面向物聯(lián)網(wǎng)終端的動態(tài)多用戶信號盲檢測算法

梁 爽，鄧 江

(1.四川省裝備制造業(yè)機器人應(yīng)用技術(shù)工程實驗室，四川德陽618000;2.電子科技大學(xué)，四川 成都 610054)

1 引言

隨著物聯(lián)網(wǎng)的不斷壯大，其覆蓋率更廣，連接更多，但傳統(tǒng)信號檢測算法是基于傅立葉進行轉(zhuǎn)換，只能在時域或頻域中進行轉(zhuǎn)換，其中多址干擾是信號檢測的一大難題，為有效抑制頻率選擇衰落[1]，提高物聯(lián)網(wǎng)頻率復(fù)用度和系統(tǒng)容量，研究盲檢算法在動態(tài)環(huán)境下的多用戶盲檢算法的性能[2-3]。

凌青[4]等人提出AL-OFDM和SM-OFDM空頻分組碼信號盲檢測算法。該算法根據(jù)不同SFBC-OFDM元素和發(fā)射端信號之間的關(guān)系推導(dǎo)出發(fā)射信號端和接收端SFBC-OFDM信號的相關(guān)特性，最后利用峰值檢測算法實現(xiàn)多用戶信號盲檢測。該算法在信號盲檢測前沒有對初始信號進行預(yù)處理，無法填補或刪除缺失信號，使得盲檢時間過長，降低了檢測效率。梁濤[5]等人提出基于自適應(yīng)分割的多跳頻信號盲檢測算法。該算法通過分析當(dāng)前跳頻突變通信信號的統(tǒng)計特性，并構(gòu)建出高階分段平穩(wěn)的模型，將自適應(yīng)分割算法推導(dǎo)到高階，同時應(yīng)用于多個跳頻突發(fā)信號盲檢測和自適應(yīng)提取中，實現(xiàn)多用戶信號盲檢測，該算法未重構(gòu)信號子空間，無法確定出近似真實的信號空間，只能粗略的檢測信號，進而降低了信號盲檢成功率。徐偉[6]等人提出斜投影信號盲檢測算法，該算法采用交替斜投影空域濾波技術(shù)將陣列接收信號拆分為單信號群組，在每個單信號群組內(nèi)進行DOA和波形聯(lián)合評估，實現(xiàn)多用戶信號盲檢測，該算法未采用特征選擇和小波去噪的方法排除初始信號中的冗余數(shù)據(jù)，導(dǎo)致物聯(lián)網(wǎng)信號中的干擾因素過多，存在盲檢檢測概率低的問題。

為了解決上述問題，提出面向物聯(lián)網(wǎng)終端的動態(tài)多用戶信號盲檢測算法。

2 物聯(lián)網(wǎng)終端多用戶信號的預(yù)處理

在構(gòu)建物聯(lián)網(wǎng)信號時，由于各種外界因素導(dǎo)致信號缺失而產(chǎn)生大量“臟信號”[7]。這些“臟信號”會增加檢測信號的預(yù)算和時間，因此在信號檢測前需要對信號進行預(yù)處理。

2.1 物聯(lián)網(wǎng)信號修復(fù)

當(dāng)缺失單點信號或缺失信號間隔極小時，可通過線性插值法修復(fù)缺失信號[8]，其表達(dá)式為

yk+i=[(xk+j-xk)×i]/j+yk

(1)

其中，yk+i代表第k+i時刻信號缺失時信號的質(zhì)量參數(shù)，xk代表第k時刻收集的信號質(zhì)量參數(shù)值，xk+j代表第k+j時刻收集的信號質(zhì)量參數(shù)值。

