未知频偏下直扩信号的扩频序列估计

基于谱相关的直扩信号载频及伪码速率估计技术王钢;江东【摘要】将谱相关理论应用到直接序列扩频信号的关键参数估计中,针对BPSK调制的直扩信号,分析了其谱相关密度函数的特征,提出了基于集平均的谱相关估计算法.该算法在非零循环频率上搜索特征谱线,从而在较低信噪比下完成对直扩信号载频和PN码速率的估计.最后通过仿真验证了该算法的性能.【期刊名称】《现代电子技术》【年(卷),期】2006(029)013【总页数】4页(P23-25,28)【关键词】DSSS;参数估计;循环谱;谱相关【作者】王钢;江东【作者单位】哈尔滨工业大学,通信技术研究所,黑龙江,哈尔滨,150001;哈尔滨工业大学,通信技术研究所,黑龙江,哈尔滨,150001【正文语种】中文【中图分类】TN914.421 引言直接序列扩频(DS) 通信具有低截获、抗干扰能力强、抑制多径效应、安全、保密隐蔽性好、可实现码分多址等优点。

扩频信号隐藏于噪声之中，在非合作通信中难于检测。

即使检测到了扩频信号但不知道发方的PN码，也很难恢复原有信息。

因此，研究相对应的对抗技术显然具有重大意义。

对信号的检测[1]和参数的提取有多种方法，其中谱相关理论由于自身的特点使其具有很好的研究价值。

本文就是应用谱相关理论，对基于BPSK调制的直接序列扩频信号进行研究。

并根据工程实际，假设一个周期的PN码同步调制一位信息位。

2 直扩信号谱相关特征分析谱相关理论是将信号建模为周期或准周期平稳过程[2,3]，这种建模更符合当代通信信号的特性，在这种理论中引入了一个参量α，即循环频率，使信号的频域分析不仅仅局限在一般的谱频率f上，同时结合α截面，使信号的隐含特征显现出来，反映了信号在频域上的相关特征，能提取的特征更加丰富,此理论请参阅文献[4]。

DS信号的接收模型可表示为[5]：y(t) =x(t)+n(t)(1)其中：x(t)和n(t)分别是信号和噪声，As为接收信号的幅度，q(t)为调制脉冲串，Tp为码片时宽，其倒数为PN码速率fp=1/Tp，fc为载频，t0是初始时间，φ0是初相，θn为扩频码序列，取值为+π或-π。

直扩信号检测与参数估计研究的开题报告一、研究背景直扩信号广泛应用于无线通信系统中，尤其是在CDMA系统中，具有良好的性能和可靠性。

直扩信号的特点是带宽宽度大，频谱难以区分。

如何检测和参数估计直扩信号是无线通信系统研究中的一个重要问题。

针对这个问题，本文将从直扩信号的检测和参数估计两方面展开研究，提高无线通信系统的性能和可靠性。

二、研究目的本文旨在研究直扩信号的检测和参数估计技术，提出一种高效、准确的算法。

主要研究内容包括：1. 对直扩信号的基本知识进行研究，包括直扩信号的产生原理、调制方式、频谱分析等。

2. 研究直扩信号的检测算法，包括单符号检测、多符号检测和协方差检测等算法，并比较其性能。

3. 研究直扩信号的参数估计算法，包括扩频码序列估计、符号定时估计和频偏估计等算法，并比较其性能。

4. 在MATLAB平台上，实现所研究算法的仿真，验证算法的有效性和可靠性。

三、研究方法1.文献调研：对直扩信号的基本知识和相关研究论文进行调研，了解已有的研究进展和结论。

2.理论分析与建模：基于研究现状和调研结果，对直扩信号的检测和参数估计进行理论分析，并建立相应的模型。

3.算法设计：基于理论分析和建模结果，设计直扩信号的检测和参数估计算法，并与已有算法进行比较和优化。

4.算法仿真：在MATLAB平台上，对所研究的算法进行仿真，并对仿真结果进行分析和验证。

四、研究意义直扩信号的检测和参数估计在无线通信系统中具有重要的应用价值，本文所研究的算法可以提高无线通信系统的性能和可靠性，具有较强的实用性和推广价值。

此外，本文还可以为相关领域的研究提供借鉴和参考。

五、研究进度安排1. 文献调研：2021年11月-2022年1月2. 理论分析与建模：2022年2月-2022年4月3. 算法设计：2022年5月-2022年7月4. 算法仿真：2022年8月-2022年10月5. 论文撰写和修改：2022年11月-2023年1月六、预期成果1. 发表一篇具有一定学术价值的学术论文。

