一種TDMA信號(hào)用戶盲分離方法*

(西南電子電信研究所，成都 610041)

0 引 言

時(shí)分多址(Time Division Multiple Access,TDMA)作為一種多用戶的復(fù)用方式，具有單載頻復(fù)用、頻譜利用率高、通信配置靈活、適用處理突發(fā)業(yè)務(wù)等特點(diǎn)，是衛(wèi)星通信的關(guān)鍵技術(shù)之一[1-2]。由于TDMA信號(hào)中的載頻可以承載多個(gè)用戶，每個(gè)用戶通過(guò)分配的時(shí)隙進(jìn)行突發(fā)通信。在第三方偵收過(guò)程中，對(duì)同一用戶時(shí)隙進(jìn)行提取分類，再進(jìn)行后續(xù)信息獲取，能避免其他用戶帶來(lái)的交叉干擾。尤其在目標(biāo)測(cè)向定位中，多用戶之間的干擾嚴(yán)重影響定位性能。

無(wú)先驗(yàn)知識(shí)情況下的TDMA用戶盲分離，首先要進(jìn)行突發(fā)信號(hào)檢測(cè)，準(zhǔn)確檢測(cè)出突發(fā)時(shí)隙的起始位置[3-4]。由于衛(wèi)星接收站和衛(wèi)星之間的相對(duì)運(yùn)動(dòng)，導(dǎo)致接收信號(hào)含有較大的多普勒頻偏[5]，因而對(duì)TDMA信號(hào)頻偏估計(jì)具有較高的要求。鑒于能量檢測(cè)算法具有較好的抗頻偏性能，本文采用雙滑動(dòng)窗口檢測(cè)算法[6]。

本文根據(jù)提取的TDMA信號(hào)特征信息采用聚類的方法將信號(hào)用戶分離。然而在實(shí)際TDMA信號(hào)處理過(guò)程中，由于很難確定TDMA的用戶數(shù)量，常用的特征聚類算法[7-8]雖能夠較好地進(jìn)行特征分類，但是較大程度地依賴于數(shù)據(jù)先驗(yàn)信息，并受噪聲干擾影響較大。由于DBSCAN(Ddensity-based Spatial Clustering of Applications with Noise)[9-11]聚類算法無(wú)需確定聚類的個(gè)數(shù)，并且對(duì)噪聲適應(yīng)性較好，因此本文提出基于信號(hào)特征的DBSCAN用戶分離方法。該算法能夠適應(yīng)不同的用戶特征，同時(shí)具有良好的抗噪聲性能和較高的正確分選率。

1 TDMA信號(hào)特征提取

1.1 信號(hào)模型

TDMA信號(hào)模型可以表示調(diào)制信號(hào)與多個(gè)矩形脈沖串的乘積，信號(hào)可以理想表示為

x(t)=u(t)·s(t)+ε(t)=

(1)

式中：u(t)表示為矩形脈沖門函數(shù)；Tr為幀長(zhǎng)度，Tw為包含保護(hù)間隙的每一突發(fā)寬度，即時(shí)隙長(zhǎng)度；n表示為幀號(hào)；s(t)為已調(diào)信號(hào)；ε(t)表示加性高斯白噪聲。本文中s(t)為數(shù)字調(diào)制信號(hào)，其模型為

s(t)=r(t)cos(2πfct+φ0)。

(2)

1.2 TDMA突發(fā)雙滑動(dòng)窗口檢測(cè)

圖1 雙滑動(dòng)窗檢測(cè)原理

圖2 雙滑動(dòng)窗檢測(cè)流程

1.3 TDMA信號(hào)特征提取流程

1.3.1 幅度特征

設(shè)模采信號(hào)為x(n)，本文模采信號(hào)通指將模擬信號(hào)采樣得到的數(shù)字信號(hào)，采樣率fs，中頻fc，信號(hào)帶寬bw。信號(hào)瞬時(shí)幅度A(n)的求取如圖3所示。

圖3 求取信號(hào)幅度流程

獲得信號(hào)幅度A(n)后，可求取幅度K特征：

K=E[u2(n)]/(E[u(n)])2-2。

式中:u(n)為信號(hào)幅度的平方。幅度包絡(luò)平坦度，即幅度抖動(dòng)的期望值的求解方法如下：先求幅度A(n)的包絡(luò)ξa(n)，將A(n)作Hilbert變換，得到解析信號(hào)，然后取模：

ξa(n)=abs(Hilbert(A(n)))，

(3)

再對(duì)ξa(n)求平坦度

Ra=var[ξa(n)]/(E[ξa(n)])2。

(4)

零中心歸一化幅度譜密度最大值

rmax=max|DFT(Acn(i))|2/N。

(5)

(6)

短時(shí)方差是指在特定的短暫時(shí)間窗內(nèi)信號(hào)幅值的方差或功率:

(7)

