CN114614861A - 基于混合聚类算法的直扩信号伪码周期及序列估计方法 - Google Patents

Abstract

本发明涉及通信技术领域，涉及了一种基于混合聚类算法的直扩信号伪码周期及序列估计方法，该方法首先估计伪码周期，然后结合层次聚类与Kmeans聚类算法，形成新的混合聚类算法，完成估计信息序列，最后对信息序列进行累加处理，再估计得到伪码序列。本发明所设计的基于混合聚类算法的直扩信号伪码序列实时估计方法用于解决低信噪比时，直扩信号伪码周期及伪码序列估计，易于实现，运算量小，因此具有实际应用价值。

Description

基于混合聚类算法的直扩信号伪码周期及序列估计方法

技术领域

本发明涉及通信技术领域，具体涉及一种基于混合聚类算法的直扩信号伪码周期及序列估计方法。

背景技术

针对直扩信号伪码周期及序列估计问题，现有的矩阵分解算法，及一些搜索迭代算法，算法运算量都比较大，估计速度慢，且对噪声敏感，对低信噪比下的直扩信号伪码周期及序列无法准确、快速地获取，难以满足应用需求。

发明内容

本发明所要解决的技术问题在于避免上述背景技术中的不足之处而提供一种新的易于实现的直扩信号伪码周期及序列估计方法。

本发明所采取的技术方案是：

一种基于混合聚类算法的直扩信号伪码周期及序列估计方法，包括以下步骤：

(1)计算信号二次功率谱，搜索谱峰的位置，用匹配法统计出谱峰的间距，即得到伪码周期；

(2)将信号按照伪码周期进行数组排列，通过混合聚类算法对数组进行聚类处理，估计出信息序列；

(3)将估计得到的信息序列进行积累，并去均值，然后判决得到伪码序列。

进一步的，步骤(1)具体包括以下步骤：

(101)计算信号二次功率谱，即先计算信号的功率谱，然后将信号的功率谱再次计算一次功率谱，即得到信号的二次功率谱，并搜索谱峰位置，将相邻位置两两相减，计算出谱峰的间距值Dis＝{dis₁,dis₂,…,dis_n}，n为谱峰间距值的个数；

(102)从谱峰的间距值中，采用匹配法统计出正确的间距；具体为：根据码片速率Rs计算过采样率PPS，PPS＝Fs/Rs，Fs为信号采样率，并根据已知的K种常见伪码周期P＝{P1,P2,…,Pi,…Pk}，计算PPS*P，得到伪码采样周期可能存在的初始值D＝{D1,D2,…Di,…Dk}，Di＝PPS*Pi；

(103)计算谱峰间距Dis的所有元素与各初始值D的相似度，相似度为计算每个Dis值与D的余数，即mod(dis_j,D_i),j＝1,2,…,n,i＝1,2,…,k，将dis_j归于余数最小值对应的D_i的集合，完成计算后，统计每个集合所包含的元素个数，元素最多且大于一定数量的集合所对应的初始值Di，即为伪码采样周期，Pi则为对应伪码周期估计值，用PN表示，PN＝Pi。

进一步的，步骤(2)具体包括以下步骤：

(201)找到信号最佳起始采样点，按过采样率PPS进行抽取，得到同步后的信号，并按照伪码周期进行数组排列，得到数组X＝(x₁,x₂,…xi,…x_N)^T，其中xi＝(x_i1,x_i2,…,x_iPN)，N为信息码片数量，PN为伪码周期，每一行为一个信息码片，包含一个完整周期的伪码序列；

(202)对层次聚类法及Kmeans算法进行改进，结合信息序列的特点，形成新的混合聚类算法，对数组进行聚类处理，具体方法为：

首先伪码序列为+1和-1，因此数组X中的对象通过聚类分为两类，定义为C1和C2；计算数组X中每两个对象的欧氏距离，即M(i,j)＝dist(x_i,x_j)，i,j＝1,2,…,N；选取距离值最大的两个对象，分别作为C1的聚类中心u₁和C2的聚类中心u₂；

计算X中所有对象与u₁和u₂的欧氏距离dist(x_i，u_k)，i＝1，2，…,N,k＝1,2；若dist(x_i,u₁)小于dist(x_i,u₂)，则x_i属于C1，否则，x_i属于C2；

完成聚类后，将C1和C2对应的样本分别赋值为+1和-1，即对数组X＝(x₁,x₂,…xi,…x_N)^T进行处理，x_i若属于C1，则赋值为+1，若属于C2，则赋值为-1，由此得到一个由+1和-1组成的长度为N的序列，即为信息序列。

