信噪比算法估计研究

信噪比算法估计研究（精选7篇）

信噪比算法估计研究 篇1

伴随着通信技术、电子技术和计算机技术的迅速发展,信号处理理论引起学术界的广泛关注,很多学者从不同的角度对信号处理理论进行了丰富和完善,提出了各种新算法、新理论。而SNR(信噪比)算法估计因为其具有的各种优点成为是信号处理领域的一个重要内容。SNR是指接收信号中声音信号和噪声的功率之比,也可看成是最大不失真声音信号强度与噪音强度之间的比率。SNR算法估计利用信号处理和参数估计的理论与方法,对接收信号的功率或能量进行测定和估算,计算有益信号功率和影响该信号的噪声功率之比,SNR值越大说明音频产品的信号处理能力越好。SNR算法估计的功能在于可以提供功率控制、信道分配等所需的信道质量信息,SNR算法估计的众多优点在于可以促进自适应的采用更有效的解调算法提高解调性能,很多其它的算法也需要基于SNR的先验知识来优化性能。

SNR算法估计从20世纪60年代被首次提出以来,经过不断的发展已经成为无线通信领域的一个重要研究领域。一般地,SNR估计是从基带、采样和接收信号数据获得的。整体上SNR估计算法可以分为两类:一类基于数据辅助,称为DA(Data-Aided)算法,对算法的估计依赖于传输数据的先验知识。即在传输过程中周期性地发送已知的序列(导频),接收端比较已知的序列和接收到序列来获取信噪比信息;另一类是无数据辅助的,是通过未知数据和对接收信号进行分析从而得到的SNR估计,即接收端在接收数据的同时对接收到的数据进行盲估计,称为NDA(Non Data-A ided)算法。DA算法的优点在于具有较高的性能,对信道的数据传输效率不会产生额外影响,并且估计精度较NDA方法好,但缺点是占用额外的带宽,通常不被采用。NDA算法主要包括自相关矩阵分解算法、高阶矩估计、ML、平方信噪方差比估计、SVR、EVM、SSME算法等。前面几种算法的缺点是计算量太大,对于主要以FPGA进行接收机设计的状况,单纯依靠矩阵求逆、高次方运算来实现,复杂度高且对资源占用太大;而SSME算法估计对每个符号有较高的过采样率,比较合适在符号率低的情况下应用,缺点是局限于估计AWGN信道中的BPSK信号,在高速率数据传输系统中很难达到这个要求[1,2]。

1 国内外SNR估计算法研究现状

国内对SNR估计技术的研究现对较少,目前采用的主要方法包括信号子空间投影法、子空间特征值分解法等。Huilin Xu,Guo Wei等将ML、MMSE方法应用于OFDM系统,并给出了新的SNR估计方法。另外Hua Jinyu,Hua Han[3]等人给出了基于白噪声条件下的频域SNR估计方法,但是该方法是在假设噪声的频谱是平坦的,在色噪声环境下理论上不可行。胡茂海和杨晓春[4]建立了Kalman滤波算法的理论模型,提出一种基于图像像素的Kalman滤波算法,实现了实时化的Kalman滤波器。实验模拟结果发现该算法能够有效地提高共焦显微镜信噪比,但是以牺牲时间为代价。鲍祥生等人利用江苏油田实际资料的研究结果表明时间域SVD法估算实际信噪比较为可靠。

国外对SNR估计技术的研究相对较多。一般地,SNR估计是从基带、采样及接收信号数据得出的。ML估计理论被提出后,Kerr[5]首先将ML估计理论应用于SNR算法估计。Thomas在分析最大似然估计的概率密度函数基础上,针对实信道的情况,发现该估计存在一定的偏差,建议通过修正因子从而减小估计误差,并给出了修正因子。Pauluzzi和Beaulieu[6]针对复AWGN信道中的高阶调制模式-MPSK信号,把ML估计法应用到其中,给出了修正后的计算公式。理论上SNV估计基于匹配滤波器输出端的采样,并通过修正因子来减少原始算法存在偏差。Pauluzzi和Beaulieu[6]最早提出复信道中的高阶调制BPSK信号的SNV估计,推广了该算法,并设计了修正后的计算公式。Brandao等针对多径衰落信道的信道质量监控问题,提出了SVR估计,SVR估计法是一种基于多阶矩的有效的估计方法。Pauluzzi和Beaulieu[6]则进一步地把SVR估计应用到实信道。1986年,Simon和Mileant提出了SSME估计法,该方法主要是针对AWGN信道中的BPSK信号在宽带AWGN信道中的SNR估计,Shah和Hinedi[7]将SSME估计法应用于带限信道,Shah和Holmes[8]通过改进SSME估计法,将其应用于窄带信道中的性能。Pauluzzi和Beaulieu[6]提出方差方法,该方差方法基于SSME估计法,提高了SSME方法应用于窄带信道中的性能。并分实信道和复信道,在同一模型下应用例证对信噪比估计算法作了详细的比较和讨论。Beualieu[9]等人还针对QPSK信号提出了四种信噪比估计算法,并比较了四种信噪比估计算法的性能。

2 对SNR估计算法的评价

对于SNR估计算法的研究,鉴于性能、度量和测试条件等的不统一,其性能优劣比较,不可一概而论之。“最佳”的供给依赖于观测数据长度、每符号采样率、调制类型以及实际的信噪比范围、复杂度、实时性、和稳健等重要指标。另外,AR过程作为输入的信号SNR估计和色噪声环境下的SNR估计也有待进一步研究。但是SNR作为自适应无线通信中信道质量的主要参数,可以更好地控制通信频率或调制方式切换。另外SNR估计的正确与否直接影响软件无线电的调制识别系统的正确识别率。随着信号处理的快速发展,人们对参数估计的要求也越来越高,提出精度更高、分辨能力更好、稳健性更强、计算更简便的估计方法一直是众多学者不断努力的方向。SNR算法是在PHY层中直接选择一个最佳传输速率,虽然SNR本身是个随机性很大的量,利用起来会比较复杂,但SNR是直接对信道状况的反应,其优点是不存在滞后的问题。整体上研究SNR估计技术仍然有很大的现实意义。

摘要：基于大量相关文献的研究,总结了SNR估计算法研究的国内外现状,阐述了SNR的定义和分类,并评价了SNR估计算法的性能。

关键词：SNR算法,无线通信,信号处理

参考文献

[1]杜瑜.一种基于矩特性的SNR估计方法[J].电讯技术,2008(08):102-104.