當(dāng)存在少量連續(xù)丟失的信號時，可利用相似信號填補缺失信號，當(dāng)存在大量連續(xù)丟失信號時，無法進行填補，只能將此段信號丟棄掉。

由于信號具有時序和延續(xù)特性，因此難以出現(xiàn)波動較大的情況，當(dāng)某段信號出現(xiàn)較大波動，且不在可控范圍內(nèi)，可認(rèn)為此時的信號測量有誤，需重新進行勘測。所以在收集信號過程中，應(yīng)當(dāng)多次與歷史信號及可控范圍信號進行比較，一旦發(fā)現(xiàn)信號出現(xiàn)較大偏差應(yīng)立即刪除并重新勘測。若完成所有信號測量后發(fā)現(xiàn)其中一段信號出現(xiàn)偏差，可利用均值平滑法將此段信號刪除并進行填補，其公式如下所示

yk=(yk+1+yk-1)/2

(2)

其中，yk代表k時刻填補的信號質(zhì)量參數(shù)值，yk+1代表第k+1時刻的信號質(zhì)量參數(shù)值，yk-1代表第k-1時刻的信號質(zhì)量參數(shù)值，且|yk-yk-1|≥yk-1×0.1。

2.2 特征選擇

在選取信號特征集之前，可通過信號歸約法分析出物聯(lián)網(wǎng)終端信號因子之間的關(guān)系再進行選取[9]，因為此方法可排除信號間的多重共線性，并挑選出信號的關(guān)鍵因子，并以此提出有效建議，結(jié)合信號歸約方法中的系統(tǒng)聚類法及主成分分析法進行篩選，由于收集物聯(lián)網(wǎng)終端信號的環(huán)境極為復(fù)雜，結(jié)合兩種方法挑選特征集并進行比較分析，可加強關(guān)鍵因子的可靠性。則系統(tǒng)聚類法及主成分分析法的步驟分別是為。

1)系統(tǒng)聚類法

檢測出信號中的缺失值，實施刪除及填補等處理，實現(xiàn)信號的標(biāo)準(zhǔn)化處理[10]。通過相關(guān)系數(shù)法度量信號因子變化與相關(guān)因子變量間的相似性。采用類平均法聚類分析信號變化中的相關(guān)因子變量判別出因子類別。在所有類別中挑選出最具代表的因子，將此因子當(dāng)成影響信號的關(guān)鍵因子。

2)主成分分析法

主成分分析法的原理就是利用信號矩陣找出信號間的線性關(guān)系實現(xiàn)信號篩選[11]。首先修復(fù)缺失信號、刪除信號或替換信號，實現(xiàn)信號標(biāo)準(zhǔn)化，計算各個關(guān)鍵因子的相關(guān)系數(shù)，其計算矩陣公式如下所示

(3)

求解出相關(guān)矩陣的特征值，其表達(dá)式為

(4)

其中，A代表信號域P上的一個矩陣，λ代表信號特征值，IP代表單位矩陣，λP代表信號域P上的一個特征值，X代表矩陣A的相應(yīng)子特征值的特征向量，b代表信號特征根。

最終運算出信號的可利用率與累積利用率，其公式如下所示

(5)

bj值越大代表信號中的主成分越多，可更加精準(zhǔn)提取信號的特征信息。

最終運算出主成分載荷矩陣，挑選出信號改變的關(guān)鍵影響因子，其表達(dá)式如下所示

(6)

其中，αji代表第j個變量對第i個信號的累積利用率，lji代表標(biāo)準(zhǔn)正交化特征向量。

2.3 小波降噪

在獲取物聯(lián)網(wǎng)多用戶信號時，由于多址干擾的因素導(dǎo)致信號被污染，因此需要對信號進行降噪處理，將信號進行降噪的辦法有很多種，其中小波變換的降噪方法不僅可以概括出信號在頻率域內(nèi)的變化情況，還可以辨別出信號發(fā)生突變的準(zhǔn)確時間，且此降噪方法在降噪的同時可以完整保存信號中的主成分，體現(xiàn)出此方法的局部化優(yōu)越性能，因此利用此方法可以確保信號的精準(zhǔn)度，提高信號檢測率。小波降噪首先選取一系列小波基小波分解初始數(shù)據(jù)，如圖1所示。

