CN117040665A - 一种hplc双模系统snr估计方法 - Google Patents
一种hplc双模系统snr估计方法 Download PDFInfo
- Publication number
- CN117040665A CN117040665A CN202311172587.XA CN202311172587A CN117040665A CN 117040665 A CN117040665 A CN 117040665A CN 202311172587 A CN202311172587 A CN 202311172587A CN 117040665 A CN117040665 A CN 117040665A
- Authority
- CN
- China
- Prior art keywords
- fft
- length
- energy
- corrsym
- processing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004128 high performance liquid chromatography Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000012937 correction Methods 0.000 claims abstract description 29
- 230000001427 coherent effect Effects 0.000 claims abstract description 17
- 241000237509 Patinopecten sp. Species 0.000 claims abstract description 16
- 235000020637 scallop Nutrition 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 5
- 101150116046 PCBD1 gene Proteins 0.000 claims description 3
- 101100297580 Xenopus laevis pcbd gene Proteins 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 108010003272 Hyaluronate lyase Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
一种HPLC双模系统SNR估计方法，包括如下步骤：步骤1、对已知的前导序列LocPrem进行共轭相关的FFT频域处理，在频域求理想信号的信号能量PeakV和扇贝损失能量GrNoise；步骤2、将接收数据与本地已知的前导序列进行符号长度为CorrSym、积分长度为Mseg、FFT长度为FFTLen的PMF‑FFT共轭相干处理，并在频域查找峰值PwrSig并计算底噪能量PwrNoise；步骤3、基于理想相关处理与接收数据的本地相关处理的FFT长度比及相干符号长度比，计算噪声的修正因子：与CorrSym及接收符号幅度相关的调整因子AASig，以及不同FFT长度差异的调整因子Rt_FFT；步骤4、基于步骤3的修正因子，对底噪能量PwrNoise进行补偿后，计算PwrSig除以修正后PwrNoise的比值，得到估计的SNR值。该HPLC双模系统SNR估计方法具有低计算复杂度和高精度的优点。
Description
技术领域
本发明涉及电力无线通信领域，尤其涉及一种HPLC(低压电力线高速载波)双模通信中无线通信的信道质量检测技术。
背景技术
随着时代的发展，物联网技术已慢慢覆盖到智能交通、智慧城市、智能三表等各行各业中，正在逐步形成符合时代特征需要的智慧物联网。智慧物联网作为互联网的延伸，是当前信息技术及市场应用的重点领域之一。宽带电力线载波通信(HPLC)和高速无线通信本身都是智慧物联领域重要的通信技术。宽带电力线载波通信作为利用低压电力线传输载波宽带信号(>1MHz)的技术，具有较宽的可用带宽，可实现较高的数据速率，利用现有电力线组建宽带网络，实现宽带数据和多媒体信号传输，能够提供1Mbit/s以上的数据传输速率。而高速无线通信则是满足日益增长的各种对通信实时性和通信速率较高的智慧物联通信业务的需求。因此，融合上述两种技术的通信模式-HPLC双模实现了互补优势，通过动态混合组网，为智慧物联提供鲁棒的网络覆盖和通信连接，将极大地推动智慧物联产业的进一步发展。
