,hi,σi]，hi、σi分别代表的是前一次迭代的复信道系数以及噪声功率，利用E(zt,n,m|rt,n,hi,σi)实现对γt,n,m的估计；
步骤七：M步：最大化Q函数，设置迭代次数；
步骤八：函数Q分别对Re{h}、Im{h}、σ求偏导，并令其结果为零，得到信道衰落系数的估计值
Figure BDA0002346337620000025
并将其作为新的迭代初始值；
步骤九：重复步骤八，直到到达迭代次数，得到信道衰落系数h与噪声功率σ；
步骤十：将求得的所有分块的信道衰落系数和噪声功率带入到QHLRT的计算公式中，即
Figure BDA0002346337620000026
计算各候选调制方式下的似然值，并比较大小，得到识别结果。
与现有技术相比，本发明的有益效果是：首先，本发明在水声OFDM子载波识别上首次采用期望最大化算法实现子载波调制方式识别，其次针对水声OFDM的结构特点，将接收到的观测数据进行分块操作，对每块观测数据分别应用期望最大化算法估计信道状态信息，大幅度提高了信道估计的准确度，进而提高了水声OFDM子载波调制方式的识别率。
本发明涉及一种适用于水声OFDM的子载波调制方式识别方法，充分考虑了水声OFDM不同子载波经历的信道各不相同的特点。直接应用期望最大化算法计算得出的信道系数是唯一的，即每个子载波上经历的信道都相同，在期望最大化算法的基础上结合OFDM的结构特点，对接收到的OFDM信号进行分块操作，使信道估计的可靠性大幅度提升，在此基础上识别精度也会相应提高。
附图说明
图1是基于分块期望最大化算法子载波调制方式识别的流程图；
图2是OFDM观测数据的分块示意图；
图3是迭代次数对k-means性能影响的示意图；
图4是迭代次数对期望最大化算法性能影响的示意图；
图5是观测样本长度对期望最大化算法性能影响的示意图；
图6是分块大小对期望最大化算法性能影响的示意图；
图7是不同识别方法的性能对比示意图；
图8是外场实验的观测样本数据；
图9是外场实验BPSK调制下采用分块期望最大化算法处理得到的均衡结果图；
图10是外场实验QPSK调制下采用分块期望最大化算法处理得到的均衡结果图；
图11是外场实验8PSK调制下采用分块期望最大化算法处理得到的均衡结果图；
图12是外场实验16QAM调制下采用分块期望最大化算法处理得到的均衡结果图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
结合图1至图12，结合具体数值对本发明进行更详细的描述：
本发明包括如下步骤：
步骤一：在候选的BPSK、QPSK、8PSK以及16QAM子载波调制方式中各选取100组调制后的OFDM信号经过水声信道，信道的路径数为14，相邻路径时延差服从均值为1ms的指数分布，平均多径时延扩展为25ms；
步骤二：在接收端对经过FFT运算后的OFDM信号进行分块，在所有OFDM符号上取前512个子载波上的数据作为观测样本，分块个数设为8，OFDM符号为8个；
步骤三：设置k-means迭代次数、信道衰减系数初始值、信道噪声功率初始值；
步骤四：k-means代价函数为
Figure BDA0002346337620000031
zt,n,m是定义的隐变量
Figure BDA0002346337620000041
T、N、M分别表示OFDM符号个数、子载波数、候选的子载波调制方式的个数，r是接收的观测数据，s是发送端子载波映射后的符号，分别对Re{h}、Im{h}求偏导，并令其结果为零，得到信道衰落系数的估计值
Figure BDA0002346337620000042
并将其作为新的迭代初始值；
步骤五：对每一分块的OFDM数据重复执行步骤三与步骤四，并且利用聚类后的结果计算方差，将得到结果直接应用在似然函数
Figure BDA0002346337620000043
中，求识别率，根据识别率确定k-means的迭代次数，将在此k-means迭代次数下得到的结果作为EM算法的初始值hi、σi；
步骤六：E步：引入隐变量zt,n,m，将观测样本展开成完整数据，得到完整数据的似然函数
Figure BDA0002346337620000044
N(r|sm,h,σ)是第m个高斯模型的概率密度函数；
步骤七：定义函数Q(h,σ,hi,σi)＝Ez[lnf(r,z|s,h,σ)|r,hi,σi]，hi、σi分别代表的是前一次迭代的复信道系数以及噪声功率，利用E(zt,n,m|rt,n,hi,σi)实现对γt,n,m的估计；
步骤八：M步：最大化Q函数，设置迭代次数；
步骤九：函数Q分别对Re{h}、Im{h}、σ求偏导，并令其结果为零，得到信道衰落系数的估计值
Figure BDA0002346337620000045
并将其作为新的迭代初始值；
步骤十：对每一分块的OFDM数据重复执行步骤八和步骤九，直到到达迭代次数，将得到的结果带入到公式
Figure BDA0002346337620000046
中，求识别率，根据识别率确定EM的迭代次数确定最大期望算法的迭代次数；
步骤十一：在确定了k-means和最大期望算法的迭代次数之后，取OFDM符号数为1，不分块，分别取前64、128、256和512个子载波的数据作为观测样本通过上面的步骤求对应的识别率；
步骤十二：通过步骤十一发现观测样本个数对性能影响较大，故在求分块大小对性能影响的过程中保持观测样本个数相同，分别取分块数为2、4和8时通过上述步骤求得对应的识别率；
步骤十三：通过以上步骤可以确定分块期望最大化算法中迭代次数、观测样本长度、分块数，所以本步骤仿真分块期望最大化算法、不分块期望最大化算法与已知信道参数下的似然分类器的识别率对比。
步骤十四：取采用QPSK子载波调制的OFDM真实海试数据，利用分块期望最大化算法先估计衰落信道信息，利用信道信息代入公式
Figure BDA0002346337620000051
中，准确识别出QPSK调制。
综上，本发明在水声衰落信道下提供了一种基于分块期望最大化的非合作水声OFDM通信子载波映射识别方法，该方法首先根据OFDM的结构特点对观测数据分块，然后在每个分块下分别利用聚类算法得到衰落信道的初始状态信息，然后分别在每一种候选子载波调制方式下应用期望最大化算法迭代的对信道状态信息进行更新，完成信道状态信息的估计，最后通过类混合似然比检验完成子载波调制方式的识别。本发明在非合作OFDM子载波识别上提供了一种新的思路，联合水声OFDM调制结构上的特点，对接收到的信号分块作为期望最大化算法的观测样本，有效提高了衰落信道的估计精度，进而提升了识别的可靠性。仿真和外场实验验证了该算法的有效性。