[2]彭刚.AWGN信道中的信噪比估计算法[D].南京:南京理工大学,2005.

[3]Hua Jin-yu,Hua Han,Meng Qung-min,et al.A scheme for the SNR estimation and its application in Dcppler shift estimation of mobilecommunication systems[C].Vehicular Technology Conference,2004:24-27.

[4]胡茂海,杨晓春.一种提高共聚焦显微镜信噪比算法的研究[J].应用光学,2010(1):70-72.

[5]Kerr P B.On signal and noise level estimation in a coherent PCM channel[C].IEEE Trans.Aerosp.Electron.Syst.,1966:450-454

[6]Pauluzzi D R,Beaulieu N C.A comparison of SNR estimation techniques for the AWGN channel[J].Communications IEEE Transaction,2000,48(10):1681-1691.

[7]Shah B,Hined S.The split symbol moments SNR estimator in narrow-band channel[C].IEEE Trans.Aerosp.Electron.Syst.,Vol.AES-26:1900.

[8]Shah B,Holmes J K.Improving the Split-Symbol Moments SNR Estimator[C].Jet Propulsion Lab.,Pasadena,CA,Interoffice Memo.3338-90-223.

[9]Beualieu N C,Toms A S,Pauluzzi D R.Comparison of four SNR estimations[J].IEEE Commun Letters,2002,4(2):43-45.

子空间盲信噪比估计算法研究 篇2

在现今的信号处理过程中，信噪比估计技术有着越来越重要的作用。信噪比估计是蜂窝以及卫星通信系统中非常重要的一个过程，准确的信噪比估计便于通信系统采用更为有效的解调算法，并为系统进行信道切换、功率控制和信道分配提供较为准确的信息。现有的信噪比估计算法很多，性能优劣不一，性能指标主要表现在观测数据长度、过采样率、调制类型以及信噪比估计范围。前人已经对信噪比估计算法有了较为系统和全面的介绍与研究[1]。

信噪比估计方法按数据来源可分为两类[2]:有数据辅助的(即DA算法)和无数据辅助的(即NDA算法)。在实际通信系统中以及信息对抗活动中，由于很难获取训练序列，尤其是在诸如卫星载波监视、监测、通信侦察和其他非合作接收等非协作通信中，由于没有调制类型的先验知识，解调前需要对信号进行调制识别。而为了提高调制识别的准确率，信噪比信息则是不可缺少的先验知识。因此，研究盲信噪比估计技术具有重要意义。

基于子空间的盲信噪比估计技术能够不依赖任何先验知识对接收信号求取较为准确的信噪比信息。信号子空间维数估计是影响子空间算法估计性能的重要因素。本文针对信号子空间的维数估计做了一些研究与分析。

1 子空间算法原理

基于子空间的盲信噪比估计算法的基本步骤是先对接收信号进行采样并构造接收信号的协方差矩阵，通过对协方差矩阵的分解运算，求解其特征值;其中大的特征值对应于信号功率，小的特征值对应噪声功率;通过计算对应的信号与噪声功率，求解出信噪比信息。基于子空间的信噪比估计算法的主要思想可以概括为[3]:(1)接收信号协方差矩阵可以分解为信号子空间和噪声子空间;(2)信号子空间和噪声子空间对应的特征值与信号和噪声功率存在对应关系。

对于文献[1]中的信号模型计算接收信号的协方差矩阵:

由于协方差矩阵真实值不能直接得到，经验做法是采用时间平均代替统计平均，以估计值代替真实值。

式中，K为所使用的样本长度。

算出协方差矩阵以后，对协方差矩阵进行特征值分解，以期求解出信号和噪声子空间所对应的特征值。假设协方差矩阵的特征值为bi(i=1,2,...

式中，为信号在第i个特征向量上的功率。图1为特征值确定信号子空间维数示意图，这里定义前边p个特征向量张成的空间为信号子空间，后边L-p个特征向量所张成的空间为噪声子空间[5]。那么只要确定p，就可以确定信号与噪声的功率大小:

进而可得信噪比估计式:

2 维数估计方法

由子空间算法原理可看出，欲求解准确的信噪比信息，其中重要的一步就是分离出准确的信号子空间和噪声子空间。目前关于信号维数估计方法主要有归一化比值法、最小描述长度准则(MDL)、加权平均信息准则(WIC)，以及噪声功率法(NP)。几种估计方法或准则在不同条件下性能有一定差别，下面的任务就是对比以上几种方法和准则的性能差异，并针对不同条件下选取适应性好的估计准则。

2.1 最小描述长度准则

MDL准则是基于贝叶斯理论以及信息论准则推导出来的[6]。Schwartz提出基于贝叶斯理论的方法，并且选择模型得到最大后验概率。Rissanen提出基于信息论准则的方法。由于每个模型都可以用来对观测数据进行编码，选择适当的模型使其具有最小的编码长度。经过证明，二者都可以推导出MDL准则[7]。其基本表达式为:

公式的第1部分为观测序列X={x(1)，…，x(K)}的概率密度函数的最大似然估计，第2部分为偏差校正项。将该准则应用于本文的信号观测模型，即可得到:

式中，K表示所采用的数据长度，则信号子空间的维数估计值为式:

2.2 归一化比值法

定义函数

预先确定一个非常接近于1的阈值(如0.995)[11]。当q是v(q)大于或等于该阈值的最小整数时，则认为前面q个特征值是“主要的”，从而将q确定为信号子空间维数p。