基于信号子空间的直接序列扩频信号波形估计方法直接序列扩频（DS-SS）技术是一种常用的调制技术，它将数据序列直接乘以一个扩频序列以进行调制。

DS-SS信号的主要特点是具有宽带性和低功率密度，因此在许多应用中被广泛使用，如无线通信、雷达和卫星通信等。

在DS-SS系统中，波形估计是一个重要的问题。

波形估计是指通过已经接收到的信号来估计发送端发送的原始扩频信号的波形。

准确的波形估计可以提高系统的性能，包括误码率和系统容量。

信号子空间方法是一种常用的波形估计方法，它通过信号在接收端的接收到的数据矩阵进行奇异值分解（SVD）来估计信号的波形。

信号子空间方法的主要优点是可以在低信噪比（SNR）条件下实现准确的波形估计。

信号子空间方法的基本思想是假设扩频信号由一个信号子空间和噪声子空间组成。

信号子空间由发送端发送的原始扩频信号构成，噪声子空间由信道噪声和干扰信号构成。

通过对接收到的数据矩阵进行SVD，可以得到信号子空间对应的奇异值矩阵。

然后，根据奇异值矩阵的性质，可以估计出原始扩频信号的波形。

具体来说，信号子空间方法可以分为两个步骤：信号子空间估计和波形估计。

在信号子空间估计步骤中，首先构造接收到的数据矩阵，并对其进行SVD分解。

然后，选择前r 个最大奇异值对应的左奇异向量构成信号子空间的估计。

在波形估计步骤中，将信号子空间的估计与接收到的数据矩阵相乘，可以得到波形估计值。

尽管信号子空间方法在低SNR条件下具有较好的性能，但它也存在一些限制。

信号子空间方法对载波频偏和多径干扰比较敏感，这可能导致波形估计的误差。

信号子空间方法在高信噪比条件下的性能较差，因为此时噪声子空间的影响会增加。

为了改进信号子空间方法的性能，一些研究工作提出了一些改进方法。

利用多假设波形估计方法可以提高波形估计的准确性。

研究人员还提出了基于统计建模的方法，如最大似然估计和最小均方误差估计，来降低噪声和干扰对波形估计的影响。

长码直扩信号扩频序列估计赵知劲;李淼;吴金沂【摘要】针对扩频序列周期不为信息码宽整数倍的多用户周期长码直扩信号，提出一种基于平行因子的长码直扩信号扩频序列估计方法。

将周期长码直扩信号建模为缺失的短码直扩信号模型，利用插补法和交替三线性分解（ ATLD）迭代算法估计扩频序列，在此基础上利用直接三线性分解（ DTLD）算法设置初始矩阵，大大提高了多用户周期长码直扩信号的扩频序列估计性能和速度。

%When the PN code period isn't an integer multiple of the width of information code , the spread spectrum code estimation algorithm based on PARAFAC algorithm of long-code DSSS signal of multi-users is presented .Firstly the long-code DSSS signal is modeled as missing short-code DSSS signal .And then the imputation method and the alternating trilinear decomposition ( ATLD) algorithm are utilized to estimate the spread spectrum code of the long-code DSSS signal .Lastly the direct trilinear decomposition ( DTLD) algorithm is used to initialize the matrices .The performance and speed of the spread spectrum code estimation algorithm of the long-code DSSS signal of multi-users are greatly improved .【期刊名称】《杭州电子科技大学学报》【年(卷),期】2015(000)002【总页数】4页(P1-4)【关键词】长码直扩;扩频序列;交替三线性分解;直接三线性分解;平行因子【作者】赵知劲;李淼;吴金沂【作者单位】杭州电子科技大学通信工程学院，浙江杭州310018;杭州电子科技大学通信工程学院，浙江杭州310018;杭州电子科技大学通信工程学院，浙江杭州310018【正文语种】中文【中图分类】TN914.42在非合作通信中，对于周期长码直扩信号(Long Code Direct Sequence Spread Spectrum， LCDSSS)，当扩频序列周期不为信息码元宽度整数倍时，扩频序列估计难度极大。

