脈沖噪聲中基于數據可信度加權的跳頻信號檢測

金　艷, 李曙光, 姬紅兵

(西安電子科技大學電子工程學院, 陜西 西安 710071)

?

脈沖噪聲中基于數據可信度加權的跳頻信號檢測

金艷, 李曙光, 姬紅兵

(西安電子科技大學電子工程學院, 陜西 西安 710071)

時頻分析是跳頻(frequency-hopping,FH)信號檢測的有力工具,但是脈沖噪聲下性能嚴重退化,無法有效地提取跳頻信號的周期、頻率和跳變時刻等參數;基于分數低階統計量和最大似然估計(maximum-likelihood,ML)的算法是改善脈沖噪聲下FH信號時頻分布的兩類常用方法,但前者性能改善有限,后者通常對噪聲的概率分布較為敏感,且計算復雜度高。對此,提出一種基于數據可信度加權(weightingbasedonthedatacredibility,WDC)的FH信號檢測方法。該方法基于云模型(cloudmodel,CM)理論,建立了數據可信度的概念,以分析脈沖噪聲下接收信號的不確定性,然后在此基礎上實現信號加權,改善脈沖噪聲下FH信號的時頻分布特征。仿真實驗證明,在穩定分布噪聲中,該方法與基于分數低階及Myriad濾波器的時頻分析方法相比,能夠較好地抑制脈沖噪聲,獲得FH信號的參數信息,具有良好的魯棒特性。

數據可信度; 云模型; 跳頻信號檢測; 時頻分析; 脈沖噪聲

0　引　言

作為一種重要的擴頻通信技術,跳頻(frequencyhopping,FH)信號以其優良的組網能力、抗干擾能力和保密性在軍事與民用通信中得到廣泛應用。在日益復雜的電磁環境下,有效地截獲FH信號,識別FH電臺的頻率集變得日益困難,因此,FH信號檢測成為近年來擴頻通信研究的熱點。在傳統信號處理中,一般用高斯分布描述背景噪聲。但是,實際的噪聲或雜波,如低頻大氣噪聲、多用戶干擾、海雜波等具有顯著的脈沖特性。在該類噪聲環境中,傳統以高斯分布為噪聲模型的FH信號檢測方法不再適用[1]。

針對FH信號的檢測問題,國內外學者做了大量的研究。傳統的參數法主要基于最大似然(maximum-likelihood,ML)估計理論,如Myriad濾波器方法[2]和穩健理論下的時頻分析方法[3]。但基于ML估計的方法受噪聲的概率分布影響大,通常需要對非線性代價函數優化,計算復雜度高。傳統的非參數檢測法,主要有短時傅里葉變換(short-timeFouriertransform,STFT)[4]、維格納-威利分布(Wigner-Villedistribution,WVD)[5]等。脈沖噪聲環境下,通常采用分數低階(fractionallowerorder,FLO)[6]統計量或特殊的窗函數處理,如基于熵測度的STFT[7],可有效實現脈沖噪聲的抑制。但FLO的方法在選取FLO階矩時缺乏理論支撐,基于熵測度的STFT計算復雜且性能提高有限。

具有不確定性[8]的現象與事物,廣泛存在于自然界中,噪聲便是一種不確定性的體現。脈沖噪聲環境中,噪聲對接收信號造成的不確定性影響主要體現在:①隨機性,體現在噪聲造成的接收信號幅值的不確定性;②模糊性,體現在接收信號極值的噪聲隸屬度[9]。文獻[8]提出了云模型(cloudmodel,CM)理論,在統一模糊理論和隨機理論的基礎上,建立了一個不確定性的量化統計模型。隨后,證明了正態云模型(normalcloudmodel,NCM)的普適性。在數據分析中,該理論能夠兼顧模糊性和隨機性,已廣泛應用于圖像處理[10]、智能控制[11]和數據挖掘[12-13]等領域。

根據NCM理論,本文首先提出數據可信度的概念,然后分析脈沖噪聲對接收信號造成的不確定性,并轉化為定量的可信度,再基于可信度曲線對信號加權以抑制脈沖噪聲,改善信號的時頻分布。該方法可有效實現脈沖噪聲下FH信號的檢測。

1　α穩定分布噪聲

穩定分布[14]具有厚重的拖尾和顯著的脈沖特性,與高斯分布相比,能夠更好地描述雷達、地震、聲納、生物工程等領域中的雜波干擾或背景噪聲。穩定分布沒有統一的數學表達式,但它的特征函數具備統一的數學表達式:

