AWGN信道中非恒包络信号SNR估计算法

本文提出一种利用信号自相关矩阵的奇异值分解(SVD)对加性高斯白噪声(AWGN)信道下非恒包络信号信噪比的盲估计算法,并作了详细理论分析.通过对该算法进行计算仿真,结果表明:该算法性能稳定,对MPSK、MQAM信号在实际信噪比为1~20dB时,估计误差小于0.5dB.     

一种新的基于改进PASTd的中频信号盲信噪比估计算法

该文提出一种加性高斯白噪声信道下基于改进的紧缩投影近似子空间跟踪(PASTd)的中频信号盲信噪比估计算法。将Gram-Schmidt正交化过程引入到PASTd中,使计算得到的特征向量相互正交,从而保证算法具有更好的收敛性能。对MPSK(M=2,4,8)信号和MQAM(M=16,64,128,256)信号进行了大量计算机仿真,结果表明该算法性能稳定,并且当信噪比变化范围为5dB到25dB时,所得到的估计偏差小于1dB,估计标准差在0.3以内。与基于特征值分解的算法相比,能够在得到精确估计结果的同时,大大减小运算复杂度。     

多进制相移键控信号信噪比估计方法

信噪比(SNR)估计是信道估计的重要组成部分,很多先进通信系统和信号处理方法都将信噪比作为先验信息,因此对信噪比估计方法的研究尤为重要。基于多进制相移键控(MPSK)信号模型,对最大似然类、矩估计类和空间分解类算法进行了性能分析和仿真。在一定条件下,上述算法的估计偏差在[0,20] dB区间内均小于1 dB,其中最大似然类算法估计精确度最高,但易受解调误码率影响;矩估计类算法在低信噪比时性能较好,高信噪比时易受算法自噪声影响;空间分解类算法适应性最强,但实时性较差。通过对上述算法一致性和差异性分析,总结了信噪比估计的研究进展和主要问题,明确了复杂调制信号宽范围信噪比估计和空间分解方法的研究方向,为后续研究提供了解决思路和改进措施。     

子空间盲信噪比估计算法研究

信号子空间维数估计是影响子空间信噪比估计算法性能的重要因素。针对利用最小描述长度(MDL)准则估计维数时,只能在有限信噪比范围内实现精确估计这一情况,采用噪声功率(NP)法与加权平均信息(WIC)准则以及归一化比值法对信号子空间维数进行估计,改善了原算法在低信噪比时估计性能变差的问题。仿真结果显示在加性高斯白噪声信道条件下,实际信噪比在-10~10 d B范围内时,噪声功率(NP)法以及加权平均信息(WIC)准则比原方法有显著的优势。     

一种平坦衰落信道下的盲信噪比估计算法

针对基于子空间分解信噪比估计算法中信号子空间维数估计复杂度高、小样本条件下估计偏差大的问题,提出了一种改进的盲信噪比估计算法.该算法首先构造接收信号的自相关矩阵,然后从矩阵奇异值序列的尾部开始,间隔两项依次进行差分得到梯度序列,再以梯度序列相邻两项均值大干特定阈值为条件确定信号子空间的维数,最后求得信噪比.仿真结果表明:信噪比范围为-5～+15 dB时,平坦衰落信道下常用调制信号的信噪比估计标准差小于0.1 dB,与MDL,AIC方法相比,该算法计算量小,且能适应更低的信噪比和更短的数据长度.     

一种直扩信号伪码周期及序列的盲估计方法

论述了功率谱二次处理理论和信号子空间分解方法在直接序列扩频(DS/SS)信号的伪码周期估计以及伪码序列盲估计中的应用,提出了利用功率谱二次处理结合信号子空间分解的方法以实现对低信噪比DS/SS信号的完全估计.计算机模拟结果表明,该方法在较低的输入信噪比条件下能良好地工作.     

基于时频分析的多跳频信号盲检测

为了减小低信噪比下干扰和噪声对跳频信号检测的影响,提出一种基于时频分析的多跳频信号盲检测算法。针对跳频信号、定频信号、高斯白噪声具有的不同时频分布特点,该算法利用短时傅里叶变换得到的时频图构造时频对消比;理论分析得到各信号的时频对消比是不同的,因此将其作为检测统计量,实现高斯白噪声背景下跳频、定频信号的盲检测。仿真结果表明,本文算法具有抗噪声功率不确定性能;与改进型功率谱对消法相比,本文算法在低信噪比环境下,具有更高的跳频信号和定频信号检测概率。此方法也能实现存在定频信号、扫频信号和突发信号干扰的复杂电磁环境中跳频信号盲检测,当信干比为5 dB且跳频信号的检测概率达到100%时,本文算法比改进型功率谱对消法改善信噪比10 dB;在干噪比为0.05 dB时的虚警概率几乎为0。      

