CN112364823A - 5g新型多载波信号识别方法 - Google Patents

Abstract

本发明公开了5G新型多载波信号识别方法，针对OFDM、FOFDM、FBMC、UFMC四种多载波信号，提出一种基于极值理论及小波变换方法的新的多载波信号识别方法。本发明先通过对多载波信号的模值平方序列进行极值分布拟合检验实现对OFDM类信号与非OFDM类信号的类间识别，而后对多载波信号模值平方序列作DFT并结合Haar小波变换，分别提取小波变换边缘频谱特征及小波变换的峰值特征以实现对OFDM类内与非OFDM类内信号的识别。相对已有基于机器学习的方法而言，本方法的计算复杂度低，对信号的先验信息依赖较少且不需要训练样本，在低信噪比时识别正确率较高，在非协作条件下具有更好的应用前景。

Description

5G新型多载波信号识别方法

技术领域

本发明属于信号识别与处理领域，具体涉及5G新型多载波信号识别方法。

背景技术

在第四代(4th generation，4G)移动通信系统中，正交频分复用(OrthogonalFrequency Division Multiplexing，OFDM)技术得到了广泛应用，但存在一些不足。如因多普勒效应导致的频率偏移会引起载波间正交性被破坏；因其需载波严格同步导致系统复杂度的增加。为了弥补上述不足，提高频谱利用率，多种非正交异步多载波接入方式已成为5G的备选方案，如通用滤波多载波(Universal Filtered Multi-carrier，UFMC)、滤波器组多载波(Fniter Bank Multi-Cairier，FBMC)、子带滤波的正交频分复用(Filtered-Orthogonal Frequency Division Multiplexing，FOFDM)等。必须注意到，从另一方面来说，在认知无线电和通信侦察等非协作信号处理系统中，侦察接收机或者频谱感知系统等前端信号处理设备需要对所接收到的信号进行检测与识别，为实现信号正确解调、提高频谱感知结果的准确性，以减少对授权用户的干扰。多载波信号的识别是信号识别中的重要环节，对该问题的研究已引起相关学者的关注。

发明内容

本发明针对OFDM、FOFDM、FBMC、UFMC四种多载波信号，提出一种基于极值理论(Extreme Value Theory，EVT)及小波变换方法的新的多载波信号识别方法。该方法的基本思想是将类间与类内识别相结合：首先，利用EVT分布拟合检验实现对OFDM类信号与非OFDM类信号的类间识别；而后，利用Haar小波变换提取多载波信号频谱的小波变换模值特征实现类内识别。

为实现上述目的，本发明采用以下技术方案：

5G新型多载波信号识别方法，待识别的多载波信号库中包含OFDM信号、FOFDM信号、FBMC信号与UFMC信号，其特征在于，包括如下步骤：

步骤1：对多载波信号的模值取平方，并将其分组取极值，得到多载波信号的分组极值序列；

步骤2：计算分组极值序列的计算经验分布函数；

步骤3：通过检验分组极值序列的经验分布是否服从Gumbel分布，将多载波信号分为OFDM类和非OFDM类；

步骤4：对分类后的多载波信号先进行DFT变换后作Haar小波变换，得到多载波信号频谱的小波变换序列；

步骤5：针对OFDM类信号，提取小波变换序列边缘部分的频谱，通过检验该频谱中是否含有线谱来对OFDM信号和FOFDM信号进行区分；对非OFDM类信号，根据小波变换序列的峰值个数，对UFMC信号和FBMC信号进行识别。

为优化上述技术方案，采取的具体措施还包括：

进一步地，在步骤1中，设待识别信号为r(k)，

其模值平方序列为：

z(k)＝|r(k)|²

式中，s(k)表示多载波信号，h(k)表示信道系数，n(k)为加性高斯白噪声，z(k)是取模平方后的多载波信号，Δf表示载波频率偏移，k表示时间序列的取值，K表示信号样本总数，τ表示定时偏移；

将z(k)分成M组后，取每组的最大值构成分组极值序列z_BM(m)，m＝0，1，...M-1。

进一步地，在步骤2中，计算分组极值序列的概率分布函数F(z)：

式中，I(·)表示示性函数，当括号中的输入条件满足时，取1，否则取0；z表示随机变量z_BM(m)的取值域内的任意变量。

进一步地，在步骤3中，根据极值分布理论，对于独立同分布的随机向量{X_j}，X_j～F_X(x)，F_X(x)表示其分布函数，其最大值的极限分布必为以下三种情况之一：

