CN114900411A - 一种混合噪声下MSK信号的自适应Viterbi解调方法 - Google Patents

Abstract

本发明属于通信技术领域，具体的说是涉及一种混合噪声下MSK信号的自适应Viterbi解调方法。本发明针对高斯白噪声和非高斯脉冲噪声同时存在的场景下，基于最大似然分支度量计算的MSK信号Viterbi解调算法复杂度过高的问题，设计了一种根据噪声特性选择分支度量计算方法的MSK信号自适应Viterbi解调方法，该发明在保证误码率性能的前提下可有效降低解调算法的整体复杂度。

Description

一种混合噪声下MSK信号的自适应Viterbi解调方法

技术领域

本发明属于通信技术领域，具体的说是涉及一种混合噪声下MSK信号的自适应Viterbi解调方法。

背景技术

最小频移键控(Minimum Shift Keying,MSK)是一种能够兼顾频谱效率和能量效率的连续相位调制技术，已经用于很多无线通信系统中。MSK调制信号的信息承载在连续变化的相位中，最小误码率(Bit Error Rate,BER)性能意义下，MSK信号的最优解调方法是最大似然序列检测，但其复杂度过高，因此一般采用次优的Viterbi算法(ViterbiAlgorithm，VA)解调MSK信号。

Viterbi算法是一种检测有限Markov序列的近似最优算法，由于具有回溯和剪枝操作，使其能够在几乎不影响性能的前提下大大降低复杂度，被广泛应用于通信接收机信号处理和信道译码(G.D.Forney,"The Viterbi algorithm,"in Proceedings of theIEEE,March 1973,vol.61,no.3:268-278.)。Viterbi算法核心是设计分支度量计算方法。当前，MSK解调方法大都针对高斯白噪声(White Gaussian Noise,WGN)设计分支度量计算方法，简称为高斯分支度量。根据高斯分布的概率密度函数(Probability DensityFunction,PDF)，高斯分支度量等效为收发信号间的欧氏距离。另一方面，非高斯脉冲噪声(Impulsive Noise,IN)广泛存在于自然环境中。近年来，一些研究针对脉冲噪声进行了建模，并分析设计了对应场景下的通信接收机。目前，广泛采用对称α稳定(symmetricαstable，SαS)分布建模脉冲噪声。

存在脉冲噪声的实际场景中，不可避免地同时存在高斯白噪声，两者叠加会形成加性混合噪声。这种混合噪声的模型比单一的高斯白噪声或脉冲噪声更加复杂。G.Sureka提出了一种混合噪声的近似PDF表达式，并据此设计了二元反极性调制信号(BPSK)的最大似然(Maximum Likelihood，ML)检测算法(G.Sureka and K.Kiasaleh,"Sub-optimumreceiver architecture for AWGN channel with symmetric alpha-stableinterference,"in IEEE Transactions on Communications,May 2013,vol.61,no.5:1926-1935.)，但MSK信号为非线性调制信号，具有记忆性，完全不同于线性调制的BPSK信号。

针对混合噪声，可通过数值计算其PDF，采用最优性能的ML算法计算Viterbi算法的分支度量，进行MSK解调，但其复杂度非常高，不利于实际接收机实现。实际上，除了最优的ML分支度量计算方法外，还有其它次优的Viterbi算法分支度量计算方法，包括：Myriad和前述高斯分支度量。Myriad度量是专门针对SαS分布的非高斯脉冲噪声的分支度量。Myriad和高斯分支度量的计算复杂度均小于ML度量。

发明内容

针对混合噪声下基于ML分支度量计算的MSK信号Viterbi解调算法复杂度过高的问题，本发明提出了一种基于噪声特性灵活选择分支度量的MSK信号自适应Viterbi解调方法。本发明的方法根据混合噪声参数，在不同分支度量计算方法之间灵活选择的MSK信号自适应Viterbi解调方法，在保证误码率性能的前提下降低接收机的整体复杂度。

本发明的技术方案为：

一种混合噪声下MSK信号的自适应Viterbi解调方法，其特征在于，包括以下步骤：

S1、估计混合噪声参数：

在发送信号中固定设置一段时间的静默期，不发送MSK信号，在静默期内，接收机根据接收的混合噪声采样信号n_i估计近似PDF模型中的参数：

其中，

其中，要估计的参数为：α、γ_s、γ_g、γ_sg和c₁。α为脉冲噪声的特征参数，γ_s和γ_g分别为脉冲噪声和高斯白噪声的尺度参数，γ_sg和c₁可以调整分布模型高斯部分的方差和峰度，其余参数均可由上述参数表示出来；

