基于信道特征序列的数字加权自相关超宽带接收方法及其接收装置

摘要

本发明公开了基于信道特征序列的数字加权自相关超宽带接收方法及其接收装置，本发明的方法首先采用叠加平均算法估计出反映多径衰落能量单调分布的特征向量，并使用它将接收信号的自相关序列重新排列为信道特征序列；再将信道特征序列分段求和后组装为向量输入自适应滤波器，进行线性加权合并的优化训练以抑制噪声干扰；最后利用训练收敛后的加权系数向量进行动态的自适应检测。总之，该方法利用了信道特征序列中能级越相近的采样之间距离越接近的特点，使得大部分能级相近的采样处于同一分段，改善了线性加权合并的优化效果，在计算复杂度可接受的情况下显著提高了系统的误码性能。

说明书

技术领域

本发明属于无线通信领域，涉及非相干超宽带通信系统中的自相关接 收机，尤其是一种基于信道特征序列的数字加权自相关超宽带接收方法及其 接收装置。

背景技术

超宽带(UWB)技术以低成本、低功耗及良好的时域分辨能力等特点 成为一种颇具潜力的短距离无线通信解决方案。特别是在低码率无线个域网 (WPANs)标准修正案IEEE 802.15.4a中，超宽带被采纳为备选的物理层 传输技术之一，进而成为学术界和工业界的研究热点。在低码率的超宽带系 统中，出于低成本、低功耗等要求的考虑，较多地是采用复杂度较低、对采 样速率要求不高且不需要信道估计的非相干(NC)接收机。目前用于非相 干超宽带系统的流行检测技术为能量检测器(ED)和自相关接收机(AcR)。 其中，自相关接收机由于其结构简单、性能稳健等特点通常用于基于传输参 考(TR)信号的超宽带通信系统。然而，在超宽带密集多径的传输环境中， 由于多径能量呈簇状的弥散分布特征，使得自相关积分区间的优化变得困 难：即使积分区间的起点和终点得以确定，仍然难以避免大量噪声成分卷入 自相关运算，造成较大的误码性能损失。

为此，加权自相关接收机(W-AcR)被提出用于抑制噪声影响，其思 路为：将整个积分区间分为多个更小的分段(bins)，自相关信号先在各分 段上积分，然后将各段积分结果进行线性加权合并，通过优化加权系数向量 即可实现对低信噪比分段的抑制。虽然加权自相关接收机在较大程度上改善 了误码性能，但是由于各分段的时间分辨率有限，仍然可能使得高信噪比成 分和低信噪比成分处于同一分段。在这种情况下，分段积分同样不能抑制噪 声成分，从而降低了线性合并的总体优化效果。

另一方面，上述现有超宽带接收机最初由于实现复杂度的限制均采用 了模拟接收机的实现方案。然而，数字系统的最新研究结果表明，低复杂度 的单比特(monobit)或有限分辨率(finite-resolution)数字接收机可以达到 与全分辨率(full-resolution)数字接收机相当的误码性能。这些最新的技术 突破不仅使得数字接收机能够大规模用于低成本、低功耗的超宽带应用场合 成为可能，而且还为充分利用灵活的数字信号处理(DSP)技术来提高系统 的整体性能铺平了道路。

发明内容

针对上述缺陷或不足，本发明提供了基于信道特征序列的数字加权自 相关超宽带接收方法及其接收装置。

为达到以上目的，本发明的技术方案为：

一种基于信道特征序列的数字加权自相关超宽带接收方法，其特征在 于，包括以下步骤：

1)将接收信号通过低通滤波器LPF滤除带外噪声，再用模数转换器 ADC将其转换为离散序列；所述模数转换器为低复杂度的单比特或有限分 辨率的模数转换器；

2)对接收信号的离散序列进行N_d单位的延时，并将延时序列取共轭 后和原离散序列相乘，得到自相关序列，通过峰值检测方法确定求和区间的 起点和终点，并以该起点和终点来截取自相关序列；

3)截取自相关序列，且截取的自相关序列为一个多帧重复序列，根据 传输参考TR信号的帧重复频率N_f，将该多帧重复序列分为N_f段长度相同 的子序列，并将N_f段子序列叠加，得到一个降噪子序列；