(1)

式中

(2)

可知,α穩定分布的特征函數可由4個參數確定:α、β、γ、a。α為特征指數,α越小,分布越尖銳,拖尾越厚;β為歪斜系數,確定分布的歪斜程度,當β=0時對應于對稱穩定分布,記為SαS。γ為分散系數,又稱作尺度系數。a為位置參數,對于SαS分布,在0

由于α穩定分布沒有二階及以上矩,不存在方差,因此采用廣義信噪比(generalsignal-noiseratio,GSNR)[19],表示為

(3)

2　數據的可信度算法模型

脈沖噪聲環境中,接收信號的不確定性主要表現在噪聲造成的局部脈沖性,本文提出了可信度的概念來描述脈沖噪聲對信號的影響。可信度定義為脈沖噪聲條件下信號的可恢復程度,受脈沖影響越大,數據的可信度越低。通常情況下,信號在一定幅值范圍內波動,是相對確定的,脈沖噪聲造成信號局部短時間內的幅值急劇上升,形成尖峰,數據可信度降低。本文根據云模型理論,分析脈沖噪聲下信號的不確定性,將這種不確定性定量表示為數據的可信度。

En′～N(En,He)

(4)

數據與其不確定度形成的云狀分布圖稱為云圖,云圖可直觀表征樣本對象中的不確定性信息。圖1為云圖示例,點狀部分對應于Ex=0,En=1和He=0.1時的云圖。實線部分為Ex=1,En=1和He=0時所得的云圖。此外,實線云圖也是點狀云圖的期望曲線。

圖1　樣本云圖示例Fig.1　The example of a cloud distributed figure

3　可信度加權方法原理

根據NCM理論,可以對接收信號的數據做如下分析。

接收信號X的數據可信度為

(5)

其中，En′滿足概率密度函數

(6)

將式(6)代入式(5)得

(7)

式(7)表明,對于任意的x,可通過數值積分計算得到相應的可信度。

(8)

(9)

因為

(10)

(11)

Yi的概率密度為

(12)

即Yi的概率密度函數為

(13)

那么由X和Y構成的二維隨機變量(x,y)的聯合概率密度公式為

(14)

(15)

依據該曲線,可對信號加權實現脈沖噪聲的抑制

(16)

4　FH信號的參數提取

在時長為T的觀測時間段內,接收到的FH信號[6]可表示為

(17)

式中,0

假設對接收信號采樣后得到樣本數為N的序列x{n}(n=0，1,…,N-1),采樣頻率為fs,首先采用基于數據可信度加權對信號消噪,然后通過時頻分析,如STFT,進一步提取FH信號的參數信息。步驟如下:

步驟 1將加權處理后的信號進行STFT的時頻分析,記為WDCSTFTs(k,l)。

步驟 2獲得每一時刻k沿頻率軸的最大值點,形成曲線,即

(18)

pi=qi+Nh/2

(19)

步驟 5由以上跳變時刻可將處理后FH信號s(i)分成P段,記為sk(i)(i=1,2,…,P)。分別對每段進行DFT,檢測各段FH頻率,即

(20)

5　仿真實驗及分析

假設FH信號的參數為:跳頻頻率fk=[1.11.31.6 1.01.21.51.71.4]kHz,跳頻周期T=50ms,采樣頻率fs=4kHz,觀測時間為8個跳頻周期,信號采樣點數N=1 600,圖2為該FH信號的時域波形。背景噪聲則服從對稱α穩定(SαS)分布[17],在廣義信噪比(generalizedsignal-to-noiseratio,GSNR)GSNR=3dB的條件下,特征指數α=1.5和α=0.8時,FH信號的時域波形分別如圖3(a)和圖3(b)所示。

圖2　FH信號Fig.2　The FH signals

圖4給出了在GSNR=3dB時樣本建立的數據可信度曲線。圖4(a)和圖4(b)分別為α=1.5和α=0.8時的可信度曲線,從圖4中可以看出,樣本經分析,處在可信度為0.1以下的數據量較少,一方面表明了脈沖噪聲脈沖性越強烈其可信度的量化權值越小,另一方面也表明了脈沖噪聲的稀疏性,和實際的脈沖噪聲特點是相符的。比較圖4(a)和圖4(b),兩者最顯著的不同是圖4(a)比圖4(b)的權值橫坐標跨度小,例如,當可信度為0.1時,α=1.5的橫坐標區間為[-4.56,4.67],α=0.8的橫坐標區間為[-9.68,10.14],這意味著前者的數據集聚性比后者好,噪聲脈沖性越強,可信度的量度跨度越大。

