一種TDMA信號用戶盲分離方法*

(西南電子電信研究所，成都 610041)

0 引 言

時分多址(Time Division Multiple Access,TDMA)作為一種多用戶的復用方式，具有單載頻復用、頻譜利用率高、通信配置靈活、適用處理突發業務等特點，是衛星通信的關鍵技術之一[1-2]。由于TDMA信號中的載頻可以承載多個用戶，每個用戶通過分配的時隙進行突發通信。在第三方偵收過程中，對同一用戶時隙進行提取分類，再進行后續信息獲取，能避免其他用戶帶來的交叉干擾。尤其在目標測向定位中，多用戶之間的干擾嚴重影響定位性能。

無先驗知識情況下的TDMA用戶盲分離，首先要進行突發信號檢測，準確檢測出突發時隙的起始位置[3-4]。由于衛星接收站和衛星之間的相對運動，導致接收信號含有較大的多普勒頻偏[5]，因而對TDMA信號頻偏估計具有較高的要求。鑒于能量檢測算法具有較好的抗頻偏性能，本文采用雙滑動窗口檢測算法[6]。

本文根據提取的TDMA信號特征信息采用聚類的方法將信號用戶分離。然而在實際TDMA信號處理過程中，由于很難確定TDMA的用戶數量，常用的特征聚類算法[7-8]雖能夠較好地進行特征分類，但是較大程度地依賴于數據先驗信息，并受噪聲干擾影響較大。由于DBSCAN(Ddensity-based Spatial Clustering of Applications with Noise)[9-11]聚類算法無需確定聚類的個數，并且對噪聲適應性較好，因此本文提出基于信號特征的DBSCAN用戶分離方法。該算法能夠適應不同的用戶特征，同時具有良好的抗噪聲性能和較高的正確分選率。

1 TDMA信號特征提取

1.1 信號模型

TDMA信號模型可以表示調制信號與多個矩形脈沖串的乘積，信號可以理想表示為

x(t)=u(t)·s(t)+ε(t)=

(1)

式中：u(t)表示為矩形脈沖門函數；Tr為幀長度，Tw為包含保護間隙的每一突發寬度，即時隙長度；n表示為幀號；s(t)為已調信號；ε(t)表示加性高斯白噪聲。本文中s(t)為數字調制信號，其模型為

s(t)=r(t)cos(2πfct+φ0)。

(2)

1.2 TDMA突發雙滑動窗口檢測

圖1 雙滑動窗檢測原理

圖2 雙滑動窗檢測流程

1.3 TDMA信號特征提取流程

1.3.1 幅度特征

設模采信號為x(n)，本文模采信號通指將模擬信號采樣得到的數字信號，采樣率fs，中頻fc，信號帶寬bw。信號瞬時幅度A(n)的求取如圖3所示。

圖3 求取信號幅度流程

獲得信號幅度A(n)后，可求取幅度K特征：

K=E[u2(n)]/(E[u(n)])2-2。

式中:u(n)為信號幅度的平方。幅度包絡平坦度，即幅度抖動的期望值的求解方法如下：先求幅度A(n)的包絡ξa(n)，將A(n)作Hilbert變換，得到解析信號，然后取模：

ξa(n)=abs(Hilbert(A(n)))，

(3)

再對ξa(n)求平坦度

Ra=var[ξa(n)]/(E[ξa(n)])2。

(4)

零中心歸一化幅度譜密度最大值

rmax=max|DFT(Acn(i))|2/N。

(5)

(6)

短時方差是指在特定的短暫時間窗內信號幅值的方差或功率:

(7)

短時電平和是指在特定的短暫時間窗內信號幅值之和：

c3(t)=sum{|x(t-TL/2:t+TL/2)|}。

(8)

1.3.2 頻率特征

信號瞬時頻率的求取如圖4所示。

圖4 求取信號頻率流程

非弱頻率標準差：調制信號一般都占有一定的帶寬，而連續波(Continuous Wave，CW)信號只有一個頻率分量，頻率標準差是表征信號帶寬的一個量，其定義為σf=std(f(n))。

頻率包絡平坦度，即頻率抖動的期望值：先求頻率f(n)的包絡ξf(n)，將f(n)作Hilbert變換，得到解析信號，然后取模：

ξf(n)=abs(Hilbert(f(n)))，

(9)

再對ξf(n)求平坦度：

Rf=var[ξf(n)]/(E[ξf(n)])2。

(10)