短時(shí)電平和是指在特定的短暫時(shí)間窗內(nèi)信號(hào)幅值之和：

c3(t)=sum{|x(t-TL/2:t+TL/2)|}。

(8)

1.3.2 頻率特征

信號(hào)瞬時(shí)頻率的求取如圖4所示。

圖4 求取信號(hào)頻率流程

非弱頻率標(biāo)準(zhǔn)差：調(diào)制信號(hào)一般都占有一定的帶寬，而連續(xù)波(Continuous Wave，CW)信號(hào)只有一個(gè)頻率分量，頻率標(biāo)準(zhǔn)差是表征信號(hào)帶寬的一個(gè)量，其定義為σf=std(f(n))。

頻率包絡(luò)平坦度，即頻率抖動(dòng)的期望值：先求頻率f(n)的包絡(luò)ξf(n)，將f(n)作Hilbert變換，得到解析信號(hào)，然后取模：

ξf(n)=abs(Hilbert(f(n)))，

(9)

再對(duì)ξf(n)求平坦度：

Rf=var[ξf(n)]/(E[ξf(n)])2。

(10)

頻偏ΔVf=fc′-fc，其中fc′為真實(shí)頻率的估計(jì)，fc為通信雙方設(shè)定的載頻。

2 基于特征聚類的TDMA信號(hào)分離

DBSCAN算法將數(shù)據(jù)化分為基于半徑Eps領(lǐng)域的所有點(diǎn)的集合。Eps領(lǐng)域定義為與某一點(diǎn)p的距離小于等于Eps點(diǎn)的集合。定義數(shù)據(jù)點(diǎn)個(gè)數(shù)MinPts，算法基于半徑Eps，將在半徑Eps內(nèi)含有超過(guò)MinPts數(shù)目的點(diǎn)定義為核心點(diǎn)，數(shù)目小于MinPts但落在核心點(diǎn)的領(lǐng)域內(nèi)的點(diǎn)定義為邊界點(diǎn)，除此之外剩余的點(diǎn)為噪聲點(diǎn)。DBSCAN算法實(shí)現(xiàn)過(guò)程如圖5所示，其通過(guò)檢查數(shù)據(jù)集中的Eps領(lǐng)域來(lái)搜索簇，如果點(diǎn)p的Eps鄰域包含的點(diǎn)多于MinPts個(gè)，則創(chuàng)建一個(gè)以p為核心對(duì)象的簇，以該核心對(duì)象為出發(fā)點(diǎn)，DBSCAN迭代地聚集從這些核心對(duì)象直接密度可達(dá)的樣本生成聚類簇，直到所有核心對(duì)象被訪問(wèn)過(guò)為止。如圖5所示，黑色點(diǎn)為所有數(shù)據(jù)點(diǎn)，紅色點(diǎn)為核心點(diǎn)，圓圈定義為半徑Eps領(lǐng)域，綠色箭頭表示為密度可達(dá)生成聚類簇的過(guò)程。從圖5可見算法能發(fā)現(xiàn)任意形狀的聚類簇，能較好地排除噪聲的干擾，聚類結(jié)果不受輸入序列的影響。

圖5 密度可達(dá)生成聚類簇示意圖

DBSCAN算法需要確定兩個(gè)重要的參數(shù)Eps領(lǐng)域和MinPts[12]，參數(shù)的選取不同會(huì)導(dǎo)致不同的聚類結(jié)果。MinPts不能選擇過(guò)大，否則會(huì)導(dǎo)致將領(lǐng)域點(diǎn)的數(shù)據(jù)誤判為噪聲；也不能選擇過(guò)小，否則會(huì)導(dǎo)致核心點(diǎn)數(shù)量過(guò)多，從而將噪聲誤判為簇類里數(shù)據(jù)。同樣Eps領(lǐng)域決定了噪聲在聚類簇中的歸屬，本文采用繪制降序k-距離圖的方法估計(jì)參數(shù)Eps，再根據(jù)每個(gè)點(diǎn)的領(lǐng)域?qū)ο髷?shù)量來(lái)確定MinPts[4,12]。

本文基于特征聚類的TDMA信號(hào)用戶分離的算法流程如圖6所示。

圖6 基于特征聚類的TDMA信號(hào)用戶分離算法流程

3 仿真實(shí)驗(yàn)結(jié)果

3.1 仿真數(shù)據(jù)

仿真實(shí)驗(yàn)條件設(shè)置為：信號(hào)調(diào)制方式為QPSK，分別包含5個(gè)用戶和10個(gè)用戶，用戶時(shí)隙長(zhǎng)約0.586 ms，采樣率fs=12.56 MHz，碼元速率fd=1.024 MHz，載頻fc=3 MHz。分別測(cè)試0 dB和10 dB信噪比條件下的TDMA突發(fā)檢測(cè)、用戶分離算法性能。圖7為0 dB信噪比條件下的時(shí)域波形，其中橫軸代表歸一化時(shí)間，縱軸為信號(hào)幅度。由于噪聲較高，突發(fā)時(shí)隙難以分辨，導(dǎo)致低信噪比突發(fā)時(shí)隙漏檢較高。

