Alpha稳定分布噪声下MIMO-OFDM空频编码方式识别方法、系统、设备及介质

本发明属于通信信号解调，尤其涉及一种alpha稳定分布噪声下mimo-ofdm空频编码方式识别方法、系统、设备及介质。

背景技术：

1、mimo-ofdm技术是将正交频分复用与mimo技术结合起来的一种高效的解决新场景下性能恶化的方案，成为无线通信领域近年来的研究热点。mimo-ofdm系统中采用的分集编码方案除了空时编码之外，还包括空频编码方案，即利用空间-频率分集。空频分组码(space-frequency block codes,sfbc)与mimo-ofdm的结合可以提高通信的有效性和可靠性，其中空频编码方式的识别是非合作mimo系统深层感知技术的重要内容之一。传统的sfbc识别算法被设计成从高斯噪声环境下的接收信号中提取相关信息。但是高斯噪声不是唯一的情况，比如以alpha稳定分布为模型的非高斯脉冲噪声，这类噪声的概率分布通常是重尾的，不能很好地用高斯分布建模。在非高斯噪声的情况下，由于噪声模型失配，其性能会显著下降。因此对alpha稳定分布噪声下mimo-ofdm空频编码方式识别方面的研究有重要意义。

2、对sfbc编码识别方法相关的研究相对较少：marey等人扩展了检测两根接收天线信号特定时滞互相关函数峰值的方法，利用sfbc-ofdm空域冗余实现al信号与sm信号的识别(marey m,dobre o a.automatic identification of space-frequency block codingfor ofdm systems[j].ieee transactions on wireless communications,2016,16(1):117-128.)。然而，该算法未充分利用sfbc信号的频域冗余，因此当ofdm载波数增加时，其性能并未提升，反而成倍的增加了计算复杂度。gao等人利用sfbc信号的空频冗余，通过提取相邻子载波子空间秩特征，利用随机矩阵理论求解特征，并采用最小距离准则区分sfbc-ofdm信号(gao m,li y,dobre o a,et al.blind identification of sfbc-ofdm signalsusing subspace decompositions and random matrix theory[j].ieee transactionson vehiculartechnology,2018,67(10):9619-9630.)。又提出利用多根接收天线构造检测统计量，从而高效利用频域冗余，完成sfbc-ofdm信号识别(gao m,li y,dobre o a,etal.blind identification of sfbc-ofdm signals based on the central limittheorem[j].ieee transactions on wireless communications,2019,18(7):3500-3514.)。kun等人提出了一种基于符号特征值的mimo-sfbc盲识别算法。根据不同空频分组码在频域的符号相关特性，推导出不同空频分组码的特征向量序列，利用二元假设检验估计符号特征值，通过决策树分类识别算法区分不同编码类型(kunjin,jinkun,yu keyuan,yan wenjun.blind recognition of mimo-sfbc based on symbolic eigenvalue*[j].journal ofphysics:conference series,2020,1650(3).)。张聿远等人利用信号在接收端频域内的相关函数特征图，对其进行空间尺度预处理转换变成二维，最后采用扩张稠密卷积网络实现sfbc编码分类识别(张聿远,张立民,闫文君.基于互相关特征图和扩张稠密卷积网络的sfbc-ofdm识别方法[j].系统工程与电子技术,2021,43(09):2657-2664.)。尽管以上算法可以有效实现sfbc编码分类，目前现有研究均是在已知分集编码大类的前提下进行的空频编码类内识别，除此之外大部分基于高斯噪声模型，在噪声环境日益复杂的当下，非高斯噪声下传统识别方法性能衰退问题急需解决。

3、通过上述分析，现有技术存在的问题及缺陷为：

4、(1)现有空频分组编码方式识别方法是在已知分集编码大类的前提下进行的类内识别，在非合作通信中面临功能受限，无法进行后续类内识别；

5、(2)现有空频分组编码方式识别方法的研究，集中于高斯噪声环境假设下。对于更符合实际环境的非高斯alpha稳定分布噪声，其识别性能会显著下降；

6、解决以上问题及缺陷的难度为：在非合作通信中面临功能受限，需要先确认信号是否采用的是空频编码，才可以进行后续类内识别；其次在非高斯噪声干扰下，会削弱传统识别方法的识别性能，因此，类间识别的重要性，适用于alpha稳定分布噪声环境下的区分特征以及分类器模型的构造是alpha稳定分布噪声下mimo-ofdm空频编码方式识别方法的技术难点。

技术实现思路

1、针对现有技术存在的问题，本发明的目的在于提出了一种alpha稳定分布噪声下mimo-ofdm空频编码方式识别方法、系统、设备及介质，基于分数低阶时滞相关的空时频编码类间识别，实现对未知信号的类间识别，用于确认是否使用了空频编码；本发明提取了接收信号的循环相关熵谱特征图，结合深度森林网络，将编码识别问题转换为图像识别；本发明可以有效实现alpha稳定分布噪声下mimo-ofdm空频编码方式识别，解决了传统方法在非合作通信中功能受限的问题。