圖3　不同α值脈沖噪聲中的FH信號Fig.3　The FH signals in α-stable noise with different α values

圖4　可信度權值曲線Fig.4　The data credibility based weighting function

圖5為脈沖噪聲下,FH信號的時頻分布圖。在α=1.5,GSNR=3dB時,直接采用STFT所得的結果如圖5(a)所示,可以看出,脈沖噪聲造成了信號時間與頻率分辨率的下降。基于FLO統計量的時頻分布圖如圖5(b)和圖5(c)所示,其中圖5(b)為分數低階的短時傅里葉變換(fractionallowerordershort-timeFouriertransform,FLOSTFT),圖5(c)為分數低階的徑向高斯核函數(fractionallowerorderradiallyGaussiankernel,FLORGK)的時頻分析。在階矩p值的選取方面,目前缺乏相應的理論支撐。通過數值仿真分析,在p=0.2時,基于FLO統計量的時頻方法分析性能接近或達到最優。因此,本文基于FLO的方法均采用該參數,由圖5(b)、圖5(c)與圖5(a)相比可知,該方法可以較好地抑制脈沖噪聲,改善FH信號的時頻分布。圖5(d)采用基于Myriad濾波器的方法(short-timeFouriertransformbasedonMyriad,MYRSTFT),該方法是基于柯西分布[2]進行的,需要對非線性代價函數進行優化,計算復雜度高,且可能收斂到局部極值點。圖5(d)與圖5(a)比較可知,Myriad濾波器的方法也可以較好地抑制脈沖噪聲,且時頻分布的聚集性得到進一步提高。采用本文方法(short-timeFouriertransformbasedondatacredibilityweighting,WDCSTFT)所得的結果如圖5(e)所示,可以看出WDCSTFT對脈沖噪聲具有很好的抑制效果,時頻分布的聚集性得到明顯提高。綜上所述,在α=1.5,GSNR=3dB噪聲水平下,WDCSTFT能夠有效地獲得FH信號的FH圖案,較基于FLO統計量的時頻分析方法和Myriad濾波器的方法,時間與頻率分辨率得到進一步提高。

圖5　FH信號的時頻圖Fig.5　Different time-frequency distribution of the FH signals

在FH周期檢測方面,本文進行了200次蒙特卡羅實驗,得出FH的周期均方誤差,將其作為性能比較指標。圖6為α=1.5和α=0.8時的FH周期均方誤差性能曲線。從圖6(a)可以看出,在α=1.5的條件下,當GSNR>3dB時,采用WDCSTFT可準確得到信號的跳頻周期,在GSNR<-1dB時,檢測性能開始退化;GSNR>1dB時,采用MYRSTFT的方法,可準確實現FH信號的周期檢測;GSNR>0dB時,采用FLORGK的方法,可準確實現FH信號的周期檢測;GSNR>3dB時,FLOSTFT才可準確檢測出FH信號的周期。由此可知,在α=1.5時,采用WDCSTFT較其他方法在信號FH周期檢測方面具備一定優勢。從圖6(b)可以看出,在α=0.8的條件下,當GSNR>3dB時,采用本文的方法(WDCSTFT)可準確得到信號的FH周期,當GSNR<3dB時,檢測性能開始退化;GSNR>5dB時,采用MYRSTFT的方法,可準確實現FH信號的周期檢測;GSNR>9dB時,采用FLORGK的方法,可準確實現FH信號的周期檢測;GSNR>9dB時,FLOSTFT才可準確檢測出FH信號的周期。由此可知,在α=0.8時WDCSTFT的方法較其他方法在信號FH周期的提取方面具有十分明顯的優勢。

圖6　FH周期檢測均方誤差曲線Fig.6　The mean square error curves in FH cycle detection

表1　經過200次蒙特卡羅實驗的跳變時刻誤差統計(α=1.5,GSNR=3 dB)

表2　經過200次蒙特卡羅實驗的跳變時刻誤差統計(α=0.8,GSNR=5 dB)

