基于精度递进定时估计的波特率细微特征估计方法

摘要

本发明涉及一种基于精度递进定时估计的波特率细微特征估计方法，首先对待估计信号进行变换，进行DFT粗估计，获得估计误差；采用CZT方法进行频谱细化分析，获得较高精度的信号波特率，然后进行精度递进定时的波特率估计，获得更高的估计精度，使得估计知满足预定精度要求，以区分不同辐射源的细微特征。本发明解决现有技术中辐射源细微特征估计精度不高的问题，通过精度递进定时估计的波特率估计，获得更高的估计精度，其精度足以区分不同的辐射源的细微特征，为辐射源识别提供可靠依据。

说明书

技术领域

本发明属于辐射源细微特征技术领域，特别涉及一种基于精度递进定时估计的波特率细微特征估计方法。

背景技术

辐射源细微特征估计，是指通过对信号参数的精确计算，获取辐射源的工作状态、区分不同的辐射源的技术。对于地面站接收到的卫星通信信号来说，信号经过了地面发送设备和卫星透明转发两个环节。假设进行细微特征分析处理的地面接收设备的采样时钟、本振等皆具有很高的精度和稳定度，相较于通信链路中的设备来说高出至少两个数量级。因此，地面接收设备不会对接收的卫星下行信号附加额外的频偏或采样偏差。在卫星通信链路中，即使使用同样型号的通信设备，包括调制解调器、上变频器等终端设备，由于设备工作状态、工作环境、芯片与器件间差异等因素，符号速率和载波频率的细微差异也是客观存在的。

符号速率参数依赖于调制解调器内的数字时钟，包括调制波形生成的时钟以及DAC的工作时钟等。这些数字时钟通常由晶体振荡器和时钟锁相芯片提供，即使是同一型号同一批次的器件与芯片，其间的细微差异也是存在的，通常晶振的说明文档中会给出其稳定度参数。而另一方面，晶振的输出时钟受工作状态和环境温度等因素影响很大。因此符号速率参数的差异总是存在的，只是细微特征提取设备本身的稳定度能否达到区分其差异，以及细微特征提取算法能否有效提取出这种差异。上述辐射源细微特征差异在实际卫星通信系统中有明显体现。如某卫星VSAT网的TDMA信号，某个TDMA载波中的各时隙突发来自不同的地面VSAT终端，这些终端型号相同，参数设置也一致，按网络分配占用该TDMA载波的不同时隙以突发形式进行传输，这些辐射源之间的载波频率与符号速率也同样都存在较大差异。

假定数据s_r(t)按采样率f_s离散化为s_r(n)，DFT运算的点数选为N，对s_r(n)进行取模运算，从DFT功率谱中获得的峰值位置位于K₀，则满足：

符号速率：

进行DFT计算进行估计时，所对应的估计误差为：

符号速率误差：

对于细微特征估计来说，上述精度远远不够。

发明内容

为克服现有技术中的不足，本发明提供一种基于精度递进定时估计的波特率细微特征估计方法，解决辐射源细微特征难以识别的问题，为辐射源的识别提供可靠依据。

按照本发明所提供的设计方案，一种基于精度递进定时估计的波特率细微特征估计方法，包含如下步骤：

步骤1、采集长度为L的待估计信号s_r(n)，对其进行取模运算，得到|s_r(n)|；

步骤2、对|s_r(n)|进行DFT粗估计，得到符号速率R_B的估计值确定估计值的误差范围；

步骤3、依据估计值的误差范围对|s_r(n)|进行CZT细化谱分析，选定CZT细化区间，计算细化间隔，估计匹配数据量，进行CZT计算，更新估计值

步骤4、根据符号速率估计值选定数据起点M₁，通过最佳抽样时刻估计得到对应的定时时刻

步骤5、根据符号速率估计值的误差范围选取M₂，通过最佳抽样时刻估计得到对应的定时时刻

步骤6、根据步骤4得到的和步骤5得到的计算符号周期

步骤7、根据符号周期更新符号速率估计值

步骤8、判断估计值是否满足预定精度要求，若满足，则输出估计值否则，返回步骤5，根据误差范围重新选取新的M₂执行。

上述的，步骤1中的符号速率R_B的估计值通过计算公式获得，计算公式为：

其中，S_r0(ω)＝P(|s_r(t)|)。

上述的，步骤2中进行DFT粗估计包含如下内容：设定信号s_r(t)按照采样率f_s离散化为s_r(n)，DFT运算点数为N，符号速率R_B的估计值通过计算公式获得，计算公式为：

其中，S_r0(ω)＝P(|s_r(t)|)，从DFT功率谱中获取峰值位置K₀，峰值位置与估计值满足条件如下：依据峰值位置与估计值对应的满足条件对信号s_r(t)进行DFT粗估计，得到对应估计值误差范围为：

