Alpha穩定噪聲中頻移鍵控信號的聯合同步估計

孫明杰，周 林，劉永進，顧金玲，石 磊

(1.空軍工程大學防空反導學院，陜西 西安 710051；2.中國人民解放軍93861部隊，陜西 咸陽 713800；3.中國人民解放軍32272部隊，甘肅 蘭州 730060)

0 引言

傳統的通信方案中通常都假設噪聲符合高斯分布；然而，在很多方案中，噪聲通常不符合高斯分布并且具有明顯的脈沖特性。例如，在甚低頻和低頻(VLF/LF)通信和水下通信中，脈沖噪聲廣泛存在，這意味著采樣信號將會被嚴重破壞。在這種情況下，采用高斯噪聲的方法在信號處理過程中通常會得到較差的結果。根據文獻[1—3]，噪聲采用α均勻穩定(SαS)分布建模而不是高斯分布將更有吸引力，這是因為α均勻穩定(SαS)分布的概率密度函數能夠更好地描述脈沖噪聲中的脈沖。

SαS分布噪聲的通信和信號處理已成為研究熱點[2-9]。由于SαS分布噪聲廣泛存在于VLF/LF通信中，本文主要對頻移鍵控(MSK)的聯合時間相位同步問題進行研究[1,10]。顯然，在評估脈沖噪聲同步算法時，給出同步算法的性能界限是很有必要的[11]，然而，目前關于性能界限的分析并不多。有關高斯噪聲中的頻移鍵控同步已有研究[12]。在SαS噪聲中，同步算法的基本原則如下：接收到的信號首先經過非線性抑制噪聲預處理，然后再利用高斯噪聲的同步算法[2,13]。

本文推導了關于頻移鍵控信號聯合時間相位偏移的克拉美羅下限，設計了一種最小化克拉美羅下限的最優訓練序列，提出一種估計兩個同步參數的實用算法，并進行了相關仿真。

1 信號模型

在VLF/LF通信中，MSK信號被廣泛采用，噪聲服從α均勻穩定(SαS)分布[1,10]。同時，VLF/LF通信信道是頻率衰落信道。基于已知訓練序列的數據輔助同步算法估計參數[12]，令d{l}，l=0,…,L-1，T與Ts分別代表MSK傳輸信號的訓練序列，采樣間隔和符號周期。接收到的訓練序列基帶采樣信號為[8]：

(1)

式(1)中，q(nT)為MSK信號的相位響應，當0≤nT

SαS分布有兩個參數，特征參數0<α≤2和數值參數γ>0[2]，α越小，存在的脈沖越多。除特殊個例，SαS分布沒有顯式概率密度函數表達式。但存在顯式性能函數[2]φ(ω)=e-γα|ω|α。令υ0,R(n)和υ0,I(n)分別為α和γ。接收信號的SNR為：

(2)

為了方便表示，采用功率標準化接收器模型如下：

(3)

式(3)中，p=[p1,p2]T=[τ,θ]T為同步參數矩陣，υ(n)=υ0(n)/γ歸一化復基帶SαS噪聲信號。

2 同步算法設計

2.1 克拉美羅下限分析

本節將主要討論p估計的CRLB。令向量r=[rn]T=[r(n)]T，s=[sn]T=[s(n,p)]T，e=r-s=[en]T，其中n=0,…N-1，N為接收信號的采樣數目。則用來估計p的最大似然函數可以表示為:

(4)

根據噪聲模型，en,R和en,I服從特征參數α數值參數為1 的SαS獨立同分布，f(·)為en,R和en,I的概率密度函數。

另外，p估計的費舍爾信息矩陣(FIM)I(p)∈2×2為[11]：

(5)

式(5)中，i,j=1,2；g(x)為SαS分布的評分函數，表達式為：

g(x)=-f′(x)/f(x)

(6)

當x趨近于無窮時，概率密度函數f(x)服從f(x)～(αCα/2)x-α-1，其中，Cα是由α決定的常數。期望E[g′(en,R)]為：

(7)

同樣的，可以得到E[g(en,I)]=0，則：

(8)

費舍爾信息矩陣可表達為：

(9)

將式(1)中的MSK信號表達式代入式(3)，[τ,θ]T估計的CRLB為：

CRLB{τ}=[I-1(p)]1,1=

(10)

CRLB{τ}=[I-1(p)]2,2=

(11)

式(10)、式(11)中，κ(α)揭示了參數α對CRLB的影響。根據κ(α)的性質，當α≥1時，隨著α的減小，CRLB基本不變；當α<1時，CRLB隨著α的減小迅速減小。同時，大的采樣數目N，例如，大的過采樣頻率，導致更小的CRLB。進一步，由于CRLB是TS{dl}的函數，可以設計最優的TS最小化CRLB。顯然，最優TS應該滿足：

