一种基于伪随机序列同步的快速自适应多普勒估计方法与流程

本发明涉及，具体涉及一种基于伪随机序列同步的快速自适应多普勒估计方法。

背景技术

近些年，各国都在加紧进行海洋开发、探测和海底信息网络的建设。其中，水下无人航行器(unmannedunderwatervehicle,uuv)由于具有智能性、隐蔽性、机动性、便携性等优势，在海洋工程领域发挥了极为重要的作用。因此，设计应用于uuv高速运动过程中的移动水声通信系统，是涵盖海洋技术和信息技术的世界各国急需的高新技术之一。

空气中的无线通信采用电磁波传播信息，电磁波的传播速度近似为光速，能够达到3×10⁸m/s，因此在无线通信中，由于相对运动引起的多普勒效应对实际传输系统的影响并不明显。但在水下，由于采用声波作为传输介质，传输速度约为1520m/s，当相对运动速度为5m/s时，多普勒因子就能够达到10^-3量级，而这足以导致通信性能地急剧下降。因此对于高数据率的移动水声通信而言，必须先对多普勒进行精确估计，然后对接收信号进行重采样补偿多普勒，消除信号展宽或压缩，以实现低误码率的水下无线信息传输。

除此之外，水声通信信道也更为复杂和多变：声线在海底海面的反射以及在不同密度水层中的折射造成了严重的多径效应，浅海水平信道的多径时延长达几十毫秒，这使得接收信号中存在严重的码间干扰；由于收发换能器之间的相对运动以及传播介质存在随机起伏，水声信道具有随机快速时变的特性。这些都在一定程度上增加了多普勒估计的困难。

目前水声通信中的多普勒估计方法多是基于模糊度函数，选择相关特性好的序列作为同步序列，通过相关实现多普勒估计。具体实现方法包括两类：一类是利用hfm、lfm等相关特性好且对多普勒不敏感的序列，在发送数据前后各插入一段序列，接收机将前后序列进行相关，根据相关峰位置偏移估计拉伸压缩系数，也就是多普勒因子；另一类是利用伪随机序列等相关特性好且对多普勒敏感的序列，仅在发送数据前端插入一段序列，接收机将接收序列与本地序列拷贝相关，选择相关系数最大时对应的多普勒因子作为最终的估计结果。

第一类方法估计精度高，能够很好地满足高速水声通信对载波频率估计精度的要求，但在实际应用时存在以下缺点：

1)要对首尾序列进行相关获得时间差，因此需要先保存一个完整的帧信号，占用内存很大，不利用实时实现，降低了高速水声通信的有效性；

2)这种方法只适用于信道环境稳定时的多普勒估计。当信道发现剧烈变化或uuv高速运动导致信道环境改变时，首尾序列经过的信道冲击响应不同，相关峰之间的时间差不再仅由多普勒决定，此时多普勒估计精度会明显降低甚至出现估计错误；

3)实际水声信道环境中，更多地是时变多普勒，而非固定多普勒，首尾序列相关往往只能得到这段时间内多普勒的近似平均，稳定性较差。

第二类算法只对当前时刻序列进行估计，因此具有很好地稳定性，能够很好地满足时变信道环境下多普勒估计需求，但在实际应用时同样存在一些问题：

1)多普勒估计的分辨率取决于伪随机序列的长度，伪随机序列越长分辨率越高，能够实现的估计精度也就越高。因此为了获得更好的估计性能，必须增加伪随机序列的长度，但在实际应用时，这不仅会占用实际数据传输时间，降低传输速率，还会导致匹配滤波器长度增加，计算量升高；

2)在分辨率足够的情况下，算法最终的估计精度由估计步进决定。步进为1m/s时，估计精度最高只能达到1/1520＝7×10^-4量级；将步进缩小为0.2m/s时，估计精度能达到1×10^-4量级。因此从性能上考虑，应选择尽量小的步进，但在实际应用时，随着步进的缩小，匹配滤波器组的数目会明显增加，计算量和资源消耗都会明显增大。

采用伪随机序列拷贝相关实现多普勒估计的方法，具有通用性好、能够与绝大多数通信系统兼容的优点，同时具有很好地鲁棒性、在时变信道下仍能较好地适用。在分辨率和估计步进设计足够的情况下，能够满足绝大多数系统对多普勒估计的需求。但该技术存在两个很大的问题，一是估计性能的提升必须以计算量和资源的剧增为代价，这在极大程度上限制了这一方法在实际系统中的应用，特别是对多普勒估计精度要求较高的系统；二是估计性能由序列长度和匹配滤波器的设计决定，一旦设计完成，很难根据实际场景灵活调整估计性能，自适应性较差。