$>|{\hat{R}}_B-R_B|=\frac{f_s}{N}/2.$>

上述的，步骤3具体包含如下内容：

步骤3.1、依据估计值误差范围对|s_r(n)|进行CZT细化谱分析，CZT细化谱计算频率范围选择为：

步骤3.2、设定对细化范围进行K点均匀采样细化；

步骤3.2、根据CZT计算公式：

$>S_{r0}\left(k\right)=\underset{n=0}{\overset{N^{\prime }-1}{\Sigma }}\left|s_r\left(n\right)\right|e^{-jn({\theta }_0+{\phi }_{0}k)},k=0,1,...,K-1$>

$>{\theta }_0=\frac{2\pi }{N}(K_0-\frac{1}{2}),$>

$>{\phi }_0=\frac{2\pi }{N}·\frac{1}{K}$>

对S_r0(k)查找峰值，其对应的频率值即为符号速率R_B的估计，更新符号速率R_B的估计值其中，s_r(n)为待进行细微特征分析的接收信号，N'为利用到的s_r(n)数据样点数。

上述的，最佳抽样时刻估计包含内容如下：依据估计值计算位置的频谱值其中，M为数据起点，对应时刻为M·T_s＝M/f_s，T_s＝1/f_s为采样周期，其相位为：则最佳抽样时刻为：

上述的，步骤6中符号周期由公式：计算得到，其中，

本发明的有益效果：

本发明解决现有技术中辐射源细微特征估计精度不高的问题，通过对待估计信号进行变换，进行DFT粗估计，获得估计误差范围；采用CZT方法进行频谱细化分析，获得较高精度的信号波特率，然后进行精度递进定时估计的波特率估计，获得更高的估计精度，使得其满足预定精度要求，以区分不同辐射源的细微特征，简化流程，大大减少计算量，提高其实时性，便于工程实现，为辐射源的识别提供可靠依据。

附图说明：

图1为本发明的流程示意图；

图2为实施例二定时估计的仿真性能示意图。

具体实施方式：

下面结合附图和技术方案对本发明作进一步详细的说明，并通过优选的实施例详细说明本发明的实施方式，但本发明的实施方式并不限于此。

实施例一，参见图1所示，一种基于精度递进定时估计的波特率细微特征估计方法，包含如下步骤：

步骤1、采集长度为L的待估计信号s_r(n)，对其进行取模运算，得到|s_r(n)|；

步骤2、对|s_r(n)|进行DFT粗估计，得到符号速率R_B的估计值确定估计值的误差范围；

步骤3、依据估计值的误差范围对|s_r(n)|进行CZT细化谱分析，选定CZT细化区间，计算细化间隔，估计匹配数据量，进行CZT计算，更新符号速率估计值

步骤4、根据估计值选定数据起点M₁，通过最佳抽样时刻估计得到对应的定时时刻

步骤5、根据估计值的误差范围选取M₂，通过最佳抽样时刻估计得到对应的定时时刻

步骤6、根据步骤4得到的和步骤5得到的计算符号周期

步骤7、根据符号周期更新估计值

步骤8、判断估计值是否满足预定精度要求，若满足，则输出符号速率估计值否则，返回步骤5，根据估计值的误差范围重新选取新的M₂执行。

首先对待估计信号进行变换，进行DFT粗估计，获得估计误差范围；采用CZT方法进行频谱细化分析，获得较高精度的信号波特率，然后进行精度递进定时估计的波特率估计，获得更高的估计精度，使得其满足预定精度要求，以区分不同辐射源的细微特征，简化流程，大大减少计算量，为辐射源的识别提供可靠依据。

实施例二，参见图1所示，一种基于精度递进定时估计的波特率细微特征估计方法，包含如下内容：

步骤1、采集长度为L的待估计信号s_r(n)，对其进行取模运算，得到|s_r(n)|，以将其转换为单极性基带脉冲序列。

步骤2、对|s_r(n)|进行DFT粗估计，得到对应的估计误差范围，具体包含如下内容：设定信号s_r(t)按照采样率f_s离散化为s_r(n)，DFT运算点数为N，为能从符号速率位置的凸显的离散谱线单频分量测量符号速率，符号速率R_B的估计值通过计算公式获得，计算公式为：

其中，S_r0(ω)＝P(|s_r(t)|)，S_r0(ω)为对s_r(t)进行取模运算后计算得到的功率谱，从DFT功率谱中获取峰值位置为K₀，峰值位置与估计值满足条件如下：在数据量较小或信噪比较低情况下，为便于从存在连续谱的条件下进行峰值查找，需要先采用离散谱线增强方法对S_r0(ω)进行预处理，依据峰值位置与估计值对应的满足条件对信号s_r(t)进行DFT粗估计，依据符号速率R_B的最大可能归一化估计误差值确定估计值的误差范围，得到对应的估计值误差范围为：

$>|{\hat{R}}_B-R_B|=\frac{f_s}{N}/2.$>

步骤3依据估计值误差范围对|s_r(n)|进行CZT细化谱分析，选定CZT细化区间，计算细化间隔，估计匹配数据量，进行CZT计算，更新符号速率估计值具体内容如下：

