CN114244659B - 一种非高斯噪声干扰下的mimo系统空时模式识别方法及系统 - Google Patents

一种非高斯噪声干扰下的mimo系统空时模式识别方法及系统 Download PDF

Info

Publication number
CN114244659B
CN114244659B CN202111360139.3A CN202111360139A CN114244659B CN 114244659 B CN114244659 B CN 114244659B CN 202111360139 A CN202111360139 A CN 202111360139A CN 114244659 B CN114244659 B CN 114244659B
Authority
CN
China
Prior art keywords
matrix
space
peak
gaussian noise
generalized cross
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
CN202111360139.3A
Other languages
English (en)
Other versions
CN114244659A (zh
Inventor
刘明骞
张俊林
葛建华
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202111360139.3A priority Critical patent/CN114244659B/zh
Publication of CN114244659A publication Critical patent/CN114244659A/zh
Application granted granted Critical
Publication of CN114244659B publication Critical patent/CN114244659B/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
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • 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
    • H04L27/2647—Arrangements specific to the receiver only
    • 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
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2689—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation
    • H04L27/2691—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation involving interference determination or cancellation
    • 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)
  • Radio Transmission System (AREA)

Abstract

本发明属于认知无线通信中MIMO系统参数估计技术领域，公开了一种非高斯噪声干扰下的MIMO系统空时模式识别方法及系统，所述非高斯噪声干扰下的MIMO系统空时模式识别方法包括：利用广义互相关熵对观测信号进行处理，构建广义互相关熵特征矩阵；对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵和误差矩阵；通过利用峰值矩阵构造检测统计量，利用误差矩阵设计检测门限，并采用判决树分类器依次识别四种空时模式。本发明的非高斯噪声干扰下MIMO系统空时模式识别方法效果较好，可有效实现高斯噪声和非高斯噪声干扰条件下MIMO‑OFDM系统空时模式识别。当信噪比高于2dB时，本发明正确识别概率达到90％以上。