但由于电力线非针对数据传输而设计的网络，其实际的电力网格中，多种原因导致电力线环境并不理想：存在大量的且工作方式各异的用电负载，存在接收输入阻抗不匹配，进而导致耦合衰减；因地而异，复杂的网络分布结构使得电力线中的信号多径衰减严重等问题。很难保证可靠传输的信噪比条件，因此HPLC通信最需要解决的问题是高速数据传输的可靠性问题。目前常使用的前向纠错编码可用来提高传输的可靠性。而信噪比SNR(Singal Noise Ratio)可直观的反映信道的噪声情况和链路的通信质量，可作为解调译码的先验知识进行信号处理，提升译码性能。信噪比估计方法根据是否需要导频参考信号，可以分为两大类：一类是不需要导频信息的盲估计，如二阶四阶矩方法；另一类是基于导频的数据辅助的估计，其中又分为基于信道估计和非信道估计两种。如最小二乘估计不需要进行信道估计。最大似然，MMSE估计在估计过程中均需要信道估计。
二阶四阶矩阵估计法是利用信号的二阶和四阶矩的相互关系来进行SNR估计的一种算法，它的优点是不用载波相位的恢复，不需要接收机进行判决；但由于需要统计解扩后接收信号的四次方均值，因此计算量较大、计算复杂度大、计算时间长，不仅增加了系统的负担，而且还影响系统的响应速度。
最大似然估计法是利用最大似然准则对解扩后的接收信号进行硬判决，然后根据解扩后的接收信号和相应的判决信号估计噪声能量，进而根据噪声能量去估计SNR；但此类方法在信噪比较低时估计偏差较大，其主要原因是在信噪比较低的情况下会存在较多的硬判决错误，在错误的硬判决基础上计算噪声能量就会有较大的偏差，相应的信噪比估计偏差也会较大，计算精度较低。
从经典的SNR估计算法：二阶四阶矩阵估计法和最大似然算法的算法分析可以看出，目前的经典SNR估计算法难以兼顾估计精度与算法实现复杂度。
发明内容
针对以上问题，本发明提出了一种低计算复杂度和高精度的HPLC双模系统SNR估计方法。
一种HPLC双模系统SNR估计方法，包括如下步骤：
步骤1、对已知的前导序列LocPrem进行共轭相关的FFT频域处理，在频域求理想信号的信号能量PeakV和扇贝损失能量GrNoise；
步骤2、将接收数据与本地已知的前导序列进行符号长度为CorrSym、积分长度为Mseg、FFT长度为FFTLen的PMF-FFT共轭相干处理，并在频域查找峰值PwrSig并计算底噪能量PwrNoise；
步骤3、基于理想相关处理与接收数据的本地相关处理的FFT长度比及相干符号长度比，计算噪声的修正因子：与CorrSym及接收符号幅度相关的调整因子AASig，以及不同FFT长度差异的调整因子Rt_FFT；
步骤4、基于步骤3的修正因子，对底噪能量PwrNoise进行补偿后，计算PwrSig除以修正后PwrNoise的比值，即得到估计的SNR值。
一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序由处理器执行时，实现所述的HPLC双模系统SNR估计方法。
本发明的有益效果：
本发明采用基于理想相关能量的有效补偿，对抗FFT处理的扇贝损失造成信号峰值能量降低，噪声能量提升，引起的高SNR环境下的估计精度下降问题，从而保证SNR估计在高SNR下的估计精度。同时采用PMF-FFT算法，平衡基于相关符号累加获得峰值增益保证低SNR环境下高估计精度，与FFT计算复杂度。
本发明实施例的主要优点包括：
(1)基于理想的前导LocPrem，在频域计算相关峰值能量PeakV和扇贝损失GrNoise，用于对接收数据频域处理的扇贝损失补偿，精确评估噪声能量。
(2)对接收数据进行本地相关处理的PMF-FFT处理，通过固定部分匹配滤波器个数即FFT点数，在获得相关符号CorrSym累加增益的同时，保证了较低的实现复杂度，同时在提取频域的噪声能量时，结合系统的采样率设计噪声能量的有效统计窗范围，使得噪声统计值PwrNoise更精准；
(3)在保证PMF-FFT实现复杂度的基础下，利用FFT的线性特性，基于理想相关与接收数据本地相关的相关符号、fft长度、峰值能量比多因素差异，设计了修正因子AAsig，Rt_FFT，实现了对PwrNoise的补偿修正，从而提升了SNR的估计准确度。
附图说明
图1为本发明实施例中Factor＝1，[AR，CorrSym，K]＝4/1/1024，启动修正机制的SNREst。
图2为本发明实施例中Factor＝1，[AR，CorrSym，K]＝4/1/1024，未启动修正机制的SNREst。
图3为本发明实施例中Factor＝2，[AR，CorrSym，K]＝4/1/512，启动修正机制的SNREst。
图4为本发明实施例中Factor＝2，[AR，CorrSym，K]＝4/1/512，未启动修正机制的SNREst。
图5为本发明实施例中Factor＝3，[AR，CorrSym，K]＝4/1/64，启动修正机制的SNREst。
图6为本发明实施例中Factor＝3，[AR，CorrSym，K]＝4/1/64，未启动修正机制的SNREst。
