CN111447009A - 一种基于高阶统计分析的信号自适应处理方法 - Google Patents

一种基于高阶统计分析的信号自适应处理方法 Download PDF

Info

Publication number
CN111447009A
CN111447009A CN202010209777.4A CN202010209777A CN111447009A CN 111447009 A CN111447009 A CN 111447009A CN 202010209777 A CN202010209777 A CN 202010209777A CN 111447009 A CN111447009 A CN 111447009A
Authority
CN
China
Prior art keywords
signal
order
threshold
statistical analysis
self
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.)
Granted
Application number
CN202010209777.4A
Other languages
English (en)
Other versions
CN111447009B (zh
Inventor
柯熙政
季旭宽
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.)
Saiercom Corp
Shenzhen Wanzhida Technology Co ltd
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202010209777.4A priority Critical patent/CN111447009B/zh
Publication of CN111447009A publication Critical patent/CN111447009A/zh
Application granted granted Critical
Publication of CN111447009B publication Critical patent/CN111447009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/25—Arrangements specific to fibre transmission
    • H04B10/2575—Radio-over-fibre, e.g. radio frequency signal modulated onto an optical carrier
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Optical Communication System (AREA)

Abstract

本发明公开了一种基于高阶统计分析的信号自适应处理方法，包括如下步骤：先对无线光通信模型系统的接收端接收到的信号进行预处理：对预处理后的信号进行非线性变换，提取出四倍频分量，即进行4次方非线性变换；接着对信号进行滑动相关算法的检测；之后采用滑动相关算法进行优化；接着使用高阶统计分析方法处理信号；最后建立门限自适应控制算法模型，进行自适应门限控制。本发明基于高阶统计分析算法提出一种自适应门限阈值检测技术，可以通过自身与外界环境的接触来改变自身对信号处理的性能，降低系统误码率，提高系统接收效果。