Description

一种非高斯噪声干扰下的MIMO系统空时模式识别方法及系统
技术领域
本发明属于认知无线通信中MIMO系统参数估计技术领域，尤其涉及一种非高斯噪声干扰下的MIMO系统空时模式识别方法及系统。
背景技术
目前，在认知无线网络中，为了实现智能传输，通信系统参数识别是一个关键的要求。空时模式作为MIMO系统的重要参数，可以有效提升MIMO系统的有效性和可靠性。因此，在认知MIMO系统中智能接收机需要在参数未知或部分参数已知条件下识别MIMO系统的空时模式，即空时分组编码(STBC， Space-Time Block Codes)类型。
目前，关于MIMO-OFDM空时模式识别的相关工作已经取得了一些的成果。Eldemerdash YA等人通过设计新的互相关函数提取MIMO-OFDM空时模式的分类特征，并基于特征的统计特性构建分类决策准测实现AL与SM识别 (Eldemerdash Y A,Dobre O A,Liao B J.Blind identification of SM and Alamouti STBC-OFDM signals[J].IEEETransactions on Wireless communications,2014, 14(2):972-982.)。Karami E等人基于二阶循环平稳性特性的SM-OFDM和 AL-OFDM信号识别方法(Karami E,Dobre OA.Identification ofSM-OFDM and AL-OFDM signals based on their second-ordercyclostationarity[J].IEEE transactions on vehicular technology,2014,64(3):942-953.)。Marey M等人提取不同天线接收信号的互相关作为识别特征，并采用二元假设检验识别三种不同的空时模式(Marey M,Dobre O A,Inkol R.Blind STBCidentification for multiple-antenna OFDM systems[J].IEEE transactions oncommunications,2014, 62(5):1554-1567.)。凌青等人利用STBC-OFDM信号空时模式的相关性，提出了基于OFDM块的改进K-S检测方法(凌青,张立民,闫文君.基于改进KS检测的STBC-OFDM信号盲识别算法研究[J].通信学报,2017,38(4):46-54)。闫文君等人利用接收信号的四阶时延矩序列的离散傅里叶变换来构造识别特征，通过检测特征的峰值特性识别不同的STBC-OFDM信号(闫文君,张立民,凌青. 基于FOLP的STBC-OFDM信号盲识别方法[J].电子学报,2016,45(9): 2233-2240.)。闫文君等人提取OFDM块的四阶时延矩作为识别特征，对 STBC-OFDM信号进行盲识别(闫文君,凌青,张立民.四阶时延矩 STBC-OFDM信号调制方式识别[J].信号处理,2020,36(1):1-8.)。
上述的MIMO-OFDM系统空时模式识别方法大多仅考虑加性高斯白噪声的影响，鲜有提及alpha稳定分布噪声干扰下MIMO-OFDM系统空时模式识别方法。然而，在许多实际应用中存在着各种各样的非高斯噪声干扰，如人为脉冲噪声干扰、同频噪声干扰等，这些非高斯噪声干扰通常用alpha稳定分布来模拟。由于alpha稳定分布噪声不存在有限的二阶矩，使得现有的基于高斯噪声假设下设计的空时模式识别方法性能严重退化。因此，亟需一种新的alpha稳定分布噪声下MIMO-OFDM系统空时模式识别方法及系统。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有空时模式识别方法大多仅考虑加性高斯白噪声的影响，鲜有提及 alpha稳定分布噪声干扰下的MIMO-OFDM系统空时模式识别方法。
(2)由于alpha稳定分布噪声不存在有限的二阶矩，使得现有的基于高斯噪声假设下设计的空时模式识别方法性能严重退化。
解决以上问题及缺陷的难度为：alpha稳定分布噪声具有厚重的拖尾，通常情况下不存在有限方差，因此，构建适应alpha稳定分布噪声干扰的统计特征，并构建合理的检测门限，实现稳健准确的MIMO-OFDM系统空时模式识别技术的难点。
解决以上问题及缺陷的意义为：实现alpha稳定分布噪声干扰下 MIMO-OFDM系统空时模式识别可以为智能无线系统提供技术支撑，不仅可以扩展无线系统应为场景范围，而且可以有效提升无线系统的抗噪声干扰能力。
发明内容
针对现有技术存在的问题，本发明提供了一种非高斯噪声干扰下的MIMO 系统空时模式识别方法及系统，尤其涉及一种非高噪声干扰和高斯噪声条件下 MIMO-OFDM系统空时模式识别方法及系统。
本发明是这样实现的，一种非高斯噪声干扰下的MIMO系统空时模式识别方法，所述非高斯噪声干扰下的MIMO系统空时模式识别方法包括：
利用广义互相关熵对观测信号进行处理，构建广义互相关熵特征矩阵；对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵和误差矩阵；通过利用峰值矩阵构造检测统计量，利用误差矩阵设计检测门限，并采用判决树分类器依次识别四种空时模式。
进一步，所述非高斯噪声干扰下的MIMO系统空时模式识别方法包括以下步骤：
步骤一，利用广义互相关熵对观测信号r(n)进行处理，构建广义互相关熵特征矩阵
Figure BDA0003358721830000031
从而提取适应非高斯干扰的特征矩阵；
步骤二，为了构建分类统计特征，对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵
Figure BDA0003358721830000032
和误差矩阵/>
Figure BDA0003358721830000033
步骤三，通过利用峰值矩阵构造检测统计量
Figure BDA0003358721830000034
利用误差矩阵设计检测门限/>
Figure BDA0003358721830000035
并采用判决树分类器依次识别空时模式，从而完成四种空时模式识别。
进一步，步骤一中，所述利用广义互相关熵对观测信号r(n)进行处理，构建广义互相关熵特征矩阵
Figure BDA0003358721830000036
包括：
