CN112702080B - 基于K-means算法的直扩信号和伪码估计方法 - Google Patents

Abstract

本发明公开了一种基于K‑means算法的直扩信号和伪码估计方法。方法为：首先将采样后的接收信号按照信息码宽度进行分割，使用k‑means算法将信息码片进行二分类，二分类后将两类码片分别令为±1，并且按照分割顺序排列，得到信息序列估计；然后对已经分类得到的两类信息码片进行同相相加反相相减的处理，对处理后的信息码片按照伪码码片宽度进行分割，再次使用k‑means算法进行二分类随后按照信息码相同步骤，得到伪码序列估计。本发明能够有效的估计信息序列和伪码序列，抗噪性能强，并且具有低计算量的特点，实时性较强。

Description

基于K-means算法的直扩信号和伪码估计方法

技术领域

本发明涉及通信技术领域，特别是一种基于K-means算法的直扩信号和伪码估计方法。

背景技术

直接序列扩频(Direct Sequence Spread Spectrum，DSSS)，就是在发端直接用具有高码率的扩频码序列对信息比特流进行调制，从而扩展信号的频谱，在接收端用与发送端相同的扩频码序列进行相关解扩，把展宽的扩频信号恢复成原始信息。直接序列扩频信号的优越性在于，可以用扩展频谱的方法来换取信噪比的降低，通常在小于-30dB的信噪比条件下仍然可以进行可靠的信息传输。另外由于用于扩频的伪噪声(PN)码的调制作用，该信号还具有较强的保密性。由DSSS信号的固有特点所决定，一方面DSSS信号难以检测，另一方面即便检测到了DSSS信号但是不知道发送方的PN码，也难以恢复所传输的信息。

除此之外DSSS信号还具有良好的抗多径干扰性以及良好的码分多址通信能力，被广泛的用于卫星、雷达、通信以及各种军事和民用通信领域中。在电子通信技术迅猛发展的今天，DSSS信号盲处理的军用价值与民用前景都显得更加突出与广阔，其理论与技术的发展，既是它自身的需要，更是时代的要求，作为非协作方对其进行检测、对抗以及参数估计成了当务之急，具有重要意义。

伪码序列的盲估计是实现解扩的关键，而信息序列盲估计则是实现通信对抗信息解密的关键。所以直扩信号盲处理的最终目的就是估计敌方直扩信号的伪码序列，得到伪码序列之后就可以用估计到的序列对接收解扩或者主动发出干扰信号。而在研究直扩信号盲估计方法时，由于接收机接受到的直扩信号一般具有较低的信噪比，所以直扩信号盲估计方法的抗噪性能成为最首要需要考虑的指标，如何能在尽量低的信噪比下完成直扩信号的检测、参数的盲估计成为重要的问题。其次由于直扩信号盲估计方法在军事领域的应用，对其实时性也提出了较高的要求。直扩信号盲估计方法的实时性体现在算法的复杂度上，复杂度越低的算法实时性就越强，而现有算法普遍具有抗噪性能或者实时性不足的劣势，所以研究一种抗噪性能强同时具有强实时性的盲估计算法显得尤为重要。

发明内容

本发明的目的在于提供一种抗噪性能强、方法简单、实时性强的基于K-means算法的直扩信号和伪码估计方法。

实现本发明目的的技术解决方案为：一种基于K-means算法的直扩信号和伪码估计方法，包括以下步骤：

步骤1、对接收机的接收信号进行采样，得到接收信号向量；

步骤2、对接收信号向量按照信息码片宽度进行分割，得到M个信息码片向量；

步骤3、使用K-means算法对信息码片进行二分类，并且将两类码片分别设置为+1和-1；

步骤4、将分类后的码片按照分割的顺序进行排列，得到信息序列盲估计；

步骤5、对分类后的码片进行同相相加反相相减的处理，然后按照伪码宽度进行分割，得到N个伪码码片；

步骤6、使用K-means算法对伪码码片进行二分类，并且将两类码片分别设置为+1和-1；

步骤7、将分类后的伪码码片按照分割的顺序进行排列，得到伪码序列盲估计。

进一步地，步骤1所述对接收机的接收信号进行采样，得到接收信号向量，具体如下：

步骤1.1、接收机接收的信号r(t)为：

r(t)＝s(t)+n(t)＝m(t)p(t)+n(t)