Description

一种基于高阶统计分析的信号自适应处理方法
技术领域
本发明属于无线光通信系统技术领域，涉及一种基于高阶统计分析的信号自适应处理方法。
背景技术
无线光通信作为一种新型的通信技术,同时具有光纤通信和移动通信的优势，可实现宽带传输，组网机动灵活，无需频率申请，并且抗电磁干扰，保密性好，因此如今对无线光通信的研究受到了广泛的重视。
在工程中，经常需要研究两个信号之间的关系，对于确定信号，它们之间的关系可以用明确的函数关系来描述。而在实际检测时，遇到的往往都是随机信号，它们不能通过一个确切的数字式子表达出来，只能用概率统计方式来描述。这类信号通常是从同一个被测对象上检测出来的随机信号，其间总会存在某种内在的关联，在对其进行分析时，常常就要用到相关原理。相关检测技术正是利用相关原理，通过自相关和互相关运算，达到对某些物理量进行检测或去除噪声的技术。在无线光接收系统中，若采用固定门限判决，若门限定得太低，当信号比较强时容易错锁在互相关或自相关旁瓣上，所以门限不宜定得太低；若门限定得太高，当信号很弱时，门限又不能锁定信号，降低了系统的灵敏度，所以门限不宜定得太高。
发明内容
本发明的目的是提供一种基于高阶统计分析的信号自适应处理方法，基于高阶统计分析算法提出一种自适应门限阈值检测技术，可以通过自身与外界环境的接触来改变自身对信号处理的性能，降低系统误码率，提高系统接收效果。
本发明所采取的技术方案是：一种基于高阶统计分析的信号自适应处理方法，包括如下步骤：
步骤1：对无线光通信模型系统的接收端接收到的信号进行预处理：
先对此信号进行带通采样，采样后的信号再通过巴特沃兹数字滤波器进行滤波；
步骤2：对滤波后的信号进行非线性变换，提取出四倍频分量，即进行4次方非线性变换；
步骤3：对经过步骤2处理的信号进行滑动相关算法的检测；
步骤4：对步骤3的滑动相关算法进行优化，即在步骤3的滑动相关算法中增加一个参考支路，提高信噪比；
步骤5：使用高阶统计分析方法处理步骤4得到的信号；
步骤6：建立门限自适应控制算法模型，进行自适应门限控制。
本发明的特点还在于：
步骤3中滑动相关算法为滑窗检测的方法，即依次对每个窗口是否有目标进行判决，窗口长度可以近似等于可能出现的目标长度。
步骤3的具体过程为：
当接收信号所包含的脉冲信号序列与本地脉冲信号序列相位差小于1/2Tc时，将输出与固定门限比较，大于门限就认为相位差已经小于1/2Tc，捕获完成转入跟踪状态，否则以1/2Tc调整脉冲信号产生器触发脉冲相位，继续捕获。
步骤4的参考支路为：采用延后接收信号S(t)一个码长位置的信号与本地脉冲信号做相关得到S2(t)。
步骤5.1：假定随机信号变量x1,x2,Λ,xn和x4均值为零，则
c11＝cum(x1,x2)＝E[x1x2]
c111＝cum(x1,x2,x3)＝E[x1x2x3]
c1111＝cum(x1,x2,x3,x4)
＝E[x1x2x3x4]-E[x1x2]E[x3x4]-E[x1x3]E[x2x4]-E[x1x4]E[x2x3]
当随机变量的矩阵不为零时，上式中xi要用xi-E[xi]来替换。同样，前三阶的联合累积量与联合矩一样，而高于四阶的联合矩与联合累积量不同；
步骤5.2：设k阶随机过程{x(n)}的均值为0，则定义该过程的k阶累积量
ck,x(m1,m2,Λ,mk-1)＝cum(x(n),x(n+m1),Λ,x(n+mk-1))
定义该过程的k阶矩
mk,x(m1,m2,Λ,mk-1)＝mom(x(n),x(n+m1),Λ,x(n+mk-1))
式中，联合矩用mom(·)表示。
二、三、四阶累积量为
c2,x(m)＝E[x(n)x(n+m)]
c3,x(m1,m2)＝E[x(n)x(n+m1)x(n+m2)]