2.3 噪声功率法

设特征值已经过特征值分解得到，假设信号子空间维数为q，则对应噪声子空间的维数是L-q，那么相应的噪声功率的估计值为:

这是一个单调递减函数，当1≤q≤p函数值变化较快，而p≤q≤L时，函数值变化较缓慢，曲线由陡峭到平缓的跳变点即为信号子空间维数估计值p。但是由于跳变点难以寻找，可利用一阶前向对数差分描述曲线斜率:

对Δ(q)作差分处理得:

最后根据预先设置的阈值T从尾部对NP(q)进行搜索[9]，当首次满足NP(q)≥T时q的取值即为信号子空间维数估计值。

2.4 加权平均信息准则

WIC准则相对于上面的MDL准则，在于似然函数与偏差校正项做了一些调整[8]。调整后的偏差校正项为:

其中，A=2K(q(2L-q))/(K-q(2L-q)-1),B

则WIC的计算公式为:

对应信号子空间的维数估计值为:

3 仿真结果与分析

仿真采用QPSK信号，载波频率为5 MHz，采样频率为5倍载波频率，使用的数据点数为800。信号采用升余弦成型方式，滤波器滚降系数为0.5，仿真100次。仿真结果如图2所示。

从仿真结果来看，图2与图3显示，在当前仿真条件与环境下，NP法、MDL和WIC准则能够较准确地反映出信噪比信息。其中，MDL准则在信噪为-2 d B以下时估计标准差加大，远大于NP法与WIC准则的估计标准差。但当信噪比高于0 d B时，WIC与MDL准则有着相近的估计标准差，NP法标准差值比二者有0.2的差值。图4和图5则显示了当数据长度为2 000与3 000时的4种估计方法的估计标准差的对比。可见，在低信噪比时WIC准则与NP法相对于MDL准则表现优良，有较高的可靠性。

由上述结论可知，在信噪比较低的时候可以选择WIC准则或者NP法替代MDL准则作为信号子空间维数的估计方法。当信噪比达到0 dB以上时，WIC准则与MDL准则有着相近的估计效果。采用该策略可提高盲信噪比估计精度。

4 结束语

信噪比算法估计研究 篇3

正交频分复用 (OFDM:Orthogonal Frequency Division Multiplexing) 是多载波调制方式的一种, OFDM系统可以根据每个子载波的信噪比等信息选择该子载波上数据的调制模式[1], 从而在保证信息传输可靠性的基础上, 实现最大化的传输速率。因此需要得到精确的信噪比 (SNR) 估计值。

与无线信道中时变特征不同, 在有线信道中 (如同轴电缆电视系统中) , 信道条件缓慢变化, 在局部时间点可以看成是时不变的, 因此, 可以采用先发送探测帧进行信道训练, 然后再发送数据帧进行数据传输的方式。通过多帧平均得到信道估计值。除了时不变特征之外, 有线信道比如同轴电缆还存在比较严重的多径效应, 并且在实际有线信道中由于各种非理想因素, 如IQ不平衡、时钟抖动等因素会引入有色噪声。

SNR估计可以分为数据辅助估计 (DA) 和非辅助数据 (NDA) 估计两类。本文使用数据辅助估计。最早的SNR估计算法假定信道为AWGN信道, 不存在频率选择性衰落, 并计算平均SNR值作为每个子载波的SNR值[2], Boumard SNR估计算法[3]去除了这种假设, 假定信道为多径信道叠加AWGN信道, 并且利用导频由信道估计值得到每个子载波的SNR值, 这是一种应用于MIMO-OFDM中慢衰落情况下信噪比估计算法, 之后文献[4]将其应用于单输入单输出的OFDM系统。文献[5, 6]考虑到了系统有色噪声的存在, 文献[5]采用将整体子载波分组进行平均的方法, 而文献[6]采用最小均方误差 (MMSE) 的方法, 在有色噪声条件下, 性能得到了很大提升, 复杂度也相应增大。上面的SNR估计算法均是针对无线信道, 复杂度较高, 不适用于有线信道。文献[7]针对有线信道OFDM系统特点, 利用训练序列, 提出一种基于信道估计差量进行SNR估计的方法, 该方法利用信道估计差量值, 能够同时得到信道响应估计值和子载波信噪比估计值, 节约硬件资源, 但是估计性能相对较差, 本文在文献[7]基础上提出改进措施, 并考虑到有线信道的各种非理想因素有可能会造成有色噪声, 有效的提高了估计精度。

2 信道估计差量SNR估计算法描述及特点

图1是信道估计差量SNR估计算法的系统框图。收端信号经过FFT后得到第i帧第n个符号第k个子载波数据为

对接收信号Yn, k进行均衡得到Sin, k, 然后去除调制信息, 可以得到

在忽略噪声的影响时, 第i帧第k个子载波上的信道响应差量可以表达为

由对信道估计结果进行更新, 经过不断的反馈, 该算法可以达到理想信道估计。在信道估计较为准确的基础上, 开始进行SNR估计。

根据上式 (1) 及信噪比的定义, 第k个子载波上的SNR可以表示为

假设随机变量Xn, kHideal, k和Wn, k统计独立, 则SNRk可以表示为

由Hideal, k=E[H0, k], 且Hideal, k和Xn, k统计独立, 则 (5) 可进一步表示为

本算法利用连续的多个训练帧进行子载波的信噪比估计, 利用了有线信道时变特征不显著的信道特征, 并且利用信道估计幅度差, 能够同时得到信道响应估计值和子载波信噪比估计值, 可以节约硬件资源。但是这种方法也存在估计精度不够的问题。

3 信道响应差量SNR估计改进算法

采用信道响应差量SNR估计方法算法实现简单, 适用于有线信道, 但是估计精度不够, 不利用基于SNR估计值的自适应调制以及其他的应用。

有线信道中存在较严重的多径效应, 并且由于各种非理想因素的影响可能会引入有色噪声。因此在用信道估计差量SNR估计算法得到初步的SNR估计值后, 各个子载波SNR估计值进行平均作为每个子载波的SNR值或者是利用信道估计系数进行平均 (借鉴Boumard SNR估计算法) 的方法都是不适合的, 本文借鉴MMSE SNR估计算法, 在信道响应差量SNR估计算法基础上, 提出改进措施。这种改进措施利用了OFDM子载波间噪声功率的相关性, 得到更为平滑更加准确的SNR估计值。