其中s(t)为基带直接序列扩频信号，

a_k为取值为{+1,-1}的等概率分布的信息序列，T_b为信息码片宽度，g(t)为宽度为T_b的矩形窗函数；

b_j为取值为{+1,-1}的伪码序列，T_c为伪码码片宽度，q(t)为发射滤波器、信道冲激函数，接收滤波器的卷积；N为伪码序列的长度，设定信号是采用短码扩频，即一周期伪码扩展一位信息码，则有T_b＝NT_c；n(t)是均值为零、方差为σ_n ²的高斯白噪声且与s(t)不相关；

步骤1.2、采样后接收信号向量r为：

r＝r(nT_s)n＝1,2,3...

其中T_s为采样周期。

进一步地，步骤2所述的对接收信号向量按照信息码片宽度进行分割，得到M个信息码片向量，具体如下：

将采样后的信号按照信息序码宽度L＝T_b/T_s进行分割，得到M个信息码片向量：

x(k)＝s(k)+n(k)k＝1,2,3...M

其中s(k)为信号s(t)采样后按照信息码宽度L＝T_b/T_s分割后的第k个码片，n(k)为每个码片带有的高斯白噪声。

进一步地，步骤3所述的使用K-means算法对信息码片进行二分类，并且将两类码片分别设置为+1和-1，具体如下：

步骤3.1、从分割后的码片{x(1),x(2),...x(k)}中随机选择2个样本作为初始类簇中心向量{μ₁,μ₂}，对应的类簇分别为{C₁,C₂}；

步骤3.2、计算数据集中各样本点x(k)到各类簇中心向量之间的马氏距离d_jk：

d_jk＝||x_j-μ_k||

步骤3.3、将x(k)划到距离最近的类簇中，并得到各类簇的向量个数n_k；

步骤3.4、计算新的类簇中心μ'_k：

步骤3.5、重复步骤3.2～步骤3.4，直到类簇中心不再发生变化或改变小于所设置的阈值；

步骤3.6、将属于类簇C₁的码片向量x(k)码片值设置为+1，将属于类簇C₂的码片向量x(k)码片值设置为-1。

进一步地，步骤4所述的将分类后的码片按照分割的顺序进行排列，得到信息序列盲估计，具体如下：

将两类码片值按照向量x(k)所带标签k，即分割顺序，从小到大依次排列，得到信息序列估计。

进一步地，步骤5所述的对分类后的码片进行同相相加反相相减的处理，然后按照伪码宽度进行分割，得到N个伪码码片，具体如下：

步骤5.1、设定估计得到信息序列a_k为+1的向量x₊₁(i)为：

x₊₁(i₁)＝S+n(i₁)，i₁＝1,2,3...m

信息序列a_k为-1的向量为：

x_-1(i₂)＝-S+n(i₂)，i₂＝1,2,3...n

其中x₊₁(i₁)为信息序列a_k＝+1的信息码片向量；x_-1(i₂)为信息序列a_k＝-1的信息码片向量；m为信息码为+1的信息码片的数量，n为信息码为-1的码片数量，m+n＝M；S为一周期伪码波形p₀(t)经过采样得到的向量；