4)对降噪子序列进行处理，得到信道特征序列；

5)对信道特征序列进行分段求和并进行自适应滤波处理，最后输出判 决符号。

所述步骤1)所述的接收信号是指从发射机发射的TR信号经过多径信 道衰落后，在接收机天线处接收到的信号，发射机在第i个符号周期内的发 射信号表示为：

$s\left(t\right)=\sqrt{\frac{E_b}{{2N}_f}}\underset{m=0}{\overset{N_f-1}{\Sigma }}[w_{\mathrm{tx}}(t-{\mathrm{mT}}_f)+b_i{w}_{\mathrm{tx}}(t-{\mathrm{mT}}_f-T_d)],---\left(1\right)$

其中，E_b为单个符号的发射能量；w_tx(t)为能量归一化且脉冲宽度为T_p的超宽带脉冲；

N_f为传输参考TR信号的帧重复频率，其中，每帧包含一个脉冲对，该 脉冲对包括参考脉冲和数据脉冲；

T_f为每个脉冲对的重复周期，b_i∈{±1}为发射的数据符号，T_d为参考脉冲 和数据脉冲之间的延时；m为非负整数，t为连续时间变量；

发射信号经过多径信道到达接收机并经过低通滤波器LPF滤波后，得到 接收信号为：

$r\left(t\right)=\sqrt{\frac{E_b}{{2N}_f}}\underset{m=0}{\overset{N_f-1}{\Sigma }}[w_{\mathrm{rx}}(t-{\mathrm{mT}}_f)+b_i{w}_{\mathrm{rx}}(t-{\mathrm{mT}}_f-T_d)]+z\left(t\right),---\left(2\right)$

其中，w_rx(t)为接收到的超宽带脉冲波形，即w_tx(t)和信道冲激响应h(t) 的卷积，表示为：$w_{\mathrm{rx}}\left(t\right)=w_{\mathrm{tx}}\left(t\right)\otimes h\left(t\right);$

z(t)为双边功率谱密度PSD为N₀/2的加性高斯白噪声AWGN，且 T_d≥T_p+τ_max，T_f≥2T_d，T_s≥N_fT_f；其中τ_max表示多径信道的最大延时扩展，T_s为 符号周期。

所述接收信号r(t)通过模数转换器后生成相应的离散序列可表示为：

$r\left[n\right]=\sqrt{\frac{E_b}{{2N}_f}}\underset{m=0}{\overset{N_f-1}{\Sigma }}\left\{w_{\mathrm{rx}}\right[n-{\mathrm{mN}}_{\mathrm{sr}}]+b_i{w}_{\mathrm{rx}}[n-{\mathrm{mN}}_{\mathrm{sr}}-N_d\left]\right\}+z\left[n\right],n=\mathrm{0,1},···,N_{\mathrm{sa}}-1---\left(3\right)$

其中，r[l]＝r(lT_sa)，w_rx[l]＝w_rx(lT_sa)，z[l]＝z(lT_sa)，T_sa＝1/f_sa为采样间隔，f_sa为采样频率；为与T_d延时相对应的采样数，和 分别表示与符号周期和帧周期相对应的采样数；

AWGN噪声序列满足零均值的复高斯分布，即其中 ${\sigma }_z^2=(N_0/2)f_{\mathrm{sa}}.$

所述步骤2)中接收信号的自相关序列是指 c[n]＝r[n]r^*[n-N_d],n＝0,1,…,N_d-1，其求和区间可通过简单的峰值检测方法来粗 糙地确定；

将每一帧自相关积分区间粗定为[T₁,T₂]＝[T_d,2T_d]，每一帧中把整个T_d时刻 以后的部分都作为自相关积分区间；在每一帧中自相关序列的求和区间起点 和终点分别取为N_1,m＝mN_sr+N_d和N_2,m＝mN_sr+2N_d,m＝0,1,…,N_f-1，在每一帧上 均从求和区间起点开始至终点位置的部分进行截取，并把在各帧截取出来的 部分拼接为如下序列：

$\left(\begin{array}{c}{c}^{\prime }\left[n\right]=\underset{m=0}{\overset{N_f-1}{\Sigma }}\left\{b_i{\bar{w}}_{\mathrm{rx}}\right[n-{\mathrm{mN}}_d]+z_{0,m}[n-{\mathrm{mN}}_d\left]\right\}\\ \times \left\{b_i{\bar{w}}_{\mathrm{rx}}\right[n-{\mathrm{mN}}_d]+z_{1,m}[n-m{N}_d]{\}}^{*},n=\mathrm{0,1},···,N_f{N}_d-1\end{array}\right)---\left(4\right)$