基于最小二乘的同步多用户非周期长码直扩信号扩频序列估计张天骐;强幸子;马宝泽;王俊霞【摘要】针对低信噪比下同步多用户非周期长码直扩信号的扩频序列估计问题,提出了一种基于嵌套迭代最小二乘投影算法的扩频序列估计方法.首先,将同步多用户非周期长码直扩信号等效为含有缺失数据的相应的短码直扩信号.然后,利用最大似然估计理论对相应的短码直扩信号进行数学分析,构建扩频序列估计的数学模型.最后,利用一种嵌套迭代最小二乘投影算法来实现扩频序列的估计.研究表明,该算法在低信噪比(小于-10 dB)情况下,对多用户(多达10路)扩频序列的估计有着良好的性能表现.%This paper studies the problem of estimation of the spread-spectrum sequence for low SNR synchronous multi-user long-code direct sequence spread spectrum (DSSS) signals.An estimation approach of spread-spectrum sequence based on a nested iterative least squares with projection (NILSP) algorithm is presented.First,The synchronous multi-user long-code DSSS signals is constructed as the shortcode ones with missing data.Then the mathematical analysis for the short-code ones with missing data is done based on the theory of maximum likelihood estimation (MLE) to establish a mathematical model of spread-spectrum sequence.After that,the spread-spectrum sequence is estimated by a NILSP algorithm.The theoretical analysis and simulations show that,the proposed algorithm always has a good performance for estimation of multi-users' (more than 10 users) spread-spectrum sequence in low-SNR (lower than-10 dB) scenarios,and under the same conditions,the longer the data size,the better the performance.【期刊名称】《电波科学学报》【年(卷),期】2016(031)006【总页数】11页(P1113-1123)【关键词】长码直扩信号;缺失数据模型;最大似然估计;嵌套迭代最小二乘投影算法【作者】张天骐;强幸子;马宝泽;王俊霞【作者单位】重庆邮电大学信号与信息处理重庆市重点实验室,重庆400065;重庆邮电大学信号与信息处理重庆市重点实验室,重庆400065;重庆邮电大学信号与信息处理重庆市重点实验室,重庆400065;重庆邮电大学信号与信息处理重庆市重点实验室,重庆400065【正文语种】中文【中图分类】TN911直接序列扩频(Direct Sequence Spread Spectrum, DSSS) 信号由于其抗干扰能力强、保密性能好、直扩通信速率高以及便于实现多址通信等优点,在军事和民用通信系统中得到广泛应用,如超长波对潜通信及第三代移动通信CDMA系统等. 在合作通信系统中,合作接收方可利用已知的扩频码序列对接收到的直接序列扩频信号进行解扩提取信息码. 然而在非合作通信系统中,特别是在低信噪比条件下,需要事先对扩频序列进行估计才能完成信号的盲解扩. 因此,扩频序列估计已成为目前研究的热点之一.在非合作直扩通信系统中,针对多用户短码直扩信号(扩频周期等于信息码周期)扩频序列估计的相关文献较多,较为成熟. 目前已有方法大致可分为:基于奇异值分解的方法[1-3]、基于最大似然估计的方法[4-5]、基于子空间的方法[6]、基于模式识别聚类的方法[7-8]、基于盲源分离的方法[9]以及基于神经网络的方法[10]等. 对于相应周期长码直扩信号扩频序列估计的相关工作大多是对短码直扩信号估计方法的扩展. 但是针对多用户非周期长码直扩信号扩频序列估计的相关研究较少[11]. 文献[12]提出一种基于平行因子的长码直扩信号扩频序列盲估计方法,但该方法需要多通道接收技术来保证阶维矩阵低秩分解的唯一性. 文献[13]通过构造缺失数据模型,利用奇异值分解(Singular Value Decomposition, SVD)算法对扩频序列进行估计,该方法实际是利用迭代过程首先估计出与长码直扩信号对应的短码直扩信号,然后利用SVD得到扩频序列子空间的估计值,再将缺失数据矩阵投影到扩频序列子空间,通过期望最大化(Expectation Maximization, EM)算法对扩频序列进行估计. 当用户数较多,且噪声污染比较严重时,该方法运算复杂度明显增强,且估计效果不理想. 本文的核心思想是利用文献[13]的思路,将同步多用户非周期长码直扩信号建模为含有缺失数据的相应短码直扩信号,利用最大似然估计理论对信号模型进行分析,并提出一种嵌套迭代最小二乘投影算法实现各用户扩频序列的估计.定义1 设A,B分别为两个m×n矩阵,A=(aij)m×n,B=(bij)m×n. 记A⊙B=(aijbij)m×n,称A⊙B为A与B的hadamard乘积矩阵.实际非合作场景中,K路用户长码直扩接收信号模型可写为,n=0,1,…,N-1.式中: Ak,fk,φk分别表示第k路信号的幅度、载频及相位; N=LM表示信号样本的长度,M表示扩频码周期个数,L表示扩频码周期; bk(m)q(n-mG),bk为第k个用户的信息码序列,q(n)为矩形函数窗,=[N/G]表示信息码序列的长度,[·]表示对·向上取整,G为信息码元的宽度; ck(n-mL),ck为第k个用户的扩频序列; v(n)是高斯白噪声. 