令:

式 (9) 中

利用上述公式并不能得到最左边和最右边L个子载波的值, 为了找到这些边缘处子载波的值, 如右边边缘处子载波可以采用下面的公式:

对应的ωl为

则第k个子载波上的信噪比可以表示为

基于降低运算复杂度的考虑, 上式中L的取值可以通过仿真获得。

4 仿真结果

为了验证本文所提算法, 本文选取采用OFDM技术的高性能同轴电缆接入网络 (HINOC, High performace Network Over Coax) 系统[8]进行仿真, 仿真参数如下:

仿真中噪声分为两个部分:一是AWGN噪声, 二是有色噪声。有色噪声是通过先生成AWGN噪声, 让此AWGN噪声通过低通滤波器, 再添加到信号上的方式产生的。即相当于在信号的低频段添加了有色噪声。在基于MMSE算法改进方法中, L值设定为L=5。

图3、图4分别为在AWGN和存在有色噪声条件下, 信道响应差量SNR估计算法 (图中org) 以及改进算法的估计曲线。图3、图4中ideal表示的是SNR的理论估计值。图3中设定SNR值为30d B。从图3中可以看到, 在AWGN条件下, SNR估计改进算法均有较好的平滑效果, SNR估计值与理论值相比, 差值不超过1d B, 而原估计算法与理论值相比差值超过2d B。图4中AWGN设定SNR值为40d B, 有色噪声SNR设定值为35d B。从图中可以看到, 与原估计算法相比, 改进算法的SNR估计曲线与SNR理论值的差值更小, 估计效果有较大改善。

图5为在AWGN条件下, 不同SNR估计算法的MSE曲线图, 由图可以看到在AWGN条件下, SNR设定值从15d B~50d B范围内, 原SNR估计算法的MSE在0.05左右, 改进算法的MSE小于0.01, 改进算法较信道响应差量SNR估计算法有较大提高。

图6是在设置AWGN SNR=40d B, 而有色噪声设置不同值时不同SNR估计算法的MSE曲线。当有色噪声SNR设置值较大时, 即系统接近于AWGN噪声时, 两种算法的性能也接近于AWGN条件下的性能;随着有色噪声设置值的降低, 即系统越来越趋向于有色噪声, 改进算法与在有色SNR值设置值较高时性能相近, 而原SNR估计算法性能趋向恶化。不论有色噪声设置量大小, 基于MMSE算法的改进算法性能均优于原SNR估计算法, 有色噪声在总噪声中比重越大, 改进算法的性能与原算法相比更佳。在color_snr=24d B时, 原SNR估计算法的MSE为0.5, 改进算法MSE为0.04。

5 结束语

本文在基于信道估计差量SNR估计算法的基础上, 提出改进措施, 并采用面向NGB电缆接入技术的建议方案HINOC系统进行仿真, 仿真结果表明, 基于MMSE的改进算法由于算法本身考虑到了有色噪声的存在, 所以在AWGN以及有色噪声下性能均比原有SNR估计算法得到提升。考虑到有线信道会存在有色噪声, 因此基于MMSE的改进算法适用于有线信道OFDM系统的SNR估计, 比如同轴电缆OFDM传输系统。同时硬件资源开销相对较小。

参考文献

[1]P.S.Chow, J.M.Cioffi, J.A.C.Bingham.A practical discrete multitone transceiver loading algorithm for data transmission over spectrally shaped channels[J].IEEE Transactions on Communications, 1995, 43 (234) :773-775

[2]X.Xu, Y.Jing, X.Yu.Subspace-based noise variance and SNR estimation for OFDM systems[J].Proceeding of IEEE Wireless Communications and Networking Conference, 2005, 1:23-26

[3]S.Boumard.Novel noise variance and SNR estimation algorithm for wireless MIMO OFDM systems[J].Proceedings of IEEE Global Telecommunications Conference, 2003, 3:1330-1334

[4]Huilin Xu, Guo Wei, Jinkang Zhu.A novel SNR estimation algorithm for OFDM[J].IEEE Vehicular Technology Conference, 2005, 5:3068-3071

[5]H.Arslan, S.Reddy.Noise Power and SNR Estimation for OFDM Based Wireless Communication Systems[J].IASTED International Conference on Wireless and Optical Communications (WOC) , 2003, 1:1-6

[6]T.Yucek.H.Arslan.MMSE Noise Power and SNR Estimation for OFDM Systems[J].IEEE Sarnoff Symposium, 2006, 1:1-4

[7]韩瑜, 吴毅凌等, 一种基于载噪比估计的自适应调制方法.http://www.doc88.com/p-273339748070.html.2009:1-6

信噪比算法估计研究 篇4

信噪比估计是无线通信中一个重要的研究课题,一直受到广泛关注。在无线通信中,有些算法所需的参数与信噪比有着密切关系,得不到精确的信噪比估计,会使得这些算法的性能不同程度的下降。如调制识别,自适应通信技术、功率控制和传输速率控制等算法,都需要信噪比作为参考。

当前,已有一些关于信噪比估计的方法。David R P等人对AWGN信道的信噪比估计方法作了比较,其中基于最大似然估计的方法利用训练序列或反馈序列构造似然函数,而基于二阶矩四阶矩的方法是利用信号和噪声不同统计关系来估计信噪比。这两种方法都需接收序列首先取得同步,否则,就会失效。Hua J Y等人提出一种基于接收信号频谱分段的估计方法,根据信号和噪声的不同频谱分布特性,估计信噪比,这种方法只有在信号长度较长时,才能体现出较好的估计性能。Ilias T等人提出一种基于接收信号相位分布的估计方法,利用噪声的随机分布特性对相位的影响,根据接收信号的相位分布,估计出噪声的大小。Wax M等人利用信号的空间投影的方法对时分多址(TDMA)系统中的信噪比进行估计,这种方法需要利用训练序列来构造接收信号的相关矩阵,并且只适用于时分多址系统。

