一种色噪声中的载波频率获取方法与流程

1.本发明涉及通信技术领域，更具体地说，它涉及一种色噪声中的载波频率获取方法。


背景技术：

2.信号的载波频率(symbol rate frequency,srf)是通信系统中的一个非常重要参数，在非协作通信中，srf估计就是根据接收信号的过采样，通过非数据辅助的方法，得到srf的估计值。
3.考虑幅相类调制信号mqam/mpask，信息由信号的幅度与相位承载，则接收信号可以用式(1)表示。
[0004][0005]
其中，n(t)为0均值且方差已知的加性高斯白噪声，am与θm分别表示调制信号的第m个符号所对应的幅度与相位，g(t)为发送的低通波形脉冲，fc为载波频率。srf估计的任务就是依据接收信号r(t)，在事先对信号没有先验信息的条件下，对载波频率fc做出精确的估计。假设发送信号为单极性脉冲，则其信号的功率谱如式(2)所示。
[0006][0007]
其中p表示发送传号的概率，g(ω)为g(t)的幅度谱。式(2)的第一项为连续谱，包含通信的信息，第二项为离散谱，通常包含载波频率的信息，即在fb的整数倍上可能存在冲激分量。若存在离散分量，则可以直接对srf做出估计。
[0008]
然而，遗憾的是幅相类调制的接收信号r(t)没有离散谱，只有连续谱，即不能直接通过对接收信号做频谱分析，获得对srf的估计。需要对接收信号做非线性变换，使之产生离散谱。通常的做法是，根据信号的二次平稳特性，对接收信号做n次方运算，即rn(t)，再做频谱分析。此时信号有可能存在与srf相关的离散谱，然后再做频谱分析，则在srf的n倍处会出现冲激信号，即幅度有一个明显的峰值，如图1所示。根据这个峰值，可以得到n倍srf的估计，进而得到srf的估计。
[0009]
上述算法在白噪声中可以获得srf的较为精确的估计，然而，由于通信信号在发送时，受低通波形脉冲g(t)的影响，在做类似于n次方的非线性变换时，不仅可以产生srf，同时还会产生大量的低频成分，即背景噪声并不是白噪声，而是色噪声，这在通信系统中是普遍存在的。这使得srf所对应的频点，往往并不是全局的最大值，而仅仅是个局部最大值，如图2所示。这使得对srf的估计，不能简单地通过搜索频域极值点，来获得对srf的估计，而要通过复杂的算法研究srf对应频点满足的条件。不仅算法复杂，且经常发生误判，这对srf的估计提出了严峻的挑战。而且在snr(signal noise ratio信噪比)较低时，算法经常失效，这是srf估计面临的又一个严峻挑战。