式中，G_i(x)，i＝1，2，3是非退化的分布函数，β是II、III型极值分布参数，x表示时间序列；

定义极值分布特征为F₁：

当F₁为1时，为OFDM类信号，当F₁为0时，为非OFDM类信号。

进一步地，在步骤4中，首先对多载波信号的模值平方作DFT变换：

对DFT变换后的多载波信号作Haar小波变换：

式中，R(l)和c(l)分别为多载波信号作DFT变换以及Haar小波变换后得到的信号，l表示离散频率点，ψ是母小波函数，a是伸缩尺度，n为平移因子。

进一步地，在步骤5中，对于OFDM类信号，定义小波变换序列的前沿部分为前沿序列c_A(l)：

式中，l_m表示离散频率的点数；

对前沿序列再作DFT变换：

定义线谱存在性特征F₂为：

当F₂为1时，多载波为OFDM信号；当F₂为0时，则为FOFDM信号。

进一步地，在步骤5中，对于非OFDM类信号，定义非OFDM类信号小波变换序列的峰值个数特征为W：

W＝Count[c(l)]

式中，Count为计数函数，Count[c(l)]表示统计c(l)中的峰值个数；

令

式中，W₀取2；

当F₃为1时，多载波为UFMC信号；若F₃为0，则为FBMC信号。

本发明的有益效果是：通过极值分布拟合检验实现对OFDM类信号与非OFDM类信号的类间识别，而后利用Haar小波变换提取多载波信号频谱的小波变换模值特征以实现类内识别。相对已有算法而言，该方法的计算复杂度低，对信号的先验信息依赖较少且不需要训练样本，在低信噪比时识别正确率较高，这在非协作条件下具有更好的应用前景。仿真结果表明，在信噪比5dB时，方法的平均识别正确率可以达到百分之85以上。

附图说明

图1是5G新型多载波信号识别方法流程图。

图2是类间识别的方法流程图。

图3是类内识别一的识别方法流程图。

图4是类内识别二的识别方法流程图。

图5是识别方法的平均识别正确率示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

图1是5G新型多载波信号识别方法流程图，本发明采用类间识别与类内识别相结合的方法进行具体说明。

一、类间识别

如图2所示，在类间识别的识别方法中，首先对多载波信号分组取极值，计算其分布经验，判断其是否符合Gumbel分布，若是，则为OFDM类信号，若否，则为非OFDM类信号，具体包括以下步骤：

1、对多载波信号分组取极值

设待识别信号为r(k)：

其模值平方序列为：

z(k)＝|r(k)|²

式中，s(k)表示多载波信号，h(k)表示信道系数，n(k)为加性高斯白噪声，z(k)是取模平方后的多载波信号，Δf表示载波频率偏移，k表示时间序列的取值，K表示信号样本总数，τ表示定时偏移。

将取模平方后的多载波信号分成M组后，取每组的最大值构成分组极值序列Z_BM(m)，m＝0，1，...M-1。

2、经验分布计算

计算分组极值序列的概率分布函数F(z)：

式中，I(·)表示示性函数，当括号中的输入条件满足时，取1，否则取0；z表示随机变量z_BM(m)的取值域内的任意变量。

其中，对OFDM类信号，其服从自由度为2中心卡方分布，其概率分布函数为：

3、判断其是否符合Gumbel分布

根据极值分布理论，对于独立同分布的随机向量{X_j}，j＝1～J，X_j～F_X(x)，其最大值的极限分布必为属于三种情况之一：

式中，G_i(x)，i＝1，2，3是非退化的分布函数，β是II、III型极值分布参数，x表示时间序列。

定义极值分布特征为F₁，即

当F₁为1时，为OFDM类信号，当F₁为0时，为非OFDM类信号。

二、类内识别一

如图3所示，在类内识别一的识别方法中，首先对OFDM类信号作DFT变换，接着对其作Haar小波变换，然后计算其边缘信号频谱，判断其是否含有线谱，若是，则为OFDM信号，若否，则为FOFDM信号，具体包括以下步骤：

1、对多载波信号的模值平方作DFT变换：

2、对DFT变换后的做载波信号作Haar小波变换：

式中，R(l)和c(l)分别为多载波信号作DFT变换以及Haar小波变换后得到的信号，l表示离散频率点，ψ是母小波函数(此处取Haar小波)，a是伸缩尺度，n为平移因子。