Figure BDA0003358721830000037
Figure BDA0003358721830000038
Figure BDA0003358721830000041
/>
式中，nk＝n+k(N+ν)，τk＝τ(N+ν)，
Figure BDA0003358721830000042
υ为宽度参数，/>
Figure BDA0003358721830000043
为形状参数，且/>
Figure BDA0003358721830000044
υ＞0。
进一步，步骤二中，所述对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵
Figure BDA0003358721830000045
和误差矩阵/>
Figure BDA0003358721830000046
包括：
特征矩阵
Figure BDA0003358721830000047
的峰值特征矩阵/>
Figure BDA0003358721830000048
为：
Figure BDA0003358721830000049
式中，vl表示
Figure BDA00033587218300000410
中第l个峰值位置。对峰值位置进行扩展，将vl附近Δ个值都认定为峰值位置，即/>
Figure BDA00033587218300000411
用于减小峰值位置估计偏差的影响。
特征矩阵
Figure BDA00033587218300000412
的误差矩阵/>
Figure BDA00033587218300000413
为：
Figure BDA00033587218300000414
式中，
Figure BDA00033587218300000415
表示将矩阵/>
Figure BDA00033587218300000416
中与矩阵/>
Figure BDA00033587218300000417
相同的元素删除。
进一步，步骤三中，所述通过利用峰值矩阵构造检测统计量
Figure BDA00033587218300000418
利用误差矩阵设计检测门限/>
Figure BDA00033587218300000419
并采用判决树分类器依次识别四种空时模式，包括：
根据峰值特征矩阵
Figure BDA00033587218300000420
构建检测统计量/>
Figure BDA00033587218300000421
为：
Figure BDA00033587218300000422
式中，
Figure BDA00033587218300000423
为矩阵/>
Figure BDA00033587218300000424
的行数，/>
Figure BDA00033587218300000425
表示矩阵/>
Figure BDA00033587218300000426
的列数，/>
Figure BDA00033587218300000427
表示矩阵U各项元素绝对值之和。
利用误差矩阵
Figure BDA00033587218300000428
构建检测门限为/>
Figure BDA00033587218300000429
Figure BDA00033587218300000430
式中，
Figure BDA0003358721830000051
式中，
Figure BDA0003358721830000052
和/>
Figure BDA0003358721830000053
分别表示矩阵/>
Figure BDA0003358721830000054
的行数和列数。/>
Figure BDA0003358721830000055
表示为：
Figure BDA0003358721830000056
采用判决树分类器通过对比检测统计量和检测门限依次识别四种空时模式；根据检测统计量，假设检验的判决规则为：
Figure BDA0003358721830000057
式中，检测统量
Figure BDA0003358721830000058
不大于检测门限/>
Figure BDA0003358721830000059
即/>
Figure BDA00033587218300000510
假设成立；设置τ＝4,2,1，若
Figure BDA00033587218300000511
则判断为STBC4；若/>
Figure BDA00033587218300000512
则判断为STBC3；若/>
Figure BDA00033587218300000513
则判断为AL；若
Figure BDA00033587218300000514
则判断为SM。
本发明的另一目的在于提供一种实施所述的非高斯噪声干扰下的MIMO系统空时模式识别方法的非高斯噪声干扰下的MIMO系统空时模式识别系统，所述非高斯噪声干扰下的MIMO系统空时模式识别系统包括：
特征矩阵构建模块，用于利用广义互相关熵对观测信号r(n)进行处理，构建广义互相关熵特征矩阵
Figure BDA00033587218300000515
矩阵分解提取模块，用于对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵
Figure BDA00033587218300000516
和误差矩阵/>
Figure BDA00033587218300000517
空时模式识别模块，用于通过利用峰值矩阵构造检测统计量
Figure BDA00033587218300000518
利用误差矩阵设计检测门限/>
Figure BDA00033587218300000519
并采用判决树分类器依次识别四种空时模式。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
利用广义互相关熵对观测信号进行处理，构建广义互相关熵特征矩阵；对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵和误差矩阵；通过利用峰值矩阵构造检测统计量，利用误差矩阵设计检测门限，并采用判决树分类器依次识别四种空时模式。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