图7为本发明实施例中Factor＝3，[AR，CorrSym，K]＝0.25/1/512，启动修正机制的SNREst。
图8为本发明实施例中Factor＝3，[AR，CorrSym，K]＝0.25/1/64，启动修正机制的SNREst。
图9为本发明实施例中Factor＝3，[AR，CorrSym，K]＝0.25/1/32，启动修正机制的SNREst。
图10为本发明实施例的HPLC双模系统SNR估计方法的流程图。
具体实施方式
下面结合附图和具体的实施例对本发明的方案实施步骤、技术方案效果进行完整、且系统的描述，以充分理解本发明的目的、特征和发明效果。
参阅图10，本发明提供了一种低计算复杂度和高精度的HPLC双模系统SNR估计方法，包括如下步骤：
步骤1、对已知的前导序列LocPrem进行共轭相关的FFT频域处理，在频域求理想信号的信号能量PeakV和扇贝损失能量GrNoise；
步骤2、将接收数据与本地已知的前导序列进行符号长度为CorrSym、积分长度为Mseg、FFT长度为FFTLen的PMF-FFT共轭相干处理，并在频域查找峰值PwrSig并计算底噪能量PwrNoise；
步骤3、基于理想相关处理与接收数据的本地相关处理的FFT长度比及相干符号长度比，计算噪声的修正因子：与CorrSym及接收符号幅度相关的调整因子AASig，以及不同FFT长度差异的调整因子Rt_FFT；
步骤4、基于步骤3的修正因子，对底噪能量PwrNoise进行补偿后，计算PwrSig除以修正后PwrNoise的比值，即得到估计的SNR值。
该方法基于时频域的能量守恒定理，充分利用HPLC双模系统已知前导序列的重复结构，对接收数据进行本地相关，在频域利用相关峰值与底噪的能量比实现SNR的估计。同时，为了保证高SNR的估计精度和估计范围，本方法采用基于理想相关能量的有效补偿，有效对抗FFT处理的扇贝损失所造成信号峰值能量降低和噪声能量提升，引起的高SNR环境下的估计精度下降问题，从而保证SNR估计在高SNR下的估计精度。此外，采用PMF-FFT算法，有效平衡低SNR环境与FFT计算复杂度问题，通过相关符号累加获得峰值增益从而保证低SNR环境下高估计精度。
在一个具体实施例中，设置系统为扩频系统SF＝256，其前导具有重复结构，前导符号长度为5。令每个前导扩频序列为LocPrem，系统采样倍率为4，则根据本发明的高精度和大估计范围的SNR估计方法的具体实施步骤如下：
步骤1、基于时频域的能量守恒定理，对已知的前导符号序列LocPrem的共轭自相关数据进行1024点的FFT处理，在频域查找信号的峰值能量PeakV，及扇贝损失能量GrNoise，具体实现为：
FreqData(k)＝fft(LocPrem(n).*conj(LocPrem(n)))；
PeakV＝max(abs(FreqData)^2)；
GrNoise＝sum(abs(FreqData)^2)-PeakV；n，k＝0，1，…N-1
上式中N为一个LocPrem的序列长度，取值1024，conj()为共轭处理，abs为取模处理，sum为求和处理，fft为傅里叶变换处理；在实际系统完成设计后，其PeakV和GrNoise为固定值，可以作为寄存器进行存储，简化实现中的计算复杂度。
步骤2、将接收的长度为CorrSym*N长度的接收数据Rx与本地前导序列LocaPrem进行共轭相乘，得到相关数据：Dcorr(n)＝Rx(n).*conj(LocPrem(n％N))，
其中n％N为n基于N的求余处理，n＝0，1，…CorrSym*N-1，且CorrSym<＝5。
基于本地相关符号个数CorrSym和固定的FFT长度K，计算部分匹配滤波器的积分长度Mseg＝CorrSym*4*SF/FFTLen，对Dcorr进行Mseg长度的积分处理并FFT处理，并在频域查找峰值PwrSig并计算底噪能量PwrNoise：
FFT处理：FreqDcoh(k)＝fft(Dcoh)；k＝0,1,....FFTLen-1
峰值查找：PwrSig＝max(abs(FreqDcoh)2)；
峰值位置：PwrSig＝abs(FreqDcoh(Vpos))^2；
底噪计算：
本处理实现了低SNR环境下，通过增加CorrSym获得相干增益的同时，其算法复杂度基本不变，简化了实现的复杂度。同时为了达到良好的理想相关的扇贝损失的补偿效果，建议FFTLen取值小于步骤1中的FFT长度1024。
步骤3、基于FFT运算的线性特性，序列的良好自相关特性，并充分考虑CorrSym的相关累加增益，系统接收数据的不同放缩倍率、FFT点数的差异引起的能量泄露统计等对评估的影响，计算调整因子AASig，Rt_FFT：