本文从自相关函数和曲线拟合的角度,提出一种基于曲线拟合的信噪比估计方法。主要根据周期平稳信号与噪声的自相关函数的不同特点,利用曲线拟合,分离信号和噪声的能量,从而进行信噪比估计。仿真结果表明,在高斯白噪声信道,本文方法的估计精度较高,有着较好的估计性能。

二、周期平稳信号自相关函数的特性

在实际的无线通信系统中,因为调制、脉冲成型、过采样等操作,使得大部分的信号都具有周期平稳特性。令:x[n]=s[n]+w[n]

式中,s[n]为周期平稳信号:w[n]为加性高斯白噪声。那么接收信号的自相关函数R[n,τ]=x[n]·x*[n-τ]可以表示为:R[n,τ]=(s[n]+w[n])(s'[n-τ]+w*[n-τ])

由于s[n]是周期平稳信号,而w[n]是平稳的随机分布,所以,其自相关函数可以表示为:

利用时间平均消除时间的相关性,那么接收信号的自相关函数用R[τ]表示为:

也就是说R[τ]的曲线走势主要是由Rs[τ]决定的,只有在第一点叠加了噪声能量,如图1所示。

三、基于曲线拟合的信噪比估计方法

曲线拟合的基本原理就是根据一定数量的已知离散点值走势,确定拟合函数,从而估计出未知点值。曲线拟合常常用来进行实验数据分析,根据已知点值的走势预测待求值。常见的曲线拟合模型主要有直线型、多项式型、指数函数型,模型的选取主要根据已知离散点的走势。例如散点走势为趋于直线,就用y=a0+a1x来拟合;若散点走势趋于抛物线,则用y=a0+a1x+a2x2来拟合。所以,对曲线拟合来说,关键是确定系数ai的值,使得曲线最优的拟合散点走势。对曲线拟合而言,已知点数要多于待定系数的个数,只有这样,才能确定出最优的拟合曲线。因此,对于二项式拟合模型,点数至少为4点。

从上面分析可知,由于需要的是第一点的值,所以不用对整条曲线进行拟合。如果对整条曲线进行拟合,由于曲线走势比较复杂,反而会使得对第一点的拟合误差更大。

选取τ≠0时一定数量的离散点值,确定一条拟合曲线φ(x),然后计算曲线在第一点的值为信号的能量估计值.则噪声能量估计值为:

那么信噪比估计值为:

四、仿真验证及性能比较分析

拟合项数对曲线拟合的性能有关键的影响,一般来说,项数越多,对曲线的整体拟合效果越好。因此我们通过仿真讨论拟合项数与信噪比估计精度之间的关系。采用8PSK调制信号,符号采样率Ns=16,滤波器长度为L=127.滚降系数为0.25,发送符号M=500,相关长度P=127。

首先用二项式拟合,拟合点数为4点和5点两种,用四种方法取点:从第二点开始依次取4点.每隔1点取4点,每隔2点取4点,随机取4点(取第2,3,5,6点和第9点)。通过对已知的点值来观察拟合性能。拟合性能用归一化均方误差表示:

用三项式进行曲线拟合,点数选择为5点和6点,取点方法和二项式拟合一样,随机取点时取第2,3,5,6,8点和第9点。

由图3可以看出,随机取4点(取自相关函数的第2,3,5,6点的值)的整体性能较好:由图4可以看出,每隔1点取6点的整体性能较好。图5给出这两种取点方法的性能比较。二项式采用两种取点方法:二项式拟合1取第2,3,5,6点;二项式拟合2取第2,5,7,8点。

由图5可以看出,二项式拟合2的性能在低信噪比(<6dB)时最好,但是随着信噪比的增加,性能略有下降。从图1可以看出,自相关函数曲线前面一段比较近似于抛物线,所以会使得二项式拟合性能更好一些。综合考虑各方面因素,在信噪比估计时,选择二项式拟合,选取第2,3,5,6点为拟合点。

2. 不同调制信号的性能比较

根据上一节的分析,选择二项式拟合,拟合点为第2,3,5,6点。图6给出BPSK,QPSK.8PSK和16QAM四种调制方式下,基于曲线拟合的信噪比估计的结果和归一化均方误差值(NMSE)。

由图6可以看出,不同的调制信号对估计性能影响不大,高进制的性能稍微好一些,这是由于自相关函数曲线在高进制时变化比较平缓,使得拟合性能较好;二是曲线拟合的性能曲线随着信噪比增加而提高,在10dB时归一化均方误差可达到0.002,具有较高的估计精度。

3.不同估计方法的性能比较

第一节提到的二阶矩四阶矩和频谱分段估计方法是比较常见的信噪比估计方法,应用比较广泛,下面就基于曲线拟合的估计方法和这两种方法进行性能比较,说明基于曲线拟合估计方法的相对性能。仿真信道模型为加性高斯白噪声信道,其他参数设置不变,采用8PSK调制信号。

从图7,图8可以看出,基于曲线拟合的信噪比估计方法具有较好的性能,尤其在低信噪比时,性能明显优于其他两种方法:二是曲线拟合方法对符号长度不是很敏感,而M2M4和频谱分段两种估计方法只有在符号较多时,才能体现出其优越性,这说明基于曲线拟合估计方法可以降低运算时间损耗,实时性较好。

五、结束语

以上研究表明,基于曲线拟合的信噪比估计方法不用考虑同步,不需使用训练序列,对序列长度没有特别要求,只要噪声与信号的自相关函数分布特性不同,就可以通过该方法进行信噪比估计。因此,该方法适用于不同的调制方式、高斯白噪声信道和多径时延的情况,具有较好的普适性。

