一種時(shí)頻重疊高斯調(diào)幅通信信號(hào)分離方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及超寬帶無線通信信號(hào)共存于信道中的信號(hào)處理技術(shù)領(lǐng)域，具體涉及一 種單通道時(shí)頻重疊高斯調(diào)幅通信信號(hào)分離的方法。
【背景技術(shù)】
[0002] 超寬帶（ultrawideband, UWB)通信是無線通信領(lǐng)域的一大突破，它基于高帶寬實(shí) 現(xiàn)高速率數(shù)據(jù)傳輸。相比其他無線通信系統(tǒng)，它具有高空間頻譜效率、高測(cè)距精度、低截獲 概率、高抗多徑衰落能力、低功耗、低成本和小體積等諸多優(yōu)點(diǎn)和潛力。在實(shí)際的超寬帶通 信信號(hào)接收中，伴隨著無線頻譜資源的過度使用，信號(hào)會(huì)更為密集，多個(gè)信號(hào)分量往往以時(shí) 頻域重疊的方式存在于共信道中，而大多數(shù)情況下都是單天線信號(hào)接收的，這給后續(xù)信號(hào) 處理帶來了極大的困難，如果需要提取某個(gè)信號(hào)或者研究單個(gè)信號(hào)的特性，就需要對(duì)這類 單通道時(shí)頻重疊信號(hào)進(jìn)行盲分離。
[0003] 從國(guó)內(nèi)外大量的文獻(xiàn)可知，多項(xiàng)式擬合方法[Barbarossa S, Scaglione A, Giannakis G B. Product high-order ambiguity function for multicomponent polynomial-phase signal modeling, IEEE Trans Signal Process,vol.46,Issue 3, 1998, p.691-708]、利用能量算子計(jì)算各個(gè)信號(hào)的幅度和相位的方法[Cai X W，Wei P, Xiao X C. The single channel of time-frequency overlapping signal blind source separation method based on energy operator, China science letter E:information science, 2008,38:607-619]、利用各種不同的時(shí)頻分布估計(jì)參數(shù)方法[Li Μ Z, Zhao H C. Research on parameters extraction of pseudo code phase modulation-carry frequency modulation combined fuse signal based on the adaptive window length of improved B distribution, Acta Armamentarii, 2011，32:543-547]和各種虛擬通道 法等都可以對(duì)單通道時(shí)頻重疊高斯調(diào)幅通信信號(hào)進(jìn)行分離。近年來常用的方法是虛擬通 道法，包括wavelet-ICA和EMD-ICA方法。Hong Hoonbin等對(duì)接收到的混合信號(hào)先進(jìn)行 小波分解，然后對(duì)于得到的分量進(jìn)行ICA處理，將此方法用于機(jī)械故障診斷中去，雖然這 種方法不受信號(hào)類型的限制，對(duì)于單頻率的信號(hào)進(jìn)行分離的效果較好，但是對(duì)于帶寬信 號(hào)不能徹底分離，仍保留了混合信號(hào)的信息，不能很好地分離出各個(gè)源信號(hào)，分離效果不 是很理想[Hong H, Liang M. Separation of fault features from a single-channel mechanical signal mixture using wavelet decomposition, Mechanical Systems and Signal Processing, 2007, 21:2025-2040]。毋文峰等提出利用總體經(jīng)驗(yàn)?zāi)B(tài)分解EMD 將單路混合信號(hào)分解為多個(gè)本征模態(tài)函數(shù)，將本征模態(tài)函數(shù)分量進(jìn)行ICA分離恢復(fù)，將 經(jīng)驗(yàn)?zāi)B(tài)分解EMD-ICA的單通道盲源分離方法用于軸承和齒輪的仿真研究，正確分離出 軸承和齒輪源信號(hào)，此法相對(duì)于時(shí)空法、小波分解法等分離效果明顯提高，然而，對(duì)于頻 譜重疊過多的信號(hào)，每個(gè)本征模函數(shù)分量覆蓋了一個(gè)寬的頻率范圍，致使分離效果不佳 [ffu ff F, Chen X H，Su X J. Blind Source Separation of Single-channel Mechanical Signal Based on Empirical Mode Decomposition, Chinese Journal of Mechanical Engineering, 2011，47:12-16]。在實(shí)際中，對(duì)于特定模型的信號(hào)，可以采用模型估計(jì)的方法 進(jìn)行盲分離，即建立信號(hào)的模型，利用一些估計(jì)方法將模型中信號(hào)的參數(shù)的估計(jì)出來。王世 元等采用參數(shù)估計(jì)的方法解決了原始混沌信號(hào)的盲分離問題，采用一種容積準(zhǔn)則近似該映 射的加權(quán)積分函數(shù)，基于由狀態(tài)空間模型建模的參數(shù)，提出了一種新的參數(shù)估計(jì)，有效實(shí)現(xiàn) 了混沌信號(hào)的重構(gòu)。