FFTLen长度引起的扇贝损失调整因子：Rt_FFT＝N/FFTLen；
相干符号个数增益能量倍率修正因子：AAsig＝PwrSig/(PeakV*CorrSym)。
步骤4、基于不同的Rt_FFT取值，利用修正因子AASig、Rt_FFT进行细化的噪声能量补偿修正得到PwrSig，并得到最终的SNR估计值，具体补偿方案为：
若Rt_FFT＝＝1，则进行相干的符号数据增益调整：
PNoise＝PwrNoise-GrNoise*AAsig；
若1<Rt_FFT<8，则
PNoise＝(PwrNoise-GrNoise*AAsig*Factor/Rt_FFT)
若Rt_FFT>＝8，则
PNoise＝CorrSym*(PwrNoise*log2(Rt_FFT)-GrNoise*AAsig*Factor)
基于修正后的PNoise进行SNR估计：
SNREst＝10*log10(PwrSig/PNoise)；
这里引入了经验修正因子Factor。
下面为了更好的描述本发明SNR估计方法的估计性能，给出了以下配置下的仿真分析对比，进一步阐释本发明的效果，这里结合实际应用中，由于信道传输过程中信号衰减及前级模拟电路等因素引起数据的能量变化，对数据基于放缩倍率AR进行缩放。
对比图1和图2，其输入数据进行AR＝4倍的放大，采用FFT长度K＝1024，在本实施例中，扩频因子SF＝256，采样倍率为4，因此一个前导符号序列的长度为1024，与图1、图2的FFT变换长度一致，其匹配滤波器的积分长度Mseg＝1，其差异只在是否启动步骤5的修正机制。从图1可以看出，在整个SNR估计范围内-16dB～15dB，本算法启动修正机制的估计性能与仿真设置SNRSet具有很好的拟合度。且本仿真充分考虑系统中启动SNR估计虽完成了系统同步，但可能存在一定的残留频偏。因此本仿真中假定了残留频偏Fshift为0Hz、25Hz、50Hz三种情况下的仿真统计，仍然存在良好的估计性能；但图2的仿真SNR估计曲线表明，在低中SNR区间-16dB～5dB之间具有很好的拟合度，但在高SNR下，其估计偏差随着SNR的增加，逐步偏大。分析原因为随着接收信号的SNR提升，由FFT处理引起的扇贝损失GrNoise在本地相关的接收噪声PwrNoise时占比提升，降低了其SNR的估计精度，图1正好体现了本发明SNR估计方法中基于理想相关的扇贝损失补偿，提升高SNR下的估计性能；同理，图3与图4的对比也再次证明了其修正效果。
对比图1、图3和图5，可以看出，在相同的数据AR倍率调整下，逐步提升PMF-FFT的部分积分匹配滤波器的长度MSeg，降低FFT处理的长度K值，可以看出对于CorrSymNum为1的相关前导符号配置下，由1024点FFT压缩至64点FFT，仍然具有良好的SNR估计性能，实现减低算法复杂度。
对比分析图3、图5、图7和图8的仿真分析看，本发明SNR估计方法在K>＝64的配置下，其SNR估计性能在不同的AR倍率下都具有良好的估计性能一致性。但从图9可以看出，K的取值并不能无线减小，具有最优性能与算法复杂度的平衡点。
基于以上的仿真图形对比分析，可以看出本发明中的SNR估计方法，基于PMF-FFT技术，对接收数据的本地相关数据进行时频域的转换，简化了FFT处理的长度，从而实现了系统实现复杂度的降低。同时引入理想前导数据的扇贝损失补偿机制，提升了高SNR下的估计性能，实现了低计算复杂度和高估计精度的SNR估计。
本发明实施例还提供一种存储介质，用于存储计算机程序，该计算机程序被执行时至少执行如上所述的方法。
本发明实施例还提供一种控制装置，包括处理器和用于存储计算机程序的存储介质；其中，处理器用于执行所述计算机程序时至少执行如上所述的方法。
本发明实施例还提供一种处理器，所述处理器执行计算机程序，至少执行如上所述的方法。
所述存储介质可以由任何类型的易失性或非易失性存储设备、或者它们的组合来实现。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本发明所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本发明所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本发明所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。
Claims (8)
1.一种HPLC双模系统SNR估计方法，其特征在于，包括如下步骤：
步骤1、对已知的前导序列LocPrem进行共轭相关的FFT频域处理，在频域求理想信号的信号能量PeakV和扇贝损失能量GrNoise；
步骤2、将接收数据与本地已知的前导序列进行符号长度为CorrSym、积分长度为Mseg、FFT长度为FFTLen的PMF-FFT共轭相干处理，并在频域查找峰值PwrSig并计算底噪能量PwrNoise；