技术实现要素：

本发明的目的在于克服目多普勒估计方法存在的上述问题，提出了一种基于伪随机序列同步的快速自适应多普勒估计方法，分为粗估计和细估计两个步骤：粗估计采用拷贝相关实现，由于对估计性能要求不高，因此不需要很高的分辨率和步进，计算量也会随之降低；细估计过程中采用二分查找法，每次查找仅对和三个多普勒进行估计，其中为前一次估计结果，δi为当前估计步进。估计过程中不断缩小步进并通过整数倍内插提高分辨率，最终逼近正确结果。

为了实现上述目的，本发明提出了一种基于伪随机序列同步的快速自适应多普勒估计方法，所述方法包括：步骤1)将接收机接收的信号序列输入带通滤波器，滤除带外噪声；步骤2)对带通滤波器输出的信号序列采用匹配滤波器进行拷贝相关，实现多普勒粗估计，得到多普勒粗估计结果步骤3)在第i次估计中，将接收的信号序列与多普勒为和的本地信号序列进行相关，得到第i次多普勒估计结果δi为第i次步进，i从1开始递增到n，n为迭代最大次数；步骤4)将第n次多普勒估计结果作为最终的多普勒估计结果，对接收的信号序列进行变采样，实现多普勒补偿。

作为上述方法的一种改进，所述步骤2)具体包括：

步骤2-1)根据多普勒初始估计范围[-v1,v1]和初始步进δ0，得到a1、a2…al，其中al＝-v1+δ0*l；v1为预先设定的最大相对移动范围；1≤l≤l，l为整数；

步骤2-2)对本地信号序列x(t)进行变采样，生成匹配滤波器系数x((1+a1)t)…x((1+al)t)；

步骤2-3)对接收的信号序列y(t)进行匹配滤波处理，设定检测门限rt，当max{|rmf(·)|²}超过检测门限rt，信号出现，出现的时刻为t1；

rmf(·)是匹配滤波器的输出，也是相关系数，|rmf(·)|为rmf(·)的模值：

其中，a为a1、a2…al中的一个，max{|rmf(·)|²}为模值的最大值；

步骤2-4)取t1时刻前后各δt时长内的匹配滤波器输出max{|rmf(·)|²}进行比较，选择最大输出对应时刻t2为最终的同步时刻

步骤2-5)在同步时刻输出max{|rmf(·)|²}对应的多普勒初始因子al，al为勒粗估计结果

作为上述方法的一种改进，所述步骤3)具体包括：

步骤3-1)令估计次数i＝1；对应的相关值为估计范围为

步骤3-2)设置第i次步进为对本地信号序列x(t)进行变采样，得到多普勒为和的两个序列x1(t)和x2(t)；

步骤3-3)根据伪随机序列长度计算分辨率，若分辨率小于δi，则对x1(t)、x2(t)和y(t)进行整数倍内插，生成新序列x′1(t)、x′2(t)和y′(t)；

步骤3-4)分别计算y′(t)与x′1(t)、y′(t)与x′2(t)的相关值ri1、ri2，将ri1、ri2与三者进行比较；若ri1最大，则若ri2最大，则若最大，则

步骤3-5)重复步骤3-2)至步骤3-4)，直到δi≤δn，δn为设定的步进，此时的多普勒估计结果为最终多普勒估计结果。

本发明的优势在于：

与传统的基于伪随机序列同步的多普勒估计方法相比，本发明的方法极大地缩短了估计时间、降低计算复杂度，并能够根据实际需要快速调整估计性能，具有很好地自适应特性，解决了基于伪随机序列同步的多普勒估计算法在实际应用中的困难，在高速移动水声通信系统中具有非常强的应用价值。