(12)

2.2 同步算法流程

本節提出一種同步參數向量p=[τ,θ]T的估計算法。p的估計值是下面優化問題的解：

(13)

式(13)中，J(r,p)為成本函數。最優成本函數可以根據LLF設計，然后可以得到MLE。但是由于LLF沒有閉式形式，因此很難在SαS中得到MLE。為了設計一種實用算法，本文提出一種閉式極大成本函數。與基于成本函數的最優LLF相比， 極大成本函數性能近似最優，并且已經用來設計SαS噪聲中的自適應濾波器和信號檢測[4-5]。極大成本函數可以表示為如下形式：

(14)

根據文獻[5],極大成本函數為非凸的，因此可以采用全局搜索方法對優化問題式(13)進行求解。本文選用一種典型的全局搜索方法—分支定界法[15]，向量p的搜索空間首先被分為多個子空間，對每一個子空間，如果包含全局最優解，則將該子空間繼續分割，否則，直接刪掉該子空間。分支定界法的關鍵在于在子空間中找到成本函數J(r,p)的邊界。

已知向量p的搜索空間為矩形區域，因此，將搜索空間分為小的矩形區域，小矩形的每個頂點對應一個向量p。下面介紹在子矩形區域中推導基于下邊界的Lipschitz常數的定理。

令p1和p2代表一組子矩形區域的對角，則基于J(r,p)下邊界的Lipschitz常數滿足

(15)

其中Lipschitz常數C為:

(16)

證明：令

(17)

在p1和p2為對角的子矩形區域中，基于Jn,R(r,p)下邊界的Lipschitz常數滿足[15]：

(18)

式(18)中，Cn,R為對應的Lipschitz常數，等于‖?Jn,R(r,p)/?p‖的上確界[15]。

(19)

其中,

(20)

在VLF/LF通信方案中，脈沖噪聲的幅度通常要比傳輸信號的幅度大[9-10]。由此，可得：

(21)

最后，可得Cn,R為:

(22)

同樣，可得基于J(r,p)下界的Lipschitz常數

(23)

綜上所述，可得基于J(r,p)下邊界的Lipschitz常數如式(18)所示。

通過上述分支定界法，提出的同步算法圖1所示。

圖1 同步算法流程圖Fig.1 The flow chart of synchronization algorithm

1) 復雜度。對于本文提出的算法，算法復雜度主要由算法流程和迭代次數決定。在算法流程圖中，復雜度主要來自于極大成本函數J(r,p)的計算。J(r,p)在步驟21中需要計算8次。根據式(6)，J(r,p)的計算需要4N次加法，2N次乘法和2N次對數運算。同時，仿真表明算法流程的多次迭代能夠保證所提算法收斂。

3 仿真驗證

在仿真中采用了點對點的VLF/LF通信系統，該系統包含了MSK信號和SαS噪聲。設置TS中的符號數為L=20，時偏τTs和載波相位偏移θ分別落在區間[0,Ts)和[0,2π)。給出在信噪比η下的同步性能。另外，根據式(12)設計了最小化CRLB的最優TS。算法1中的結束點設置為ε=0.001。

在SαS噪聲中，已有的同步算法包括基于高斯的非線性預處理同步方法[2,9]。由于剪切的使用，可以較好處理非線性問題[2,13]，被稱為基于剪切的同步算法。根據文獻[12]，當存在高斯噪聲時，基于高斯的同步算法能夠得到：

(24)

圖2對基于剪切的算法和本文算法的CRLB估計點進行了比較。其中參數α和過采樣率Ts/T分別設置為1.5和10。從圖2可以看出，與基于剪切的算法相比，本文所提算法具有更好的性能，接近CRLB。主要原因是極大成本函數在SαS噪聲中具有近似最優的性能。

圖2 基于CRLB算法和基于剪切算法的θ(左)和τ(右)的估計性能比較Fig.2 Comparison of estimated performance (left) and (right) based on CRLB algorithm and shearing algorithm

圖3展示了在不同估計誤差Δη和Δα下θ和τ的估計點。能夠看出，根據前面ECF方法估計得到的η和α設置的估計誤差Δη和Δα對所提方法基本沒影響。

圖3 不同估計誤差Δη和Δα下θ和τ的θ(左)和τ(右)的估計Fig.3 Estimates (left) and (right) of the lower sums of different estimation errors

4 結論

本文提出顯式極大代價函數和全局最優的實際同步參數估計算法。該算法得到了時間和載波相位偏移聯合估計的CRLB，并設計了最優TS使得CRLB最小。仿真結果表明，所提方法性能基本接近CRLB，仿真結果也證明該方法對由信噪比和噪聲參數引起的估計誤差魯棒。