其中，定义为

z_k,m[l]|_k＝0,1为独立同分布(i.i.d.)的复加性高斯白噪声序列，即：

其特征在于，所述步骤3)是将(4)式所示的序列分为N_f个长度为N_d的子序列，并将它们叠加得到一个长度为N_d的序列：

$x\left[n\right]=b_i{N}_f{\left|{\bar{w}}_{\mathrm{rx}}\right[n\left]\right|}^2+\underset{m=0}{\overset{N_f}{\Sigma }}{Z}_m\left[n\right],n=\mathrm{0,1},···,N_d-1---\left(7\right)$

其中，第一项为(4)式中各帧有用信号成分的叠加，第二项中Z_m[n]表 示噪声-噪声及噪声-信号交叉项的总体影响，其统计特性可用零均值的复高 斯分布描述。

所述步骤4)对降噪子序列进行处理，得到信道特征序列具体包括；

将降噪子序列输入信道特征序列-重调整处理CCS-RAG模块，CCS-RAG 处理模块分三阶段进行工作：

首先是估计阶段，CCS子模块估计出特征向量并向RAG子模块输出特 征向量估计值，该阶段RAG子模块并无输出数据；然后是训练阶段和自适应 检测阶段，在这两个阶段RAG子模块均输出信道特征序列。

所述步骤4)的CCS-RAG处理模块在三个阶段的工作状态可描述为： 在估计阶段，仅CCS子模块处于工作状态，即接收一定数量来自不同发送符 号的子序列x[n]，并进行叠加平均运算，得到信道特征向量估计值，并将其 输入RAG子模块；

在训练阶段和自适应检测阶段，仅RAG子模块处于工作状态，即根据 CCS子模块输入的特征向量估计值对输入的子序列x[n]进行重新排序，从而 得到信道特征序列v[n]，理想的特征向量可描述为：

$q=[q_0,q_1,···,q_{N_d-1}],---\left(8\right)$

其中，对于非负整数l,m,n∈{0,1,…,N_d-1}且m≠n，均有q_n≠q_m且 q_l∈{0,1,…,N_d-1}，信道特征序列v[n]如下所示：

v[n]＝x[q_n],n＝0,1,…,N_d-1.            (9)

从(7)～(9)式得，特征向量q能够刻画出的单调能量分布规律， 即对于任意非负整数m,n∈{0,1,…,N_d-1}且n<m都有：或 $\left|{\bar{w}}_{\mathrm{rx}}\right[q_n\left]\right|\ge \left|{\bar{w}}_{\mathrm{rx}}\right[q_m\left]\right|$成立。

所述步骤5)对信道特征序列进行分段求和并进行自适应滤波处理，最 后输出判决符号具体包括：

对CCS-RAG处理模块输出的信道特征序列进行分段求和，并将各分段 求和结果组装成向量输入自适应滤波器AF，该自适应滤波器按照两个阶段进 行工作：

首先是训练阶段，对加权系数向量进行自适应优化训练直至其收敛， 在该阶段符号判决DEC单元并无输出；然后是自适应检测阶段，通过收敛后 的加权系数向量进行数据符号的自适应检测，DEC单元输出判决符号。

所述步骤5)具体包括：

对信道特征序列v[n]进行分段求和，即将长度为N_d-1的v[n]分为N_p段， 再将各分段分别求和后得到一个长度为N_p的序列：

$u\left[n\right]=\underset{{m=\mathrm{nN}}_b}{\overset{{(n+1)N}_b-1}{\Sigma }}v\left[m\right],n=\mathrm{0,1},···,N_p-1,---\left(10\right)$

其中，为每个分段包含的采样数。再将序列u[n]组装为向量：

u＝[u(0),u(1),…,u(N_d-1)]^T.             (11)

将u输入一个N_p-抽头的自适应滤波器进行线性加权合并，输出的判决 变量为

β＝w^TRe{u},                   (12)

其中，Re{·}表示取实部运算，w＝[w₀,w₁,…,w_Np-1]^T表示自适应滤波器的 加权系数向量，采用最小均方误差(MMSE)准则对w进行优化：

$w_{\mathrm{opt}}=\arg \underset{w\in R^{N_p}}{\min }E\left\{{|b_i-\beta |}^2\right\}.---\left(13\right)$