圖7 信噪比為0 dB時(shí)TDMA仿真信號(hào)時(shí)域波形圖

從圖7的時(shí)域波形圖中可以看出，在低信噪比下，人肉眼也不容易區(qū)分出突發(fā)信號(hào)，該實(shí)驗(yàn)中信號(hào)總突發(fā)數(shù)為3 495，采用雙窗能量檢測(cè)算法檢測(cè)的突發(fā)數(shù)為1316，能部分檢測(cè)出突發(fā)信號(hào)。采用載波頻偏和突發(fā)功率特征值，圖8(a)為5個(gè)用戶的突發(fā)檢測(cè)分離結(jié)果，其中2個(gè)低功率用戶突發(fā)沒有被檢測(cè)出，功率較大的3個(gè)用戶能成功分離。圖8(b)為10個(gè)用戶的突發(fā)檢測(cè)分離結(jié)果，其中5個(gè)低功率用戶突發(fā)沒有被檢測(cè)出，功率較大的5個(gè)用戶能成功分離。該實(shí)驗(yàn)證明在低信噪比下雙窗能量檢測(cè)算法不能完全檢測(cè)出突發(fā)信號(hào)，但聚類算法能對(duì)檢測(cè)的結(jié)果進(jìn)行正確分離，從分離結(jié)果中可看出，該方法能標(biāo)記出噪聲點(diǎn)、核心點(diǎn)和邊緣點(diǎn)，具備較好的分離性能。

(a) 5個(gè)用戶的信號(hào)分離結(jié)果

圖9為10 dB信噪比條件下的時(shí)域波形，從該時(shí)域波形上能直接分辨出用戶突發(fā)時(shí)隙。采用雙窗能量檢測(cè)算法檢測(cè)的突發(fā)數(shù)為3 494，只漏檢1個(gè)突發(fā)。

圖9 信噪比為10 dB時(shí)TDMA仿真信號(hào)時(shí)域波形圖

同樣采用載波頻偏和突發(fā)功率特征值進(jìn)行用戶聚類，圖10(a)和圖10(b)給出了用戶的分離結(jié)果，可看出正確分離出了5個(gè)用戶和10個(gè)用戶，驗(yàn)證了算法的有效性。通過(guò)分離后的用戶時(shí)隙與實(shí)際用戶時(shí)隙對(duì)比驗(yàn)證，分離準(zhǔn)確率大于96%。

(a) 5個(gè)用戶的信號(hào)分離結(jié)果

3.2 實(shí)際信號(hào)數(shù)據(jù)

實(shí)驗(yàn)采用某方向?qū)嶋H接收的衛(wèi)星TDMA網(wǎng)臺(tái)數(shù)據(jù)進(jìn)行驗(yàn)證，該網(wǎng)臺(tái)包含5個(gè)頻點(diǎn)TDMA信號(hào)，共約12 150個(gè)突發(fā)，突發(fā)信噪比在3～8 dB之間，信號(hào)的時(shí)域波形如圖11所示。

圖11 TDMA實(shí)際信號(hào)時(shí)域波形圖

考慮到不同頻點(diǎn)之間帶來(lái)的特征差異，這里分別對(duì)每個(gè)頻點(diǎn)進(jìn)行突發(fā)檢測(cè)和用戶分離驗(yàn)證。共提取頻域和時(shí)域10維特征，采用分離度較好的突發(fā)功率和載波頻偏特征進(jìn)行聚類，并將數(shù)據(jù)歸一化處理后的分離結(jié)果如圖12所示。結(jié)果表明，各頻點(diǎn)用戶數(shù)為4～5個(gè)，用戶突發(fā)時(shí)隙能夠成功分離，采用主站網(wǎng)控信令時(shí)隙分配信息進(jìn)行對(duì)比驗(yàn)證，各頻點(diǎn)分離準(zhǔn)確性大于90%。

圖12 TDMA實(shí)際信號(hào)用戶分離結(jié)果

4 結(jié) 論

本文主要探討了基于TDMA信號(hào)特征進(jìn)行用戶聚類的信號(hào)分選方法，對(duì)TDMA信號(hào)的檢測(cè)和特征提取進(jìn)行了深入的研究，并基于DBSCAN算法，針對(duì)無(wú)先驗(yàn)知識(shí)的TDMA信號(hào)提出了基于特征聚類的用戶分選方法。在實(shí)驗(yàn)中，首先利用仿真實(shí)驗(yàn)驗(yàn)證了該方法的正確性，并利用實(shí)際數(shù)據(jù)驗(yàn)證了該方法在實(shí)際網(wǎng)臺(tái)的有效性，仿真實(shí)驗(yàn)結(jié)果表明該方法能夠有效檢測(cè)TDMA信號(hào)，能夠正確提取信號(hào)特征，實(shí)現(xiàn)有效的信號(hào)用戶分選。