CN111147168B - 一种功率谱和统计融合的信号检测方法 - Google Patents
一种功率谱和统计融合的信号检测方法 Download PDFInfo
- Publication number
- CN111147168B CN111147168B CN201911375987.4A CN201911375987A CN111147168B CN 111147168 B CN111147168 B CN 111147168B CN 201911375987 A CN201911375987 A CN 201911375987A CN 111147168 B CN111147168 B CN 111147168B
- Authority
- CN
- China
- Prior art keywords
- power spectrum
- signal
- power
- noise
- frequency band
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
- H04B17/327—Received signal code power [RSCP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种功率谱与统计融合的信号检测方法,步骤如下:对采样得到的信号进行Welch功率谱估计,然后将整个信号功率谱的频带进行划分,对感兴趣的频段的左右临近频段进行统计,画出统计直方图得到分布曲线,估计噪声功率,最后通过估计的噪声功率表示感兴趣频带内的噪声功率,将噪声功率上3dB作为检测门限,对信号进行检测。本发明方法与现有检测方法相比,具有算法原理简单、易于工程实现、低信噪比情况得到有效弥补,检测性能有效提高的优点,且实测结果表明该方法时有效可靠的。
Description
技术领域
本发明属于电子信号侦察领域,具体涉及一种功率谱和统计融合的信号检测方法。
背景技术
电子信号侦察领域中信号检测是电子侦察信号处理流程中的首要步骤,对于低负信噪比信号或者噪声属于非白类型的检测是信号检测过程中需要面临的一种问题。目前常用的信号检测方法有能量检测法、匹配滤波检测、循环平稳检测法等。
能量检测法应用广泛,但是对低负信噪比信号能量检测接收机往往无法达到令人满意的检测性能,同时能量检测法对于噪声功率变化敏感,当噪声功率变化时检测性能会下降。
匹配滤波检测是一种能够使输出信噪比达到最大的检测器,这种检测器在已知信号的情况下是一种最优检测器,但是匹配滤波检测需要知道信号的先验信息,对于非合作的信号检测这种方法并不适用。
循环平稳检测法利用信号的循环平稳特性,信号的循环谱在循环频率处会有峰值出现,循环平稳检测检测性能好,但是信号循环谱的计算量大是循环检测存在的问题。
因此在非合作的条件下寻到一种对于低负信噪比信号的检测方法成为了现今需要解决的问题。
发明内容
本发明的目的在于提供一种功率谱和统计融合的信号检测方法,适用于对低负信噪比信号进行检测。
实现本发明目的的技术解决方案为:一种功率谱和统计融合的信号检测方法,利用Welch功率谱估计方法的优点,通过Welch方法提高信号功率谱的信噪比,弥补了低负信噪比的缺陷,通过统计估计方法完成噪声功率估计,在此基础上完成信号检测,具体步骤如下:
步骤1:在盲检测的情况下,对于信号的先验知识知道的很少或者完全不知道,此时令接收到的信号x(n)为
其中s(n)为辐射源发射的信号,高斯白噪声z(n)符合高斯分布N(0,σ2),H1表示有信号,H0表示无信号,n∈{1,2,3,…N},N为采样点个数;
步骤2:计算接收到的信号x(n)的Welch功率谱;
步骤3:将得到的功率谱φx(k)分成G段,每段Q个离散频点:
假设分段后每段的功率谱表示成φx,g(q),φx,g(q)定义为
φx,g(q)=φx(q+Qg),k1=1,2,3,...,Q;g=0,1,2,3,...,G-1
其中g表示被划分的第g个频段。
步骤5:设置检测门限,进行信号检测;
设置检测门限,将g0频带内的功率谱与门限进行比较,大于门限的判决为存在信号,小于门限的判决为不存在信号。
本发明与现有技术相比,其显著优点在于:
(1)算法原理简单,计算量小,易于工程实现。
(2)非合作条件下能够完成信号检测。
(3)低信噪比下检测性能较好。
附图说明
图1为本发明的算法流程图。
图2为本发明的功率谱估计对比图,其中横坐标表示频率,单位MHz。
图3为本发明实施例-20dB信噪比时临近频带分布密度曲线图,其中横坐标表示观测值大小。
图4为本发明实施例-20dB信噪比条件下功率谱检测效果图,其中横坐标表示频率,单位MHz。
图5为本发明与能量检测法的信噪比-检测概率曲线图。
图6为本发明实施例实际信号检测效果图,其中横坐标表示频率,单位MHz。
具体实施方式
下面结合附图对本发明作进一步详细描述。
结合图1,本发明所述的功率谱和统计融合的信号检测方法,步骤如下:
步骤1:在盲检测的情况下,对于信号的先验知识知道的很少或者完全不知道,此时令接收到的信号x(n)为
其中s(n)为辐射源发射的信号,高斯白噪声z(n)符合高斯分布N(0,σ2),H1表示有信号,H0表示无信号。n∈{1,2,3,…N},N为采样点个数。因为信号大多都不是确定信号,不只是含有噪声,其中信号的出现与否也含有随机性,所以这类信号的数学模型应该是随机序列。随机信号的每一次实现都是离散时间序列,其能量并不是有限的,因此其DTFT并不存在,但是却有有限的平均功率,可以用功率谱密度来表示,因此对信号的讨论也是对随机序列的讨论。
步骤2:计算接收到的信号x(n)的Welch功率谱
一般随机信号的功率谱表示如下式,
其中,k表示功率谱的离散频点,k=1,2,3,...,N,φx(k)表示对信号进行功率谱估计后得到的功率谱。为了提高信噪比,压制噪声干扰,本发明采用Welch功率谱估计的方法估计功率谱。Welch法计算功率谱的详细步骤如下:
步骤2-1:对信号x(n)分段,xl(m)是对x(n)进行分段后得到的第l段的数据,每段数据和后一段数据有50%的重叠部分,以减少观测时间。
其中m表示第l段数据中第m个样点,每段数据共M个样点,x(n)的整个观测时间数据被分为L段。
其中k表示功率谱的离散频点,j为虚数,w(m)为窗函数,P是窗函数的功率,表示为
步骤2-3:对各段加窗功率谱求平均得到Welch功率谱。
信号x(n)的Welch功率谱表示为
Welch方法对每段数据加窗后进行FFT,取模的平方然后平均作为功率谱,这样减小了功率谱估计的方差。在信噪比为-5dB的情况下,经过步骤2处理后得到的信号功率谱与处理前功率谱对比图如图2所示。
步骤3:将得到的功率谱φx(k)分成G段,每段Q个离散频点。
假设分段后每段的功率谱表示成φx,g(q),φx,g(q)定义为
φx,g(k1)=φx(k1+Qg),k1=1,2,3,...,Q;g=0,1,2,3,...,G-1
其中g表示被划分的第g个频段。
步骤4:选择观测频段g0的功率谱φx,g(q),对与其相邻的g0-1和g0+1两个频段的功率谱分别进行统计分析,得到其分布密度曲线:
假设观测频段为g0,对g0-1和g0+1两个频段进行统计分析,分别做这两个频段的分布直方图,由分布直方图画分布曲线。在只存在噪声的情况下,根据中心极限定理,的渐进分布趋近于高斯分布,可以证明这种情况下的均值为噪声方差σ2,因此分布峰值对应的横坐标即为对应的噪声功率。因为实际应用中可能会出现噪声非白的情况,我们假设噪声在g0频段及相邻频段内是近似白化的,用相邻频段内的噪声功率表示g0频段内的噪声功率。在由统计直方图得到分布密度曲线的时候本文将原始的直方图进行了平滑,将两临近频带通过直方图估计得到的噪声功率和进行比较,较小的作为噪声的功率σ2。
仿真设置信号为BPSK信号,信噪比为-20dB,载频5MHz,采样率12MHz,信息速率为20Kbps,此时临近频带的分布密度曲线如图3所示,其中横坐标x表示所统计的功率谱的样本值。
步骤5:设置检测门限,进行信号检测。
将估计得到的噪声功率的提高3dB作为检测门限,将感兴趣频带内的功率谱与门限进行比较,大于门限的判决为存在信号,小于门限的判决为不存在信号。-20dB信噪比条件下功率谱与检测门限如图4所示。
对本发明进行蒙特卡洛仿真的到的信噪比检测概率曲线如图5所示。
实际接收机对盲采得到的信号进行判决检测的功率谱图如图6所示,图中横线为检测门限。
Claims (3)
1.一种功率谱和统计融合的信号检测方法,其特征在于:利用Welch功率谱估计方法的优点,通过Welch方法提高信号功率谱的信噪比,弥补了低负信噪比的缺陷,通过统计估计方法完成噪声功率估计,在此基础上完成信号检测;步骤如下:
步骤1:在盲检测的情况下,对于信号的先验知识知道的很少或者完全不知道,此时令接收到的信号x(n)为
其中s(n)为辐射源发射的信号,高斯白噪声z(n)符合高斯分布N(0,σ2),H1表示有信号,H0表示无信号,n∈{1,2,3,…N},N为采样点个数;
步骤2:计算接收到的信号x(n)的Welch功率谱;
步骤3:将得到的功率谱φx(k)分成G段,每段Q个离散频点:
假设分段后每段的功率谱表示成φx,g(q),φx,g(q)定义为
φx,g(q)=φx(q+Qg),k1=1,2,3,...,Q;g=0,1,2,3,...,G-1
其中g表示被划分的第g个频段;
步骤5:设置检测门限,进行信号检测;
设置检测门限,将g0频带内的功率谱与门限进行比较,大于门限的判决为存在信号,小于门限的判决为不存在信号。
3.根据权利要求1所述的功率谱和统计融合的信号检测方法,其特征在于,步骤4中,选择观测频段g0的功率谱对与其相邻的g0-1和g0+1两个频段的功率谱分别进行统计分析,得到其分布密度曲线,估计噪声功率,具体方式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911375987.4A CN111147168B (zh) | 2019-12-27 | 2019-12-27 | 一种功率谱和统计融合的信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911375987.4A CN111147168B (zh) | 2019-12-27 | 2019-12-27 | 一种功率谱和统计融合的信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111147168A CN111147168A (zh) | 2020-05-12 |
CN111147168B true CN111147168B (zh) | 2022-02-01 |
Family
ID=70520897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911375987.4A Active CN111147168B (zh) | 2019-12-27 | 2019-12-27 | 一种功率谱和统计融合的信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111147168B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114584432B (zh) * | 2022-01-17 | 2023-08-22 | 西安理工大学 | 基于改进平滑周期图算法的信号检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1054625B1 (en) * | 1997-12-18 | 2007-08-01 | GE Healthcare AS | Improvements in or relating to ultrasonography |