如若信号为非周期长码信号,则L>G,并且L不能被G整除.针对同步多用户长码直扩信号,满足τ1=τ2=…=τk=τ. 在实际情况中,式(2)中各个用户载波的初始相位φk往往是不同的,但考虑到文献[14]可对各个用户的载波相位进行估计,然后将其等效为异步多用户长码直扩信号模型. 对于异步多用户长码直扩信号模型,将另作文章具体分析,本文假设f1=f2=…=fk=f及φ1=φ2=…=φk=φ.假设信号已经过盲同步处理,即τ=0. 此时,基带同步多用户长码直扩信号可写为,n=0,1,…,N-1.信号样本的列向量形式为同时将信息码、扩频码序列以及噪声序列写成矩阵形式:为方便起见,将各用户的信号幅度乘入扩频序列矩阵中,如式(6)所示. 此时,式(2)可以写为如下形式:式中,Z为K个1组成的列向量. 式(8)结构如图1所示.本文假设用户数已知,且每个用户中扩频序列的长度、信息码元的宽度均已事先被估计[2,15]出来.现在用含有缺失数据的同步多用户短码直扩信号虚拟同步多用户长码直扩信号模型. 虚拟一个与该多用户长码直扩信号扩频码序列和信息码序列相同对应的短码直扩信号,则该短码直扩信号加噪并离散化后可写为).将y(n)写成矩阵形式,有式中:V表示噪声矩阵.Y的结构如图2所示.做一个矩阵W,使其满足W(n)L+1,[n/G]+1=1,其余元素为0. 其中,-1,(n)L表示n 除L取余数,[·]表示对向下取整. 则=Y⊙W是一个多用户短码缺失数据矩阵,其结构如图3所示. 在该缺失数据矩阵中,缺失数据所占的比重约为(L-G)/L,未缺失部分组合起来即为. 故缺失数据矩阵可以由多用户长码直扩信号得到,其构造过程为:将序列(n)按照W(n)L+1,[n/G]+1=1依次投影到缺失数据矩阵模型W的对应位置,从而构成. 下面讨论利用Y虚拟多用户短码直扩信号的性质结合缺失数据矩阵估计多用户长码直扩信号的扩频序列.2.1 最大似然理论分析在缺失数据矩阵中,每一列缺失的数据均为L-G个,并且缺失数据的位置也是遍历的. 由于每一列都相互独立,观测量在高斯噪声污染下,概率密度函数为[4]其负对数最大似然函数为依据最大似然估计原理,当式(13)取最小值时对应的C和B为该最大似然函数所对应的最大似然概率估计. 由于式(13)中K和σ均为常数项,上述最大似然估计问题可以转化为如下最小二乘估计问题.2.2 最小二乘估计方法根据最大似然函数的表达式,可以将以上问题建模为‖式中,B中的所有元素Bi,j∈{1,-1}. 由于=Y⊙W,同时, ⊙W. 对于式(14)的数学模型,本文的整体思路是利用最小二乘方法进行求解,首先固定C,然后求出与之对应的B,使得满足式(14); 再固定B,更新C,使其满足式(14),依次迭代,直至收敛(C、B都趋于稳定).在此过程中,如果固定C、B中的任何一个矩阵,这里假设固定C,求与之对应的B使得满足式(14),不失一般性. 该数学模型类似于一个多用户检测的问题,一般情况采用最小二乘算法的解求解其最大似然解. 但实际上,在该问题中直接采用最小二乘算法的解求解出的B只能保证‖取得最小值,而由于CB⊙W≠CB,所以‖与‖取最小值时的B是不一定相等的. 因此,这里需要对式(14)进行变形,将其等效为‖式中,=1-W,1表示的全1矩阵. 此时,当固定C、B中的任何一个矩阵时,可以采用迭代的方法对满足式(15)的另一个矩阵进行求解. 求解思路为:当固定C时,首先利用最小二乘算法求出B1,然后利用对的缺失部分进行补偿,再利用最小二乘算法求解目标函数‖得到B2,依此迭代,直到B收敛(Bn=Bn+1). 当固定B时,C的求解过程与上述方法类似.综上所述,对于目标函数式(15)的求解方法实际上是采用了一种嵌套迭代最小二乘投影算法进行求解[16-17]. 具体步骤如下:1) 初始化C为任意矩阵,B为全零矩阵,n=0.2) n=n+1,j=0,k=0.3) j=j+1,].4) 对步骤3)进行迭代,直到收敛,即与相同,或者二者之间的距离小于某一设定的门限值(本文收敛判别函数取ρ1=‖ ).5) 对中所有元素进行硬判决,将其映射为集合{-1,1}中,对进行更新.6) k=k+1;7) 对步骤6)进行迭代,直到收敛,即与相同,或者二者之间的距离小于某一设定的门限值(本文收敛判别函数取ρ2=‖ ).8) 对步骤2)～7)进行迭代,直到和均趋于稳定,即与以及与相同或者它们之间的距离均小于某一设定的门限值(本文收敛判别函数取ρ=‖ ).9) 对取符号函数即得到扩频序列的估计值.本文所提算法主体是采用最小二乘方法,因此其计算复杂度主要集中在对缺失数据矩阵求伪逆,而求伪逆的计算复杂度又主要由乘法构成,对一个X×Y的矩阵求伪逆,共需要XY2+2Y3次乘法,因此算法步骤3)中迭代过程的计算复杂度为iLM2+2iM3,步骤5)中迭代过程的计算复杂度为jLM2+2jM3,总体的计算复杂度为n(i+j)LM2+2n(i+j)M3,其中i,j,n分别表示步骤3)、步骤5)和整体的迭代次数. 文献[13]首先利用SVD对扩频序列子空间进行估计,然后再利用EM算法对扩频序列进行估计,SVD估计扩频序列子空间的算法复杂度约为(L+M)3; EM算法复杂度主要集中在对矩阵求逆,复杂度约为nLM2+2nM3; 总体算法复杂度为(2n+1)M3+(n+3)LM2+3L2M+L3. 因此,本文算法与文献[13]算法的计算复杂度从数量级上来说是相当的,并且扩频码序列的长度对本文算法计算复杂度影响较小.2.3 收敛性对于式(15),实质上是求使函数f=‖取最小值时对应的[C,B],并且B中的所有元素Bi,j∈{1,-1 }本文使用最小二乘的嵌套方法解决该问题.2.3.1 步骤3)迭代过程中的收敛性证明在步骤3)中,是固定的,此时有‖= ‖,= ‖≥ ‖=‖由于‖对比式(23)和(24),当缺失数据矩阵的补偿部分由更新为时, 应更新为才能保证式(24)取得最小值,即‖≥‖).故,恒有,当且仅当时,等号成立.2.3.2 步骤6迭代过程中的收敛性证明在步骤6中是固定的,同理有‖= ‖=‖≥‖=‖由于‖对比式(32)和(33),当缺失数据矩阵的补偿部分由更新为时,应更新为才能保证式(33)取得最小值,即‖≥‖).