圖1 小波分解示意圖

選取出小波基相對應(yīng)的閾值，并對第一層到第三層的高頻系數(shù)進行軟閾值量化處理。重構(gòu)小波分解的第三層高頻系數(shù)及閾值量化的高頻系數(shù)形成新的信號。并運算出經(jīng)過小波降噪后各個因子的信噪比及均方根誤差，其表達(dá)式為：

(7)

2.4 特征選擇及小波降噪的信號預(yù)處理

選取物聯(lián)網(wǎng)終端多用戶信號的特征時，需要排除對信號影響較小的關(guān)鍵因子，以此降低信號維度，降低信號檢測難度，提高信號的準(zhǔn)確性。再通過小波去噪將信號關(guān)鍵因子進行降噪，關(guān)鍵因子降噪的效果優(yōu)劣直接影響到最終的檢測效果，將關(guān)鍵因子準(zhǔn)確去噪即可提高信號檢測精度，縮短檢測時間。則利用特征選擇和小波去噪的信號預(yù)處理辦法的過程為：

1)通過均值平滑法修改異常信號或通過線性插值法修復(fù)缺失信號。

2)將信號進行標(biāo)準(zhǔn)化處理后，運算出相關(guān)因子變量的相似性，并明確出關(guān)鍵因子的數(shù)量，基于聚類分析法精確區(qū)分出類別，并在其中挑選出關(guān)鍵因子。

3)采用已修復(fù)的信號求解出信號的相關(guān)系數(shù)矩陣、特征值和各個因子的利用率，并在主成分分析法中載荷矩陣的基礎(chǔ)上挑選出關(guān)鍵因子。

4)對比并分析兩種分析法求出的關(guān)鍵因子，正常情況下，兩種方法獲取的因子應(yīng)極為相似，若偏差較大，則重新運算。

5)將通過驗證后獲取的關(guān)鍵因子進行小波分解，并通過去噪原理消除因子內(nèi)的噪聲。

6)經(jīng)去噪后獲取的關(guān)鍵因子即所要求的待檢測的新信號。

上述經(jīng)過的流程圖如圖2所示。

圖2 重構(gòu)物聯(lián)網(wǎng)多用戶信號示意圖

3 信號檢測算法

經(jīng)過對初始信號的特征選取和小波去噪等預(yù)處理得到無缺失，無污染的完整信號，將此信號利用下列算法進行檢測。

此算法結(jié)合重復(fù)時間內(nèi)相同信號重復(fù)輸送的特性[12]，因此可合并重復(fù)時間段內(nèi)的子幀同時接收譯碼，以此提高物聯(lián)網(wǎng)終端解調(diào)增益，其過程為。

1)基于高層協(xié)議棧的參數(shù)要求，將搜索空間中子幀k0當(dāng)做起點，抽取出目前子幀信號，并實現(xiàn)解資源的映射。假如已經(jīng)實現(xiàn)物聯(lián)網(wǎng)系統(tǒng)定時同步、頻偏預(yù)測及補償，則解資源映射后的信號ri(i)的表達(dá)式為

(8)

式中，sj(i)代表搜索空間中第j個子幀上映射的第i個信號，且N≥i≥1，N代表目前子幀信號資源映射的RE數(shù)，Rmax≥j≥1，Rmax代表最大重復(fù)次數(shù)或搜索空間時域大小。

計算重復(fù)時間段中第一個子幀信號和第2、3、4子幀之間關(guān)系，其表達(dá)式為

(9)

式中，t代表搜索空間中重復(fù)時間段中的索引值。

將上述三個關(guān)系式根據(jù)AND準(zhǔn)則進行合并，并按照結(jié)果識別目前重復(fù)時間段內(nèi)是否含有傳輸信號，識別公式為

(10)

及

(11)

式中，η*代表一次相關(guān)閾值的運算。

2)選取另外一個重復(fù)時間段信號并進行1)操作，則t=1+t，假如另一個重復(fù)時間段剛好在NPDCCH中最小的傳輸單元，并將此點當(dāng)做起始點，此時必須重新初始化k=0。