步骤3、基于理想相关处理与接收数据的本地相关处理的FFT长度比及相干符号长度比，计算噪声的修正因子：与CorrSym及接收符号幅度相关的调整因子AASig，以及不同FFT长度差异的调整因子Rt_FFT；
步骤4、基于步骤3的修正因子，对底噪能量PwrNoise进行补偿后，计算PwrSig除以修正后PwrNoise的比值，即得到估计的SNR值。
2.根据权利要求1所述的HPLC双模系统SNR估计方法，其特征在于，步骤1中，实现一个符号的理想相关处理，具体包括：
FreqData(k)＝fft(LocPrem(n).*conj(LocPrem(n)))；
PeakV＝max(abs(FreqData)^2)；
GrNoise＝sum(abs(FreqData)^2)-PeakV；
上式中N为一个LocPrem的序列长度，n，k＝0，1，…N-1，conj()为共轭处理，abs为取模处理，sum为求和处理，fft为傅里叶变换处理；FreqData为频域数据，PeakV为频域的峰值能量，GrNoise为扇贝损失引起的能量泄露。
3.根据权利要求2所述的HPLC双模系统SNR估计方法，其特征在于，步骤2中，PMF-FFT共轭相干处理，具体包括：
采用固定的FFT长度FFTLen，基于SNR估计的精度需求采用任意CorrSym个前导符号进行相关累加，获得相干增益，其PMF-FFT的部分匹配滤波器的积分长度：MSeg＝CorrSym*N/FFTLen，固定FFT长度。
4.根据权利要求2所述的HPLC双模系统SNR估计方法，其特征在于，步骤2中，实现对接收数据的本地相干的PMF-FFT频域信号能量和噪声能量的计算，具体包括：
(2.1)对长度为CorrSym*N长度的接收数据进行本地相关处理；
Dcorr(n)＝Rx(n).*conj(LocPrem(n％N))
其中n％N为n基于N的求余处理，n＝0，1，…CorrSym*N-1；
(2.2)对Dcorr进行MSeg长度的积分处理；
(2.3)对Dcoh进行FFTLen长度的FFT处理，并在频域查找峰值PwrSig并计算底噪能量PwrNoise，包括：
FFT处理：FreqDcoh(k)＝fft(Dcoh)；k＝0,1,....FFTLen-1
峰值查找：PwrSig＝max(abs(FreqDcoh)2)；
峰值位置：PwrSig＝abs(FreqDcoh(Vpos))^2；
底噪计算：
上式中Vpos为峰值位置，PwrSig为峰值能量，PwrNoise为去除峰值相关能量的噪声部分，DelRang为以峰值Vpos为中心，长度为PeakWinLen的索引长度。
5.根据权利要求1至4任一项所述的HPLC双模系统SNR估计方法，其特征在于，步骤3中，调整因子Aasig和Rt_FFT的计算利用FFT运算的线性特性，考虑CorrSym的相干累加增益及系统接收数据的不同放缩倍率引起的幅度变化，其中：
FFTLen长度引起的扇贝损失调整因子：Rt_FFT＝N/FFTLen；
相干符号个数增益能量倍率修正因子：AAsig＝PwrSig/(PeakV*CorrSym)。
6.根据权利要求1至5任一项所述的HPLC双模系统SNR估计方法，其特征在于，步骤4中，基于不同的Rt_FFT取值，利用修正因子AASig、Rt_FFT进行细化的噪声能量补偿修正得到PwrSig，并得到最终的SNR估计值：SNREst＝10*log10(PwrSig/PNoise)。
7.根据权利要求6所述的HPLC双模系统SNR估计方法，其特征在于，步骤4中，具体补偿方法包括：
若Rt_FFT＝＝1，则进行相干的符号数据增益调整：
PNoise＝PwrNoise-GrNoise*AAsig；
若1<Rt_FFT<8，则
PNoise＝(PwrNoise-GrNoise*AAsig*Factor/Rt_FFT)
若Rt_FFT>＝8，则
PNoise＝CorrSym*(PwrNoise*log2(Rt_FFT)-GrNoise*AAsig*Factor)
基于修正后的PNoise进行SNR估计：
SNREst＝10*log10(PwrSig/PNoise)；
其中，引入了经验修正因子Factor。