c4,x(m1,m2,Λ,m3)＝E[x(n)x(n+m1)x(n+m2)x(n+m3)]-c2,x(m1)c2,x(m2-m3)-c2,x(m2)c2,x(m3-m1)-c2,x(m3)c2,x(m1-m2)
平稳随机过程的二阶累积量为自相关函数，三阶累积量为其三阶矩，对信号采用四阶累计量。
步骤6的建立门限自适应控制算法模型的过程为：
步骤6.1：首先输入门限判决方框的相关峰样值信号Uj，取其相邻N个信号帧的N×L个样值Uj-M+1,Uj-M,L,Uj作为观测对象，所述M为0～NL的整数；然后门限判决器判决出每个帧周期内经相关运算得到的最大自相关峰：若Uj-M≥λj，判决器输出Z(j)＝1；若Uj-M＜λj，判决器输出Z(j)＝0；最后累加器对判决输出的N×L个Z(j)信号样值求累加和，输出信号为
Figure BDA0002422417260000031
步骤6.2：在比较器中，累加和Xj与预定的参考码元数N比较大小，得到一个变量值ε,用以控制门限值的调整方向，比较过程等效于一个符号函数，即ε＝SGN(Xj-N)；
步骤6.3：假设L表示脉冲序列的周期长度，A表示发送数字信号的幅值，可以认为，信号相关运算后得到的相关峰值范围为0～LA，将0～LA划分为2a+1个量化电平，包括0电平和LA电平，从而得到门限值的控制增量为
Figure BDA0002422417260000041
比较器输出的变量值ε和Δλ相乘后就得到门限值的变化量λj-λj-1＝εΔλ。
自适应门限控制过程为：若Xj＞N，表明门限取值过低，应增大为λj＝λj-1+Δλ；若Xj＜N，表明门限取值过高，应减小为λj＝λj-1-Δλ；若Xj＝N表明当前门限值适中，保持为λj＝λj-1；整个控制过程可简化为：λj＝λj-1+SGN(Xj-N)Δλ；观测样值Uj-M，随信道噪声的变化而变化，Uj-M继而控制ε变量值的变化，控制当前门限值的增加和减小，使判决门限随信道噪声的变化而变化，实现自适应控制。
本发明的有益效果是：
本发明一种基于高阶统计分析的信号自适应处理方法，基于高阶统计分析算法提出一种自适应门限阈值检测技术，可以通过自身与外界环境的接触来改变自身对信号处理的性能，降低系统误码率，提高系统接收效果。
其中，依据相关检测原理，接收信号经累积相关运算后，输出信号的每个帧周期内有L个相关峰，其中只有一个是和本地码完全相关产生的最大自相关峰，携带了发送信号的信息。本发明中对给定观测帧长内的累积输出的相关峰经判决、累加、比较，从而得到自适应判决门限。
附图说明
图1是本发明一种基于高阶统计分析的信号自适应处理方法的流程图；
图2是无线光通信模型系统结构示意图；
图3是图1中对滤波后的信号进行非线性变换的原理图；
图4是滑动相关算法基本原理图；
图5是脉冲信号自相关特性图；
图6是优化滑动算法原理图；
图7是优化改进的脉冲信号自相关特性图；
图8是门限自适应控制算法模型结构示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明
本发明是一种基于高阶统计分析的信号自适应处理方法，如图1所示，包括如下步骤：
步骤1：对无线光通信模型系统的接收端接收到的信号进行预处理：
先对此信号进行带通采样，采样后的信号再通过巴特沃兹数字滤波器进行滤波；
具体过程为：根据如图2所示的无线光通信模型系统，待传送的信号经过编码器编码后，加载到调制器的激励器上，调制器的激励电流就随着信号的变化规律变化，激光器的输出信号经过调制器调制之后，相关的参数(强度、相位、振幅和偏振)就会按照相应的规律变化。然后，经过光学天线变换为发散角很小的已调光束向空间发射出去；接收端接收到已调光束之后，经过光检测器转换成射频电流，射入射频检波器，最后由解码器解调出原来的信号。此时，对此信号进行带通采样，采样后的信号再通过巴特沃兹数字滤波器进行滤波。