附图说明

图1为本发明的基于伪随机序列同步的自适应多普勒估计方法的流程图；

图2为本发明的匹配滤波器的示意图；

图3为利用本发明的方法得到的多普勒估计误差的示意图。

具体实施方式

下面结合附图对本发明进行详细的说明。

如图1所示，本发明提出了一种基于伪随机序列同步的快速自适应多普勒估计方法，包括以下几个步骤：

1)接收机接收信号进入带通滤波器，滤除带外噪声；

2)采用匹配滤波器进行拷贝相关，实现多普勒粗估计，估计范围为[-v1,v1]，步进为δ0,估计结果为

3)采用二分查找思想进行多普勒细估计，将接收序列与多普勒为和的本地序列进行相关，得到当前估计结果重复n次，不断缩小步进δi并结合整数倍内插提高分辨率；

4)将作为最终的多普勒估计结果，对接收序列进行变采样，实现多普勒补偿。

下面将对多普勒粗估计和细估计两个重点步骤进行详细介绍。

1.1多普勒粗估计

多普勒粗估计，就是将接收序列与不同多普勒对应的本地序列进行相关，选择与接收序列相关性最好的本地序列对应的多普勒作为多普勒粗估计结果，公式表达为：

如图2所示，利用匹配滤波器实现上述算法。

具体处理步骤如下：

1)根据多普勒估计范围[-v1,v1]和步进δ0，得到a1、a2…al，其中al＝-v1+δ0*l；

2)对本地序列x(t)进行变采样，生成匹配滤波器系数x((1+a1)t)…x((1+al)t)；

3)对接收序列y(t)进行匹配滤波处理，设定检测门限rt，当max{|rmf(·)|²}超过检测门限，则认为信号出现，记此时为t1时刻；

4)取t1时刻前后各δt时长内的匹配滤波器输出max{|rmf(·)|²}进行比较，选择最大输出对应时刻t2为最终的同步时刻，即

5)在同步时刻，输出max{|rmf(·)|²}对应的多普勒因子al即为多普勒粗估计结果。

至此，实现了对接收信号的同步和多普勒粗估计。在步骤(1)中可以发现，匹配滤波器数目l取决与估计范围和步进，而将其作为粗估计，精度要求低，可以选择较大的步进，从而降低计算量，减轻实现难度。

1.2多普勒细估计

在多普勒粗估计中，估计步进为δ0，多普勒估计结果为对应相关值为接下来需要在范围内实现更精确的多普勒估计。根据系统所需的多普勒估计误差，确定最终估计步进δn，利用二分查找思想，实现多普勒细估计，在估计精度不变的情况下，实现大幅降低计算量的效果。

具体处理步骤如下：

1)初始化参数：i为估计次数，i＝1；为初始多普勒因子，对应的相关值为估计范围为

2)设置当前步进为对本地序列x(t)进行变采样，得到多普勒为和的两个新序列x1(t)、x2(t)；

3)根据伪随机序列长度，计算分辨率，若分辨率小于步进δi，则对两个本地序列和接收序列进行整数倍内插，生成新序列x′1(t)、x′2(t)和y′(t)，随着步进不断缩小，内插倍数逐步提高；

4)分别计算y′(t)与x′1(t)、x′2(t)的相关值ri1、ri2，并将其与比较。若ri1最大，则若ri2最大，则若最大，则

5)重复2)～4)，直到δi≤δn位置，记录此时的多普勒估计结果为最终多普勒估计结果。

本发明中，将传统的拷贝相关实现伪随机序列多普勒估计方法作为多普勒粗估计方法，设置较大的估计步进，从而降低匹配滤波器组数。借鉴二分查找思想进行细估计，灵活调整估计步进，并配合整数倍内插提升分辨率，实现快速、高精度的多普勒估计方法。该发明具有快速、自适应的优点，能够极大降低计算量，同时，采用整数倍内插提高伪随机序列分辨率，能够有效缩短实际应用中同步序列长度。

以m序列为例进行说明，当估计误差要求小于0.1m/s，采用传统算法进行估计，为了满足分辨率要求，同步序列长度至少为8192，估计步进至少为0.1m/s，当估计范围为[-5,5]m/s时，需要10/0.1＝100组匹配滤波器，且匹配滤波器长度为2048×4＝8192。从计算量和资源消耗角度考虑，在实际应用中是很难实现的。而采用本发明中介绍的快速自适应估计算法，同步序列为2048点即可，要达到同样的性能，计算量仅为原来的十分之一左右。

用matlab对上述情况进行仿真，估计性能用均方误差表示：

图3为仿真结果如下：

图中横坐标为信噪比，纵坐标为多普勒估计的均方误差。黑色线为传统拷贝相关算法性能，此时序列长度为8192，步进为0.1m/s。1号线和3号线为本发明的快速自适应估计方法性能。1号线为最终内插4倍、步进0.1m/s时得到的估计结果，可以看到，同等步进和内插倍数情况下，自适应方法存在0.01m/s，也就是约十分之一的性能损失。3号线为最终内插倍数8倍、步进为0.05m/s时得到的估计性能，与1号线相比，仅需多进行一次迭代，即两次相关，性能却提升了四分之一，由此可见，本发明很好地解决了性能提升与计算量剧增之间的矛盾。此时估计性能相对于传统方法而言，提升约五分之一，但计算量仍远低于传统方法。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。