进一步的，步骤(3)具体包括以下步骤：

(301)对已完成聚类处理的信息码片向量作同相相加，反相相减的累加处理；具体为：将所有属于C1的xi相加，得到s1，将所有属于C2的xi相加，得到s2，再用s1-s2，得到向量M，M＝(m₁,m₂,…m_PN)，即完成累加处理；

(302)对序列M去均值处理，再进行判决，大于0的为+1，小于0的为-1，即得到伪码序列。

本发明与现有技术相比具有如下优点：

1、本发明的伪码周期估计算法，对伪码周期进行匹配并统计，相比于其它搜索算法，算法运算量小，能在低信噪比下准确、快速地完成伪码周期估计。

2、本发明采用的混合聚类算法进行码元信息序列估计，避免了层次聚类法合并或分裂点的选择及反复的迭代过程，也避免了Kmeans算法由于初始中心的选择错误，导致会形成局部最优解或迭代运算时间过长。该算法对象的分组更加合理，能得到更加稳定的聚类结果，且降低了计算复杂度，节约了聚类运算的时间，提高了算法运算速度，更利于工程实时检测估计。

附图说明

图1是本发明的工作过程示意图。

具体实施方式

参照图1，本发明基于混合聚类算法的直扩信号伪码周期及序列估计方法，工作过程包括：匹配法估计伪码周期1、混合聚类算法估计信息序列2、估计伪码序列3。具体包括以下步骤：

(1)计算信号二次功率谱，搜索谱峰的位置，用匹配法统计出谱峰的间距，即得到伪码周期；

具体包括以下步骤：

(101)计算信号二次功率谱，即先计算信号的功率谱，然后将信号的功率谱再次计算一次功率谱，即得到信号的二次功率谱，并搜索谱峰位置，将相邻位置两两相减，计算出谱峰的间距值Dis＝{dis₁,dis₂,…,dis_n}，n为谱峰间距值的个数；

(102)谱峰的间距，即为伪码周期。在信噪比低时，部分谱峰已经被噪声淹没，导致检测失败，也可能检测到虚假的谱峰，因此估算的谱峰之间的距离也存在虚警，对应估计出的伪码周期的准确率也随之下降。本发明采用匹配法从谱峰的间距值中，统计出正确的间距；具体为：根据码片速率Rs计算过采样率PPS，PPS＝Fs/Rs，Fs为信号采样率，并根据已知的K种常见伪码周期P＝{P1,P2,…,Pi,…Pk}，计算PPS*P，得到伪码采样周期可能存在的初始值D＝{D1,D2,…Di,…Dk}，Di＝PPS*Pi；

(103)计算谱峰间距Dis的所有元素与各初始值D的相似度，相似度为计算每个Dis值与D的余数，即mod(dis_j,D_i),j＝1,2,…,n,i＝1,2,…,k，将dis_j归于余数最小值对应的D_i的集合，完成计算后，统计每个集合所包含的元素个数，元素最多且大于一定数量的集合所对应的初始值Di，即为伪码采样周期，Pi则为对应伪码周期估计值，用PN表示，PN＝Pi。

(2)得到伪码周期后，将信号按照伪码周期进行数组排列，通过混合聚类算法对数组进行聚类处理，估计出信息序列；

步骤(2)具体包括以下步骤：

(201)将同步后的信号，即找到信号最佳起始采样点，按过采样率PPS进行抽取，得到同步后的信号，并按照伪码周期进行数组排列，得到数组X＝(x₁,x₂,…xi,…x_N)^T，其中xi＝(x_i1,x_i2,…,x_iPN)，N为信息码片数量，PN为伪码周期，每一行为一个信息码片，包含一个完整周期的伪码序列；

(202)对层次聚类法及Kmeans算法进行改进，结合信息序列的特点，形成新的混合聚类算法，对数组进行聚类处理，具体方法为：

首先伪码序列为+1和-1，因此数组X中的对象通过聚类分为两类，定义为C1和C2；计算数组X中每两个对象的欧氏距离，即M(i,j)＝dist(x_i,x_j)，i,j＝1,2,…,N；选取距离值最大的两个对象，分别作为C1的聚类中心u₁和C2的聚类中心u₂；

计算X中所有对象与u₁和u₂的欧氏距离dist(x_i，u_k)，i＝1，2，…,N,k＝1,2；若dist(x_i,u₁)小于dist(x_i,u₂)，则x_i属于C1，否则，x_i属于C2；

完成聚类后，将C1和C2对应的样本分别赋值为+1和-1，即对数组X＝(x₁,x₂,…xi,…x_N)^T进行处理，x_i若属于C1，则赋值为+1，若属于C2，则赋值为-1，由此得到一个由+1和-1组成的长度为N的序列，即为信息序列。