故,有,当且仅当时,等号成立.2.3.3 整体迭代过程中的收敛性证明假设在步骤3中迭代结束后目标函数为‖在步骤6中迭代结束后目标函数为‖显而易见,当且仅当Cn=Cn-1,Bn=Bn-1时,等号成立.现在只需要考察与之间的关系,如果,则说明该算法在整体的迭代过程中是收敛的. 实际上,是在固定Cn的情况下,寻找一个合适的Bn+1使目标函数‖取得最小值,又因为‖‖当且仅当Cn=Cn-1,Bn=Bn-1时,等号成立.因此,该算法在整体迭代的过程中也是收敛的.综上分析,该算法在解决形如‖的目标函数时能够有效收敛.2.4 可辨识性为论证本文算法迭代过程中收敛结果的确定性,这里提出可辨识性[16]的定义以及两个性质,性质证明详见附录A.定义2 对于Y=CL×KBK×N,若Y的任意一个关于L×K和K×N的分解矩阵L×K和K×N与CL×K和BK×N之间存在关系K×N,并且K×N只是对K×N进行行交换而已. 此时,我们称Y的K维分解可辨识.性质1 对于YL×N=CL×KBK×N,如若C和B满足以下条件,则Y的K维分解可辨识.1) C和B分别为列满秩和行满秩矩阵;2) B中的任一元素Bi,j∈{+1,-1};3) B中存在着这样的2K-1列:在这2K-1列中既没有完全相同的列,也没有完全相反的列.性质2 对于YL×N=(CL×KBK×N)⊙WL×N,W(n)L+1,[n/G]+1=1,其中,(n)L表示n除L取余数,n=0,1,…,GN-1. 如若C和B满足以下条件,则Y的K维分解可辨识.1) C和B分别为列满秩和行满秩矩阵;2) B中的任一元素Bi,j∈{+1,-1};3) B中存在着这样的2K-1列:在这2K-1列中既没有完全相同的列,也没有完全相反的列.4) C中任意连续的G行所组成的子矩阵均为列满秩矩阵.5) 2G-a-1>K,其中a=GCD(G,L),GCD表示最大公约数.由性质2可知,第2节中缺失数据矩阵模型是可辨识的. 又根据可辨识性的定义,在对进行迭代最小二乘运算时,其收敛结果虽然不唯一,但是任意一个收敛结果都包含了各路用户的扩频序列信息,只是存在各路扩频序列在矩阵C中排列顺序和符号的变化而已. 所以,当多用户长码直扩信号中扩频序列和信息序列满足性质2的条件时,本文所提算法能够对多路的扩频序列进行同时估计.下面用计算机仿真的方法对本文算法的性能进行分析.不失一般性,仿真中扩频及信息码序列采用随机产生的双相移相键控(Binary Phase Shift Keying, BPSK)调制序列,算法收敛判别中参数设置为ρ1=10-4,ρ2=10-4,ρ=10-2. 采用误码率作为该算法性能评价指标. 误码率计算公式为式中:nm表示第m次蒙特卡洛仿真中估计错误的扩频序列的个数; K为用户数; L 为扩频序列长度; M为蒙特卡洛仿真次数. 信噪比计算公式为实验一验证本文算法的可行性,取L=63,G=30,固定信号样本长度(取信息码个数为3 000的数据段). 在信噪比为-7 dB的情况下,对K=5的多用户长码直扩信号扩频序列进行估计. 首先,将信号样本按照第2节中缺失数据模型的构造过程构造成缺失数据矩阵,然后利用3.2节中算法步骤进行迭代运算,直至满足收敛条件,得到各个用户扩频序列的估计值. 计算仿真实验结果如图4(a)和(b)所示.对比图4(a)和(b)可知,本文算法在信噪比为-7 dB的情况能够准确地估计出多路用户所对应的扩频序列.实验二验证本算法在不同用户数下的性能,固定信号样本长度(取信息码个数为3 000的数据段). 在K=7,8,9,10时,信噪比在-15～0 dB时,分别在L=127,G=50和L=1 023,G=500的条件下估计所得扩频序列的误码率,蒙特卡洛仿真200次后所得性能曲线如图5(a)和(b)所示.由图5可知:当信噪比为-10 dB时,该算法能够在L=1 023,G=500时对10路用户的扩频序列进行有效分离; 且在其他条件给定时,随着用户数的减少,性能增强; 扩频周期越长,本文算法的抗噪性能越强.实验三验证信息码长度对算法性能的影响. 取L=1 023,G=500,RSN=-10 dB. 分别在K=8,9,10,信息码个数为500～4 000时,估计所得扩频序列的误码率,蒙特卡洛仿真200次后所得性能曲线如图6所示.由图6可知:随着信息码长度的增加,算法估计性能不断提高; 相同条件下,用户数越少,算法估计性能越好.实验四验证本文算法在不同用户数下的收敛速度,固定信号样本长度(信息码个数为3 000的数据段),取RSN=-10 dB时,在L=1 023,G=500.当K=6,8,10时,本文算法在迭代过程中扩频序列误码率的变化情况如图7所示.由图7可知:本文算法能够通过迭代运算不断降低扩频序列估计值的误码率,直到收敛; 用户数越多,所需的迭代次数越多,收敛速度越慢.实验五固定信号样本长度(取信息码个数为3 000的数据段). 在L=1023,G=500,K=6的条件下,通过200轮蒙特卡洛仿真对照本文算法与文献[13]在不同信噪比(-15～0 dB)条件下扩频序列估计误码率的变化曲线,仿真结果如图8所示.由图8可知,本文算法在整体上优于文献[13]算法. 信噪比越低,本文算法相对于文献[13]算法的优势越明显,说明本文算法的抗噪性能较文献[13]算法要好.本文针对同步多用户非周期长码直扩信号扩频序列估计问题,提出了一种基于嵌套迭代最小二乘投影算法的扩频序列估计方法,并对该方法的收敛性进行了较为详细的理论推导,研究表明:本文算法在信噪比低于-10 dB时可对L=1 023,G=500的多达10路用户的同步多用户非周期长码直扩信号扩频序列实现准确估计. 本文方法可应用于卫星通信以及电子对抗中扩频序列估计,特别是多用户非周期长码信号扩频序列的估计.附录A性质1证明:假设存在C′、B′同样是Y的分解矩阵,并且C′、B′也满足如上条件. 则有Y=CB=C′B′.由于B′是行满秩矩阵,可得C′=CB(B′)†.式中,(B′)†表示B′的伪逆. 若对两边同时乘以B′,则有CB=C′B′=CB(B′)†B′,即C[B-B(B′)†B′]=0.因为C是列满秩矩阵,故必有.B=B(B′)†B.(A5)又因为B和B′均为行满秩矩阵,所以B(B′)†是一个非奇异的方阵,令T=B(B′)†,即有B=TB′.