一種對無人機通信鏈路中擴頻信號識別改進方法

涂 航，熊 剛

（1.海軍參謀部，北京 100841；2.中國電子科技集團公司第三十研究所，四川 成都 610041）

0 引言

隨著智能化新技術的發展，無人機在民用和軍事領域中具有廣闊的應用前景。無人機通信鏈路包括下行的圖傳與上行的遙控鏈路，是無人機實現測控信息傳輸的重要通道。地面控制站相當于無人機系統運行的核心大腦，而無人機遙控鏈路發揮著關鍵的控制指令發送作用[1]。無人機通信鏈路示意圖如圖1 所示。

圖1 無人機通信鏈路

無人機通信鏈路信號樣式有正交相移鍵控（Quadrature Phase Shift Keying，QPSK）調制信號、16 正交幅度調制（Quadrature Amplitude Modulation，QAM）信號等。近年來，因為擴頻信號具有抗多徑性能良好、傳輸速率高、抗截獲等特點，已經成為了無人機遙控鏈路的一種重要信號樣式[2]。全球無人機市場占有率最高的大疆系列消費級無人機大量采用了直接序列擴頻（Direct Sequence Spread Spectrum，DSSS）信號作為其通信方式；軍用無人機如外軍的通用數據鏈（Common Data Link，CDL）、戰術通用數據鏈（Tactical Common Data Link，TCDL）等也選取了DSSS 擴頻信號方式，可為系統提供較強的抗截獲性能。

由于擴頻信號對于無人機通信的重要性，與之相應的信號識別技術成為了監測和對抗領域重要研究課題。在當前日益復雜的電磁環境里，信號紛繁，種類較多，擴頻信號識別是后續還原無人機遙控鏈路傳輸信息的前提[3]。然而，一方面，在非合作情況下可得的目標先驗信息較少，屬于盲處理范疇；另一方面，擴頻信號有時湮沒在背景噪聲里，為信號識別帶來了挑戰。傳統的信號處理方法對DSSS 擴頻信號的分析識別并不太理想[4]，因此引起了許多學者和研究機構的關注。文獻[5]分析了根據時域能量識別擴頻信號的方法；但是需在較高的信噪比條件下才能使用，對于功率微弱的DSSS 擴頻信號處理效果并不是很理想[5]。文獻[6]中描述了一種基于頻域譜分析的識別思路，該方法對信號頻譜估計的要求較精準，否則提取的頻域特征不穩定，在實際的復雜電磁環境中難于識別擴頻信號[6]。文獻[7]的方法是通過對信號六階矩的特征計算判別擴頻信號，并區分出其與QAM 信號和相移鍵控（Phase-Shift Keying，PSK）信號，不需要很高的信噪比條件；但該思路的運算量大，處理資源開銷多，不利于實際中快速識別應用[7]，還須采用新的算法思路。

針對上述問題，本文提出一種無人機通信鏈路中擴頻信號識別改進方法。該方法首先通過可調節步長的自適應濾波實現對復雜干擾的抑制，其次結合對擴頻信號的多重相關累積特征的提取分析，最后以期得到更好的識別效果。

1 擴頻信號分析原理模型

無人機在空中飛行進行通信時，遙控鏈路中DSSS 擴頻信號的信噪較低，需要從實際的強噪聲背景中判斷出信號是否存在，并對信號的載頻、帶寬等參數進行估計，然后經過下變頻和濾波抽取等處理，得到基帶信號。DSSS 擴頻通信收發傳輸原理模型如圖2 所示。

圖2 擴頻DSSS 通信收發傳輸原理模型

DSSS 信號的數學模型可表示為：

且有：

式中：p表示擴頻信號的功率；d(t)表示擴頻碼序列；Tc為信息碼周期；fc表示載波頻率；θ表示信號相位，初相位通常為0；t表示時間；下標c表示載波；下標d表示延時；g(t)表示碼元脈沖成型函數；dn表示原始信息碼。

在參數估計的過程中，可先用改進的Welch 譜估計思路進行頻率的粗估計，通過對信號序列數據分段，計算每段的周期圖，然后進行平均以獲得估計值。相對于根據單個周期圖的估計，此方法可減小估計值的方差。在初步的頻率分析估算后，還可采用四次方譜算法開展對頻率的精估計，對于DSSS 擴頻信號、二進制相移鍵控（Binary Phase Shift Keying，BPSK）調制和QPSK 調制信號，都能得到估計結果。可由式（4）計算出頻率fc精確估值(fc)fine為：