参考文献见www.dcw.org.cn

参考文献

信噪比算法估计研究 篇5

1 无线电通信技术的发展过程

俄国物理学家波波夫在1885年论述了发明无线电接收机的过程, 这篇无线电通信技术的论文也就成武无线电技术研究的重要发展历史, 同时为了表示对他的纪念, 也就将5月7日作为无线电发明日期。波波夫的不断研究延长了无线通信的距离, 也就将无线电通信引入到了新的发展阶段。后来意大利发明家马可尼在1898年在海上进行通信实验, 对于这次的实验也就标志无线电通信的真正实现, 在马可尼的实验中有进一步将无线电信号延长, 在1901年对相聚3000多公里的两个国家之间成功进行了无线通信, 马可尼实验的成功也就标志着人类正式进入无线电远距离的通信时代, 之后不断出现了各种各样的无线通信的产生。

科学家八本、威玛、罗斯等在1946年用电视机进行天线信号的接收, 他们实验的成功也就标志着无线电技术的真正的普及, 在当今的信息社会中, 我们对无线电通信技术的质量的要求也就越来越高, 对通信技术也就有了更多的期待。同时信息社会也就要设置更好的管理措施, 运用计算机和通信技术开发各种通信应用软件, 更好的为人民提供通信服务。虽然无线电通信技术优点虽然卓越, 但其缺点至今给技术的发展带来很大的障碍, 都是我们亟须解决的难题。

2 无线电通信技术的特点

2.1 不受时空限制

无线电通信技术不受时空限制, 能够采用灵活多样的手段和方法, 确保通信联络综合的高校利用, 对信息的传输畅通无阻, 随着近年来国内各种经济领域和国际经济繁荣发展, 无线点通信技术为信息传输打开了方便之门, 尤其通信与网络的链接, 让通信技术踏上新的台阶。

2.2 具备高度的机动性及可用性

无线电通信技术对数字传输、功能多样化、设备小型化和智能化的优势下, 具备了高度机动性和可用性, 尤其在军事结构地域通信网络方面起到了很大的作用。无线电通信作为信息化服务的重要标志, 无线电通信技术在发展过程中具有巨大的潜力, 不仅在人民生活中扮演着重要角色, 在军事中同样起到重要的作用。军事、气象、生活、生产等各个领域都对其都有空前的需求。

2.3 可靠性高

无线电通信比有线通信可以很好的控制地质灾害, 具有很高的可靠性, 在一般情况下除非受到信号的干扰, 平时都能保证通信, 这也就是无线电通信的最大优点。无线电通信技术虽然有很多的优点, 但是在受到干扰影响, 很容易被截获保密性极差, 这也就是无线电的缺点, 这也是人们最为头痛的问题, 因此对无线电通信技术的通信方法拓新成为其发展的新话题。

3 无线电通信的信噪比估计和自适应控制技术

3.1 信噪比估计技术

对于现在无线电通信技术正处于关键的转折时期, 信息技术的飞速发展, 也就要求无线点通信技术适应未来社会生产和生活的需要, 也就要在通信方面不断的进行拓新。无线电通信信号的信噪比估计一直是卫星通信领域一个重要的研究课题, 在卫星通信中信噪比是衡量信道质量的最主要指标也是实现功率控制、调制方式识别、迭代译码等应用的前提条件。利用无线信道通信, 在其过程中主要就是多途径的传播, 而噪声是始终存在的一种危害, 为了更好的提高数据传输速率和效率, 我们必须对信道的特征参数具有一定的预知能力, 信噪比是信道参数的一个重要的方面, 信噪比估计技术也就成为信道估计的重要内容之一, 同时也是移动通信研究的对象。在通信系统的实际使用中, 信噪比的估计作为表征信道特征的参数, 对信道切换和自适应通信速率调节功能都起到了重要作用。

3.2 无线通信自适应控制技术

随着近年来国内各个经济领域和国际经济的来往, 无线电通信技术不受时空限制方法为其打开方便之门, 尤其通信与网络的连接, 通信技术踏上新的台阶, 同时具备高度的机动性及可用性, 无线电通信技术传输数字化、功能多样化、设备小型化、智能化及系统大容量化决定了其具备高度的机动性和可用性。自适应控制的基本的思想就是将参数估计方法与某种控制系统设计方法结合起来, 产生具有自校正能力的控制律, 其控制的对象是不确定性的系统。在面对客观上的各种不确定性, 自适应控制系统在其运行过程中, 通过不断的测量系统的输入状态, 不断的掌握对象从中获取相应的信息, 再根据获取的信息设计方法, 做出控制决策去更新控制器的结构, 使控制效果达到最优或近似最优。一个理想的自适应控制系统应具有:适应环境变化和系统要求的能力;学习能力;在变化的环境中能逐渐形成所需的控制策略和控制参数序列, 在内部参数失效时, 又恢复的能力, 良好的鲁棒性。

3.3 无线电通信技术发展方向

提高系统资源的利用率维持信号的稳定, 避免通信信号受到干扰, 增大系统的容量, 同时要确保用户信息安全和保密, 无线电通信技术的网络设备如果没有良好的配置和网络部署, 一旦受到安全威胁, 其后果不堪设想。因此, 无线电通信技术通信方法的拓新我们与必要提高网络设备性能、优化设备配置、冗余备份等等手段来保证网络的可靠性。无线通信的展望无线通信具有跨越时空进行信息沟通的灵活性, 以及全球无缝隙覆盖的特性, 成为当今世界最具吸引力的通信方式。无线通信特别是移动通信市场进入规模化大发展阶段, 无线通信业务和技术呈现出从传统的话音领域向数据领域和宽带多媒体领域转变的态势, 市场空前繁荣。

4 结束语

对于无线电通信技术在通信方法开发应用上具有很大潜力, 这也就是我们研究和开发过程中对无线电通信进行前面的了解, 为无线电通信技术创造新的发展方向, 为全球信息化的通信事业做出贡献。

摘要：本文针对无线电通信的信噪比估计和自适应控制进行研究, 对无线电的产生和发展的阐述, 对无线电通信技术的认识, 对系统自适应控制进行研究。

关键词：无线电通信技术,信噪比估计,自适应控制

参考文献

[1]宋怡桥.光载毫米波无线电通信技术的现状与发展[J].中兴通讯技术, 2009 (03) .