步骤2：如图3所示，对滤波后的信号进行非线性变换，提取出四倍频分量，即进行4次方非线性变换，[·]4是对本地脉冲信号进行4次方非线性变换，提取出四倍频分量。
步骤3：对经过步骤2处理的信号进行滑动相关算法的检测；
具体的如图4所示：对步骤3中的滑动相关算法可采用滑窗检测的方法，即依次对每个窗口是否有目标进行判决，窗口长度可以近似等于可能出现的目标长度。其中，含有噪声的接收信号S(t)与本地脉冲信号序列作一个周期的相关积累(即0～Tc的积分)。
如图5所示，不考虑噪声影响，当接收信号所包含的脉冲信号序列与本地脉冲信号序列相位差小于1/2Tc时，输出将远大于其他情况。将输出与设定的固定门限(门限是根据实验来设定的，没有具体的值)比较，大于门限就认为相位差已经小于1/2Tc，捕获完成转入跟踪状态，否则以1/2Tc调整脉冲信号产生器触发脉冲相位，继续捕获。
步骤4：对步骤3的滑动相关算法进行优化，即在步骤3的滑动相关算法中增加一个参考支路，提高信噪比；如图6所示，优化改进前的一般滑动相关法只使用本地脉冲信号与接收信号S(t)作相关得到S1(t)，即主支路。改进后的滑动相关法还采用延后接收信号S(t)一个码长位置的信号与本地脉冲信号做相关得到S2(t)，即参考支路。S1(t)、S2(t)是相差一个脉冲长度位置的两个相关结果，各自平方的意义是去掉负号，然后前一个脉冲长度的相关结果S1(t)平方减去后一个脉冲长度的相关结果S2(t)的平方，由于S1(t)和S2(t)是同一脉冲序列时间相差不大的取样相关结果，所以在平稳随机过程中，可以认为这两个时刻的噪声函数基本相似。因此，平方后作差可以有效消除S1(t)中的噪声分量影响。
优化改进的脉冲信号自相关特性如图7所示，虚线a是自相关函数R(τ)右移Tc后的自相关函数R(τ-Tc)，虚线b是自相关函数R(τ)左移Tc后的自相关函数R(τ+Tc)，实线D(τ)为R(τ-Tc)和R(τ+Tc)相减后得到的脉冲信号相关曲线。
通过图5和图7的比较，可以发现优化改进后的滑动算法可以出现相隔2Tc的一正一负两个峰值，可以采用正负峰值门限两次判决的方法，两个条件同时满足的时候说明脉冲捕获成功。这种方法可以减小捕获的虚警概率，增加检测概率，并且不增加系统的复杂度。
步骤5：使用高阶统计分析方法处理步骤4得到的信号；
步骤5.1：假定随机信号变量x1,x2,Λ,xn和x4均值为零，则
c11＝cum(x1,x2)＝E[x1x2]
c111＝cum(x1,x2,x3)＝E[x1x2x3]
c1111＝cum(x1,x2,x3,x4)
＝E[x1x2x3x4]-E[x1x2]E[x3x4]-E[x1x3]E[x2x4]-E[x1x4]E[x2x3]
当随机变量的矩阵不为零时，上式中xi要用xi-E[xi]来替换。其中，c的下小标分别表示二阶、三阶、四阶，同样，前三阶的联合累积量与联合矩一样，而高于四阶的联合矩与联合累积量不同；
步骤5.2：设k阶随机过程{x(n)}的均值为0，则定义该过程的k阶累积量
ck,x(m1,m2,Λ,mk-1)＝cum(x(n),x(n+m1),Λ,x(n+mk-1))
定义该过程的k阶矩
mk,x(m1,m2,Λ,mk-1)＝mom(x(n),x(n+m1),Λ,x(n+mk-1))
式中，联合矩用mom(·)表示。
因为{x(n)}k阶平稳，故其二、三、四阶累积量为
c2,x(m)＝E[x(n)x(n+m)]
c3,x(m1,m2)＝E[x(n)x(n+m1)x(n+m2)]
c4,x(m1,m2,Λ,m3)＝E[x(n)x(n+m1)x(n+m2)x(n+m3)]-c2,x(m1)c2,x(m2-m3)-c2,x(m2)c2,x(m3-m1)-c2,x(m3)c2,x(m1-m2)