用于APSK和QAM信号信噪比估计的改进分段数据拟合算法

为提高幅相键控( APSK)信号和正交调幅( QAM)信号信噪比估计范围和精度,提出了一种改进的信号信噪比估计算法。算法首先计算接收信号平方的均值和绝对值的均值之比,然后根据星座图特征,利用多项式拟合该比值与信噪比的关系。在拟合过程中,对信噪比区间进行分段拟合来提高各段拟合精度,并用蒙特卡洛仿真经验值修正算法的固有偏差,从而得到信噪比的近似无偏估计。仿真结果表明,当信噪比估计区间为-5~20 dB且数据长度合适时,16 APSK和32 APSK信号信噪比估计偏差均值小于0.5 dB,标准差小于2 dB;该算法对16QAM和32QAM信号信噪比估计的标准差小于传统数据拟合算法。该算法运算复杂度较低,便于实时应用和硬件实现,对恒模和非恒模信号均能实现信噪比宽范围精确盲估计。     

一种基于奇异值分解的改进信噪比盲估计算法

针对空间分解类信噪比(SNR)估计算法中子空间维数估计复杂度较高,低信噪比下估计偏差较大的问题,提出了一种改进的子空间维数估计算法。该算法首先利用样本自相关矩阵的奇异值序列进行后向差分得到梯度序列,对梯度序列每一项与后5项之和的比值进行搜索,最大比值所对应的奇异值序号作为信号子空间维数,最后计算信噪比。合适数据长度下的仿真结果表明：在信噪比-5 dB~20 dB范围内,常规通信信号的信噪比估计平均偏差小于0.5 dB,标准差小于1 dB;该算法提升了低信噪比下的估计性能,运算量较小,无需知道调制方式、载波频率、符号率等先验信息,在低信噪比时对信噪比时变的跟踪估计更为准确,且对复杂高阶调制信号同样适用。     

一种基于经验模态分解的信噪比盲估计新算法

为了增强未知样式信号的信噪比估计性能,提出了一种基于经验模态分解（EMD） 的信号信噪比估计新算法,通过固有模态函数（IMF）分量平均周期判断信号与噪声界限。 给出了经验模态分解估计法的工作原理和流程图,分析了经验模态分解估计法的性能。仿真 结果表明,与信号空间分解法一样,经验模态分解估计法能够实现盲信号信噪比估计,后者 估计均方误差比前者要小,在0 dB信噪比下均方误差不超过0.3 dB。     

一种实用性强的MC-CDMA盲信道估计方法

基于子空间分解的MC-CDMA盲信道估计算法运算量大,实用性差.本文根据在MC-CDMA中信号子空间维数远小于噪声子空间维数的特点提出从信号子空间的角度进行MC-CDMA盲信道估计,并采用PASTd算法对信号子空间及其维数进行动态跟踪.本文还通过对子空间跟踪的结果进行正交化处理的方法,显著提高了盲信道估计的性能.本文的盲信道估计方法运算量低,实用性强,仿真结果表明其盲信道估计性能接近特征值分解法.     

基于噪声子空间跟踪的OFDM盲信道估计

基于子空间分解的OFDM信道估计算法利用信号子空间和噪声子空间的正交性可以对信道参数进行盲估计,但是子空间分解的运算量大,使盲信道估计算法的实用化受到限制。本文在噪声子空间自适应跟踪的基础上进行OFDM盲信道估计,显著降低了运算量。仿真结果表明,在适当选择学习因子后可以实现对噪声子空间的快速跟踪,在噪声子空间跟踪的基础上得到的信道估计性能接近于子空间分解法。     

准正交空时分组码系统的一种盲信道估计方法

空时分组码(STBC)系统的经典信道盲估计方法,如子空间法(SS)等,都是基于接收端样本自相关矩阵的特征值分解(EVD)或奇异值分解(SVD)来实现信道估计的,而基于QR分解的信道盲估计方法是一种性能优良的新算法.文中将该算法应用到准正交空时分组码系统的信道估计中,结合准正交空时分组码的特性提出了一种新的信道盲估计算法.与以上经典的信道盲估计算法相比,文中提出的算法的计算量大为降低.同时Monte-Carlo仿真表明,当信噪比较低时,该算法比子空间法有更好的性能.     

Sparse Representation for Blind Spectrum Sensing in Cognitive Radio: A Compressed Sensing Approach

Cognitive radios enable opportunistic transmission for secondary users (SUs) without interfering the primary user (PU). Cyclo-stationary-based spectrum sensing methods are better than the energy detection methods in negative signal-to-noise (SNR) decibel (dB) regime, in which case the noise variance cannot be exactly estimated. However, blind cyclo-stationary methods require a large number of symbols (and hence measurements). This paper aims to reduce the number of measurements in a blind sensing method (using a combination of linear prediction and QR decomposition), by employing compressed sensing at the receiver front-end, so as to reduce the A/D requirements needed with a large number of measurements, along with oversampling the received signal. Till now, compressed sensing has not been investigated at very low negative SNR (dB), e.g., \(-\)12 dB, which is very crucial in spectrum sensing. The novel algorithm, in this paper, overcomes this shortcoming, and its simulation results show that the SU is able to detect the PU signal, using much less measurements, even at very low negative SNR (dB). The proposed method also investigates the effect of joint and individual measurement matrices at multiple oversampled branches.