其中，自适应滤波器分两个阶段进行工作：首先是训练阶段，通过自 适应迭代方式对w进行优化训练，使其收敛于w_opt附近；然后是自适应检测 阶段，以收敛后的w进行(12)式的线性合并，最后进行符号判决：

$\hat{b}=\mathrm{sgn}\left(\beta \right).---\left(14\right)$

其中$\mathrm{sgn}\left(x\right)=\left(\begin{array}{c}+1,x\ge 0\\ -1,x<0\end{array}\right)$为符号函数。

一种基于信道特征序列的数字加权自相关超宽带接收装置，包括：低 通滤波器LPF、模数转换器ADC、自相关序列生成模块、降噪子序列生成 模块、CCS-RAG处理模块、自适应滤波器AF，以及符号判决DEC单元；

低通滤波器LPF用于，滤除接收信号的带外噪声；

模数转换器ADC用于，将低通滤波后的接收信号转换为离散序列， 所述模数转换器为低复杂度的单比特或有限分辨率的模数转换器；

自相关序列生成模块用于，对接收信号的离散序列进行N_d单位的延 时，并将延时序列取共轭后和原离散序列相乘，得到自相关序列，通过峰值 检测方法确定求和区间的起点和终点，并以该起点和终点来截取自相关序 列；

降噪子序列生成模块用于，截取自相关序列，且截取的自相关序列为 一个多帧重复序列，根据TR信号的帧重复频率N_f，将该多帧重复序列分为 N_f段长度相同的子序列，并将N_f段子序列叠加，得到一个降噪子序列；

CCS-RAG处理模块用于，对降噪子序列进行处理，得到信道特征序 列，并对信道特征序列进行分段求和；

自适应滤波器AF用于，对信道特征序列进行分段求和后进行自适应 滤波处理；

符号判决DEC单元用于，对信道特征序列自适应滤波处理后输出判决 符号；

其中，对降噪子序列进行处理，得到信道特征序列具体包括；将降噪 子序列输入CCS-RAG模块，CCS-RAG处理模块分三阶段进行工作：首先 是估计阶段，CCS子模块估计出特征向量并向RAG子模块输出特征向量估 计值，该阶段RAG子模块并无输出数据；然后是训练阶段和自适应检测阶 段，在这两个阶段RAG子模块均输出信道特征序列；

对信道特征序列进行分段求和并自适应滤波处理，最后输出判决符号具 体包括：对CCS-RAG处理模块输出的信道特征序列进行分段求和，并将各 分段求和结果组装成向量输入自适应滤波器AF，该自适应滤波器按照两个 阶段进行工作：首先是训练阶段，对加权系数向量进行自适应优化训练直至 其收敛，在该阶段符号判决DEC单元并无输出；然后是自适应检测阶段，通 过收敛后的加权系数向量进行数据符号的自适应检测，DEC单元输出判决符 号。

与现有技术比较，本发明的有益效果为：

本发明提供了基于信道特征序列的数字加权自相关超宽带接收方法及 其接收装置，首先采用简易有效的叠加平均算法估计出信道特征，即多径衰 落能量的单调分布向量，并使用它将接收信号的自相关序列重新排列为信道 特征序列；再将信道特征序列分段求和后组装为向量输入自适应滤波器，进 行线性加权合并的优化训练以抑制噪声干扰；最后利用训练收敛后的权值向 量进行动态的自适应加权检测，该方法利用了信道特征序列中能级越相近的 采样之间距离越接近的特点，使得大部分能级相近的采样处于同一分段，改 善了线性加权合并的优化效果，在计算复杂度可接受的情况下显著提高了系 统的误码性能。