首先,若K=2,令,由于B′中存在这样的两列:在这两列中,既没有完全相同的列,又没有完全相反的列. 不失一般性,假设存在的这两列为[1,1]T和[1,-1]T,又由于B和B′中的任一元素均为+1或-1,式(A6)展开即有:.方程(A7)的解为:t11和t12中一个为±1,一个为0. 方程(A8)的解与(A7)类似. 结合T为非奇异矩阵,则T满足:每一行中只有一个±1,其它为0,T可逆. 此时,TB′实际上只是对B′进行了行交换,即Y是可辨识的.假设K=k时,Y是可辨识的. 此时,T满足:任意一行中只有一个±1,其它为0,且T可逆.现在考虑K=k+1时,,按照性质中所给条件,不失一般性的假设按照式(A6)展开第一行即有.因为方程组中如若除去第一列,后边k列的排列组合总是成对出现(总有与之完全相反的项出现),根据K=2时的结论,该方程的解应为或者.对于第一种解的情况,显然后边方程组的解各项都为0; 对于第二种解的情况,后边方程组的上半部分是对应K=k时的情况,根据K=k时的假设,方程组的解只能是:存在一个±1的解,其它为0. 综上所述,对于式(A6)在K=k+1的情况下,T的第一行的解只能是:存在一个±1,其它项为0.同理可证,其它各行的解的形式与第一行相同. 同时,由于T可逆,所以T矩阵是一个单纯的行交换矩阵,即Y可辨识.综合以上归纳证明可知,当YL×N=CL×KBK×N,C和B满足性质中所给的三个条件时,Y是可辨识的.性质2证明:令. 此时W矩阵中1的排列位置按列划分以b为周期重复出现,即W中第i列中1的位置与其第i+a列中1的位置完全相同. 在Y中抽取第1,1+b,1+2b，…，1+(2d-1-1)b列,形成的矩阵形为.令,实际上=C1∶GB1∶G.其中是C矩阵中前G行组成的子矩阵. 是B矩阵中按照上述规则抽取出来的矩阵.根据性质是可辨识的,并且通过可以有效分解出YL×2K-1中的部分扩频序列C1∶G,同理,YL×2K-1的其它连续G行的子矩阵也是可辨识的.又由于W矩阵中1的排列位置按列划分以b为周期重复出现,所以总能找到Y″(x∶x+G)×2K-1,其可以有效分解出部分扩频序列Ca∶a+G,该部分扩频序列与C1∶G有G-a行是重叠的,若2G-a-1>K,则子矩阵和Y″(x∶x+G)×2K-1可以进行有效拼接. 同理,此时所有的子矩阵可以进行有效拼接,从而说明YL×2K-1是可辨识的. 故在YL×N=(CL×dBd×N)⊙WL×N中,YL×N是可辨识的.张天骐 (1971-),男,四川人,重庆邮电大学教授,博士,研究方向为扩频信号的盲处理、神经网络实现以及信号的同步处理.强幸子 (1986-),男,陕西人,重庆邮电大学硕士研究生,研究方向为直扩信号盲处理. 马宝泽 (1990-),男,河北人,重庆邮电大学硕士研究生,研究方向为通信信号盲源分离. 王俊霞 (1990-),女,河南人,重庆邮电大学硕士研究生,研究方向为通信信道编码.【相关文献】[1] 张天骐, 张传武, 林孝康. 直扩信号伪码周期及序列的估计算法[J]. 系统工程与电子技术, 2005, 27(8): 1365-1368.ZHANG T Q, ZHANG C W, LIN X K. Algorithms for period and sequence estimation of the PN code in DS-SS signals[J]. Systems engineering and electronics, 2005, 27(8): 1365-1368.(in Chinese)[2] 张天骐, 周正中, 林孝康,等. 低信噪比长伪码直扩信号的盲估计方法[J]. 信号处理, 2008,24(3):370-376.ZHANG T Q, ZHOU Z Z, LIN X K, et al. Approach to blind estimation of lower SNR long code DS signals[J]. Signal processing, 2008, 24(3):370-376.(in Chinese)[3] 沈斌, 王建新. 基于奇异值分解的直扩信号伪码序列及信息序列盲估计方法[J]. 电子与信息学报, 2014, 36(9): 2098-2103.SHEN B, WANG J X. Blind estimation of the PN sequence and information sequence of a DSSS signal based on SVD[J]. Journal of electronics & information technology, 2014, 36(9): 2098-2103.(in Chinese)[4] ZHANG H G, MOU Q, L H S. A semidefinite relaxation approach to spreading sequence estimation for DS-SS signals[J]. IEICE transactions on communications, 2011,E94-B(11): 3163-3167.[5] 周德强, 陈卫东. 基于Viterbi算法的扩频码与信息序列联合估计[J]. 飞行器测控学报, 2014,33(5): 441-447.ZHOU D Q, CHEN W D. Joint blind estimation of spreading code and information sequence based on Viterbi algorithm[J]. Journal of spacecraft TT&C technology, 2014,33(5): 441-447.(in Chinese)[6] 马超, 张立民, 王建雄. 基于子空间跟踪的长码直扩序列盲估计[J]. 计算机与数字工程,2014,292(42): 223-226.MA C, ZHANG L M, WANG J X. Blind estimation of long code DSSS signal based on subspace tracking[J]. Computer & digital engineering, 2014,292(42): 223-226.