利用广义互相关熵对观测信号进行处理，构建广义互相关熵特征矩阵；对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵和误差矩阵；通过利用峰值矩阵构造检测统计量，利用误差矩阵设计检测门限，并采用判决树分类器依次识别四种空时模式。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的非高斯噪声干扰下的MIMO系统空时模式识别系统。
本发明的另一目的在于提供一种应用所述非高斯噪声干扰下的MIMO系统空时模式识别方法的无线通信系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的非高斯噪声干扰下的MIMO系统空时模式识别方法效果较好，可以有效实现高斯噪声和非高斯噪声干扰条件下MIMO-OFDM系统空时模式识别，填补了非高斯噪声下MIMO-OFDM系统空时模式识别的空白。当信噪比高于2dB时，本发明正确识别概率达到90％以上，且对于不同干噪比的非高斯噪声干扰本发明所述方法同样具有较好的性能。
本发明所提方法(GCM-ACF)与现有的CCF(Cross-Correlation Function) 方法进行对分析，其仿真结果如图3所示。由图3可以看出，本发明方法对于 alpha稳定分布噪声具有较强的适应能力，与现有算法比较，本发明方法具有明显的性能优势。图4给出了不同接收天线数目下本发明所提方法的识别性能，由图4可以看出，随着接收天线数目的增加，本发明所提方法性能逐渐提升。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的非高斯噪声干扰下的MIMO系统空时模式识别方法流程图。
图2是本发明实施例提供的非高斯噪声干扰下的MIMO系统空时模式识别系统结构框图；
图中：1、特征矩阵构建模块；2、矩阵分解提取模块；3、空时模式识别模块。
图3是本发明实施例提供的非高噪声干扰下MIMO-OFDM系统空时模式识别性能示意图。
图4是本发明实施例提供的不同接收天线数目下MIMO-OFDM系统空时模式识别性能的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种非高斯噪声干扰下的MIMO 系统空时模式识别方法及系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的非高斯噪声干扰下的MIMO系统空时模式识别方法包括以下步骤：
S101，利用广义互相关熵对观测信号进行处理，构建广义互相关熵特征矩阵；
S102，对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵和误差矩阵；
S103，通过利用峰值矩阵构造检测统计量，利用误差矩阵设计检测门限，并采用判决树分类器依次识别四种空时模式。
如图2所示，本发明实施例提供的非高斯噪声干扰下的MIMO系统空时模式识别系统包括：
特征矩阵构建模块1，用于利用广义互相关熵对观测信号r(n)进行处理，构建广义互相关熵特征矩阵
Figure BDA0003358721830000081
矩阵分解提取模块2，用于对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵
Figure BDA0003358721830000082
和误差矩阵/>
Figure BDA0003358721830000083
空时模式识别模块3，用于通过利用峰值矩阵构造检测统计量
Figure BDA0003358721830000084
利用误差矩阵设计检测门限/>
Figure BDA0003358721830000085
并采用判决树分类器依次识别四种空时模式。
下面结合具体实施例对本发明的技术方案作进一步描述。
本发明实施例提供的一种非高噪声干扰下MIMO-OFDM系统空时模式识别方法包括以下步骤：
第一步，利用广义互相关熵对观测信号r(n)进行处理，构建广义互相关熵特征矩阵
Figure BDA0003358721830000086
基于认知MIMO系统，考虑一种MIMO-OFDM无线通信系统，其采用空时编码方案，且发射天线数目为Mt，接收天线数目为Mr。将传输符号分为长度为Nk的数据块，并且每个数据块的符号来自相同的复线性调制(如四相相移键控)。数据块进入STBC编码器被映射为Mt×UN空时码矩阵C，其中U为编码矩阵的长度。本发明考虑四种常见的空时编码方案，其编码矩阵为：
Figure BDA0003358721830000087
Figure BDA0003358721830000091
Figure BDA0003358721830000092
Figure BDA0003358721830000093
式中，
Figure BDA0003358721830000094
表示第f个天线上的第Um+u个传输符号块，u＝0,…,U-1。
根据OFDM的调制原理，利用快速傅里叶逆变换(N-IFFT)将
Figure BDA0003358721830000095
变换到时域，得到时域OFDM块/>
Figure BDA0003358721830000096
然后，添加长度为v的循环前缀，得到新的时域OFDM块/>
Figure BDA0003358721830000097
其中/>
Figure BDA0003358721830000098
表示为：
Figure BDA0003358721830000099
因此，可以得到第f根发射天线上的所有空时分组码块为：
Figure BDA00033587218300000910
假设信道为频率选择衰落信道，则在第i个接收天线的接收信号可以表示为：
Figure BDA00033587218300000911
式中，Lh表示传播路径的数目，hfi(l)是第f发射天线和第i接收天线之间的第l条路径对应的信道系数，Ii(n)表示非高斯噪声噪声干扰。wi(n)表示高斯白噪声。
构建广义互相关熵特征矩阵
Figure BDA0003358721830000101
为：
Figure BDA0003358721830000102
Figure BDA0003358721830000103
Figure BDA0003358721830000104
其中，nk＝n+k(N+ν)，τk＝τ(N+ν)，
Figure BDA0003358721830000105
υ为宽度参数，/>
Figure BDA0003358721830000106
为形状参数，且/>