通过特征函数法估计α、γ_s和γ_g，通过经验法则得到γ_sg，在有限定义域内通过一维随机网格搜索得到c₁，将α、γ_s和γ_g的估计值分别表示为：

和

；具体算法细节Sureka在文献中均已给出(G.Sureka and K.Kiasaleh,"Sub-optimum receiverarchitecture for AWGN channel with symmetric alpha-stable interference,"inIEEE Transactions on Communications,May 2013,vol.61,no.5:1926-1935.)；

S2、根据估计的混合噪声参数选择Viterbi算法中使用的分支度量计算方法：

设信号采样率为f_s，MSK信号的第i个样本是s_i，MSK信号的符号周期是T，候选的分支度量包括：

1)高斯分支度量M_g

2)Myriad分支度量M_m

其中，参数

3)ML似然分支度量M_ML

定义参数

描述混合噪声中高斯噪声和非高斯脉冲噪声的功率之比，将参数λ和α在各自取值范围进行区间划分，其中根据设定的阈值dB将参数λ划分为两个门限值，表示为λ_t1和λ_t2，根据λ将参数α划分为从小到大的4个门限值，表示为α_t1、α_t2、α_t3和α_t4，门限的确定需要通过仿真，根据选择原则，替换分支度量时对应的α和λ即为门限阈值。分支度量计算方法选择的原则是：在满足系统BER性能的情况下，参数α或λ大于门限时，混合噪声的高斯性较强，采用高斯分支度量M_g降低复杂度；反之，当参数α或λ小于门限时，混合噪声的脉冲性更强，采用Myriad分支度量M_g降低复杂度；其它场景，选择ML分支度量；具体方法如下：

定义参数取值范围组合与分支度量选择的对应关系，并根据分支度量与参数组(λ,α)的对应关系构造决策树：采用

作为根节点，由根节点得到的第一中间节点为λ_t1＜λ＜λ_t2；定义第一中间节点成立进入第一分支，第一分支的第一中间节点为

若

成立，则到达第一分支的第一叶节点Myriad度量，否则到达第一分支的第二中间节点

若

成立，则到达第一分支的第二叶节点ML度量，否则到达第三叶节点高斯度量；若

不成立，则进入第二中间节点λ≤λ_t1；若λ≤λ_t1成立，则进入第二分支，定义第二分支中间节点为

若

成立，则到达第二分支的第一叶节点ML度量，否则到达第二分支第二叶节点Myriad度量；若λ≤λ_t1不成立，则进入第三分支，定义第三分支中间节点为

若

成立，则到达第三分支第一叶节点ML度量，否则到达第三分支第二叶节点Myriad度量；

S3、对混合噪声下接收的MSK信号根据所选分支度量进行Viterbi解调。

本发明的有益效果为：本发明利用ML，Myriad和高斯分支度量，通过参数估计和决策树来选择不同的分支度量以减少运算复杂度，在脉冲噪声占主导的场景下可考虑使用Myriad代替ML，在高斯噪声占主导的情况下使用高斯分支度量，这样可以在保证系统性能的前提下，降低接收机的整体复杂度。

附图说明

图1是本发明中发明内容提供的自适应接收机结构。

图2是本发明中发明内容提供的完整决策树结构。

图3是本发明中发明内容提供的剪枝决策树结构。

图4是本发明中实施例提供的各分支度量的BER性能曲线。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

实施例

本实施例以MSK调制信号为对象，定义广义信噪比(Generalized Signal toNoise Ratio，GSNR)为：GSNR＝10log₁₀E_b/2(γ_s ^α+γ_g ²)，其中E_b表示MSK信号功率，设置采样率f_s＝20，仿真比特数为N＝10⁵，近似PDF的横坐标截断范围为[-100，100]，步长为0.01，固定GSNR(dB)＝10。仿真中，信号在经过信道时经历10种不同α和λ的混合噪声，模拟自适应系统处于混合噪声的参数变化的场景，不同混合噪声场景的具体参数为：

表1 不同时刻混合噪声的参数配置

时刻	α	λ
			1	1.2	1
2	1.3	1
			3	1.5	5
4	1.5	15
			5	1.1	0.2
6	1.6	0.5
			7	1.7	20
8	1.8	50
			9	1.2	0.5
10	0.8	1