容易得出，平稳随机过程的二阶累积量为自相关函数，三阶累积量为其三阶矩，但其四阶累积量不等于四阶矩，在此设计中我们对信号采用四阶累计量。
在高阶累积量中具有一些重要的性质：
性质1：设λi(i＝1,2,L,k)为常数，xi(i＝1,2,L,k)为随机变量，则：
Figure BDA0002422417260000071
性质2：累积量关于变元对称，即：
cum(x1,x2,L,xk)＝cum(xi1,xi2,L,xik)
其中，(i1,L,ik)是(1,L,k)的一个排列，即k阶累积量有k！种对称形式，以三阶累积量为例，共有3！＝6种对称形式，即：
C3x(m,n)＝C3x(n,m)＝C3x(-n,m-n)＝C3x(n-m,-m)＝C3x(-n,m-n)
性质3：如果随机变量{xi}与{yi}独立，则累积量具有“半不变性”，即：
cum(x1+y1,x2+y2,L,xk+yk)＝cum(x1,x2,L,xk)+cum(y1,y2,L,yk)
性质4：矩和累积量相对其不变元具有可加性，即
cum(x1+y1,x2,L,xk)＝cum(x1,x2,L,xk)+cum(y1,x2,L,xk)
性质5：若k个随机变量(x1,x2,L,xk)的一个子集与其它部分独立，则：
cum(x1,x2,L,xk)＝0
性质6：若a为一常数
cum(x1+a,x2,L,xk)＝cum(x1,x2,L,xk)
由于任何高斯随机过程的高阶(三阶及以上各阶)累积量恒等于零。所以，由性质3可知，若x(t)为加性高斯有色噪声，w(t)为非高斯信号，观测过程y(t)＝x(t)+w(t)的高阶累积量恒等于非高斯信号x(t)的高阶累积量；也就是说，两个统计独立随机过程之和等于各个随机过程累积量之和。如果一个非高斯信号在与之独立的加性高斯噪声有色噪声中被观测的话，那么观测过程的高阶累积量就是原非高斯过程的高阶累积量；这表明：高阶累积量在理论上可完全抑制任何高斯有色噪声。这就是我们在本设计中为何要用高阶统计分析作为主要方法的原因。
步骤6：建立门限自适应控制算法模型，进行自适应门限控制。
如图8所示的门限自适应控制算法模型结构示意图，建立门限自适应控制算法模型的过程为：
步骤6.1：首先输入门限判决方框的相关峰样值信号Uj，取其相邻N个信号帧的N×L个样值Uj-M+1,Uj-M,L,Uj作为观测对象，所述M为0～NL的整数；然后门限判决器判决出每个帧周期内经相关运算得到的最大自相关峰：若Uj-M≥λj，判决器输出Z(j)＝1；若Uj-M＜λj，判决器输出Z(j)＝0；最后累加器对判决输出的N×L个Z(j)信号样值求累加和，输出信号为
Figure BDA0002422417260000091
步骤6.2：在比较器中，累加和Xj与预定的参考码元数N比较大小，得到一个变量值ε,用以控制门限值的调整方向，比较过程等效于一个符号函数，即ε＝SGN(Xj-N)；
步骤6.3：假设L表示脉冲序列的周期长度，A表示发送数字信号的幅值，可以认为，信号相关运算后得到的相关峰值范围为0～LA，将0～LA划分为2a+1个量化电平，包括0电平和LA电平，从而得到门限值的控制增量为
Figure BDA0002422417260000092
比较器输出的变量值ε和Δλ相乘后就得到门限值的变化量λj-λj-1＝εΔλ。
自适应门限控制过程为：若Xj＞N，表明门限取值过低，应增大为λj＝λj-1+Δλ；若Xj＜N，表明门限取值过高，应减小为λj＝λj-1-Δλ；若Xj＝N表明当前门限值适中，保持为λj＝λj-1；整个控制过程可简化为：λj＝λj-1+SGN(Xj-N)Δλ；观测样值Uj-M，随信道噪声的变化而变化，Uj-M继而控制ε变量值的变化，控制当前门限值的增加和减小，使判决门限随信道噪声的变化而变化，实现自适应控制。