頻偏ΔVf=fc′-fc，其中fc′為真實頻率的估計，fc為通信雙方設定的載頻。

2 基于特征聚類的TDMA信號分離

DBSCAN算法將數據化分為基于半徑Eps領域的所有點的集合。Eps領域定義為與某一點p的距離小于等于Eps點的集合。定義數據點個數MinPts，算法基于半徑Eps，將在半徑Eps內含有超過MinPts數目的點定義為核心點，數目小于MinPts但落在核心點的領域內的點定義為邊界點，除此之外剩余的點為噪聲點。DBSCAN算法實現過程如圖5所示，其通過檢查數據集中的Eps領域來搜索簇，如果點p的Eps鄰域包含的點多于MinPts個，則創建一個以p為核心對象的簇，以該核心對象為出發點，DBSCAN迭代地聚集從這些核心對象直接密度可達的樣本生成聚類簇，直到所有核心對象被訪問過為止。如圖5所示，黑色點為所有數據點，紅色點為核心點，圓圈定義為半徑Eps領域，綠色箭頭表示為密度可達生成聚類簇的過程。從圖5可見算法能發現任意形狀的聚類簇，能較好地排除噪聲的干擾，聚類結果不受輸入序列的影響。

圖5 密度可達生成聚類簇示意圖

DBSCAN算法需要確定兩個重要的參數Eps領域和MinPts[12]，參數的選取不同會導致不同的聚類結果。MinPts不能選擇過大，否則會導致將領域點的數據誤判為噪聲；也不能選擇過小，否則會導致核心點數量過多，從而將噪聲誤判為簇類里數據。同樣Eps領域決定了噪聲在聚類簇中的歸屬，本文采用繪制降序k-距離圖的方法估計參數Eps，再根據每個點的領域對象數量來確定MinPts[4,12]。

本文基于特征聚類的TDMA信號用戶分離的算法流程如圖6所示。

圖6 基于特征聚類的TDMA信號用戶分離算法流程

3 仿真實驗結果

3.1 仿真數據

仿真實驗條件設置為：信號調制方式為QPSK，分別包含5個用戶和10個用戶，用戶時隙長約0.586 ms，采樣率fs=12.56 MHz，碼元速率fd=1.024 MHz，載頻fc=3 MHz。分別測試0 dB和10 dB信噪比條件下的TDMA突發檢測、用戶分離算法性能。圖7為0 dB信噪比條件下的時域波形，其中橫軸代表歸一化時間，縱軸為信號幅度。由于噪聲較高，突發時隙難以分辨，導致低信噪比突發時隙漏檢較高。

圖7 信噪比為0 dB時TDMA仿真信號時域波形圖

從圖7的時域波形圖中可以看出，在低信噪比下，人肉眼也不容易區分出突發信號，該實驗中信號總突發數為3 495，采用雙窗能量檢測算法檢測的突發數為1316，能部分檢測出突發信號。采用載波頻偏和突發功率特征值，圖8(a)為5個用戶的突發檢測分離結果，其中2個低功率用戶突發沒有被檢測出，功率較大的3個用戶能成功分離。圖8(b)為10個用戶的突發檢測分離結果，其中5個低功率用戶突發沒有被檢測出，功率較大的5個用戶能成功分離。該實驗證明在低信噪比下雙窗能量檢測算法不能完全檢測出突發信號，但聚類算法能對檢測的結果進行正確分離，從分離結果中可看出，該方法能標記出噪聲點、核心點和邊緣點，具備較好的分離性能。

(a) 5個用戶的信號分離結果

圖9為10 dB信噪比條件下的時域波形，從該時域波形上能直接分辨出用戶突發時隙。采用雙窗能量檢測算法檢測的突發數為3 494，只漏檢1個突發。

圖9 信噪比為10 dB時TDMA仿真信號時域波形圖

同樣采用載波頻偏和突發功率特征值進行用戶聚類，圖10(a)和圖10(b)給出了用戶的分離結果，可看出正確分離出了5個用戶和10個用戶，驗證了算法的有效性。通過分離后的用戶時隙與實際用戶時隙對比驗證，分離準確率大于96%。

(a) 5個用戶的信號分離結果

3.2 實際信號數據

實驗采用某方向實際接收的衛星TDMA網臺數據進行驗證，該網臺包含5個頻點TDMA信號，共約12 150個突發，突發信噪比在3～8 dB之間，信號的時域波形如圖11所示。

圖11 TDMA實際信號時域波形圖

考慮到不同頻點之間帶來的特征差異，這里分別對每個頻點進行突發檢測和用戶分離驗證。共提取頻域和時域10維特征，采用分離度較好的突發功率和載波頻偏特征進行聚類，并將數據歸一化處理后的分離結果如圖12所示。結果表明，各頻點用戶數為4～5個，用戶突發時隙能夠成功分離，采用主站網控信令時隙分配信息進行對比驗證，各頻點分離準確性大于90%。

圖12 TDMA實際信號用戶分離結果

4 結 論

本文主要探討了基于TDMA信號特征進行用戶聚類的信號分選方法，對TDMA信號的檢測和特征提取進行了深入的研究，并基于DBSCAN算法，針對無先驗知識的TDMA信號提出了基于特征聚類的用戶分選方法。在實驗中，首先利用仿真實驗驗證了該方法的正確性，并利用實際數據驗證了該方法在實際網臺的有效性，仿真實驗結果表明該方法能夠有效檢測TDMA信號，能夠正確提取信號特征，實現有效的信號用戶分選。