本发明属于通信对抗中直接序列扩频信号的盲参数估计领域，具体涉及非合作通信下短码扩频长码加扰的多用户周期直扩信号的伪码估计方法。
背景技术：
直接序列扩频(Direct Sequence Spread Spectrum，DSSS)是扩频通信技术的主要方式之一。它具有抗干扰能力强，保密性好，易于码分多址等优点，在军事、民用通信中具有广泛应用。根据信号结构，DSSS信号可分为：短码直扩信号，长码直扩信号，短码扩频长码加扰直扩信号(简称为长短码直扩信号)。
在通信对抗中，正是由于直扩信号的抗干扰能力强、隐蔽性好等特点，使得非合作通信情况下的直扩信号侦测和盲参数估计相当困难。在非合作通信中，伪随机(PN)码估计是信息截获的前提和关键。短码直扩信号的PN码估计研究已比较成熟，长码直扩信号的PN码估计研究也已经取得了一定的成果。但长短码直扩信号由于结构复杂、保密性更强，给PN码估计带来了更大的困难和挑战。
现有的直扩信号扩频码估计方法主要有：相关矩阵特征分解法、神经网络法、匹配滤波法和三界相关法。对于多用户长短码直扩信号，其中不仅包含多个用户，且各个用户中又包含两个伪码，上述方法均不适用。目前关于多用户长短码直扩信号的伪码估计研究还处于起步阶段，需要更深入的探索。
技术实现要素：
本发明的目的是针对非合作通信中无法估计多用户周期长短码直扩信号的伪码问题，提出一种基于Fast-ICA算法和三阶相关的伪随机码盲估计方法，从而解决了多用户周期长短码直扩信号的伪码估计问题。
本发明中多用户周期长短码直扩信号伪码盲估计方法的步骤是：
步骤1、将多用户周期长短码直扩信号以扩频码码片速率采样转化为基带信号，根据短扩频码和长扰码周期对基带信号分段并构建成盲分离模型，通过快速独立成分分析(Fast-ICA)算法分离得到各用户混合PN序列片段；
步骤2、估计第一个用户的混合PN序列时，拼接分离得到的序列片段得到完整的混合PN模糊序列，利用m序列的移位叠加性，采用二次延迟相乘法消除信息码和扩频码影响；
步骤3、结合分圆陪集理论计算延迟信号的三阶相关函数值，得到可能的峰值点坐标；
步骤4、计算可能峰值点坐标集合处的正反向三阶相关函数平均值，最大平均值所对应的序列即为正确的用户混合PN序列；
步骤5、根据矩阵斜消法完成用户的扰码估计，对用户的混合PN序列解扰，用分段延迟互相关法完成扩频码估计；
步骤6、清除步骤1中的已估计用户的所有混合PN序列片段，重复步骤2-5即可依次得到所有用户的混合PN序列、扰码和扩频码。
本发明充分利用多用户周期长短码直扩信号的结构特点，通过信号分段构建盲分离模型，通过Fast-ICA算法实现各用户混合PN序列片段的分离。
本发明将得到的全部混合PN序列片段按顺序拼接，得到全部可能的混合PN模糊序列，则正确的用户混合PN序列必定存在于其中。
本发明通过两次延迟相乘法消除信息码影响和扩频码影响，从而可通过三阶相关特性估计扰码。结合分圆陪集理论计算信号的三阶相关函数来确定可能峰值点，大大降低了计算复杂度和减少了计算量。
本发明为减少噪声对伪码估计的影响，利用峰值点的性质，计算可能峰值点坐标处的正反向三阶相关函数的平均值，从而提高了正确混合PN序列的搜索精度。
本发明将每个峰值点表示为多项式形式，并两两求最大公约式，则可以得到信号长扰码的本原多项式估计。
本发明在估计得到信号的长扰码之后，利用m序列的线性移位叠加特性，巧妙分段，利用分段相关法对信号解扰，再通过分段延迟互相关的信号同步法实现扩频码估计。
本发明的有益效果是：
1、将多用户周期长短码直扩信号建模为盲源信号分离问题，通过该建模可以将结构复杂的信号模型简化。
2、通过两次延迟相乘法消除了信息码和扩频码对长扰码估计的影响，利用m序列的三阶相关特性、分圆陪集理论、峰值点性质等，不仅运算量减低，还大大提高了确定混合PN序列的准确度，从而提高扰码估计性能。
3、在混合PN序列解扰后，用分段延迟互相关的信号同步法完成对短扩频码估计，最终实现了信号中各用户的长扰码和短扩频码的估计。
具体实施方式
下面进一步详细说明本发明的实施步骤。
多用户周期长短码直扩信号的伪码盲估计方法，具体包括如下步骤：
步骤1、将多用户周期长短码直扩信号以扩频码码片速率采样转化为基带信号，根据短扩频码和长扰码周期对基带信号分段并构建成盲分离模型，通过快速独立成分分析(Fast-ICA)算法分离得到各用户混合PN序列片段；具体如下：