Figure BDA0003358721830000107
υ＞0。
第二步，对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵
Figure BDA0003358721830000108
和误差矩阵/>
Figure BDA0003358721830000109
包括：
特征矩阵
Figure BDA00033587218300001010
的峰值特征矩阵/>
Figure BDA00033587218300001011
为：
Figure BDA00033587218300001012
式中，vl表示
Figure BDA00033587218300001013
中第l个峰值位置。为了减小峰值位置估计偏差的影响，对峰值位置进行扩展，将vl附近Δ个值都认定为峰值位置，即/>
Figure BDA00033587218300001014
特征矩阵
Figure BDA00033587218300001015
的误差矩阵/>
Figure BDA00033587218300001016
为：
Figure BDA00033587218300001017
/>
式中，
Figure BDA00033587218300001018
表示将矩阵/>
Figure BDA00033587218300001019
中与矩阵/>
Figure BDA00033587218300001020
相同的元素删除。
第三步，通过利用峰值矩阵构造检测统计量
Figure BDA00033587218300001021
利用误差矩阵设计检测门限/>
Figure BDA00033587218300001022
并采用判决树分类器依次识别四种空时模式，包括：
根据峰值特征矩阵
Figure BDA0003358721830000111
构建检测统计量/>
Figure BDA0003358721830000112
为：
Figure BDA0003358721830000113
式中，
Figure BDA0003358721830000114
为矩阵/>
Figure BDA0003358721830000115
的行数，/>
Figure BDA0003358721830000116
表示矩阵/>
Figure BDA0003358721830000117
的列数，/>
Figure BDA0003358721830000118
表示矩阵U各项元素绝对值之和。
利用误差矩阵
Figure BDA0003358721830000119
构建检测门限为/>
Figure BDA00033587218300001110
Figure BDA00033587218300001111
式中，
Figure BDA00033587218300001112
式中，
Figure BDA00033587218300001113
和/>
Figure BDA00033587218300001114
分别表示矩阵/>
Figure BDA00033587218300001115
的行数和列数。/>
Figure BDA00033587218300001116
可以表示为：
Figure BDA00033587218300001117
采用判决树分类器通过对比检测统计量和检测门限依次识别四种空时模式。根据检测统计量，假设检验的判决规则为：
Figure BDA00033587218300001118
式中，检测统量
Figure BDA00033587218300001119
不大于检测门限/>
Figure BDA00033587218300001120
即/>
Figure BDA00033587218300001121
假设成立。设置τ＝4,2,1，若
Figure BDA00033587218300001122
则判断为STBC4；若/>
Figure BDA00033587218300001123
则判断为STBC3；若/>
Figure BDA00033587218300001124
则判断为AL；若
Figure BDA00033587218300001125
则判断为SM。
下面结合仿真实验对本发明的技术效果作详细的描述。
为了评估本发明的性能，进行仿真验证。考虑一种MIMO-OFDM无线通信系统，待识别空时模式为Θ＝{SM,AL,STBC3,STBC4}。仿真参数设置如下：
基带调制方式为QPSK，子载波数为Nk＝64，循环前缀数为ν＝Nk/4，接收天线数目为Mr＝4，信道设置为Lh＝4的频率选择性信道。仿真实验采取1000次迭代的统计仿真，验证性能。
本发明所提方法(GCM-ACF)与现有的CCF(Cross-CorrelationFunction) 方法进行对分析，其仿真结果如图3所示。由图3可以看出，本发明方法对于alpha 稳定分布噪声具有较强的适应能力，与现有算法比较，本发明方法具有明显的性能优势。图4给出了不同接收天线数目下本发明所提方法的识别性能，由图4 可以看出，随着接收天线数目的增加，本发明所提方法性能逐渐提升。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质 (例如DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种非高斯噪声干扰下的MIMO系统空时模式识别方法，其特征在于，所述非高斯噪声干扰下的MIMO系统空时模式识别方法利用广义互相关熵对观测信号进行处理，构建广义互相关熵特征矩阵；对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵和误差矩阵；通过利用峰值矩阵构造检测统计量，利用误差矩阵设计检测门限，并采用判决树分类器依次识别四种空时模式；
所述非高斯噪声干扰下的MIMO系统空时模式识别方法包括以下步骤：
步骤一，利用广义互相关熵对观测信号r(n)进行处理，构建广义互相关熵特征矩阵
Figure FDA0004194542630000011
步骤二，对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵
Figure FDA0004194542630000012
和误差矩阵/>
Figure FDA0004194542630000013
步骤三，通过利用峰值矩阵构造检测统计量
Figure FDA0004194542630000014