由于一定要建立合適的狀態(tài)空間模型的缺點(diǎn)，導(dǎo)致該方法不適用于單 通道時(shí)頻重疊高斯調(diào)幅信號(hào)的盲分離[Wang S Y, Feng J C. A novel method of estimating parameter and its application to blind separation of chaotic signals, Acta Phys. Sin.，2012, 61:170508]。張淑寧等提出了基于粒子濾波的單通道正弦調(diào)頻混合信號(hào)的分離 和參數(shù)估計(jì)，針對(duì)正弦調(diào)頻混合信號(hào)頻率無跳變的特征，提出了一種基于粒子濾波的相位 差解混疊算法，并通過源信號(hào)相位差解決了算法中粒子濾波高維狀態(tài)空間降維問題，提出 了一種適合高維狀態(tài)空間的似然函數(shù)模型，比較固定長(zhǎng)度粒子估計(jì)值和真實(shí)值誤差，進(jìn)而 準(zhǔn)確衡量粒子權(quán)重.通過在重采樣后引入MCMC轉(zhuǎn)移，解決了靜止參數(shù)下粒子多樣性降低 問題，有效提高粒子濾波迭代收斂速度，完成對(duì)單通道正弦調(diào)頻混合信號(hào)的參數(shù)提取，并 通過重構(gòu)信號(hào)完成正弦調(diào)頻混合信號(hào)分離[Zhang S N, Zhao H C, Xiong G. Separation and parameter estimation of single channel sinusoidal frequency modulated signal mixture sources based on particle filtering. Acta Phys. Sin.，2014, 63:158401] 〇

【發(fā)明內(nèi)容】

[0004] 本發(fā)明為了解決現(xiàn)有技術(shù)中存在的上述缺陷和不足，提供了一種時(shí)頻重疊高斯調(diào) 幅通信信號(hào)分離方法，能有效地實(shí)現(xiàn)單通道時(shí)頻重疊高斯調(diào)幅通信信號(hào)的分離，該方法是 先建立高斯調(diào)幅通信信號(hào)模型，求出所需要估計(jì)參數(shù)的初始值，利用該方法搜索到各個(gè)所 需估計(jì)參數(shù)的最優(yōu)值，根據(jù)得到的最優(yōu)值恢復(fù)出各個(gè)高斯調(diào)幅源信號(hào)。
[0005] 為解決上述技術(shù)問題，本發(fā)明提供一種時(shí)頻重疊高斯調(diào)幅通信信號(hào)分離方法，包 括以下步驟：
[0006] 步驟一，建立信號(hào)模型，將接收到的混合信號(hào)轉(zhuǎn)換成由若干個(gè)高斯調(diào)幅源信號(hào)組 成，將混合信號(hào)的求解過程轉(zhuǎn)化成求解多維變量參數(shù)的過程；
[0007] 步驟二，采用遺傳算法計(jì)算出多維變量參數(shù)的初始值；
[0008] 步驟三，采用最小值搜索法計(jì)算出多維變量參數(shù)的最優(yōu)值；
[0009] 步驟四，根據(jù)多維變量參數(shù)的最優(yōu)值計(jì)算出各個(gè)源信號(hào)。
[0010] 所述步驟一中，將接收到的混合信號(hào)x(t)轉(zhuǎn)換成由Μ個(gè)高斯調(diào)幅源信號(hào)組成，表 達(dá)式如下：
[0012] 其中，&表示各個(gè)源信號(hào)分量的幅度調(diào)制系數(shù)，t。表示各個(gè)源信號(hào)分量的時(shí)域中 心，《;表不各個(gè)源信號(hào)分量的時(shí)寬，p為各個(gè)源信號(hào)分量時(shí)寬的調(diào)制參數(shù)，義為各個(gè)源信號(hào) 分量的載頻，Θ i表示各個(gè)源信號(hào)分量的初相位。
[0013] 所述步驟二中，設(shè)定多維變量參數(shù)λ的表達(dá)式如下：
[0015] 采用完全隨機(jī)生成m組定長(zhǎng)的二進(jìn)制串作為群體規(guī)模為m的初始種群。參數(shù)λ 中每個(gè)變量的變化范圍為[λ _ λ _]，用q位二進(jìn)制數(shù)ρ來表示，則有：
[0017] 將初始種群的數(shù)據(jù)代入所設(shè)的模型：
[0019] 根據(jù)個(gè)體適應(yīng)值的評(píng)價(jià)函數(shù)1
來判斷多維變量參數(shù)參數(shù)λ的估計(jì) 值與真實(shí)值之間的接近程度，其中\(zhòng)為個(gè)體，X為混合信號(hào)；當(dāng)最大迭代次數(shù)大于等于50 時(shí)，輸出此時(shí)的多維變量參數(shù)λ初始值Χ0;當(dāng)最大迭代次數(shù)小于50時(shí)，個(gè)體進(jìn)行遺傳操 作，得到新的種群后，從而得到一個(gè)新的種群，重復(fù)所述步驟二。
[0020] 所述步驟三中，將多維變量參數(shù)λ的初始值Χ0作為搜索的初始點(diǎn)，利用給定的單 純形的頂點(diǎn)函數(shù)值大小，確定單純形函數(shù)的最高點(diǎn)和最低點(diǎn)，通過的反射、擴(kuò)展及壓縮操作 構(gòu)成新的單純形，當(dāng)估計(jì)值與混合信號(hào)的絕對(duì)誤差Ε小于le-6時(shí)，輸出的解XI為多維變量 λ的最優(yōu)值；
[0021] 絕對(duì)誤差計(jì)算表達(dá)式為Ε = |χζ_χ|，其中，xzS個(gè)體，X為混合信號(hào)；
[0022] 反射、壓縮和擴(kuò)展系數(shù)為a，b，c均為常數(shù)，則反射、壓縮和擴(kuò)展操作分別為：