式中：peak(·)表示取峰值；fft表示對信號進行傅里葉變換；y表示DSSS 信號量。

此外，還可估計出其他參數，包括符號周期、定時偏移等，對于擴頻信號還可以進一步估計擴頻碼序列從而解擴，最后可對信號解調進行信息恢復。

擴頻碼具有周期性，并且信號擴頻碼序列的統計特性與白噪聲近似，所以相關值也會呈現明顯的周期性峰值，而對于常規的調制信號，僅可能在相關域平面的中心位置處出現最高峰，且其相關峰不會有周期性，因此根據擴頻相關性質能夠對信號進行識別。DSSS 信號相關峰計算原理模型如圖3 所示。

圖3 擴頻信號相關運算模型

擴頻信號延遲相關譜可根據圖3 模型得到。延遲相乘信號r(t)的表達式為：

式中：τ表示延遲量。

式中：δ(t)表示脈沖沖激響應函數。

然后進行FFT 變換得到信號相關譜，并可從中產生的譜線為：

根據式（7），在碼速率n倍位置處存在相關譜的譜線，在對無人機通信鏈路中擴頻信號識別時可以利用此特征。考慮到無人機采取了寬帶通信傳輸方式，在信號處理實際應用中需要滿足過采樣條件，Rc為擴頻碼速率，則采樣率fs應?。篺s≥10Rc。設信號y(t)經過模數轉換ADC 采樣離散化后為y(n)，可得無人機擴頻信號相關譜的連續部分為：

式（8）中含有多個基于擴頻碼速率的譜線，從而可針對性地進行有效搜索判識。

2 新改進識別算法分析

為了消除在無人機信號識別中干擾及噪聲的影響，需要對信號進行濾波。面臨復雜的電磁環境中存在的許多較大的背景干擾，可采取基于自適應濾波的處理思路[8]。自適應濾波算法中應用較廣泛的是最小均方誤差（Least Mean Square，LMS）算法，可在信噪比相對較低情況下抑制干擾，結構易于實現[9]；但傳統思路因為采取恒定的步長因子，導致收斂速度慢，穩定性較差[10]。本文在此處引入一種可調節步長的改進LMS 方法，可提高收斂速度，并使誤差得到優化，增強了對干擾噪聲的抑制效果，魯棒性強。對于待處理的信號s(t)的表達式為：

式中：A表示幅度因子，A=1；r(t)表示延遲相關信號，τ=0 時延遲為0；i(t)表示干擾分量；z(t)表示噪聲分量。式（9）的歸一化離散采樣形式為：

式中：s(n)、r(n)、i(n)、z(n)是相互獨立的序列。

s(n)還可用線性回歸模型進行表示，即為：

式中：z(n)為高斯噪聲，均值為0，均方差為；w(n)為權系數向量。設權向量值的偏差為v(n)，e(n)為系統誤差，v(n)與r(n)獨立，基本的自適應濾波權向量更新表達式為：

式中：μ表示步長因子。

設r(n)的維數為M，峰度因數為k，即自適應濾波器的階數。權值偏差的更新表達式為：

設為r(n)的均方差，通常μ值一般較小，有：(M+k-1)＜＜2

在實際中k＞1，可得：

從而得出步長因子最大取值有：

在可調節步長的思路中，可采用最小相關譜能量誤差形式實現步長因子的更新，并逼近達到理想步長的調整匹配目標。設初始步長因子為μ0，改進算法中初始的變步長因子應大于傳統LMS 算法，使得算法收斂速度快。在干擾信號的濾除過程中，變步長因子迅速達到穩定值。合理的步長取值范圍應為μmin～μmax，其中誤差最小變化量Δe(n)min為：

在自適應濾波過程中，對權系數向量首先進行初始化設置。設權向量的維數為M，誤差信號e(k)的頻域變換為E(k)，sign(·)表示取符號函數，Var(·)表示取方差函數，L表示輸入數據塊長度。變步長因子的計算表達式為：