利用误差矩阵设计检测门限/>
Figure FDA00041945426300000111
并采用判决树分类器依次识别四种空时模式；
步骤一中，所述利用广义互相关熵对观测信号r(n)进行处理，构建广义互相关熵特征矩阵
Figure FDA0004194542630000015
包括：
Figure FDA0004194542630000016
Figure FDA0004194542630000017
Figure FDA0004194542630000018
式中，nk＝n+k(N+ν)，τk＝τ(N+ν)，
Figure FDA0004194542630000019
υ为宽度参数，/>
Figure FDA00041945426300000112
为形状参数，且/>
Figure FDA00041945426300000110
υ＞0；Mr为接收天线数目，ν为循环前缀长度；
步骤二中，所述对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵
Figure FDA0004194542630000021
和误差矩阵/>
Figure FDA0004194542630000022
包括：
特征矩阵
Figure FDA0004194542630000023
的峰值特征矩阵/>
Figure FDA0004194542630000024
为：
Figure FDA0004194542630000025
式中，vl表示
Figure FDA0004194542630000026
中第l个峰值位置；对峰值位置进行扩展，将vl附近Δ个值都认定为峰值位置，/>
Figure FDA0004194542630000027
用于减小峰值位置估计偏差的影响；
特征矩阵
Figure FDA0004194542630000028
的误差矩阵/>
Figure FDA0004194542630000029
为：
Figure FDA00041945426300000210
/>
式中，
Figure FDA00041945426300000211
表示将矩阵/>
Figure FDA00041945426300000212
中与矩阵/>
Figure FDA00041945426300000213
相同的元素删除；
步骤三中，所述通过利用峰值矩阵构造检测统计量
Figure FDA00041945426300000214
利用误差矩阵设计检测门限
Figure FDA00041945426300000215
并采用判决树分类器依次识别四种空时模式，包括：
根据峰值特征矩阵
Figure FDA00041945426300000216
构建检测统计量/>
Figure FDA00041945426300000217
为：
Figure FDA00041945426300000218
式中，
Figure FDA00041945426300000219
为矩阵/>
Figure FDA00041945426300000220
的行数，/>
Figure FDA00041945426300000221
表示矩阵/>
Figure FDA00041945426300000222
的列数，/>
Figure FDA00041945426300000231
表示矩阵U各项元素绝对值之和；
利用误差矩阵
Figure FDA00041945426300000223
构建检测门限为/>
Figure FDA00041945426300000224
Figure FDA00041945426300000225
式中，
Figure FDA00041945426300000226
式中，
Figure FDA00041945426300000227
和/>
Figure FDA00041945426300000228
分别表示矩阵/>
Figure FDA00041945426300000229
的行数和列数；/>
Figure FDA00041945426300000230
表示为：
Figure FDA0004194542630000031
采用判决树分类器通过对比检测统计量和检测门限依次识别四种空时模式；根据检测统计量，检验的判决规则为：
Figure FDA0004194542630000032
式中，检测统量
Figure FDA0004194542630000033
不大于检测门限/>
Figure FDA0004194542630000034
即/>
Figure FDA0004194542630000035
假设成立；设置τ＝4,2,1，若/>
Figure FDA0004194542630000036
则判断为STBC4；若/>
Figure FDA0004194542630000037
则判断为STBC3；若/>
Figure FDA0004194542630000038
则判断为AL；若/>
Figure FDA0004194542630000039
则判断为SM。
2.一种实施权利要求1所述的非高斯噪声干扰下的MIMO系统空时模式识别方法的非高斯噪声干扰下的MIMO系统空时模式识别系统，其特征在于，所述非高斯噪声干扰下的MIMO系统空时模式识别系统包括：
特征矩阵构建模块，用于利用广义互相关熵对观测信号进行处理，构建广义互相关熵特征矩阵；
矩阵分解提取模块，用于对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵和误差矩阵；
空时模式识别模块，用于通过利用峰值矩阵构造检测统计量，利用误差矩阵设计检测门限，并采用判决树分类器依次识别四种空时模式；
所述非高斯噪声干扰下的MIMO系统空时模式识别系统执行以下步骤：
步骤一，利用广义互相关熵对观测信号r(n)进行处理，构建广义互相关熵特征矩阵
Figure FDA00041945426300000310
步骤二，对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵
Figure FDA00041945426300000311
和误差矩阵/>
Figure FDA00041945426300000312
步骤三，通过利用峰值矩阵构造检测统计量
Figure FDA00041945426300000313
利用误差矩阵设计检测门限/>