在跳變頻率檢測方面,本文在GSNR=3 dB和α=1.5時,進行200次蒙特卡羅實驗,所得的統計結果如表3所示。由表3可知,在該噪聲水平下,WDCSTFT對跳變頻率的檢測標準差最大不超過4.38,而采用FLOSTFT、FLORGK和MYSTFT對跳變頻率檢測的標準差最大值依次為7.08、6.43、6.31。本文在GSNR=5 dB和α=0.8時,進行200次蒙特卡羅實驗,所得的統計結果如表4所示。由表4可知,在該噪聲水平下,WDCSTFT對跳變頻率的檢測標準差最大不超過7.24,而采用FLOSTFT、FLORGK和MYSTFT對跳變頻率檢測的標準差最大值依次為20.36、18.81、40.24。綜上所述, WDCSTFT在跳變頻率檢測方面較其他方法準確度高,在強脈沖噪聲中具有顯著穩健性優勢。

表3　經過200次蒙特卡羅實驗的跳變頻率誤差統計(α=1.5,GSNR=3 dB)

表4　經過200次蒙特卡羅實驗的跳變頻率誤差統計(α=0.8,GSNR=5 dB)

6　結　論

針對在脈沖噪聲環境中,傳統的FH信號檢測方法不再適用的問題,本文依據NCM理論,從脈沖噪聲對接收信號造成的不確定性的角度,提出了基于數據可信度加權的FH信號檢測方法,同時較為詳細地給出了相應的理論基礎與算法過程。仿真實驗證明,該方法能夠有效地抑制脈沖噪聲,實現對FH信號的檢測。與常規的時頻分析方法及基于ML估計的濾波方法相比,該方法提高了時頻分辨率,在提取FH信號周期、跳變時刻和跳變頻率方面,精度更高,具有良好的穩健性。

[2] Chavali V G, Da Silva C R C M. Detection of digital amplitude-phase modulated signals in symmetric alpha-stable noise[J].IEEETrans.onCommunications, 2012, 60(11): 3365-3375.

[3] Katkovnik V, Djurovic I, Stankovic L. Robust time-frequency distributions[C]∥Proc.oftheIEEEInternationalSymposiumonSignalProcessingandItsApplications, 2001: 156-157.

[4] Liu F, Ye F. Research on estimation SPWVD parameter of frequency-hopping signal[J].ComputerandInformationTechnology, 2007, 15(6): 28-30. (劉放, 葉菲. 跳頻信號SPWVD參數估計方法研究[J].電腦與信息技術, 2007, 15(6): 28-30.)

[5] Baraniuk R G, Jones D L. A signal-dependent time-frequency representation: optimal kernel design[J].IEEETrans.onSignalProcessing, 1993, 41(4): 1589-1602.

[6] Jin Y, Liu J. Parameter estimation of frequency hopping signals in alpha stable noise environment[C]∥Proc.ofthe11thIEEEInternationalConferenceonSignalProcessing, 2012: 250-253.

[7] Guo J T, Wang H Y. A new time-frequency representation based on ambiguity function analysis and its application in parameter estimation of FH signals[C]∥Proc.ofthe4thInternationalConferenceonWirelessCommunication,NetworkingandMobileComputing, 2008: l-4.

[8] Li D Y, Liu C Y. Study on the universality of the normal cloud model[J].EngineeringScience, 2004, 6(8): 28-34. (李德毅,劉常昱．論正態云模型的普適性[J].中國工程科學, 2004, 6(8): 28-34.)

[9] Li D Y, Liu C Y, Gan W Y. A new cognitive model: cloud model[J].InternationalJournalofIntelligentSystems, 2009,24(3): 357-375.

[10] Zhou Z. Cognition and removal of impulse noise with uncertainty[J].IEEETrans.onImageProcessing, 2012, 21(7): 3157-3167.

[11] Li D Y. The cloud control method and balancing patterns of triple link inverted pendulum systems[J].EngineeringScience, 1999, 1(2):41-46.(李德毅. 三級倒立擺的云控制方法及動平衡模式[J].中國工程科學, 1999, 1(2): 41-46.)

[12] Wang C Q. Study of rules extraction method based on two-dimension cloud model[J].ComputerEngineeringandApplications, 2010, 46(26):46-48. (王成全．基于二維云模型的規則提取算法研究[J].計算機應用與工程, 2010, 46(26): 46-48.)