[2]钱沈廉.无线电通信技术之通信方法拓新[J].中国新技术新产品, 2009 (12) .

[3]丁季丹.无线电通信技术的应用[J].网络技术, 2011 (12) .

信噪比算法估计研究 篇6

在实际应用环境中, 话音总会收到各种噪音的干扰, 而这种带噪话音会影响话音的使用。为了从带噪话音中还原出原始话音, 人们提出了各种各样的话音增强算法。而谱减算法、VAD算法、维纳滤波算法等是最常用的话音增强算法[1]。其中, 谱减算法具有复杂度低、实现简单等特点而得到了广泛地使用。但是, 在低信噪比条件下, 谱减算法存在着音乐噪声问题和低清晰度问题, 从而限制了其应用[2]。针对谱减算法的问题, 本文提出了基于倒谱距离和谱减算法的话音增强算法 (Speech Enhancement based on Cepstral Distance and Spectral Subtraction method, SECDSSM) 。

二、相关理论介绍

2.1谱减算法

在谱减算法中, 原始语音信号为s (t) , 接收信号为y (t) , 加性高斯白噪声为n (t) , 并且s (t) 与n (t) 是相互独立的, 那么y (t) =s (t) +n (t) 。s (t) 、n (t) 和y (t) 的傅立叶变换分别为S (ω) 、N (ω) 和Y (ω) , 那么s (t) 估计值S (t) 的幅度, 其中, α和β分别为功率因子和噪声因子。增加α的值可以改善信噪比, 但是可能会造成语音的失真;同样, 增加β的值能够抑制音乐噪声, 但是可能引起语音失真, 因此, 在设置α和β值的时候, 需要根据实际情况, 从而实现去噪以及提高语音清晰度的目的。由于人耳对语音相位不敏感, 因此, 在谱减算法中, 使用y (t) 的相位作为s (t) 的相位, 从而最终得到增强后的语音信号s (t) 。

2.2倒谱距离

噪声对信号的短时能量或者其它特征参数影响比较大, 因此它们并不能够用于语音段与非语音段的区分, 而倒谱系数受噪声影响比较小, 因而其可以被用于端点检测。信号的倒谱的计算公式为:, 其中, Cn是倒谱系数, 并且Cn=C-n, Cn为实数。而。

假设S (ω) 和S’ (ω) 是一对谱密度函数, 那么根据Parsavel定理, S (ω) 和S’ (ω) 的可用倒谱距离为:, 其中Cn与C’n分别为S (ω) 和S’ (ω) 的倒谱系数。dcep可用于表示S (ω) 和S’ (ω) 区别。如果语音信号的前几帧为加性噪声, 那么可以根据前几帧倒谱矢量的均值来估算加性噪声的倒谱矢量, 其计算公式为:, 其中, p是调节因子, 分别为噪声的倒谱矢量的估计值以及当前测试帧的倒谱矢量。则相应的倒谱距离

三、SECDSSM算法实现

虽然谱减算法能够对语音进行增强, 但是其存在着两个方面的不足: (1) 增强后的话音的清晰度较差; (2) 引入了音乐噪声。针对上述问题, SECDSSM算法对谱减算法进行了改进。SECDSSM算法根据噪声和语音信号的倒谱距离来动态地调整α和β, 从而实现了去噪以及提高语音清晰度的目的。该算法的实现流程为:

(1) 噪声估计。首先根据前十个无话音的信号帧得到初始噪声的倒谱距离均值d, 同时记录倒谱距离的最大值dmax;

(2) 噪声更新。当收到新的信号帧i后, 计算其倒谱距离dcep (i) 。如果, 则认为新收到的信号帧是噪声帧。那么对d进行更新, 更新公式为。如果dmax<dc'ep (i) , 那么

(3) 谱减。根据dcep (i) 和d的值, 动态调整功率因子α和噪声因子β, 得到增强后的信号频谱与相位, 其中, α与β的调整公式分别为

(4) 消减音乐噪声。谱减后的信号中带有少量的音乐噪声, 为了提升语音信号的质量, 必须消减音乐噪声。之所以叫音乐噪声, 这是因为, 谱减后的语音信号中含有未被消除的噪声, 并且该噪声的频谱含有随机的尖峰, 听起来像有节奏的音乐, 所以叫作音乐噪声。为了消减音乐噪声, SECDSSM算法使用了以下三种方法来消减音乐噪声:

1) 使用相邻三帧的均值来替换谱减前的信号频谱, 已达到消除噪音毛刺以及保持信号连续的目的;2) 使用相邻帧的最小值替换谱减后的语音信号的频谱, 以消除频谱中的突变点;3) 使用滤波器抑制谱减后信号中的音乐噪声。

四、仿真分析

为了验证SECDSSM算法的性能, 本文所采用的仿真环境:原始语音信号是在静室中进行采集, 而采样频率和采样精度分别为8k Hz和16bit, 同时原始语音与噪声的信噪比为-5d B, 此外, 利用汉明窗来对加噪后的语音进行分帧, 其中帧长与帧移分别为256点和128点。

五、结论

针对谱减算法在话音增强方面存在的音乐噪声问题和低清晰度问题, 本文提出了SECDSSM算法。SECDSSM算法不仅使用倒谱距离来区分话音段与噪音段, 而且还根据噪声帧与当前帧的倒谱距离来动态地调整功率因子α和噪声因子β, 此外其还使用三种办法来进一步地消除音乐噪声, 从而有效地抑制了噪声, 提高了信噪比和话音的清晰度, 实现了话音增强的目的。

参考文献

[1]Loizou P C.Speech enhancement:theory and practice[M].CRC press, 2013.