(in Chinese) [7] CHENG H, LOU Z H, SUN G L. Non-supervised rule for direct sequence spread spectrum signal sequence acquisition[C]//2014 Ninth International Conference on Broadband and Wireless Computing, Communication and Applications (BWCCA). IEEE, November 8-10, 2014:151-154.[8] 李军伟, 张天骐, 朱洪波,等. 基于聚类的多进制扩频伪码序列盲估计方法[J]. 科学技术与工程, 2014, 14(2): 32-36.LI J W, ZHANG T Q, ZHU H B, et al. Clustering based blind estimation of PN sequences in mary spread spectrum system[J]. Science technology and engineering, 2014, 14(2): 32-36.(in Chinese)[9] 汤辉. 直扩信号参数估计的盲源分离方法研究[D]. [D]. 武汉: 华中科技大学, 2012.TANG H. Parameters estimation of DSSS signals based on blind source separation[D]. Wuhan: Huazhong University of Science & Technology, 2012. (in Chinese)[10] 张天骐, 林孝康, 周正中. 基于神经网络的低信噪比直扩信号扩频码的盲估计方法[J]. 电路与系统学报, 2007, 12(2): 118-123.ZHANG T Q, LIN X K, ZHOU Z Z. A neural network approach to blind-estimation of PN spreading sequence in lower SNR DS/SS signals[J]. Journal of circuits and systems, 2007, 12(2): 118-123.(in Chinese)[11] 赵知劲, 顾骁炜, 沈雷，等. 非周期长码直扩信号的伪随机码盲估计[J]. 通信学报, 2015,36(5): 1-8.ZHAO Z J, GU X W, SHEN L, et al. Blind estimation of pseudo-random codes in non-periodic long code direct-sequence spread-spectrum signals[J]. Journal on communications, 2015,36(5): 1-8.(in Chinese)[12] 赵知劲, 李淼, 吴金沂. 长码直扩信号扩频序列估计[J]. 杭州电子科技大学学报, 2015, 35(2): 1-4.ZHAO Z J, LI M, WU J Y. The spread spectrum code estimation of long-code DSSS signal[J]. Journal of Hangzhou Dianzi University(Natural Sciences), 2015, 35(2): 1-4.(in Chinese) [13] 张花国, 魏平. 同步多用户长码直扩信号的盲解扩[J]. 电子与信息学报, 2011,33(7): 1748-1751. ZHANG H G, WEI P. Blind despreading of synchronous multi-user long-code DS-SS signals[J]. Journal of electronics & information technology, 2011,33(7): 1748-1751.(in Chinese)[14] 张花国, 魏平. 未知频偏下直扩信号的扩频序列估计[J]. 电子科技大学学报, 2013, 42(1): 44-47. ZHANG H G, WEI P. Spreading sequence estimation of direct sequence spread spectrum signals with unknown carrier offset[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(1): 44-47.(in Chinese)[15] 徐海源, 王丰华, 黄知涛，等. 长码直扩信号的符号速率盲估计方法[J]. 国防科技大学学报, 2007, 29(6): 44-48.XU H Y, WANG F H, HUANG Z T, et al. Blind estimation of the Symbol rate of a long code DSSS signal[J]. Journal of National University of Defense Technology, 2007, 29(6): 44-48.(in Chinese)[16] TALWAR S, VIBERG M, PAULRAJ A. Blind separation of synchronous co-channel digital signals using an antenna array. I. algorithms[J]. IEEE transactions on signal processing, 1996, 44(5): 1184-1197[17] TALWAR S, PAULRAJ A. Blind separation of synchronous co-channel digital signals using an antenna array. II. Performance analysis[J]. IEEE transactions on signal processing, 1997, 45(3): 706-718.。