Claims (7)

1.一种基于高阶统计分析的信号自适应处理方法，其特征在于，包括如下步骤：
步骤1：对无线光通信模型系统的接收端接收到的信号进行预处理：
先对此信号进行带通采样，采样后的信号再通过巴特沃兹数字滤波器进行滤波；
步骤2：对滤波后的信号进行非线性变换，提取出四倍频分量，即进行4次方非线性变换；
步骤3：对经过步骤2处理的信号进行滑动相关算法的检测；
步骤4：对步骤3的滑动相关算法进行优化，即在步骤3的滑动相关算法中增加一个参考支路，提高信噪比；
步骤5：使用高阶统计分析方法处理步骤4得到的信号；
步骤6：建立门限自适应控制算法模型，进行自适应门限控制。
2.如权利要求1所述的一种基于高阶统计分析的信号自适应处理方法，其特征在于，所述步骤3中滑动相关算法为滑窗检测的方法，即依次对每个窗口是否有目标进行判决，窗口长度可以近似等于可能出现的目标长度。
3.如权利要求2所述的一种基于高阶统计分析的信号自适应处理方法，其特征在于，所述步骤3的具体过程为：
当接收信号所包含的脉冲信号序列与本地脉冲信号序列相位差小于1/2Tc时，将输出与固定门限比较，大于门限就认为相位差已经小于1/2Tc，捕获完成转入跟踪状态，否则以1/2Tc调整脉冲信号产生器触发脉冲相位，继续捕获。
4.如权利要求1所述的一种基于高阶统计分析的信号自适应处理方法，其特征在于，所述步骤4的参考支路为：采用延后接收信号S(t)一个码长位置的信号与本地脉冲信号做相关得到S2(t)。
5.如权利要求1所述的一种基于高阶统计分析的信号自适应处理方法，其特征在于，所述步骤5的具体过程为：
步骤5.1：假定随机信号变量x1,x2,Λ,xn和x4均值为零，则
c11＝cum(x1,x2)＝E[x1x2]
c111＝cum(x1,x2,x3)＝E[x1x2x3]
c1111＝cum(x1,x2,x3,x4)
＝E[x1x2x3x4]-E[x1x2]E[x3x4]-E[x1x3]E[x2x4]-E[x1x4]E[x2x3]
当随机变量的矩阵不为零时，上式中xi要用xi-E[xi]来替换，同样，前三阶的联合累积量与联合矩一样，而高于四阶的联合矩与联合累积量不同；
步骤5.2：设k阶随机过程{x(n)}的均值为0，则定义该过程的k阶累积量
ck,x(m1,m2,Λ,mk-1)＝cum(x(n),x(n+m1),Λ,x(n+mk-1))
定义该过程的k阶矩
mk,x(m1,m2,Λ,mk-1)＝mom(x(n),x(n+m1),Λ,x(n+mk-1))
式中，联合矩用mom(·)表示；
二、三、四阶累积量为
c2,x(m)＝E[x(n)x(n+m)]
c3,x(m1,m2)＝E[x(n)x(n+m1)x(n+m2)]
c4,x(m1,m2,Λ,m3)＝E[x(n)x(n+m1)x(n+m2)x(n+m3)]-c2,x(m1)c2,x(m2-m3)-c2,x(m2)c2,x(m3-m1)-c2,x(m3)c2,x(m1-m2)
平稳随机过程的二阶累积量为自相关函数，三阶累积量为其三阶矩，对信号采用四阶累计量。
6.如权利要求1所述的一种基于高阶统计分析的信号自适应处理方法，其特征在于，所述步骤6的建立门限自适应控制算法模型的过程为：
步骤6.1：首先输入门限判决方框的相关峰样值信号Uj，取其相邻N个信号帧的N×L个样值Uj-M+1,Uj-M,L,Uj作为观测对象，所述M为0～NL的整数；然后门限判决器判决出每个帧周期内经相关运算得到的最大自相关峰：若Uj-M≥λj，判决器输出Z(j)＝1；若Uj-M＜λj，判决器输出Z(j)＝0；最后累加器对判决输出的N×L个Z(j)信号样值求累加和，输出信号为
Figure FDA0002422417250000031
步骤6.2：在比较器中，累加和Xj与预定的参考码元数N比较大小，得到一个变量值ε,用以控制门限值的调整方向，比较过程等效于一个符号函数，即ε＝SGN(Xj-N)；
步骤6.3：假设L表示脉冲序列的周期长度，A表示发送数字信号的幅值，可以认为，信号相关运算后得到的相关峰值范围为0～LA，将0～LA划分为2a+1个量化电平，包括0电平和LA电平，从而得到门限值的控制增量为
Figure FDA0002422417250000032
比较器输出的变量值ε和Δλ相乘后就得到门限值的变化量λj-λj-1＝εΔλ。
7.如权利要求6所述的一种基于高阶统计分析的信号自适应处理方法，其特征在于，自适应门限控制过程为：若Xj＞N，表明门限取值过低，应增大为λj＝λj-1+Δλ；若Xj＜N，表明门限取值过高，应减小为λj＝λj-1-Δλ；若Xj＝N表明当前门限值适中，保持为λj＝λj-1；整个控制过程可简化为：λj＝λj-1+SGN(Xj-N)Δλ；观测样值Uj-M，随信道噪声的变化而变化，Uj-M继而控制ε变量值的变化，控制当前门限值的增加和减小，使判决门限随信道噪声的变化而变化，实现自适应控制。
CN202010209777.4A 2020-03-23 2020-03-23 一种基于高阶统计分析的信号自适应处理方法 Active CN111447009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010209777.4A CN111447009B (zh) 2020-03-23 2020-03-23 一种基于高阶统计分析的信号自适应处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010209777.4A CN111447009B (zh) 2020-03-23 2020-03-23 一种基于高阶统计分析的信号自适应处理方法