附图说明

图1为本发明在TR-UWB系统中的接收机模型图；

图2为本发明在TR-UWB系统中实现基于信道特征序列的数字加权自 相关接收机的整体计算流程图；

图3为本发明在TR-UWB系统中实现基于信道特征序列的数字加权自 相关接收机时在信道特征向量估计、加权系数向量优化训练及自适应检测三 阶段的具体实施流程图；

图4为本发明采用不同长度的估计序列时的误码性能实例；

图5为本发明采用不同长度的训练序列时的误码性能实例；

图6为本发明和现有两种数字加权自相关超宽带接收机的误码性能比较 图，其中，(a)为室内住宅视距传播环境，(b)为室内住宅非视距传播环境。

具体实施方式

下面结合附图对本发明做详细描述。

实施例一

如图1.2所示本发明提供了一种基于信道特征序列的数字加权自相关超 宽带接收方法，包括以下步骤：

1)将接收信号通过低通滤波器LPF滤除带外噪声，再用模数转换器 ADC将其转换为离散序列；所述模数转换器为低复杂度的单比特或有限分辨 率的模数转换器；

其中，接收信号是指从发射机发射的信号经过多径信道衰落后，在接收 机天线处接收到的信号，发射机在第i个符号周期内的发射信号表示为：

$s\left(t\right)=\sqrt{\frac{E_b}{{2N}_f}}\underset{m=0}{\overset{N_f-1}{\Sigma }}[w_{\mathrm{tx}}(t-{\mathrm{mT}}_f)+b_i{w}_{\mathrm{tx}}(t-{\mathrm{mT}}_f-T_d)],---\left(1\right)$

其中，E_b为单个符号的发射能量；w_tx(t)为能量归一化且脉冲宽度为T_p的超宽带脉冲；

N_f为传输参考TR信号的帧重复频率，其中，每帧包含一个脉冲对，该 脉冲对包括参考脉冲和数据脉冲；

T_f为每个脉冲对的重复周期，b_i∈{±1}为发射的数据符号，T_d为参考脉冲 和数据脉冲之间的延时；m为非负整数，t为连续时间变量；

发射信号经过多径信道到达接收机并经过LPF滤波后，得到接收信号 为：

$r\left(t\right)=\sqrt{\frac{E_b}{{2N}_f}}\underset{m=0}{\overset{N_f-1}{\Sigma }}[w_{\mathrm{rx}}(t-{\mathrm{mT}}_f)+b_i{w}_{\mathrm{rx}}(t-{\mathrm{mT}}_f-T_d)]+z\left(t\right),---\left(2\right)$

其中，w_rx(t)为接收到的超宽带脉冲波形，即w_tx(t)和信道冲激响应h(t) 的卷积，表示为：$w_{\mathrm{rx}}\left(t\right)=w_{\mathrm{tx}}\left(t\right)\otimes h\left(t\right);$

z(t)为双边功率谱密度PSD为N₀/2的加性高斯白噪声AWGN，且 T_d≥T_p+τ_max，T_f≥2T_d，T_s≥N_fT_f；其中τ_max表示多径信道的最大延时扩展，T_s为 符号周期。

所述接收信号r(t)通过模数转换器后生成相应的离散序列可表示为：

$r\left[n\right]=\sqrt{\frac{E_b}{{2N}_f}}\underset{m=0}{\overset{N_f-1}{\Sigma }}\left\{w_{\mathrm{rx}}\right[n-{\mathrm{mN}}_{\mathrm{sr}}]+b_i{w}_{\mathrm{rx}}[n-{\mathrm{mN}}_{\mathrm{sr}}-N_d\left]\right\}+z\left[n\right],n=\mathrm{0,1},···,N_{\mathrm{sa}}-1---\left(3\right)$

其中，r[l]＝r(lT_sa)，w_rx[l]＝w_rx(lT_sa)，z[l]＝z(lT_sa)，T_sa＝1/f_sa为采样间隔，f_sa为采样频率；为与T_d延时相对应的采样数，和 分别表示与符号周期和帧周期相对应的采样数；

AWGN噪声序列满足零均值的复高斯分布，即其中 ${\sigma }_z^2=(N_0/2)f_{\mathrm{sa}}.$

2)对接收信号的离散序列进行N_d单位的延时，并将延时序列取共轭后 和原离散序列相乘，得到自相关序列，通过峰值检测方法确定求和区间的起 点和终点，并以该起点和终点来截取自相关序列；

所述步骤(2)中接收信号的自相关序列是指 c[n]＝r[n]r^*[n-N_d],n＝0,1,…,N_d-1，其求和区间可通过简单的峰值检测方法来粗 糙地确定；

将每一帧自相关积分区间粗定为[T₁,T₂]＝[T_d,2T_d]，每一帧中把整个T_d时刻 以后的部分都作为自相关积分区间；在每一帧中自相关序列的求和区间起点 和终点分别取为N_1,m＝mN_sr+N_d和N_2,m＝mN_sr+2N_d,m＝0,1,…,N_f-1，在每一帧上 均从求和区间起点开始至终点位置的部分进行截取，并把在各帧截取出来的 部分拼接为如下序列：