技术实现要素：

[0010]
本发明要解决的技术问题是针对现有技术的上述不足，本发明的目的是提供一种可以有效获取载波频率的色噪声中的载波频率获取方法。
[0011]
本发明的技术方案是：一种色噪声中的载波频率获取方法，包括：
[0012]
步骤1.对信号进行时域采样，截取总长为n的信号；
[0013]
步骤2.估计所述信号的snr；
[0014]
步骤3.对所述信号做emd分解，得到若干个低阶的imf分量；
[0015]
步骤4.根据所述snr，选取对应的imf分量，对该imf分量做fft变换，得到所述信号的时频谱图fm(ω)；
[0016]
步骤5.搜索所述时频谱图fm(ω)的最大值，所述最大值点对应的频率即为srf的估计。
[0017]
作为进一步地改进，在步骤3中，所述信号表示为x(t)，对所述信号x(t)做emd进行k次分解后，信号x(t)分解为k个imfk分量与余量r
(k)
的和，
[0018][0019]
其中，每个imfk分量占据着由高到低的不同的频域空间。
[0020]
进一步地，具体分解过程如下：
[0021]
步骤31.找到原信号x(t)的所有局部极大值点，然后用三次样条插值函数拟合得到原信号的上包络线，找到原信号x(t)的所有局部极小值点，然后用三次样条插值函数拟合得到原信号的下包络线，上包络线和下包络线的均值用m
l
(t)表示；
[0022]
步骤32.原信号序列x(t)与该平均m
l
(t)作差，得到新信号序列，
[0023]
h1(t)＝x(t)-m1(t)；
[0024]
步骤33.若新信号序列h1(t)不存在负的局部极大值且不存在正的局部极小值，则令imf1＝h1(t)；否则，将h1(t)作为新的x(t)，重复步骤31～步骤33；
[0025]
步骤34.令r
(1)
＝x(t)-imf1；将r
(1)
作为新的x(t)，重复步骤31～步骤34，依次得到imf2……
imfk，直到r
(k)
不可以被分解。
[0026]
进一步地，所述srf的估计为：
[0027][0028]
进一步地，所述估计的性能可以通过归一化均方根误差来表征：
[0029][0030]
其中fe为fc的估计。
[0031]
有益效果
[0032]
本发明与现有技术相比，具有的优点为：
[0033]
本发明通过低阶的emd分解，获得包含srf的imf分量，然后通过频谱分析可得对srf的估计，把复杂的时域信号分解为若干个在频域上体现出极高的规律性的分量，从频域地面来看观察结果，所得分量排列规律，几乎没有能量遗漏，可自动适应信号的变化，本发
明不仅可以在色噪声中取得良好的估计效果，且在低信噪比条件，算法仍然有效。
附图说明
[0034]
图1为白噪声中的通信信号频谱图(22m)；
[0035]
图2为色噪声中的srf不能保证能量最大；
[0036]
图3为本发明的流程图；
[0037]
图4为snr＝-10db时emd的时域与频域性能图；
[0038]
图5为snr＝0db时emd的时域与频域性能图；
[0039]
图6为snr＝6db时emd的时域与频域性能图；
[0040]
图7为srf估计性能图。
具体实施方式
[0041]
下面结合附图中的具体实施例对本发明做进一步的说明。
[0042]
参阅图3～7，一种色噪声中的载波频率获取方法，包括：
[0043]
步骤1.对信号进行时域采样，截取总长为n的信号；
[0044]
步骤2.估计信号的snr；
[0045]
步骤3.对信号做emd(empirical mode decomposition基于经验模态分解)分解，得到若干个低阶的imf(intrinsic mode function本征模函数)分量；
[0046]
步骤4.根据snr，选取对应的imf分量，对该imf分量做fft变换(fast fourier transform快速傅里叶变换)，得到信号的时频谱图fm(ω)；
[0047]
步骤5.搜索时频谱图fm(ω)的最大值，最大值点对应的频率即为srf的估计。
[0048]
在步骤3中，信号表示为x(t)，对信号x(t)做emd进行k次分解后，信号x(t)分解为k个imfk分量与余量r
(k)
的和，
[0049][0050]
其中，每个imfk分量占据着由高到低的不同的频域空间。
[0051]
具体分解过程如下：
[0052]
步骤31.找到原信号x(t)的所有局部极大值点，然后用三次样条插值函数拟合得到原信号的上包络线，找到原信号x(t)的所有局部极小值点，然后用三次样条插值函数拟合得到原信号的下包络线，上包络线和下包络线的均值用m
l
(t)表示；
[0053]
步骤32.原信号序列x(t)与该平均m
l
(t)作差，得到新信号序列，
[0054]
h1(t)＝x(t)-m1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0055]
步骤33.若新信号序列h1(t)不存在负的局部极大值且不存在正的局部极小值，则令imf1＝h1(t)；否则，将h1(t)作为新的x(t)，重复步骤31～步骤33；
[0056]
步骤34.令r
(1)
＝x(t)-imf1；将r
(1)
作为新的x(t)，重复步骤31～步骤34，依次得到imf2……
imfk，直到r
(k)
不可以被分解。
[0057]
为了验证算法性能，用计算机进行数值仿真。仿真中，设置调制方式为qpsk，信号带宽为8khz，符号速率为1m，每次采样时间为10微秒，g(t)设为滚降因子为0.5的根升余弦滤波器，采样率为10mhz，信道设定为平坦瑞利衰落信道。鉴于所有的srf都在低阶的imf分
量中，为了更清晰地看清信号的细节，仿真中仅给出前四阶的imf分量首先，分别对snr＝-10db、snr＝0db以及snr＝6db时，进行emd分解，并做出频域分析，时域与频域的分析结果分别如图3、图4以及图5所示。
[0058]
由图可知，包含srf的imf分量通常在较低的一个(图3、图5)或两个(图4)imf中，并且该分量序号在采样序列长度一定时，仅与信号的snr密切相关，不取决于其它因素。所以srf估计的关键在于找到包括srf的imf分量，再对该分量做频谱分析即可。因此，并不需要获得所有的imf分量，可以适当把噪声的容忍尺度放大，或者仅做四阶分解即可。若snr较高，甚至仅做三阶分解就足够了。虽然包含srf的imf序号与snr有关，但这种关联，并不特别紧密。即使snr估计存在较大的误差，通常并不会引起imf序号的错误，对估计结果的影响则可以忽略不计，即该算法具有很强的鲁棒性，对噪声并不敏感。对srf的估计值可以简单地用信噪比的分界函数表示，该算法可以简单地以式(5)获得对srf的估计。
[0059][0060]
算法的估计性能通常用归一化均方根误差(normalized root mean square error，nrmse)来表征，定义如式(6)所示。
[0061][0062]
其中fe为fc的估计，仿真结果通过5000次蒙特卡罗仿真得到，emd频谱分析法与n次方谱算法的性能比较如图6所示。
[0063]
由图可以看出，emd频谱分析法在色噪声中的性能更好，而且性能在snr＝-14db处就已经接近收敛；而n次方谱算法则需要snr＝5db才能收敛。所以emd频谱分析法，不仅抗色噪声的能力更强，且可以在信噪比很低的场景下仍然有效。需要指出的是，emd频谱分析法在snr≥-14db，估计性能变化很小。原因在于，当信噪比较高时，估计性能受限于算法的频率分辨率，即在采样频率一定的条件下，信号的采样点数，决定了算法性能的极限。即在频谱分析过程中，虽然选择了最佳的频点，但由频率分辨率的影响，选择的频点与实际srf之间仍然有偏差，这个偏差由频率分辨率决定。而当信噪比很低时，估计性能主要受限于信噪比，此时，由于信噪比的影响，有可能选择错误码的频点作为srf的估计。因此，随着信噪比的增加，估计性能明显变好。
[0064]
本发明提出的一种基于emd频谱分析的srf估计算法，该算法通过低阶的emd分解，获得包含srf的imf分量，然后通过频谱分析可得对srf的估计。该算法不仅可以在色噪声中取得良好的估计效果，且在低信噪比条件，算法仍然有效。
[0065]
以上仅是本发明的优选实施方式，应当指出对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些都不会影响本发明实施的效果和专利的实用性。