[13] Chen H, Li B. Qualitative rules mining and reasoning based on cloud model[C]∥Proc.ofthe2ndInternattonalConferenceonSoftwareEngineeringandDataMining, 2010: 523-52.

[14] Liu M Q, Li B B, Cao C F. Recognition method of digital mo-dulation signals in non-Gaussian noise[J].JounalofElectronics&InformationTechnology, 2013, 35(1): 85-91. (劉明騫, 李兵兵, 曹超鳳. 非高斯噪聲下數字調制信號識別方法[J].電子與信息學報, 2013, 35(1): 85-91.)

[15] Nikias C L, Shao M.Signalprocessingwithalpha-stabledistributionandapplication[M]. New York: Wiley,1995.

[16] Pelekanakis K, Chitre M. Adaptive sparse channel estimation under symmetric alpha-stable noise[J].IEEETrans.onWirelessCommunications, 2014, 13(6): 3183-3195.

[17] Zhong X, Premkumar A B, Madhukumar A S. Particle filtering for acoustic source tracking in impulsive noise with alpha-stable process[J].IEEESensorsJournal, 2013, 13(2): 589-600.

[18] Aalo V A, Peppas K P, Efthymoglou G, et al. Evaluation of average bit error rate for wireless networks with alpha-stable interference[J].ElectronicsLetters, 2014, 50(1): 47-49.

[19] Guo Y. The study on novel time delay estimation methods based on stable distribution[D]. Dalian: Dalian University of Technology, 2009. (郭瑩. 穩定分布環境下的時延估計新方法研究[D]. 大連: 大連理工大學, 2009.)

DetectionofFHsignalsbasedondatacredibilityweightinginimpulsenoiseenvironment

JINYan,LIShu-guang,JIHong-bing

(School of Electronic Engineering, Xidian University, Xi’an 710071, China)

Time-frequencyanalysisisapowerfultoolforfrequency-hopping(FH)signaldetection,however,theperformanceoftime-frequencyanalysiswilldegradedrasticallyinimpulsenoiseenvironment,failingtoextractthehoppingduration,frequencyandtimingeffectively.Moreover,methodsbasedonfractionallowerorderstatisticsandmaximum-likelihood(ML)aregenerallyusedtoimprovetheperformanceofFHsignaltime-frequencydistribution,buttheperformanceimprovementoftheformerislimited,andthelatterisusuallysensitivetothenoisedistributionandhashighcomputationalcomplexity.TodetectFHsignalsinthepresenceofimpulsenoise,adetectionmethodofFHsignalisproposedbasedondatacredibilityweighting.Intheproposedmethod,theconceptofdatacredibilityisestablishedbasedonthecloudmodeltheorytoanalyzetheuncertaintyofthereceivedsignal.Onthisbasis,theweightingprocessisimplementedtothereceivedsignalandimprovestheperformanceoftime-frequencydistributionofFHsignalintheimpulsenoiseenvironment.SimulationresultsshowthatcomparedwiththefractionallowerorderstatisticsaswellastheMyriadfilterbasedtime-frequencyanalysismethods,theproposedmethodcandetecttheFHparameterswiththenoisebeingsuppressedeffectively,anditisrobustinthestablenoiseenvironment.

datacredibility;cloudmodel;frequency-hopping(FH)signaldetection;time-frequencyanalysis;impulsenoise

2015-06-29；

2016-04-16；網絡優先出版日期：2016-07-05。

國家自然科學基金(61201286)；中央高校基本科研業務費專項資金(K5051202013)；陜西省自然科學基金(2014JM8304)資助課題

TN911.7

ADOI:10.3969/j.issn.1001-506X.2016.09.29

金艷(1978-),女,副教授,博士,主要研究方向為現代信號處理、統計信號處理、非高斯噪聲處理、信號檢測與估計、通信信號偵測。

E-mail:yjin@mail.xidian.edu.cn

李曙光(1990-),男,碩士研究生,主要研究方向為非高斯噪聲下跳頻信號處理。

E-mail:lsg0419 @163.com

姬紅兵(1963-),男,教授,博士研究生導師,主要研究方向為光電信息處理、微弱信號檢測與識別、醫學影像處理。

E-mail:hbji@xidian.edu.cn

網絡優先出版地址：http://www.cnki.net/kcms/detail/11.2422.TN.20160705.1722.002.html