1-1.将接收到的多用户周期长短码直扩信号以扩频码码片速率采样，则第i个用户的基带信号表示为：
ui(n)＝Aidi(n)hi(n)ki(n),n＝1,2,3…N (1)
其中，n为采样时刻，N为基带信号长度；Ai为第i个用户的信号幅度；di(n)、hi(n)、ki(n)分别表示第i个用户的信息码、扩频码以及扰码。扩频码选用周期为Ls的OVSF码，扰码选用周期为Ll的m序列，且满足条件Ll＝VLs，其中V是一个正整数。所有用户具有相同的扩频码周期和扰码周期，则每个用户信号可分成Z＝N/Ll个片段。
多用户周期长短码直扩信号表示为：
其中M是用户个数，w(n)是零均值高斯白噪声，方差为σ2。
1-2.根据短扩频码和长扰码周期对基带信号分段并构建成盲分离模型，具体如下：
首先根据扰码周期，将接收信号分成Z＝N/Ll个序列片段，每个序列片段长度为Ll，可看成Z个阵元接收到的信号。再根据扩频码周期对每个阵元信号分段，得到V＝Ll/Ls个序列片段，长度为Ls。则第v个片段的接收信号可表示为：
构建成盲分离模型：
r(v,a)＝A(v)B(v,a)+W(v,a),a＝1,2,3,…,Ls (4)
其中
B(v,a)＝[s1(v,a) s2(v,a) … sM(v,a)]T；si(v,a)＝hi(a)ki((v-1)·Ls+a)；
W(v,a)＝[w1((v-1)·Ls+a) w2((v-1)·Ls+a) … wZ((v-1)·Ls+a)]T；
用Fast-ICA算法分离得到各用户混合PN序列片段，记为i＝1,2,…M，v＝1,2,…V。
步骤2、估计第一个用户的混合PN序列时，拼接分离得到的序列片段得到完整的混合PN模糊序列，利用m序列的移位叠加性，采用二次延迟相乘法消除信息码和扩频码影响。具体如下：
2-1.将步骤1中分离得到的序列片段按顺序拼接即可得到MV个不同的模糊序列αt(n)，t＝1,2,…MV，长度为Ll，αt(n)表示为：
其中i1,i2,…iV＝1,2,…M。所有的αt(n)是由V个连续的子段拼接构成的但只有M个是所求的用户混合PN序列，这M个特殊序列记为
2-2.估计第一个用户的混合PN序列，假设为用户的第一个序列片段，则该用户的可由(V-1)M个剩余子段来拼接，其中i2,…iV＝1,2,…M，中的t＝1,2,…MV-1。
2-3.为消除信息码和扩频码对扰码估计的影响，利用m序列的移位叠加特性，两次延迟相乘：
步骤3、结合分圆陪集理论计算延迟信号的三阶相关函数值，得到可能的峰值点坐标。
确定扰码的分圆陪集，假设存在J个有限集，将这J个有限集的陪集头记入集合{ηj|j＝1,2,3,…,J}。计算延迟相乘得到的延迟信号的正向三阶相关函数(TCF)，其中t＝1,2,…MV-1：
其中j＝1,2,…J，q＝1,2,…Ll，找到J个最大的对应的坐标，即最有可能的TCF峰值点坐标，记入集合
步骤4、计算可能峰值点坐标集合处的正反向三阶相关函数平均值，最大平均值所对应的序列即为正确的用户混合PN序列；
m序列正、反向三阶相关函数具有C+(p,q)＝C-(p,p-q)(其中p＞q)的性质，即若(p,q)是正向TCF峰值点，则(p,p-q)是反向TCF峰值点坐标。为降低噪声对扰码估计的影响，可利用这一性质来提高PN混合序列的搜索精度，利用下式计算正反向三阶相关函数平均值：
步骤5、根据矩阵斜消法完成用户的扰码估计，对混合PN序列解扰，用分段延迟互相关法完成扩频码估计；
找到最大的其对应的模糊序列就是要求的第一个用户的混合PN序列。将求得的混合PN序列对应的每个峰值点表示为多项式形式，并两两求最大公约式，从而得到信号长扰码的本原多项式估计。随后对混合PN序列解扰，并用分段延迟互相关的信号同步法完成对短扩频码估计。
步骤6、清除步骤1中的已估计用户的所有混合PN序列片段，重复步骤2-5即可依次得到所有用户的混合PN序列、扰码和扩频码。
通过步骤2重构(M-1)V-1个可能的和其中t＝1,2,…(M-1)V-1，得到第二个用户的混合PN序列，再通过步骤3-5估计出第二个用户的扰码和扩频码。重复以上过程即可得到所以用户的PN混合序列、扰码和扩频码，最终完成多用户周期长短码直扩信号的伪码估计。