2、为了实现上述目的，本发明采用的技术方案如下：

3、一种alpha稳定分布噪声下mimo-ofdm系统中空频编码方式识别方法，具体包括以下步骤：

4、步骤一，对接收天线的接收信号进行基于分数低阶时滞相关的空时频编码类间识别；

5、步骤二，对于步骤一识别为空频编码的不同接收天线的接收信号，计算接收信号的循环相关熵，提取接收信号的循环相关熵谱特征图；

6、步骤三，将步骤二提取到的循环相关熵谱特征图输入训练好的深度森林网络对空频编码方式进行识别。

7、所述步骤一的具体过程为：

8、1.1)将第i个接收天线接收的信号样本表示为：

9、

10、其中，hfi(j)表示发射天线与接收天线间的信道参数，lh表示传播路径数目，wi(n)为非高斯alpha稳定分布噪声；

11、1.2)针对非高斯alpha稳定分布噪声对信号的影响，对接收信号做分数低阶化处理，抑制非高斯噪声对有用信号的影响，计算不同接收天线下的分数低阶时滞相关：

12、

13、其中，z<p>＝|z|p-1z*,z∈c,k是编码方式的块长度，τ代表不同时滞,nk表示ofdm长度，y(·)表示不同接收天线的接收信号；

14、在时滞相关函数中，寻找峰值，并提取峰值对应的时滞值作为峰值特征，绘制时滞相关峰值特征图；

15、1.3)之后，提取多时滞(τ＝1,2,3,4)下的时滞相关峰值特征图，并将特征图划分为训练集和测试集,利用训练集中的特征图样本训练双通道网络(dual path network，dpn)，用以对时滞相关峰值特征图进行识别；在dpn网络识别时滞相关峰值特征图的过程中，将输出切分为两路，一路和原始输入特征累加构成残差结构，减少原始输入特征的冗余度；另一路和原始输入特征并联，使得当前网络层能够直接获得上一级网络层的输出，并进一步从该输出中提取更深层的特征，提升模型的分类准确率，实现空时频编码类间识别。

16、所述步骤二的具体过程为：

17、对于不同接收天线的接收信号，计算其相关熵定义为：

18、

19、将其写成傅里叶级数形式，则有循环相关熵函数为：

20、

21、对循环相关熵求取傅里叶变换，进一步得到循环相关熵谱(cces)函数：

22、

23、在此基础上取固定循环频率f的循环相关熵谱切片作为该接收信号的特征图。

24、所述步骤三中将提取到的特征图输入训练好的深度森林网络对空频编码方式进行识别的具体过程为：

25、深度森林网络的每一层都由级联的多个随机森林组成；将步骤二提取到的循环相关熵谱特征图作为输入，使用多粒度扫描对输入的循环相关熵谱特征图进行预处理得到特征向量，将得到的特征向量输入到级联的多个随机森林中进行训练；通过随机森林学习输入特征向量的特征信息，将该特征信息输入到深度森林网络的下一层；为了增强模型的泛化能力，每一层选取不同类型的随机森林，以适应于不同大小的数据集，将上一步骤提取到的循环相关熵谱输入训练好的深度森林网络，得到最终的分类结果。

26、一种实施上述alpha稳定分布噪声下mimo-ofdm空频编码方式识别的系统，包括：

27、类间识别模块，用于步骤一中，对接收信号进行基于分数低阶相关的空时频编码类间识别，识别出接收信号是否为空频编码方式；

28、特征提取模块，用于步骤二中计算接收信号的循环相关熵，提取循环相关熵谱特征图；

29、空频编码方式识别模块，在步骤三中，用于将步骤二提取到的循环相关熵谱特征图投入到训练好的深度森林网络实现对空频编码方式的分类识别。

30、一种实施如上述alpha稳定分布噪声下mimo-ofdm空频编码方式识别的设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，能够实现步骤一至步骤三所述alpha稳定分布噪声下mimo-ofdm空频编码方式识别方法。

31、一种接收用户输入程序的存储介质，所述存储介质存储的计算机程序被处理器执行时能够基于步骤一至步骤三所述alpha稳定分布噪声下mimo-ofdm空频编码方式识别方法，进行alpha稳定分布噪声下mimo-ofdm空频编码方式识别。

32、结合上述的所有技术方案，本发明所具备的优点及积极效果为：

33、本发明提出了基于分数低阶时滞相关的空时频编码类间识别，根据提取的时滞相关峰值特征，实现对未知信号的类间识别，用于确认是否使用了空频编码；

34、本发明结合了深度森林网络，通过计算不同接收信号的循环相关熵谱，并将循环相关熵谱切片作为该接收信号的特征图，将编码识别问题转换为图像识别；具有特征快速提取和识别的效果。

35、本发明可以有效实现alpha稳定分布噪声下mimo-ofdm空频编码方式识别，通过提取信号的时滞相关峰值特征和循环相关熵谱特征，能够表征接收信号的内部信息，解决了传统方法在非合作通信中功能受限的问题。

36、综上，本发明采用基于分数低阶时滞相关的空时频编码类间识别方法确认空频编码的使用状态，通过提取信号的循环相关熵谱特征并输入到深度森林网络，能够准确表征接收信号的空频编码信息，实现了对alpha稳定分布噪声下mimo-ofdm空频编码方式的识别，有效提高了识别准确率和识别速度。