信噪比算法估计研究 篇7

正交频分复用(OFDM)技术是一项多载波系统,它采用正交载波调制,相比传统的多载波调制技术,具有高的频谱资源和有效地对抗多径传播,已成为当前移动通信领域的一项关键技术。随着OFDM技术研究的发展,这项技术也得以日益广泛的应用到实际之中,欧洲电信标准委员会但TSD制定的以o FDM为核心传输技术的数字音频/视频广播系统(DAB/Dv B)标准已经投入商业使用,大量实验证明它在瑞利频率选择性衰落信道上性能良好。信噪比估计是信道参数估计的重要组成部分,信噪比是通信信号的关键参数,它是通信质量的衡量指标之一,在无线通信中的许多场合,如调制信号的识别、Turbo Code的迭代译码,移动通信中的功率控制等,都需要知道信噪比的数值,以获得最佳的性能。因此,信噪比估计是无线通信中的一个重要课题。

为此,本文将根据一种新的信噪比估计算法,基于TI公司的DSP器件TMS320C6701配合AD6620和AD6640组成的中频接收机,设计一套OFDM的信噪比估计系统,完成数据接收,数据处理,以及信噪比的估计。

二、算法简介

利用OFDM系统的前导序列先求出系统的平均信噪比,然后根据信道估计系数求出每个子载波的信噪比。首先建立信号模型如下:

其中Wm,k是均值为零,方差为1的复加性高斯白噪声,W为噪声功率,am,k为复调制信号,S为各个子载波的发射功率,Hm,k为第m个前导符号第k个子载波的信道传输系数。且有:

其中L是多径数,T是时域采样间隔,N是系统子载波数,hl(m Ts)表示第m个OFDM符号周期第l径的信道复增益。

首先对接收到的前导符号Ym,k进行共轭相乘处理,以消除调制数据,处理后的数据为:

然后计算Zm,k的自相关:

其中RH(l),Rn(l)分别为信道和噪声的频率自相关系数。根据文献[8]信道的频率自相关系数为

其中,στ为信道的均方时延扩展,B为OFDM系统的子信道带宽。联立式(4)和(5)并分别取l=0,1,2得方程组

解以上方程组得S=(4Rz(1)-Rz(2))/3,W=Rz(0)-S。因此,系统的平均信噪比可表示为:

获得了OFDM系统的平均信噪比后,利用子信道估计系数,可得到OFDM系统第k个子信道的信噪比估计为:

Hm,k为OFDM系统第k个子信道的信道估计系数。[1,2,3,4]

三、系统软硬件及实现

本系统是基于TMS320C6701处理器,中频接收机的核心部分采用高速的A/D采样期间AD6640和AD6620组合而成,由A/D模块完成数据的采样保持工作,在高速DSP器件中进行导频提取,并且实现信噪比估计算法。系统的总体结构如图1所示:

3.1硬件设计

图2所示为本设计的A D 6 6 4 0、A D 6 6 2 0和T MS320 C6701芯片级别的连接方式:T MS320 C6701和AD6620之间采用串行通信(PAR/SER=0)的方式连接,工作方式为从模式(SBM=0).串行从模式通信工作流程是AD6620自动监测到输出缓冲区中有新的数据存在时,DVout信号变为有效,由此引发T M s320 C6701的中断服务串口(DVout->IRQ),再由DSP发出同步时钟(SCLK->SCLK)和帧同步信号(RFS->SDFS),驱动AD6620发送数据(SDO->DR).DSP进过信噪比分析后将数据通过HPI传给上位机。打印端口为AD6620的内部寄存器编程端口,可实现对AD6620在线编程。[5,6,7,8]

3.2软件设计

系统的软件部分主要由DSP信号处理算法程序,PCI传输协议程序,及上位机应用程序三大部分组成。当有数据输入时,A/D模块发出中断信号,DSP响应中断,发出同步时钟,开始接收数据,数据计数器计数超过一帧后,产生一个外部中断,停止接收数据,并将接收的数据通过DMA方式传送至数据存储空间,由DSP进行数据处理,数据处理完成后,通过HPI口传送至上位机检测估计的结果。整个系统流程图如图3所示:

DSP信号处理算法的主要步骤。6701上电后处于idle状态,等待外部中断信号唤醒,出现数据以后A/D模块向DSP发出IRQ信号,开始传送数据。假定OFDM帧符号设置为64位循环前缀+256位数据符号的形式,需再设置一个外部中断(INT3),一个接收符号计数器,每320个点溢出一次。当INT3到来,DSP通过DMA将前导符号传送至X1空间,然后对X1的数据进行处理。为了简化系统设计的实现过程,下面对算法的步骤进行一些简化,由于στB《1,则由式(6)可得RZ(1)≈RZ(2),有S=RZ(1),W=RZ(0)-RZ(1),

仿真结果显示,算法步骤简化后,不会对最后的估计值造成太大的影响,其误差可忽略不计。图3是数据处理的流程图。[9,10]

四、结束语

正交频分复用(OFDM)是下一代无线通信物理层的核心技术,而高速准确的信噪比估计是所有无线通信系统的必备工作。本系统采用AD6640和AD6620组合成高效的中频接收机,组合高速DSP器件组成物理平台,并在一些环节进行了算法的简化,在保证系统稳定性的同时,更加快速简洁的实现对OFDM系统的信噪比估计。

参考文献

[1].任光亮,罗美玲,常义林OFDM系统信噪比估计新方法2007;

[2].汪裕民OFDM关键技术与应用机械工业出版社2007;

[3].龚蕾OFDM系统信噪比估计与自适应传输技术的研究2009

[4].Sandrine Boumard Novel Noise Variance and SNR Estimation Algorithm for Wireless MIMO OFDM Systems;

[5].TMS320C6701Datasheet www.alldatasheet.com;

[6].AD6640Datasheet www.alldatasheet.com;

[7].AD6620Datasheet www.alldatasheet.com;

[8].怯肇乾嵌入式系统硬件设计体系北京航空航天大学出版社2007;

[9].范寿康尹磊曲丽荣DSP技术与DSP芯片电子工业出版社;