$\left(\begin{array}{c}{c}^{\prime }\left[n\right]=\underset{m=0}{\overset{N_f-1}{\Sigma }}\left\{b_i{\bar{w}}_{\mathrm{rx}}\right[n-{\mathrm{mN}}_d]+z_{0,m}[n-{\mathrm{mN}}_d\left]\right\}\\ \times \left\{b_i{\bar{w}}_{\mathrm{rx}}\right[n-{\mathrm{mN}}_d]+z_{1,m}[n-m{N}_d]{\}}^{*},n=\mathrm{0,1},···,N_f{N}_d-1\end{array}\right)---\left(4\right)$

其中，定义为

z_k,m[l]|_k＝0,1为独立同分布(i.i.d.)的复加性高斯白噪声序列，即：

3)截取自相关序列，且截取的自相关序列为一个多帧重复序列，根据 TR信号的帧重复频率N_f，将该多帧重复序列分为N_f段长度相同的子序列，并 将N_f段子序列叠加，得到一个降噪子序列；

所述步骤3)是将(4)式所示的序列分为N_f个长度为N_d的子序列，并 将它们叠加得到一个长度为N_d的序列：

$x\left[n\right]=b_i{N}_f{\left|{\bar{w}}_{\mathrm{rx}}\right[n\left]\right|}^2+\underset{m=0}{\overset{N_f}{\Sigma }}{Z}_m\left[n\right],n=\mathrm{0,1},···,N_d-1---\left(7\right)$

其中，第一项为(4)式中各帧有用信号成分的叠加，第二项中Z_m[n]表 示噪声-噪声及噪声-信号交叉项的总体影响，其统计特性可用零均值的复高斯 分布描述。

4)对降噪子序列进行处理，得到信道特征序列；

具体包括；

将降噪子序列输入CCS-RAG处理模块，CCS-RAG处理模块分三阶段 进行工作：

首先是估计阶段，CCS子模块估计出特征向量并向RAG子模块输出特 征向量估计值，该阶段RAG子模块并无输出数据；然后是训练阶段和自适 应检测阶段，在这两个阶段RAG子模块均输出信道特征序列。

所述步骤4)的CCS-RAG处理模块在三个阶段的工作状态可描述为： 在估计阶段，仅CCS子模块处于工作状态，即接收一定数量来自不同发送符 号的子序列x[n]，并进行叠加平均运算，得到信道特征向量估计值，并将其 输入RAG子模块；

在训练阶段和自适应检测阶段，仅RAG子模块处于工作状态，即根据 CCS子模块输入的特征向量估计值对输入的子序列x[n]进行重新排序，从而 得到信道特征序列v[n]，理想的特征向量可描述为：

$q=[q_0,q_1,···,q_{N_d-1}],---\left(8\right)$

其中，对于非负整数l,m,n∈{0,1,…,N_d-1}且m≠n，均有q_n≠q_m且 q_l∈{0,1,…,N_d-1}，信道特征序列v[n]如下所示：

v[n]＝x[q_n],n＝0,1,…,N_d-1.              (9)

从(7)～(9)式得，特征向量q能够刻画出的单调能量分布规律， 即对于任意非负整数m,n∈{0,1,…,N_d-1}且n<m都有：或 $\left|{\bar{w}}_{\mathrm{rx}}\right[q_n\left]\right|\ge \left|{\bar{w}}_{\mathrm{rx}}\right[q_m\left]\right|$成立。

5)对信道特征序列进行分段求和并进行自适应滤波处理，最后输出判 决符号。

具体包括：

对CCS-RAG处理模块输出的信道特征序列进行分段求和，并将各分段 求和结果组装成向量输入自适应滤波器AF，该自适应滤波器按照两个阶段进 行工作：

首先是训练阶段，对加权系数向量进行自适应优化训练直至其收敛，在 该阶段符号判决DEC单元并无输出；然后是自适应检测阶段，通过收敛后的 加权系数向量进行数据符号的自适应检测，DEC单元输出判决符号。

所述步骤5)具体包括：

对信道特征序列v[n]进行分段求和，即将长度为N_d-1的v[n]分为N_p段， 再将各分段分别求和后得到一个长度为N_p的序列：

$u\left[n\right]=\underset{{m=\mathrm{nN}}_b}{\overset{{(n+1)N}_b-1}{\Sigma }}v\left[m\right],n=\mathrm{0,1},···,N_p-1,---\left(10\right)$