8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序由处理器执行时，实现如权利要求1至7任一项所述的HPLC双模系统SNR估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311172587.XA CN117040665A (zh) | 2023-09-11 | 2023-09-11 | 一种hplc双模系统snr估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311172587.XA CN117040665A (zh) | 2023-09-11 | 2023-09-11 | 一种hplc双模系统snr估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117040665A true CN117040665A (zh) | 2023-11-10 |
Family
ID=88633903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311172587.XA Pending CN117040665A (zh) | 2023-09-11 | 2023-09-11 | 一种hplc双模系统snr估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117040665A (zh) |
-
2023
- 2023-09-11 CN CN202311172587.XA patent/CN117040665A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101291859B1 (ko) | 변화하는 채널 조건에 대한 개선된 타이밍 획득 방법 및 시스템 | |
| US7860193B2 (en) | Coarse timing estimation system and methodology for wireless symbols | |
| CN1930841B (zh) | Ofdm系统内的频率误差估计和帧同步 | |
| CN109802912B (zh) | 宽带无线通信系统的同步方法、装置、设备及存储介质 | |
| CN101977169B (zh) | Ofdm信号的时域参数盲估计方法 | |
| CN104836769B (zh) | 一种基于共轭结构前导的联合定时与频率同步方法 | |
| CN110166080B (zh) | 相干多载波捕获方法及装置 | |
| CN107222438B (zh) | 高速移动sc-fdma系统的简化bem信道估计方法 | |
| CN101257472A (zh) | 正交频分复用接收机系统及其自动增益控制方法 | |
| CN114615122B (zh) | 通信信号的频偏确定方法及装置 | |
| CN110971558A (zh) | 基于cazac序列的低复杂度抗频偏同步方法 | |
| CN103944850A (zh) | 一种基于ofdm技术的wlan系统帧同步方法 | |
| CN104836770B (zh) | 一种基于相关平均与加窗的定时估计方法 | |
| WO2007053842A2 (en) | Methods and apparatus for determining timing in a wireless communication system | |
| KR100689418B1 (ko) | 무선 통신 시스템에서 다중 경로 페이딩 채널의 지연 확산추정 장치 및 방법 | |
| CN108900445B (zh) | 一种信号符号率估计的方法及装置 | |
| CN117081716B (zh) | 基于5g小基站的多用户dmrs信号的snr估计方法和装置 | |
| CN112953593B (zh) | LoRa高级接收器 | |
| CN111131119B (zh) | 一种正交频分复用系统高精度定时偏移估计的方法及装置 | |
| CN107360624B (zh) | 一种基于多段重复前导序列的平滑自相关定时粗同步方法 | |
| CN117040665A (zh) | 一种hplc双模系统snr估计方法 | |
| CN113422748B (zh) | 窄带物联网时频偏的估计方法、装置及存储介质 | |
| KR100538625B1 (ko) | 비선형 필터를 이용한 채널 추정 장치 및 그 방법 | |
| Nasraoui et al. | Robust brute force and reduced complexity approaches for timing synchronization in IEEE 802.11 a/g WLANs | |
| CN113572549B (zh) | 窄带物联网信噪比估计的方法、装置及存储介质 |
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 |