對于相關譜進行最小均方誤差LMS 計算，進行權向量的更新，反復迭代，直至實現完全消除干擾。

可調節步長的LMS 方法在不同輸入信噪比下的信噪比優化因子如表1 所示。

表1 LMS 算法在各輸入信噪比下的優化因子

下面分析基于多重相關累積的思路，進一步降低通信鏈路環境中的噪聲影響，取得更好的抗噪效果。該方法充分拓展了傳統思路，得到更強的相關性能，抑制干擾信號，有利于從復雜背景中識別出微弱信號，使得算法提取出的特征更穩健。本文改進的多重相關累積算法結構如圖4 所示。

圖4 改進的多重相關累積算法結構

信號的相關譜函數分析式為：

設加窗長度為M，則相關譜累積函數的二階矩為：

并可得：

對加窗處理后的信號求取均值平滑，再對擴頻信號相關譜的譜線變化進行分析，譜線之間的間隔是相同的，且都出現擴頻碼速率的倍數周期位置。當存在多個信號的情況時，DSSS 信號的相關峰能量將和其它信號的疊加，導致在相關結果圖的中心位置的幅度達到最大，這主要是由其它類型調制信號性質造成的，DSSS 信號在該位置的相關峰幅值小于QPSK 信號和16-QAM 信號，但DSSS 信號存在非中心位置處周期性的相關譜線，QPSK 信號、16-QAM 信號卻不具有。多信號情況時的相關譜峰如圖5 所示。

圖5 信號多重相關峰（DSSS+QPSK+16QAM）

對中心位置相關峰幅度減小，并放大非中心位置處的信號各相關峰譜線，如圖6 所示。

圖6 多重相關峰非中心位置處

由于中心峰值的相對較大強度，為了更好地選擇識別閾值，因此需要抑制τ=0 處的峰值，從而進一步提高了魯棒性。此外，與DSSS 信號的相關峰值相比，其他類型信號的循環相關處理結果僅有一個峰值幅值較大，且最高峰值在相關平面上以τ=0為中心。

對DSSS 擴頻信號和QPSK 信號、16-QAM 信號分類識別的示意圖如圖7 所示。QPSK 信號和16-QAM 信號都不存在多重相關譜線。

圖7 DSSS 信號與QPSK 信號的識別分類

下面對無人機通信鏈路中擴頻信號識別改進的思路步驟進行概述：

（1）對接收采樣信號延遲相乘，并進行自適應濾波處理。即求取信號與其在延遲τ下的乘積得到擴頻碼速率，從而可在碼速率位置處開展對峰值的快速搜索，并通過可調節步長的LMS 算法實現對干擾噪聲的有效抑制；

（2）對步驟（1）的計算輸出結果進行分段相關計算，即可先分為n段，設信號輸入序列總長度為N，則，M為相關譜的窗長度，然后求取出分段相關累積的結果；

（3）根據多重相關特性實現噪聲的進一步抑制，捜索求取R(τ)各分段相關的累積最大值，將大于閾值的峰值點以及延遲τ的位置進行記錄，并判斷τ的間隔是否相等。滿足上述條件時，即可識別出DSSS 信號。

圖8 DSSS 信號與16-QAM 信號的識別分類

3 仿真分析

對本文改進算法進行MATLAB 仿真試驗驗證。仿真參數設置為：接收的無人機擴頻信號采樣率為200 MHz，載頻為60 MHz，擴頻碼速率為10 Mb/s，樣本點數取為8 192，擴頻碼為M 碼序列。Monte Carlo 仿真次數為1 000 次。選用過去的一些思路包括基于頻域分析的識別方法、基于六階矩特征的識別法和本文新改進方法進行比較，識別性能曲線如圖9 所示。

圖9 本文新算法和過去算法的性能比較曲線

對圖9 分析可得出，本文的新算法可實現對DSSS 信號的正確識別，且在低信噪比條件下，新方法的檢測效果相對優于過去的方法，性能獲得了提高。

4 結語

本文對無人機通信鏈路中擴頻信號有效識別是信號監測研究中受到最新廣泛重視的問題，在對過去的一些方法開展改進的基礎上，設計拓展實現新的算法思路。該算法是一種基于可調步長自適應濾波和多重相關累積特征的識別算法。新改進思路具有良好的抗噪性，無需先驗信息，收斂速度快，適用于實際應用環境中對無人機鏈路中DSSS 擴頻信號的高效處理。此外，仿真試驗驗證了新方法的性能，比起過去的一些思路具有更高的識別率，魯棒性好，且計算量相對較小，可為擴頻信號分析識別提供一種更實用的手段，并對通信信號監測技術領域的研究貢獻力量。