其中，为每个分段包含的采样数。再将序列u[n]组装为向量：

u＝[u(0),u(1),…,u(N_d-1)]^T.            (11)

将u输入一个N_p-抽头的自适应滤波器进行线性加权合并，输出的判决 变量为

β＝w^TRe{u},                   (12)

其中，Re{·}表示取实部运算，w＝[w₀,w₁,…,w_Np-1]^T表示自适应滤波器的 加权系数向量，采用最小均方误差(MMSE)准则对w进行优化：

$w_{\mathrm{opt}}=\arg \underset{w\in R^{N_p}}{\min }E\left\{{|b_i-\beta |}^2\right\}.---\left(13\right)$

其中，自适应滤波器分两个阶段进行工作：首先是训练阶段，通过自 适应迭代方式对w进行优化训练，使其收敛于w_opt附近；然后是自适应检测 阶段，以收敛后的w进行(12)式的线性合并，最后进行符号判决：

$\hat{b}=\mathrm{sgn}\left(\beta \right).---\left(14\right)$

其中$\mathrm{sgn}\left(x\right)=\left(\begin{array}{c}+1,x\ge 0\\ -1,x<0\end{array}\right)$为符号函数。

本法发明还提供了一种基于信道特征序列的数字加权自相关超宽带接 收装置，包括：低通滤波器LPF、模数转换器ADC、自相关序列生成模块、 降噪子序列生成模块、CCS-RAG处理模块、自适应滤波器AF，以及符号 判决DEC单元；

低通滤波器LPF用于，滤除接收信号的带外噪声；

模数转换器ADC用于，将低通滤波后的接收信号转换为离散序列， 所述模数转换器为低复杂度的单比特或有限分辨率的模数转换器；

自相关序列生成模块用于，对接收信号的离散序列进行N_d单位的延 时，并将延时序列取共轭后和原离散序列相乘，得到自相关序列，通过峰值 检测方法确定求和区间的起点和终点，并以该起点和终点来截取自相关序 列；

降噪子序列生成模块用于，截取自相关序列，且截取的自相关序列为 一个多帧重复序列，根据TR信号的帧重复频率N_f，将该多帧重复序列分为 N_f段长度相同的子序列，并将N_f段子序列叠加，得到一个降噪子序列；

CCS-RAG处理模块用于，对降噪子序列进行处理，得到信道特征序 列，并对信道特征序列进行分段求和；

自适应滤波器AF用于，对信道特征序列进行分段求和后进行自适应 滤波处理；

符号判决DEC单元用于，对信道特征序列自适应滤波处理后输出判决 符号；

其中，对降噪子序列进行处理，得到信道特征序列具体包括；将降噪 子序列输入CCS-RAG模块，CCS-RAG处理模块分三阶段进行工作：首先 是估计阶段，CCS子模块估计出特征向量并向RAG子模块输出特征向量估 计值，该阶段RAG子模块并无输出数据；然后是训练阶段和自适应检测阶 段，在这两个阶段RAG子模块均输出信道特征序列；

对信道特征序列进行分段求和并自适应滤波处理，最后输出判决符号 具体包括：对CCS-RAG处理模块输出的信道特征序列进行分段求和，并将 各分段求和结果组装成向量输入自适应滤波器AF，该自适应滤波器按照两 个阶段进行工作：首先是训练阶段，对加权系数向量进行自适应优化训练直 至其收敛，在该阶段符号判决DEC单元并无输出；然后是自适应检测阶段， 通过收敛后的加权系数向量进行数据符号的自适应检测，DEC单元输出判 决符号。

实施例二

首先，附图3中给出了本发明在信道特征向量估计、加权系数向量优化 训练及自适应检测三阶段的具体实施流程图。具体实施路线描述如下：

第一阶段，即发射机-接收机链路进入信道特征向量估计阶段，在该阶 段仅实施工作步骤1)～4)。由于需要发送特定的符号序列用于在步骤4)中 估计信道特征向量，出于简单实用的角度考虑，本发明采用长度为N_c的连续 “+1”符号序列。即在发射机端连续发送N_c个“+1”符号，则经过步骤1) ～3)后，相应地可得到以下N_c个向量：

x⁽ⁱ⁾＝[x[0]⁽ⁱ⁾,x[1]⁽ⁱ⁾,…,x[N_d-1]⁽ⁱ⁾],i＝0,1,…,N_c-1.        (15)