Figure FDA0004194542630000041
并采用判决树分类器依次识别四种空时模式；
步骤一中，所述利用广义互相关熵对观测信号r(n)进行处理，构建广义互相关熵特征矩阵
Figure FDA0004194542630000042
包括：
Figure FDA0004194542630000043
Figure FDA0004194542630000044
Figure FDA0004194542630000045
式中，nk＝n+k(N+ν)，τk＝τ(N+ν)，
Figure FDA0004194542630000046
υ为宽度参数，/>
Figure FDA0004194542630000047
为形状参数，且/>
Figure FDA0004194542630000048
υ＞0；Mr为接收天线数目，ν为循环前缀长度；
步骤二中，所述对所构造的广义互相关熵矩阵进行分解，分别提取峰值特征矩阵
Figure FDA0004194542630000049
和误差矩阵/>
Figure FDA00041945426300000410
包括：
特征矩阵
Figure FDA00041945426300000411
的峰值特征矩阵/>
Figure FDA00041945426300000412
为：
Figure FDA00041945426300000413
式中，vl表示
Figure FDA00041945426300000414
中第l个峰值位置；对峰值位置进行扩展，将vl附近Δ个值都认定为峰值位置，/>
Figure FDA00041945426300000415
用于减小峰值位置估计偏差的影响；
特征矩阵
Figure FDA00041945426300000416
的误差矩阵/>
Figure FDA00041945426300000417
为：
Figure FDA00041945426300000418
式中，
Figure FDA00041945426300000419
表示将矩阵/>
Figure FDA00041945426300000420
中与矩阵/>
Figure FDA00041945426300000421
相同的元素删除；
步骤三中，所述通过利用峰值矩阵构造检测统计量
Figure FDA00041945426300000422
利用误差矩阵设计检测门限
Figure FDA00041945426300000423
并采用判决树分类器依次识别四种空时模式，包括：/>
根据峰值特征矩阵
Figure FDA00041945426300000424
构建检测统计量/>
Figure FDA00041945426300000425
为：
Figure FDA0004194542630000051
式中，
Figure FDA0004194542630000052
为矩阵/>
Figure FDA0004194542630000053
的行数，/>
Figure FDA0004194542630000054
表示矩阵/>
Figure FDA0004194542630000055
的列数，/>
Figure FDA00041945426300000523
表示矩阵U各项元素绝对值之和；
利用误差矩阵
Figure FDA0004194542630000056
构建检测门限为/>
Figure FDA0004194542630000057
Figure FDA0004194542630000058
式中，
Figure FDA0004194542630000059
式中，
Figure FDA00041945426300000510
和/>
Figure FDA00041945426300000511
分别表示矩阵/>
Figure FDA00041945426300000512
的行数和列数；/>
Figure FDA00041945426300000513
表示为：
Figure FDA00041945426300000514
采用判决树分类器通过对比检测统计量和检测门限依次识别四种空时模式；根据检测统计量，检验的判决规则为：
Figure FDA00041945426300000515
式中，检测统量
Figure FDA00041945426300000516
不大于检测门限/>
Figure FDA00041945426300000517
即/>
Figure FDA00041945426300000518
假设成立；设置τ＝4,2,1，若/>
Figure FDA00041945426300000519
则判断为STBC4；若/>
Figure FDA00041945426300000520
则判断为STBC3；若/>
Figure FDA00041945426300000521
则判断为AL；若/>
Figure FDA00041945426300000522
则判断为SM。
3.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1所述的非高斯噪声干扰下的MIMO系统空时模式识别方法。
4.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1所述的非高斯噪声干扰下的MIMO系统空时模式识别方法。
5.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求2所述的非高斯噪声干扰下的MIMO系统空时模式识别系统。
6.一种应用如权利要求1所述非高斯噪声干扰下的MIMO系统空时模式识别方法的无线通信系统。
CN202111360139.3A 2021-11-17 2021-11-17 一种非高斯噪声干扰下的mimo系统空时模式识别方法及系统 Active CN114244659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111360139.3A CN114244659B (zh) 2021-11-17 2021-11-17 一种非高斯噪声干扰下的mimo系统空时模式识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111360139.3A CN114244659B (zh) 2021-11-17 2021-11-17 一种非高斯噪声干扰下的mimo系统空时模式识别方法及系统