步骤5.2、按照同相相加反相相减的方式对M个信息码片进行预处理，首先分别对a_k＝±1的两类信息码片向量进行同相累加得到X₁、X₂：

然后再对两类码片向量进行反相相减：

步骤5.3、对分类后的码片进行信噪比同相相加反相相减的处理；

步骤5.4、对处理后的信息码片按照伪码码片宽度L_c＝T_c/T_s分割成N个伪码码片向量：

y(k)＝q(k)+n(k)k＝1,2,....N

其中y(k)为处理后按照码片长度为L_c＝T_c/T_s分割得到的向量，n(k)为伪码码片携带的高斯白噪声。

进一步地，步骤6、步骤7所述分类及排列过程与步骤3、步骤4所述过程一致。

本发明与现有技术相比，其显著优点在于：(1)能够有效的估计信息序列和伪码序列，具有很强的抗噪性能；(2)具有低计算量的特点，实时性较强。

附图说明

图1是本发明基于K-means算法的直扩信号和伪码估计方法的流程图。

图2是本发明实施例中对接收信号按照信息码宽度进行分割的分割结果示意图。

图3是本发明实施例中处理后信息码片按照伪码宽度进行分割的分割结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明。

本发明一种基于K-means算法的直扩信号和伪码估计方法，通过对直接序列扩频信号的扩频特点进行研究，短码直扩信号是一位信息码调制一整个周期伪码，算法先后将采样后的观测信号按照信息码宽度和伪码宽度分割，将信息和伪码序列盲估计问题转化为信息码片向量和伪码码片向量的二分类问题。

结合图1，本发明一种基于k-means算法的直扩信号信息及伪码序列盲估计方法，包括以下步骤：

步骤1、对接收机接收信号进行采样，得到接收信号向量，具体如下：

步骤1.1、接收机接收的信号为：

r(t)＝s(t)+n(t)＝m(t)p(t)+n(t)

其中s(t)为基带直接序列扩频信号，

a_k为取值为{+1,-1}的等概率分布的信息序列，T_b为信息码片宽度，g(t)为宽度为T_b的矩形窗函数；

b_j为取值为{+1,-1}的伪码序列，T_c为伪码码片宽度，q(t)为发射滤波器、信道冲激函数，接收滤波器的卷积；N为伪码序列的长度，设定信号是采用短码扩频，即一周期伪码扩展一位信息码，则有T_b＝NT_c；n(t)是均值为零、方差为σ_n ²的高斯白噪声且与s(t)不相关；

步骤1.2、采样后接收信号向量为：

r＝r(nTs)(n＝1,2,3...)

其中Ts为采样周期。

步骤2、对接收信号向量按照信息码片宽度进行分割，得到M个信息码片向量，具体如下：

将采样后的信号按照信息序码宽度L＝T_b/T_s进行分割，得到M个信息码片向量：

x(k)＝s(k)+n(k)(k＝1,2,3...M)

其中s(k)为信号s(t)采样后按照信息码宽度L＝T_b/T_s分割后的第K个码片，n(k)为每个码片带有的高斯白噪声。

步骤3、使用k-means算法对信息码片进行二分类，并且将两类码片分别设置为+1和-1，具体如下：

步骤3.1、从分割后的码片{x(1),x(2),...x(k)}中随机选择2个样本作为初始类簇中心向量{μ₁,μ₂}，对应的类簇分别为{C₁,C₂}；

步骤3.2、计算数据集中各样本点x(k)到各类簇中心向量之间的马氏距离：

d_jk＝||x_j-μ_k||

步骤3.3、将x(k)划到距离最近的类簇中，并得到各类簇的向量个数n_k；

步骤3.4、计算新的类簇中心：

步骤3.5、重复步骤3.2和步骤3.3，直到类簇中心不再发生变化或改变小于所设置的阈值；

步骤3.6、将属于类簇C₁的码片向量x(k)码片值设置为+1，将属于类簇C₂的码片向量x(k)码片值设置为-1。

步骤4、将分类后的码片按照分割的顺序进行排列，得到信息序列盲估计，具体如下：

将两类码片值按照向量x(k)所带标签k，即分割顺序，从小到大依次排列，得到信息序列估计。

步骤5、对分类后的码片进行同相相加反相相减的处理，然后按照伪码宽度进行分割，得到N个伪码码片，具体如下：

步骤5.1、设定估计得到信息码a_k为+1的向量为：

x₊₁(i)＝S+n(i)(i＝1,2,3...m)

信息码值a_k为-1的向量为：

x_-1(i)＝-S+n(i)(i＝1,2,3...n)