其中，由(7)式可知：

${x\left[n\right]}^{\left(i\right)}=N_f{\left|{\bar{w}}_{\mathrm{rx}}\right[n\left]\right|}^2+\underset{m=0}{\overset{N_f}{\Sigma }}{Z}_m^{\left(i\right)}\left[n\right],n=\mathrm{0,1},···,N_d-1.---\left(16\right)$

在步骤4)中，CCS子模块将(15)式所示的N_c个向量进行叠加平均， 得到：

$\bar{x}=\frac{1}{N_c}\underset{i=0}{\overset{N_c-1}{\Sigma }}{x}^{\left(i\right)}=\left[\bar{x}\right[0],\bar{x}[1],···,\bar{x}[N_d-1\left]\right],---\left(17\right)$

其中，由(15)～(17)式可看出，在 叠加平均后所得的向量中噪声成分被进一步抵消，将其中各采样按幅度的升 序或降序排序后即可得到相应的信道特征向量估计值：

$\hat{q}=[{\hat{q}}_0,{\hat{q}}_1,···,{\hat{q}}_{N_d-1}],---\left(18\right)$

其中，对于非负整数l,m,n∈{0,1,…,N_d-1}且m≠n，均有${\hat{q}}_n\ne {\hat{q}}_m,$${\hat{q}}_l\in \{\mathrm{0,1},···,N_d-1\}$且$\left|\bar{x}\right[{\hat{q}}_n\left]\right|\le \left|\bar{x}\right[{\hat{q}}_m\left]\right|$或$\left|\bar{x}\right[{\hat{q}}_n\left]\right|\ge \left|\bar{x}\right[{\hat{q}}_m\left]\right|.$根据上述分析可知，(18)式 即为(8)式的较好估计值。

在得出信道特征向量估计值后，CCS子模块将其输入RAG子模块。

第二阶段，即发射机-接收机链路进入加权系数向量的优化训练阶段， 在该阶段实施工作步骤1)～5)。其中，用于优化加权系数向量的训练序列为 接收机端已知、长度为N_t的双极性伪随机序列即整个优化过程 即是将以下操作流程重复N_t次：

1)实施工作步骤1)～3)，得到(7)式所示的x[n],n＝0,1,…,N_d-1；

2)实施工作步骤4)，即RAG子模块将信道特征向量估计值代入(9) 式以重新排列x[n]，得到信道特征序列v[n]并将其输出；

3)实施工作步骤5)，即先按照(10)～(11)式将v[n]分段求和并组 装为向量u，将u输入自适应滤波器后根据(12)式可计算出β，再得出残差 最后根据残差e采用递归最小二乘(RLS)自适应滤波算法更新加 权系数向量w。

第三阶段，即发射机-接收机链路进入自适应检测阶段。在此阶段发射机 发送未知的数据符号在每一个符号的检测周期内接收机执行以下 操作流程：

1)实施工作步骤1)～3)，得到(7)式所示的x[n],n＝0,1,…,N_d-1；

2)实施工作步骤4)，即RAG子模块将信道特征向量估计值代入(9) 式以重新排列x[n]，得到信道特征序列v[n]并将其输出；

3)实施工作步骤5)，即先按照(10)～(11)式将v[n]分段求和并组 装为向量u，将u输入自适应滤波器后根据(12)式可计算出β，进而根据(14) 式进行符号判决，得到估计符号以此计算残差最后根据残差e采 用RLS自适应滤波算法更新加权系数向量w。

由图4～图6可以看出，本发明采用叠加平均算法估计出信道特征向量， 当参与叠加平均的训练符号数N_c达到512之后即可获得与理想信道特征向量 相近的误码性能。此外，当自适应滤波器抽头数N_p从2增加到16时，在 BER＝10^-6处的相对功率增益从1.5dB减少至0.1dB。因此，综合考虑性价比 因素，可取N_c＝512及N_p＝16，能够以一定的实现复杂度为代价，显著提升系 统的误码性能，与现有的两种加权自相关接收机相比，本发明在BER＝10^-6处的功率增益为1.2dB以上，仅需增加N_c＝512比特的估计开销。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本 领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和 原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护 范围之内。