3、定义识别特征量

定义多载波信号频谱小波变换的前沿部分为前沿序列c_A(l)：

式中，l_m表示离散频率的点数；

对前沿序列再作DFT变换得到：

定义线谱存在性特征F₂为：

当F₂为1时，多载波为OFDM信号；当F₂为0时，则为FOFDM信号。

三、类内识别二

1、对多载波信号的模值平方作DFT变换：

2、对DFT变换后的多载波信号作Haar小波变换：

3、定义识别特征量

定义频谱小波变换峰值个数特征为W，即：

W＝Count[c(l)]

式中，Count为计数函数，即统计c(l)中的峰值个数。

令

式中，W₀一般取2。其中非OFDM类信号类内识别规则为：当F₃为1时，多载波为UFMC信号；若F₃为0，则为FBMC信号。

图5说明了本方法平均识别正确率，样本点数为1024，小波变换尺度为40，KS检验显著性水平为0.01，分布拟合检验的分组数即BM分组数为5。附加噪声为加性高斯白噪声，信噪比设定范围为-5dB至15dB步长为3dB。

当信噪比在5dB时，信号平均识别正确率已接近85％；当信噪比为10dB时，信号平均识别正确率可达95％以上。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.5G新型多载波信号识别方法，待识别的多载波信号库中包含OFDM信号、FOFDM信号、FBMC信号与UFMC信号，其特征在于，包括如下步骤：

步骤1：对多载波信号的模值取平方，并将其分组取极值，得到多载波信号的分组极值序列；

步骤2：计算分组极值序列的经验分布函数；

步骤3：通过检验分组极值序列的经验分布是否服从Gumbel分布，将多载波信号分为OFDM类和非OFDM类；

步骤4：对分类后的多载波信号先进行DFT变换后作Haar小波变换，得到多载波信号频谱的小波变换序列；

步骤5：针对OFDM类信号，提取小波变换序列边缘部分的频谱，通过检验该频谱中是否含有线谱来对OFDM信号和FOFDM信号进行区分；对非OFDM类信号，根据小波变换序列的峰值个数，对UFMC信号和FBMC信号进行识别。

2.如权利要求1所述的5G新型多载波信号识别方法，其特征在于：在步骤1中，设待识别信号为r(k)，

其模值平方序列为：

z(k)＝|r(k)|²

式中，s(k)表示多载波信号，h(k)表示信道系数，n(k)为加性高斯白噪声，z(k)是取模平方后的多载波信号，Δf表示载波频率偏移，k表示时间序列的取值，K表示信号样本总数，τ表示定时偏移；

将z(k)分成M组后，取每组的最大值构成分组极值序列z_BM(m)，m＝0，1，...M-1。

3.如权利要求2所述的5G新型多载波信号识别方法，其特征在于：在步骤2中，计算分组极值序列的经验分布函数F(z)：

式中，I(·)表示示性函数，当括号中的输入条件满足时，取1，否则取0；z表示随机变量z_BM(m)的取值域内的任意变量。

4.如权利要求3所述的5G新型多载波信号识别方法，其特征在于：在步骤3中，根据极值分布理论，对于独立同分布的随机向量{X_j}，X_j～F_X(x)，F_X(x)表示其分布函数，其最大值的极限分布必为以下三种情况之一：

式中，G_i(x)，i＝1，2，3是非退化的分布函数，β是II、III型极值分布参数，x表示时间序列；

定义极值分布特征为F₁：

当F₁为1时，为OFDM类信号，当F₁为0时，为非OFDM类信号。

5.如权利要求3所述的5G新型多载波信号识别方法，其特征在于：在步骤4中，首先对多载波信号的模值平方作DFT变换：

对DFT变换后的多载波信号作Haar小波变换：

式中，R(l)和c(l)分别为多载波信号作DFT变换以及Haar小波变换后得到的信号，l表示离散频率点，ψ是母小波函数，a是伸缩尺度，n为平移因子。

6.如权利要求5所述的5G新型多载波信号识别方法，其特征在于：在步骤5中，对于OFDM类信号，定义小波变换序列的前沿部分为前沿序列c_A(l)：

式中，l_m表示离散频率的点数；

对前沿序列再作DFT变换：

定义线谱存在性特征F₂为：

当F₂为1时，多载波为OFDM信号；当F₂为0时，则为FOFDM信号。

7.如权利要求5所述的5G新型多载波信号识别方法，其特征在于：在步骤5中，对于非OFDM类信号，定义非OFDM类信号小波变换序列的峰值个数特征为W：

W＝Count[c(l)]

式中，Count为计数函数，Count[c(l)]表示统计c(l)中的峰值个数；

令

式中，W₀取2；

当F₃为1时，多载波为UFMC信号；若F₃为0，则为FBMC信号。

Images