CN103200139A (zh) * | 2013-04-11 | 2013-07-10 | 西安电子科技大学 | 一种ofdm信号带宽盲估计方法 |
CN103811017A (zh) * | 2014-01-16 | 2014-05-21 | 浙江工业大学 | 一种基于Welch法的冲床噪声功率谱估计改进方法 |
CN104156509A (zh) * | 2014-07-24 | 2014-11-19 | 西北工业大学 | 一种噪声合成方法 |
-
2019
- 2019-12-27 CN CN201911375987.4A patent/CN111147168B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1054625B1 (en) * | 1997-12-18 | 2007-08-01 | GE Healthcare AS | Improvements in or relating to ultrasonography |
CN103200139A (zh) * | 2013-04-11 | 2013-07-10 | 西安电子科技大学 | 一种ofdm信号带宽盲估计方法 |
CN103811017A (zh) * | 2014-01-16 | 2014-05-21 | 浙江工业大学 | 一种基于Welch法的冲床噪声功率谱估计改进方法 |
CN104156509A (zh) * | 2014-07-24 | 2014-11-19 | 西北工业大学 | 一种噪声合成方法 |
Non-Patent Citations (4)
Title |
---|
HMM-based primary user activity in GSM via spectrum measurements;Hang Xie 等;《2013 International Conference on Wireless Communications and Signal Processing》;20131202;全文 * |
Spectral analysis techniques with Kalman filtering for estimating power quality indices;R. Zolfaghari 等;《2010 IEEE PES Innovative Smart Grid Technologies Conference Europe (ISGT Europe)》;20101118;全文 * |
改进的OFDM带宽盲估计方法;刘明骞 等;《华中科技大学学报(自然科学版)》;20110613;全文 * |
现代功率谱估算法在无线电干扰信号检测中的研究与应用;王逸轩;《中国优秀硕士学位论文全文库 信息科技辑》;20160515;正文第3-4章 * |
Also Published As
Publication number | Publication date |
---|---|
CN111147168A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017202292A1 (zh) | 一种回声时延跟踪方法及装置 | |
CN102624468B (zh) | 基于双fft的宽带自动检测方法 | |
CN109633633B (zh) | 一种基于分段分类增强处理的生命信号增强方法 | |
CN105785324B (zh) | 基于mgcstft的线性调频信号参数估计方法 | |
CN112684251B (zh) | 一种基于功率谱模版的目标信号频域检测方法 | |
CN105429719B (zh) | 基于功率谱和多尺度小波变换分析强干扰信号检测方法 | |
CN112303504B (zh) | 一种基于改进的变分模式分解算法的供水管道泄漏位置检测方法 | |
CN113325277A (zh) | 一种局部放电处理方法 | |
CN111147168B (zh) | 一种功率谱和统计融合的信号检测方法 | |
CN108881084B (zh) | 一种基于gp分布的bpsk/qpsk信号识别方法 | |
CN109087657B (zh) | 一种应用于超短波电台的语音增强方法 | |
CN109004996B (zh) | 基于多正弦窗功率谱峰值的信号检测方法 | |
CN110531362B (zh) | 一种高分辨率运动声呐知识基的目标检测方法 | |
CN112235077B (zh) | 基于高斯Copula的BPSK信号盲处理结果可信性自适应校验方法 | |
CN106877901B (zh) | 一种低噪比直扩信号的检测方法 | |
CN115378776A (zh) | 一种基于循环谱参数的mfsk调制识别方法 | |
CN105652256B (zh) | 一种基于极化信息的高频地波雷达tbd方法 | |
CN108718223B (zh) | 一种非合作信号的盲频谱感知方法 | |
CN111490956A (zh) | 一种基于一阶循环平稳性的mfsk调制识别方法 | |
CN114268393B (zh) | 一种基于连通分量个数特征的认知无线电频谱感知方法 | |
CN104270328A (zh) | 一种信噪比实时估计方法 | |
CN105119668A (zh) | 一种采用双重判决的迭代频谱感知方法 | |
CN110233682A (zh) | 一种实时门限信号检测方法 | |
CN113824518A (zh) | 基于频谱的非合作信号检测方法 | |
CN110830130A (zh) | 一种认知无线电中的统计频谱检测方法 |
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 |