3)設(shè)置k=k+1，并合并目前重復(fù)時間段t中的4個子幀信號，信號合并后的表達(dá)式為

(12)

式中，αj代表合并后的信號系數(shù)。

將信號合并后對其進行解調(diào)及解憂處理，并存儲經(jīng)過解憂后的信號Bt，k(i)，結(jié)束上述操作后判別當(dāng)前k值大小，若k≠1，則進行下一步，若k=1則直接進行第5)步。

4)求解出信號Bt，k(i)和信號[Bt，k(i)]k=1之間的關(guān)系，其表達(dá)式為

(13)

并利用識別公式判斷目前重復(fù)時間段t是否有信號，其公式為

(14)

式中，φ代表二次相關(guān)閾值。

若此時間段內(nèi)存在信號，則進行下一步，若不存在，則返回第二步重新進行運算并判斷。

5)Viterbi譯碼解憂信號，并利用對應(yīng)的RNTI驗證CRC，若驗證成功，則盲檢成功，若驗證失敗，需要識別搜索空間中的全部子幀信號是否檢測完成，若未檢測完成，重新進行第一步操作，若檢測完成，說明此次信號盲檢失敗。

4 實驗與結(jié)果

為了驗證所提算法的整體有效性，對面向物聯(lián)網(wǎng)終端的動態(tài)多用戶信號盲檢測算法、文獻[4]算法、文獻[5] 算法進行盲檢時間、盲檢成功率和盲檢檢測概率進行測試，實驗環(huán)境如表1所示。

表1 實驗環(huán)境

4.1 盲檢時間

由圖3中的數(shù)據(jù)可知，在不同環(huán)境下多次比較所提算法、文獻[4]算法和文獻[5]算法的盲檢時間，無論何種環(huán)境所提算法時間消耗不僅低于其它兩種算法，且盲檢時間平穩(wěn)，而其它兩種算法的盲檢時間較高，波動較大，因為所提算法在信號盲檢測前對初始信號進行了預(yù)處理，填補缺失信號或刪除了缺失數(shù)據(jù)，減少了盲檢時間，提高了檢測效率。

圖3 不同算法的盲檢時間

4.2 盲檢成功率

比較三種算法的盲檢成功率可直接反應(yīng)出算法的優(yōu)劣，在進行信號盲檢時，信噪比決定盲檢的成功率，信噪比越高，盲檢成功率越高，分析圖4可知，在不同信噪比下的盲檢成功率均不相同，所提算法和其它兩種算法相比，其盲檢成功率無論在哪種信噪比下成功率都是最高的，因為所提算法通過重構(gòu)信號子空間，確定近似真實的信號空間，更加準(zhǔn)確的進行信號檢測，提高了信號盲檢成功率。

圖4 不同算法的盲檢成功率

4.3 盲檢檢測概率

為驗證所提算法是最接近理論檢測概率，對比三種算法在不同峰值信噪比下的信號盲檢概率，由圖5可知，所提算法的盲檢檢測概率不同程度的高于其它兩種算法的檢測概率，因為所提算法利用特征選擇和小波去噪的方法排除初始信號中的冗余數(shù)據(jù)，減少信號中的干擾因素，使得盲檢概率更加接近理論概率。

圖5 三種算法盲檢檢測概率

5 結(jié)束語

針對當(dāng)前算法的不足，提出面向物聯(lián)網(wǎng)終端的動態(tài)多用戶信號盲檢測算法。該算法利用去噪、降維信號預(yù)處理的方法重構(gòu)信號，并采用信號相關(guān)算法進行信號盲檢。經(jīng)試驗表明，所提算法盲檢時間短、盲檢成功率高和盲檢檢測概率高。此算法中仍有部分外界因素干擾檢測概率，接下來將進一步排除其中的干擾因素，提高盲檢概率。