其中x₊₁(i)为信息码a_k＝+1的信息码片向量；x_-1(i)为信息码a_k＝-1的信息码片向量；m为信息码为+1的信息码片的数量，n为信息码为-1的码片数量，m+n＝M；S为一周期伪码波形p₀(t)经过采样得到的向量；

步骤5.2、按照同相相加反相相减的方式对M个信息码片进行预处理，首先分别对a_k＝±1的两类信息码片向量进行同相累加：

然后再对两类码片向量进行反相相减：

步骤5.3、对分类后的码片进行信噪比同相相加反相相减的处理，将信噪比从

改善为

步骤5.4、对处理后的信息码片按照伪码码片宽度L_c＝T_c/T_s分割成N个伪码码片向量：

y(k)＝q(k)+n(k)(k＝1,2,....N)

其中y(k)为处理后按照码片长度为L_c＝T_c/T_s分割得到的向量，n(k)为伪码码片携带的高斯白噪声。

步骤6、使用k-means算法对伪码码片进行二分类，并且将两类码片分别设置为+1和-1；

步骤7、将分类后的伪码码片按照分割的顺序进行排列，得到伪码序列盲估计。

进一步地，步骤6、步骤7所述分类及排列过程与步骤4、步骤5所述过程一致。

实施例1

本实施例以伪码长度为255，伪码宽度为0.1us，采样速率为100MHz的短码直扩信号为例，信噪比SNR取[-22,0]dB,对信息序列和伪码序列进行盲估计。

步骤1、对接收机接收信号进行采样，得到接收信号向量；

步骤2、对接收信号向量按照信息码片宽度进行分割，得到M个信息码片向量，如图2所示；

步骤3、使用k-means算法对信息码片进行二分类，并且将两类码片分别设置为+1和-1；

步骤4、将分类后的码片按照分割的顺序进行排列，得到信息序列盲估计；

步骤5、对分类后的码片进行同相相加反相相减的处理，然后按照伪码宽度进行分割，得到N个伪码码片，如图3所示；

步骤6、再次使用k-means算法对伪码码片进行二分类，并且将两类码片分别设置为+1和-1；

步骤7、将分类后的伪码码片按照分割的顺序进行排列，得到伪码序列盲估计。

本实施例在-16dB的信噪比下，信息序列盲估计为零误码率，-19dB的信噪比下，伪码序列盲估计为零误码率，并且算法运行时间始终维持在1s之内，在具有较强抗噪性能的同时具有很强的实时性。

Claims (7)

1.一种基于K-means算法的直扩信号和伪码估计方法，其特征在于，包括以下步骤：

步骤1、对接收机的接收信号进行采样，得到接收信号向量；

步骤2、对接收信号向量按照信息码片宽度进行分割，得到M个信息码片向量；

步骤3、使用K-means算法对信息码片进行二分类，并且将两类码片分别设置为+1和-1；

步骤4、将分类后的码片按照分割的顺序进行排列，得到信息序列盲估计；

步骤5、对分类后的码片进行同相相加反相相减的处理，然后按照伪码宽度进行分割，得到N个伪码码片；

步骤6、使用K-means算法对伪码码片进行二分类，并且将两类码片分别设置为+1和-1；

步骤7、将分类后的伪码码片按照分割的顺序进行排列，得到伪码序列盲估计。

2.根据权利要求1所述的基于K-means算法的直扩信号和伪码估计方法，其特征在于，步骤1所述对接收机的接收信号进行采样，得到接收信号向量，具体如下：

步骤1.1、接收机接收的信号r(t)为：

r(t)＝s(t)+n(t)＝m(t)p(t)+n(t)

其中s(t)为基带直接序列扩频信号，

a_k为取值为{+1,-1}的等概率分布的信息序列，T_b为信息码片宽度，g(t)为宽度为T_b的矩形窗函数；

b_j为取值为{+1,-1}的伪码序列，T_c为伪码码片宽度，q(t)为发射滤波器、信道冲激函数，接收滤波器的卷积；N为伪码序列的长度，设定信号是采用短码扩频，即一周期伪码扩展一位信息码，则有T_b＝NT_c；n(t)是均值为零、方差为σ_n ²的高斯白噪声且与s(t)不相关；

步骤1.2、采样后接收信号向量r为：

r＝r(nT_s)n＝1,2,3...