(3)将估计得到的信息序列进行积累，并去均值，然后判决得到伪码序列。

具体包括以下步骤：

(301)对已完成聚类处理的信息码片向量作同相相加，反相相减的累加处理；具体为：将所有属于C1的xi相加，得到s1，将所有属于C2的xi相加，得到s2，再用s1-s2，得到向量M，M＝(m₁,m₂,…m_PN)，即完成累加处理；

(302)对序列M去均值处理，再进行判决，大于0的为+1，小于0的为-1，即得到伪码序列。

Claims (4)

1.一种基于混合聚类算法的直扩信号伪码周期及序列估计方法，其特征在于，包括以下步骤：

(1)计算信号二次功率谱，搜索谱峰的位置，用匹配法统计出谱峰的间距，即得到伪码周期；

(2)将信号按照伪码周期进行数组排列，并通过混合聚类算法对数组进行聚类处理，估计出信息序列；

(3)将估计得到的信息序列进行积累，并去均值，然后判决得到伪码序列。

2.根据权利要求1所述的基于混合聚类算法的直扩信号伪码周期及序列估计方法，其特征在于，步骤(1)具体包括以下步骤：

(101)计算信号二次功率谱，即先计算信号的功率谱，然后将信号的功率谱再次计算一次功率谱，即得到信号的二次功率谱，并搜索谱峰位置，将相邻位置两两相减，计算出谱峰的间距值Dis＝{dis₁,dis₂,…,dis_n}，n为谱峰间距值的个数；

(102)从谱峰的间距值中，采用匹配法统计出正确的间距；具体为：根据码片速率Rs计算过采样率PPS，PPS＝Fs/Rs，Fs为信号采样率，并根据已知的K种常见伪码周期P＝{P1,P2,…,Pi,…Pk}，计算PPS*P，得到伪码采样周期可能存在的初始值D＝{D1,D2,…Di,…Dk}，Di＝PPS*Pi；

(103)计算谱峰间距Dis的所有元素与各初始值D的相似度，相似度为计算每个Dis值与D的余数，即mod(dis_j,D_i),j＝1,2,…,n,i＝1,2,…,k，将dis_j归于余数最小值对应的D_i的集合，完成计算后，统计每个集合所包含的元素个数，元素最多且大于一定数量的集合所对应的初始值Di，即为伪码采样周期，Pi则为对应伪码周期估计值，用PN表示，PN＝Pi。

3.根据权利要求2所述的基于混合聚类算法的直扩信号伪码周期及序列估计方法，其特征在于，步骤(2)具体包括以下步骤：

(201)找到信号最佳起始采样点，按过采样率PPS进行抽取，得到同步后的信号，并按照伪码周期进行数组排列，得到数组X＝(x₁,x₂,…xi,…x_N)^T，其中xi＝(x_i1,x_i2,…,x_iPN)，N为信息码片数量，PN为伪码周期，每一行为一个信息码片，包含一个完整周期的伪码序列；

(202)对层次聚类法及Kmeans算法进行改进，结合信息序列的特点，形成新的混合聚类算法，对数组进行聚类处理，具体方法为：

首先伪码序列为+1和-1，因此数组X中的对象通过聚类分为两类，定义为C1和C2；计算数组X中每两个对象的欧氏距离，即M(i,j)＝dist(x_i,x_j)，i,j＝1,2,…,N；选取距离值最大的两个对象，分别作为C1的聚类中心u₁和C2的聚类中心u₂；

计算X中所有对象与u₁和u₂的欧氏距离dist(x_i，u_k)，i＝1，2，…,N,k＝1,2；若dist(x_i,u₁)小于dist(x_i,u₂)，则x_i属于C1，否则，x_i属于C2；

完成聚类后，将C1和C2对应的样本分别赋值为+1和-1，即对数组X＝(x₁,x₂,…xi,…x_N)^T进行处理，x_i若属于C1，则赋值为+1，若属于C2，则赋值为-1，由此得到一个由+1和-1组成的长度为N的序列，即为信息序列。

4.根据权利要求3所述的基于混合聚类算法的直扩信号伪码周期及序列估计方法，其特征在于，步骤(3)具体包括以下步骤：

(301)对已完成聚类处理的信息码片向量作同相相加，反相相减的累加处理；具体为：将所有属于C1的xi相加，得到s1，将所有属于C2的xi相加，得到s2，再用s1-s2，得到向量M，M＝(m₁,m₂,…m_PN)，即完成累加处理；

(302)对序列M去均值处理，再进行判决，大于0的为+1，小于0的为-1，即得到伪码序列。

Images