Claims (1)

1.一种非合作水声OFDM子载波调制方式识别方法，其特征在于：包括如下步骤：
步骤一：将映射后的信号建模为高斯混合模型，在接收端对经过FFT运算后的OFDM信号进行分块，子载波个数为N，分块个数设为N_Block，在所有的OFDM符号上，取前N/N_Block子载波为分块1，作为EM算法的观测样本，取N/N_Block+1至2N/N_Block为分块2，以此类推实现对所有OFDM符号分块，分别对每块观测样本依次执行步骤二-步骤九，直到求出所有分块的信道衰落系数和噪声功率；
步骤二：设置k-means迭代次数、信道衰减系数初始值、信道噪声功率初始值；
步骤三：k-means代价函数为
Figure FDA0002346337610000011
zt,n,m是定义的隐变量
Figure FDA0002346337610000012
T、N、M分别表示OFDM符号个数、子载波数、候选的子载波调制方式的个数，r是接收的观测数据，s是发送端子载波映射后的符号，分别对Re{h}、Im{h}求偏导，并令其结果为零，得到信道衰落系数的估计值
Figure FDA0002346337610000013
并将其作为新的迭代初始值；
步骤四：重复执行步骤三，直到到达迭代次数，并且利用聚类后的结果计算方差，将此步骤得到的结果作为EM算法的初始值hi、σi；
步骤五：E步：引入隐变量zt,n,m，将观测样本展开成完整数据，得到完整数据的似然函数
Figure FDA0002346337610000014
N(r|sm,h,σ)是第m个高斯模型的概率密度函数；
步骤六：定义函数Q(h,σ,hi,σi)＝Ez[ln f(r,z|s,h,σ)r,hi,σi]，hi、σi分别代表的是前一次迭代的复信道系数以及噪声功率，利用E(zt,n,m|rt,n,hi,σi)实现对γt,n,m的估计；
步骤七：M步：最大化Q函数，设置迭代次数；
步骤八：函数Q分别对Re{h}、Im{h}、σ求偏导，并令其结果为零，得到信道衰落系数的估计值
Figure FDA0002346337610000015
并将其作为新的迭代初始值；
步骤九：重复步骤八，直到到达迭代次数，得到信道衰落系数h与噪声功率σ；
步骤十：将求得的所有分块的信道衰落系数和噪声功率带入到QHLRT的计算公式中，即
Figure FDA0002346337610000021
计算各候选调制方式下的似然值，并比较大小，得到识别结果。
CN201911396032.7A 2019-12-30 2019-12-30 一种非合作水声ofdm子载波调制方式识别方法 Active CN111131108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911396032.7A CN111131108B (zh) 2019-12-30 2019-12-30 一种非合作水声ofdm子载波调制方式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911396032.7A CN111131108B (zh) 2019-12-30 2019-12-30 一种非合作水声ofdm子载波调制方式识别方法

Publications (2)

Publication Number Publication Date
CN111131108A CN111131108A (zh) 2020-05-08
CN111131108B true CN111131108B (zh) 2022-05-20

Family

ID=70505137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911396032.7A Active CN111131108B (zh) 2019-12-30 2019-12-30 一种非合作水声ofdm子载波调制方式识别方法

Country Status (1)