一种载波频率未知的扩频序列盲估计算法
颜海梅;沈雷;王泽辉;盛迪
【期刊名称】《无线通信》
【年(卷),期】2013(003)001
【摘要】提出一种载波频率未知情况下,利用主分量分析法盲估计直接扩频序列的算法。

算法把接收到的信号投影到扩频码所在向量域,通过搜索投影向量的特征值,可以在没有载波频率、信道先验信息的情况下,估计得到扩频序列和载波频率。

理论和仿真结果表明了算法的有效性。

【总页数】4页(P18-21)
【作者】颜海梅;沈雷;王泽辉;盛迪
【作者单位】[1]杭州电子科级大学通信工程学院;;[1]杭州电子科级大学通信工程学院;;[1]杭州电子科级大学通信工程学院;;[1]杭州电子科级大学通信工程学院
【正文语种】中文
【中图分类】TN91
【相关文献】
1.一种针对短码、周期长码直扩信号扩频序列盲估计方法 [J], 任啸天;徐晖;王翔;黄知涛;王丰华
2.一种改进的周期长码扩频序列盲估计方法研究 [J], 熊刚;彭勃
3.一种DS-CDMA扩频序列的盲估计方法 [J], 苗圃;张天骐;黄铫;刘燕丽
4.多载波CDMA子载波频率盲估计算法及其性能分析 [J], 于志明;郭黎利;赵冰
5.基于宽窗口和PAST算法的扩频序列盲估计 [J], 许彬;薛敬宏
因版权原因，仅展示原文概要，查看原文内容请购买。

直扩信号PN码盲估计方法研究综述盛世强a,杨文革b(装备学院 a.研究生管理大队; b.光电装备系，北京101416)摘要：对直接序列扩频信号的PN码盲估计方法进行了深入分析，重点介绍了基于信号特征分析估计方法、基于特征多项式估计方法和基于相关运算估计方法，介绍了各种方法的来源、理论基础和发展历程，分析了各自的优缺点，提出了直扩信号PN码盲估计研究领域的进一步发展方向。

关键词：直扩信号；PN码；盲估计；特征分析直接序列扩频(Direct Sequence Spread Spectrum，DS-SS)技术是扩频通信中最主要的一种扩频技术，因其良好的隐蔽性、抗干扰能力和码分多址(CDMA)特性而被广泛地应用于GPS、北斗卫星导航系统、航天测控、JTIDS、移动通信等军事和民用通信领域[1-2]。

在通信对抗领域的研究中，为了实现对非合作DS-SS信号的侦察、干扰和破译，必须获知截获DS-SS信号的PN码。

作为DS-SS信号参数估计研究的一部分，PN码盲估计研究需要以码速率、PN码周期等参数估计研究的成果支撑。

从20世纪90年代中期至今，DS-SS信号PN码盲估计问题受到了国内外学者的广泛关注，目前主要的DS-SS信号PN码盲估计方法包括基于特征分析估计方法、基于特征多项式估计方法和基于相关运算估计方法3类，本文在总结前人研究的基础上，介绍上述方法的来源、理论基础和发展历程，讨论各自的优缺点，展望DS-SS信号PN码盲估计研究领域的进一步发展方向。

1 DS-SS信号分类及其模型DS-SS技术是用待传输的信息码与高速率的PN码波形相乘实现频谱扩展。

根据PN码周期与信息码宽的关系，DS-SS信号分为短码(Short Code,SC) DS-SS信号和长码(Long Code,LC) DS-SS信号，SC-DS-SS 信号PN码周期等于信息码宽，而LC-DS-SS 信号PN码周期大于信息码宽。

基于以上定义及分析，DS-SS信号的盲处理研究中，SC-DS-SS基带信号可以表示为(1)(2)其中，A表示信号幅度；d(t)表示信息码(均值为0的均匀分布)；t0表示失步时间；T s表示信息码宽； {c(i)=±1,i=0,1,…,P-1}表示PN码，其中P是PN码长度；h(t)表示一个完整周期的PN码与信道和接收设备响应的卷积；p(t)表示发射机滤波器与信道响应、接收机滤波器的卷积，在理想信道中，p(t)表示支撑区域为[0,T c]的矩形函数；T c表示码片周期。

直接序列扩频信号的盲解扩方法
贺军;郭伟
【期刊名称】《信号处理》
【年(卷),期】2003(019)0z1
【摘要】本文首先介绍了一种通过解方程组、计算反馈移位寄存器系数,继而估计直扩信号扩频码序列的方法.在此基础上,本文提出了一种新的直扩信号的盲解扩方法,该方法不需要进行扩频码同步,而且其抗误码性能相对于一些传统方法有所提高.最后通过计算机仿真实验验证了盲解扩方法的正确性.
【总页数】4页(P273-276)
【作者】贺军;郭伟
【作者单位】电子科技大学通信与信息工程学院;电子科技大学通信与信息工程学院
【正文语种】中文
【中图分类】TN91
【相关文献】
1.直接序列扩频信号解扩过程谱特性研究 [J], 车仁信;薛严冰
2.基于聚类的软扩频信号盲解扩方法 [J], 王航;郭静波;王赞基
3.一种直接序列扩频MSK调制信号的解扩方法 [J], 王宽仁;张尚海
4.一种微弱直接序列扩频信号的盲自适应解扩算法 [J], 张天骐;代少升;马国宁;张伟
5.基于改进近邻传播算法的Walsh软扩频盲解扩方法 [J], 李丞;张玉
因版权原因，仅展示原文概要，查看原文内容请购买。