其中T_s为采样周期。

3.根据权利要求2所述的基于K-means算法的直扩信号和伪码估计方法，其特征在于，步骤2所述的对接收信号向量按照信息码片宽度进行分割，得到M个信息码片向量，具体如下：

将采样后的信号按照信息序码宽度L＝T_b/T_s进行分割，得到M个信息码片向量：

x(k)＝s(k)+n(k)k＝1,2,3...M

其中s(k)为信号s(t)采样后按照信息码宽度L＝T_b/T_s分割后的第k个码片，n(k)为每个码片带有的高斯白噪声。

4.根据权利要求3所述的基于K-means算法的直扩信号和伪码估计方法，其特征在于，步骤3所述的使用K-means算法对信息码片进行二分类，并且将两类码片分别设置为+1和-1，具体如下：

步骤3.1、从分割后的码片{x(1),x(2),...x(k)}中随机选择2个样本作为初始类簇中心向量{μ₁,μ₂}，对应的类簇分别为{C₁,C₂}；

步骤3.2、计算数据集中各样本点x(k)到各类簇中心向量之间的马氏距离d_jk：

d_jk＝||x_j-μ_k||

步骤3.3、将x(k)划到距离最近的类簇中，并得到各类簇的向量个数n_k；

步骤3.4、计算新的类簇中心μ'_k：

步骤3.5、重复步骤3.2～步骤3.4，直到类簇中心不再发生变化或改变小于所设置的阈值；

步骤3.6、将属于类簇C₁的码片向量x(k)码片值设置为+1，将属于类簇C₂的码片向量x(k)码片值设置为-1。

5.根据权利要求4所述的基于K-means算法的直扩信号和伪码估计方法，其特征在于，步骤4所述的将分类后的码片按照分割的顺序进行排列，得到信息序列盲估计，具体如下：

将两类码片值按照向量x(k)所带标签k，即分割顺序，从小到大依次排列，得到信息序列估计。

6.根据权利要求5所述的基于K-means算法的直扩信号和伪码估计方法，其特征在于，步骤5所述的对分类后的码片进行同相相加反相相减的处理，然后按照伪码宽度进行分割，得到N个伪码码片，具体如下：

步骤5.1、设定估计得到信息序列a_k为+1的向量x₊₁(i)为：

x₊₁(i₁)＝S+n(i₁)，i₁＝1,2,3...m

信息序列a_k为-1的向量为：

x_-1(i₂)＝-S+n(i₂)，i₂＝1,2,3...n

其中x₊₁(i₁)为信息序列a_k＝+1的信息码片向量；x_-1(i₂)为信息序列a_k＝-1的信息码片向量；m为信息码为+1的信息码片的数量，n为信息码为-1的码片数量，m+n＝M；S为一周期伪码波形p₀(t)经过采样得到的向量；

步骤5.2、按照同相相加反相相减的方式对M个信息码片进行预处理，首先分别对a_k＝±1的两类信息码片向量进行同相累加得到X₁、X₂：

然后再对两类码片向量进行反相相减：

步骤5.3、对分类后的码片进行信噪比同相相加反相相减的处理；

步骤5.4、对处理后的信息码片按照伪码码片宽度L_c＝T_c/T_s分割成N个伪码码片向量：

y(k)＝q(k)+n(k)k＝1,2,....N

其中y(k)为处理后按照码片长度为L_c＝T_c/T_s分割得到的向量，n(k)为伪码码片携带的高斯白噪声。

7.根据权利要求1所述的基于K-means算法的直扩信号和伪码估计方法，其特征在于，步骤6、步骤7所述分类及排列过程与步骤3、步骤4所述过程一致。

Images