步骤3.1、依据估计值误差范围对|s_r(n)|进行CZT细化谱分析，CZT细化谱计算频率范围分别对应选择：

步骤3.2、设定对细化范围进行K点均匀采样细化，使得频谱分析的分辨率提高为较原精度来说细化了K倍；

步骤3.2、根据CZT计算公式：

$>S_{r0}\left(k\right)=\underset{n=0}{\overset{N^{\prime }-1}{\Sigma }}\left|s_r\left(n\right)\right|e^{-jn({\theta }_0+{\phi }_{0}k)},k=0,1,...,K-1$>

$>{\theta }_0=\frac{2\pi }{N}(K_0-\frac{1}{2}),$>

$>{\phi }_0=\frac{2\pi }{N}·\frac{1}{K}$>

对S_r0(k)查找峰值，其对应的频率值即为符号速率R_B的估计，更新符号速率R_B的估计值其中，s_r(n)为待进行细微特征分析的接收信号，N'为利用到的s_r(n)数据样点数。

步骤4、依据估计值选定数据起点M₁，通过最佳抽样时刻估计得到对应的定时时刻最佳抽样时刻估计包含内容如下：依据估计值计算位置的频谱值其中，M为数据起点，对应时刻为M·T_s＝M/f_s，T_s＝1/f_s为采样周期，其相位为：

则最佳抽样时刻为：

步骤5、根据符号速率估计值的误差范围选取M₂，同样通过最佳抽样时刻估计得到对应的定时时刻

步骤6、根据步骤4得到的和步骤5得到的计算符号周期符号周期由公式：计算得到，其中，式中[·]运算为四舍五入运算，计算出从到时间段对应的符号数L_M1→M2，取四舍五入得到的L_M1→M2能对应为与之间符号数需要满足一定前提，取决于与的估计误差、的估计误差和M₂-M₁的大小，特别是后两个因素；在存在误差的情况下，M₂-M₁太大可能导致得出的符号数错位；的估计误差在此分析过程中可以忽略不计，因此假设与估计无误差，则此时不发生错位的条件：

$>L_{M1\to M2}-0.5<(L_{M1\to M2}·T_B)·{\hat{R}}_B<L_{M1\to M2}+0.5$>

上式简化为：

$>L_{M1\to M2}<\frac{1}{2\frac{|{\hat{R}}_B-R_B|}{R_B}}$>

即为M₂-M₁范围选取的原则，依据CZT频谱细化分析方法中符号速率的最大可能的归一化估计误差值来选取。

例如，符号速率为R_B＝2.5MBd、采用16384符号数据进行CZT细化分析方法得到的的估计误差小于1.5Bd时，则在与之间符号数大于833K时，将导致符号数计算错误，而这种错误通过缩短M₂-M₁可以轻易避免。当然，如果不是出于整体计算量和计算方便的考虑，四舍五入运算过程亦可通过实际的符号定时同步来解决，即通过定时同步算法跟踪M₁到M₂之间的所有最佳抽样时刻进行符号同步，从而直接计数得出M₁到M₂之间的符号数L_M1→M2。

步骤7、根据符号周期更新符号速率估计值

步骤8、根据估计值判断该估计值是否满足预定精度要求，若满足，则输出估计值否则，返回步骤5，根据误差范围重新选取新的M₂执行。

符号周期估计方法在高精度要求上存在矛盾，的估计误差平均在L个符号内，因此，如需获得符号周期的高精度估计，则需加大M₂-M₁；但由于提供的符号速率估计值存在估计误差，使得M₂-M₁的选取受制约而不能取太大，这又限制了符号周期的估计精度；该矛盾可以运用精度递进的思想迭代计算解决。

根据估计误差范围来确定M₂的选取，并计算估计符号周期并根据来更新符号速率估计值如果更新后的符号速率估计值仍然不满足精度要求，则迭代回去，根据更新后的的估计误差范围来选取新的M₂值，并继续计算及再次更新如此循环直到满足精度要求。由于每次更新后其精度都得到了提高，因此对应可以选取更大的M₂值，所以和的精度亦随之再次提高。

M₂确定之后，计算并估计符号周期并根据来更新符号速率估计值所以更新后的的估计误差范围，就是的估计误差范围，并且被平均在了M₂-M₁码元内。

考虑有误差时，如图2所示，在E_s/N₀＝15dB条件下QPSK调制信号的定时估计性能(误差的影响)，图中给出了的归一化估计误差为1×10^-6、1×10^-5和1×10^-4时的仿真性能，逐段精度递进的过程很好的解决了大数据量下符号速率的细微特征精确估计问题。图1处理流程中对接收信号s_r(n)以流式进行处理，在后续迭代回去的计算中不必用到历史数据，便于工程实现，且总体计算量低。

本发明并不局限于上述具体实施方式，本领域技术人员还可据此做出多种变化，但任何与本发明等同或者类似的变化都应涵盖在本发明权利要求的范围内。