Country Link
CN (1) CN111131108B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364823B (zh) * 2020-11-30 2023-09-19 金陵科技学院 5g多载波信号识别方法
CN112600771A (zh) * 2020-12-04 2021-04-02 南京邮电大学 一种基于智能迭代初值选择的信道机器学习估计方法
CN115086124B (zh) * 2022-07-21 2022-11-08 海南浙江大学研究院 一种基于信道频率相关性的ofdm子载波调制识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104079524A (zh) * 2014-07-24 2014-10-01 电子科技大学 一种基于ofdm的qam调制下的已失真通信信号识别方法
CN106452673A (zh) * 2016-09-30 2017-02-22 中国人民解放军信息工程大学 多传感器接收中基于特征向量的最大似然调制识别方法
CN108038471A (zh) * 2017-12-27 2018-05-15 哈尔滨工程大学 一种基于深度学习技术的水声通信调制模式识别方法
CN109088835A (zh) * 2018-10-15 2018-12-25 哈尔滨工程大学 基于时间多重稀疏贝叶斯学习的水声时变信道估计方法
CN109660475A (zh) * 2018-12-19 2019-04-19 南京世海声学科技有限公司 一种非合作相位编码水声通信信号自主辨识方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104079524A (zh) * 2014-07-24 2014-10-01 电子科技大学 一种基于ofdm的qam调制下的已失真通信信号识别方法
CN106452673A (zh) * 2016-09-30 2017-02-22 中国人民解放军信息工程大学 多传感器接收中基于特征向量的最大似然调制识别方法
CN108038471A (zh) * 2017-12-27 2018-05-15 哈尔滨工程大学 一种基于深度学习技术的水声通信调制模式识别方法
CN109088835A (zh) * 2018-10-15 2018-12-25 哈尔滨工程大学 基于时间多重稀疏贝叶斯学习的水声时变信道估计方法
CN109660475A (zh) * 2018-12-19 2019-04-19 南京世海声学科技有限公司 一种非合作相位编码水声通信信号自主辨识方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Dynamic Time Warping Based Wake-Up Signal Detection Method for Underwater Acoustic Communication Networks;Lu Ma etc.;《 2018 2nd IEEE Advanced Information Management,Communicates,Electronic and Automation Control Conference (IMCEC)》;20180924;全文 *
A slide match and iteration approach for mobile underwater acoustic communication;Songzuo Liu;《 2016 IEEE/OES China Ocean Acoustics (COA)》;20160808;全文 *
基于基追踪去噪的水声正交频分复用稀疏信道估计;王巍等;《声学技术》;20130228;第32卷(第1期);全文 *
水声通信信号调制模式识别算法研究;邵梦琦;《中国优秀硕士学位论文全文数据库 社会科学I辑》;20190815;全文 *
采用主分量分析的非合作水声通信信号调制识别;江伟华等;《兵工学报》;20160930;第37卷(第9期);全文 *

Also Published As

Publication number Publication date
CN111131108A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111131108B (zh) 一种非合作水声ofdm子载波调制方式识别方法
CN113890796B (zh) 基于otfs系统调制解调的高速信道估计装置及方法
CN111614584B (zh) 基于神经网络的变换域自适应滤波信道估计方法
CN108616314B (zh) 一种基于ofdm的水声通信系统脉冲噪声抑制方法
CN113965440A (zh) 一种双通道混合深度神经网络ofdm无线通信盲接收方法
CN111147407B (zh) 基于信道预测的tmsbl水声ofdm时变信道估计方法
CN111865863B (zh) 一种基于rnn神经网络的ofdm信号检测方法
CN104393963A (zh) 基于循环平稳特性的空时分组码mc-cdma信号盲识别方法
CN109729035A (zh) 一种正交频分复用技术通信系统中的脉冲噪声抑制方法
CN105337906A (zh) 信道估计方法及装置
Arunkumar et al. Iterative sparse channel estimation and data detection for underwater acoustic communications using partial interval demodulation
Zhao et al. Multi-task learning based underwater acoustic OFDM communications
Bai et al. Impulsive noise mitigation with interleaving based on MUSIC in power line communication
CN110677360B (zh) 基于omp信道估计的ofdm系统性能分析方法
CN112636855A (zh) 一种ofdm信号检测方法
CN115913849A (zh) 基于一维复值残差网络的电磁信号辨识方法
CN113556305B (zh) 适用于高频率选择性衰落的fbmc迭代信道均衡方法及系统
CN115037386A (zh) 一种仿生通讯信号模拟测试方法
Fang et al. Non-cooperative MPSK Modulation Identification in SIMO Underwater Acoustic Multipath Channel
CN109743271B (zh) 基于迭代干扰消除的超奈奎斯特系统符号估计方法
CN115086124B (zh) 一种基于信道频率相关性的ofdm子载波调制识别方法
CN116016085B (zh) 一种基于快速哈里斯鹰优化的otfs单音干扰抑制方法
CN104301263B (zh) 一种多带uwb系统低复杂度信道估计方法及装置
CN114884792B (zh) 一种高精度的多载波符号快速恢复方法、装置及系统
Hasini et al. Channel estimation and signal detection in OFDM systems using deep learning

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