具体实施步骤如下：

步骤1：估计混合噪声参数。

参数估计首先应产生混合噪声样本点，计算出样本特征函数，即：

再利用特征函数法得到估计值

和

需要首先根据噪声样本拟合样本PDF曲线，再利用经验法则，即取曲线上衰减为原点值75％时对应的横坐标的平方作为

c₁的定义域为[0,1]，因此可以在区间内通过一维网格搜索，当近似PDF和样本PDF之间KL散度最小时对应的值即为

步骤2：根据参数估计结果选择分支度量计算方法。

在本实施例中，暂将dB阈值设定为0.7dB，λ_t1＝10，λ_t2＝15，将不同λ的α门限阈值和此时所选的子树分支列为表格，符号“×”代表当前λ对应的分支不涉及该阈值：

表2 不同λ下α门限阈值

根据上一步骤中获得的参数估计结果，利用

和

计算出λ，结合所提出的决策树，选择出当前场景的最佳分支度量，仿真中各个时刻的参数估计结果和自适应系统所选分支度量为：

表3 各时刻参数估计结果和自适应分支度量选择

步骤3：根据所选分支度量进行Viterbi解调。

计算出每一个状态处的累积分支度量值，选择出最大的状态保留对应的幸存路径，删除其余的竞争路径，到达最后一个时刻后获得完整的幸存路径，回溯即得到解调码元。

经过仿真，各种分支度量的BER性能曲线显示自适应方法的误码率性能在各场景下都近似ML分支度量的性能。具体的时间开销为：

表4 各种分支度量在快速变化场景中的耗时情况

由上表的结果可看出，自适应方案在各种场景下会自动调整Viterbi算法的分支度量，在获得逼近ML度量的最佳误码率性能下，所需计算时间远小于ML度量，提高了系统效率。

Claims (1)

1.一种混合噪声下MSK信号的自适应Viterbi解调方法，其特征在于，包括以下步骤：

S1、估计混合噪声参数：

在发送信号中固定设置一段时间的静默期，不发送MSK信号，在静默期内，接收机根据接收的混合噪声采样信号n_i估计近似PDF模型中的参数：

其中，

因此要估计的参数为：α、γ_s、γ_g、γ_sg和c₁；α为脉冲噪声的特征参数，γ_s和γ_g分别为脉冲噪声和高斯白噪声的尺度参数，γ_sg和c₁用于调整分布模型高斯部分的方差和峰度；通过特征函数法估计α、γ_s和γ_g，通过经验法则得到γ_sg，在有限定义域内通过一维随机网格搜索得到c₁，将α、γ_s和γ_g的估计值分别表示为：

和

S2、根据估计的混合噪声参数选择Viterbi算法中使用的分支度量计算方法：

设信号采样率为f_s，MSK信号的第i个样本是s_i，MSK信号的符号周期是T，候选的分支度量包括：

1)高斯分支度量M_g

2)Myriad分支度量M_m

其中，参数

3)ML似然分支度量M_ML

定义参数

描述混合噪声中高斯噪声和非高斯脉冲噪声的功率之比，将参数λ和α在各自取值范围进行区间划分，其中根据设定的阈值dB将参数λ划分为两个门限值，表示为λ_t1和λ_t2，根据λ将参数α划分为从小到大的4个门限值，表示为α_t1、α_t2、α_t3和α_t4，分支度量计算方法选择的原则是：在满足系统BER性能的情况下，参数α或λ大于门限时，混合噪声的高斯性较强，采用高斯分支度量M_g降低复杂度；反之，当参数α或λ小于门限时，混合噪声的脉冲性更强，采用Myriad分支度量M_g降低复杂度；其它场景，选择ML分支度量；具体方法如下：

定义参数取值范围组合与分支度量选择的对应关系，并根据分支度量与参数组(λ,α)的对应关系构造决策树：采用

作为根节点，由根节点得到的第一中间节点为λ_t1＜λ＜λ_t2；定义第一中间节点成立进入第一分支，第一分支的第一中间节点为

若

成立，则到达第一分支的第一叶节点Myriad度量，否则到达第一分支的第二中间节点

若

成立，则到达第一分支的第二叶节点ML度量，否则到达第三叶节点高斯度量；若

不成立，则进入第二中间节点λ≤λ_t1；若λ≤λ_t1成立，则进入第二分支，定义第二分支中间节点为

若

成立，则到达第二分支的第一叶节点ML度量，否则到达第二分支第二叶节点Myriad度量；若λ≤λ_t1不成立，则进入第三分支，定义第三分支中间节点为

若

成立，则到达第三分支第一叶节点ML度量，否则到达第三分支第二叶节点Myriad度量；

S3、对混合噪声下接收的MSK信号根据所选分支度量进行Viterbi解调。

Images