Publications (2)

Publication Number Publication Date
CN111447009A true CN111447009A (zh) 2020-07-24
CN111447009B CN111447009B (zh) 2023-08-08

Family

ID=71652574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010209777.4A Active CN111447009B (zh) 2020-03-23 2020-03-23 一种基于高阶统计分析的信号自适应处理方法

Country Status (1)

Country Link
CN (1) CN111447009B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113551701A (zh) * 2021-06-19 2021-10-26 湖北经济学院 一种总线式光纤光栅解调系统
CN115276799A (zh) * 2022-07-27 2022-11-01 西安理工大学 光学成像通信中欠采样调制解调的判决门限自适应方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101958871A (zh) * 2010-09-16 2011-01-26 西安工业大学 一种自适应fso-ofdm传输系统及传输方法
CN105790849A (zh) * 2016-05-10 2016-07-20 中山大学 一种面向相干光通信系统的调制格式识别方法
CN109361376A (zh) * 2018-11-23 2019-02-19 哈尔滨工程大学 一种高阶累积量的高精度时延估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101958871A (zh) * 2010-09-16 2011-01-26 西安工业大学 一种自适应fso-ofdm传输系统及传输方法
CN105790849A (zh) * 2016-05-10 2016-07-20 中山大学 一种面向相干光通信系统的调制格式识别方法
CN109361376A (zh) * 2018-11-23 2019-02-19 哈尔滨工程大学 一种高阶累积量的高精度时延估计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
吴玉成等: "DSSS系统PN码捕获的相关峰优化及自适应门限检测", 《电路与系统学报》 *
李建勋等: "基于高阶统计量自适应滤波的毫秒脉冲星信号处理", 《西安理工大学学报》 *
李晓燕等: "大气湍流影响下基于自适应判决门限的逆向调制自由空间光通信系统误码率性能分析", 《中国激光》 *
王瑾等: "基于高阶累计量的大气光通信自适应信号处理", 《光子学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113551701A (zh) * 2021-06-19 2021-10-26 湖北经济学院 一种总线式光纤光栅解调系统
CN113551701B (zh) * 2021-06-19 2023-01-31 湖北经济学院 一种总线式光纤光栅解调系统
CN115276799A (zh) * 2022-07-27 2022-11-01 西安理工大学 光学成像通信中欠采样调制解调的判决门限自适应方法

Also Published As

Publication number Publication date
CN111447009B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN111447009A (zh) 一种基于高阶统计分析的信号自适应处理方法
CN102891684B (zh) 一种压缩感知含噪重构系统的构建方法
CN107612587A (zh) 一种用于跳频非合作通信中跳频信号的参数估计方法
CN108828534B (zh) 一种基于混沌激光信号的雷达探测装置
US20150130652A1 (en) Signal processing device
CN103674001A (zh) 一种基于增强自适应时频峰值滤波的光纤陀螺去噪方法
CN111181634B (zh) 一种分布式光纤振动信号快速定位方法
CN116660942A (zh) 基于深度学习的列车卫星定位欺骗干扰检测方法及系统
CN103856276B (zh) 频谱非平坦噪声基底实时自动校正方法
Guven et al. Classifying LPI radar waveforms with time-frequency transformations using multi-stage CNN system
CN111597873B (zh) 一种基于支持向量数据描述的超短波威胁信号感知方法
CN111796266B (zh) 一种匀加速运动目标rd平面检测前跟踪方法
CN115600101B (zh) 一种基于先验知识的无人机信号智能检测方法及装置
CN112751633A (zh) 一种基于多尺度窗口滑动的宽带频谱检测方法
CN103987049A (zh) 一种减小噪声估计误差带来的snr wall现象的能量检测方法
Huang et al. A fast parameter estimation method for multicomponent LFM signal based on FRFT
Meng et al. A dynamic programming track-before-detect algorithm based on EKF for acceleration targets
CN107808393A (zh) 智能视频监控领域中具有抗干扰性的目标跟踪方法
CN105388471A (zh) 一种自适应电磁场时延估计方法及装置
CN113050131A (zh) 一种基于预处理fft和栅栏效应校正的捕获方法
CN111652040A (zh) 一种基于射频及信号自适应卷积神经网络进行人体活动识别的方法与系统
Tao et al. Research of meanshift tracking algorithm based on feature matching estimation
CN114488105B (zh) 一种基于运动特征及方向模板滤波的雷达目标检测方法
Wang et al. Kalman Filtering With Unlimited Sensing
CN110659629A (zh) 一种基于双谱和深度卷积神经网络的微弱x射线脉冲星信号辨识方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230714

Address after: 710000 room 11501, 15 / F, unit 1, building 1, Rui center, No. 10, Tuanjie South Road, high tech Zone, Xi'an, Shaanxi Province

Applicant after: SAIERCOM Corp.

Address before: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Applicant before: Shenzhen Wanzhida Technology Co.,Ltd.

Effective date of registration: 20230714

Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Wanzhida Technology Co.,Ltd.

Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 5

Applicant before: XI'AN University OF TECHNOLOGY

GR01 Patent grant
GR01 Patent grant