Publications (2)

Publication Number Publication Date
CN114244659A CN114244659A (zh) 2022-03-25
CN114244659B true CN114244659B (zh) 2023-05-26

Family

ID=80749755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111360139.3A Active CN114244659B (zh) 2021-11-17 2021-11-17 一种非高斯噪声干扰下的mimo系统空时模式识别方法及系统

Country Status (1)

Country Link
CN (1) CN114244659B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110932807A (zh) * 2019-10-31 2020-03-27 西安电子科技大学 一种非高斯噪声下mimo系统的频谱感知方法
WO2020233182A1 (zh) * 2019-05-20 2020-11-26 乐鑫信息科技（上海）股份有限公司 自适应mimo检测方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8422585B2 (en) * 2004-04-01 2013-04-16 Research In Motion Limited Space-time block coding systems and methods
CN102412918B (zh) * 2011-12-31 2013-09-25 电子科技大学 一种基于过采样的空时相关的glrt检测方法
CN106385308B (zh) * 2016-09-19 2019-05-24 中国人民解放军海军航空大学 基于k-s检测的stbc-ofdm信号盲识别方法
CN108923829B (zh) * 2018-07-11 2020-11-03 中国人民解放军海军航空大学 一种基于相关函数的空频分组码盲识别方法
CN109861793A (zh) * 2019-01-29 2019-06-07 中国人民解放军海军航空大学 一种基于二阶统计量的空频分组码信号盲识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020233182A1 (zh) * 2019-05-20 2020-11-26 乐鑫信息科技（上海）股份有限公司 自适应mimo检测方法和系统
CN110932807A (zh) * 2019-10-31 2020-03-27 西安电子科技大学 一种非高斯噪声下mimo系统的频谱感知方法

Also Published As

Publication number Publication date
CN114244659A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
Gecgel et al. Jammer detection based on artificial neural networks: A measurement study
CN109951214B (zh) 一种适用于大规模mimo系统的信号检测方法
CN106385308B (zh) 基于k-s检测的stbc-ofdm信号盲识别方法
Fadul et al. Nelder-mead simplex channel estimation for the RF-DNA fingerprinting of OFDM transmitters under Rayleigh fading conditions
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
CN107018110B (zh) 一种基于主成分序列的空频编码盲识别方法
CN113971430A (zh) 信号检测及模型训练方法、装置、设备及存储介质
CN106506427A (zh) 一种基于folp的stbc‑ofdm信号盲识别方法
Li et al. Radio frequency fingerprinting exploiting non-linear memory effect
Cai et al. Asynchronous and non-stationary interference cancellation in multiuser interference channels
Bishnu et al. Sparse channel estimation for interference limited OFDM systems and its convergence analysis
CN114244659B (zh) 一种非高斯噪声干扰下的mimo系统空时模式识别方法及系统
CN113556157B (zh) 非高斯干扰下mimo系统发射天线数估计方法及系统
Hazza et al. Robustness of digitally modulated signal features against variation in HF noise model
CN114337876B (zh) 一种基于nsga2算法训练的amp检测方法和实施该方法的系统
CN113938234B (zh) 一种低复杂度稀疏化大规模mimo检测方法
Fadul et al. An analysis of process parameters for the optimization of specific emitter identification under rayleigh fading
CN102546489B (zh) 一种无线通信中解调有效噪声的计算方法及装置
Wang et al. Sequential anomaly detection against demodulation reference signal spoofing in 5G NR
CN112910518B (zh) 无人机通信中非高斯噪声下mimo系统发射天线数估计方法
CN114244660B (zh) 一种脉冲噪声干扰下mimo-ofdm系统sfbc类型识别方法及系统
CN111683363B (zh) 空域调制系统中的物理层认证方法及系统
CN107528674B (zh) 一种基于切比雪夫不等式的sm/al空时码识别方法
Kaminski et al. Removing the RF Fingerprint: A Least Squares Approach to Compensate for a Device's Hardware Impairments
CN115499278B (zh) 基于轻量级神经网络的mimo信号调制识别方法

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