时延相关性

时延相关性（精选7篇）

时延相关性 篇1

0 引言

对于多输入的信号处理系统,采集同一个信号源发生的信号,由于接收端的物理位置关系,接收到的信号往往都存在一定的时间延迟。时延的大小与信源到各接收端的距离差有关,因此对时延的估计可以反过来估计距离的大小。时延估计被广泛的应用在了声呐和雷达系统中的目标定位[1],以及麦克风空间波束形成、语音增强去噪等方面。

时延估计常用方法有相关检测法,若检测长度加大,运算量相应增大,常采用FFT转到频域来实现。还有相位谱时延估计法,通过对互能量功率谱密度函数的相位谱的分析估计时延。双谱估计则是通过计算信号的三阶累积量或三阶矩的二维傅里叶变换来估计时延,这种方法可以将高斯噪声的影响降到最低,从而得到准确的时延估计[2]。但是实际应用环境中的噪声可能是非高斯的复杂噪声,且接受到的信号本身的SNR随时间变化,统计量随时间变化,而上面的几种方法都是针对于平稳非时变环境的,自适应时延估计就可以解决这样的问题。它一般不依赖于输入信号和噪声的统计先验知识,可以在迭代过程中根据最优化法则不断调整自身的参数和结构,尤其适用于跟踪动态和时变的输入环境。可以消除接受信号中的周期性干扰,在较强的干扰下得到较好的时延估计[3,4]。自适应的思想可以和其他方法相结合,如基于高阶累积量的自适应时延估计,但还是走不出要求噪声是相关高斯或对称分布的局限性[2,5,6]。

本文主要介绍了一种新的自适应参数估计方法(LMSTDE),有效地克服了上述局限性,首先在最小均方误差准则下(LMS)通过对FIR滤波器参数的迭代,峰值检测得到时延的整数值,再通过相关检测得到时延估计的小数值,显著提高了时延估计精度,同时大大降低了运算复杂度。采用单频信号和实际麦克风阵录制的语音信号作为测试输入,来实际检测本方法对延迟时间估计的精度,并将对结果作出详细分析。

1 两级时延估计算法原理

首先引入理想情况下的二基元模型,S为信源,A和B为接收端。信源S发出信号S(t),A和B分别接收到信号S(t-t1),S(t-t2)。

假设SA

对s(t)和s(t-D)做傅里叶变换得,

由此可见,s(t-D)与s(t)相比只是相位改变了,实际信号到传感器的传输模型如下:

n1(t),n2(t)为噪声干扰,x1(t),x2(t)为接收端接收到的信号,其中Hs(f)=e-j2πfD,为实际中的时延模块,时延估计模块对x1(t),x2(t)进行计算,模拟并逼近滤波器Hs。

对Hs(f)进行傅里叶反变换,可得:

对于离散时间系统来说,则有

所以hs(n)相当于长度为2M+1阶的FIR滤波器,()sin()sh n=c n-D,n=-M,-M+1……M

因为sin c(0)=1,为sinc函数的最大值,所以可以通过检测hs(n)的峰值即可得D,即

若max[h s(n)]≈sin c(n0-D),则D=n0

事实上,hs(n)是并不知道的,可以通过自适应的方法来逼近它,如下图所示:

e(n)为x2(n)与x1(n)之差,利用最小均方误差准则控制更新W(n),使得x1(n)与x2(n)之间的误差e(n)最小,即用W(n)去逼近hs(n),最后通过检测W(n)的峰值来确定时延。

假设max[W(n)]=W(n0),-M≤n0≤M,0n为估计的时延,但是实际的时延D可能为小数,设D=Di+Df,所以0n为对D整数部分iD的估计D_I。下面给出小数部分Df的估计原理。

因为,根据1≤D≤2与D_I的位置关系可以分两种情况讨论。

a)W(D_I-1)≤W(D_I+1),则

b)W(D_I-1)>W(D_I+1),则

由于W(n)逼近的是sinc(n-D),则可以通过相关性检测来确定Df。

,通过调节步长Δ可以提供D_F的精度。

至此可以得到为时延D的估计值。

2 算法实现过程

时延的估计分两级层次进行,第一级层次,粗略估计,估计出整数值的延迟,这是一个初步值,显然不够精确;第二级层次,精细估计,在估计整数时延的基础上,做进一步细化,做出小数值的延迟估计,再把整数值和小数值相加,作为最终的时延估计值。从而既可以得到延迟估计的小数值精度,又大大降低了整体的运算复杂度。

首先,要进行时延整数部分的估计,使用自适应参数化时延估计,其滤波器算法采用LMS准则对滤波器系数进行迭代,运算步骤如下:

其中,W(n)=[W-M(n),W-M+1(n),…,W0(n),W1(n),…,WM(n)]T,

2M+1为滤波器的长度,,Dmax为时延真值的最大值,Ts为采样时间间隔

μ为迭代步长,根据LMS自适应滤波器的收敛条件推导可得,σs2和σn2分别表示输入信号和噪声的功率,μ的大小与收敛速度成正比。

其次,在完成整数延时的基础上,利用相关性的检测进一步做小数部分的时延估计,在整点的样本时刻之间进行时刻的细分作为滑动相关运算的步长,比如步长为delta,使用sinc函数与W(n)做相关性运算,找到相关值最大时所对应的子时刻即为小数延迟值。

就是最终时延D的估计值,通过对步长∆的调整可以调节精度大小,∆的大小与精度成反比。但是高精度是以计算量来换取的,所以只要将精度调到所要求的标准即可。

3 计算机仿真实验及结果分析

下面运用本文方法对不同的输入给出实验的结果。

3.1 频率为440HZ的正弦波

设定人为时延D为1.5个采样点,运算结果可以发现在2帧以后时延估计值收敛于1.5。设定D在1～2个采样点之间以间隔0.1改变时延值,时延估计值和时延估计误差的结果如下表所示。

3.2 语音混合街道噪音

输入2中的语音比输入1延迟1.5个采样点,噪声水平相当,SNR1=12dB,SNR2=2dB,图6是其收敛曲线。可以看到130帧后收敛于1.5。

3.3 麦克风录制带噪语音

麦克风距离约为4cm,背靠背摆放,在大的音乐背景下人对准主麦克风讲话,对于主次麦克风采集到的语音波形。通过算法处理得到的时延估计值在80帧后收敛于0.8个点,如图7所示。

3.4 测试结果比较

对于不同的信噪比情况,本算法所估计的时延值会有差别,信噪比越高越准确。另外,两个输入的信噪比差别也会对准确度有影响,差别越小估计得越准确。表2统计了不同噪声环境下不同信噪比水平的时延估计值,其中语音的时延真值为1.5。

其中eq代表输入1和输入2的信噪比水平相等,gt10代表输入1的信噪比比输入2的大10dB。分析表中数据可以看到eq情况下,6dB以上基本准确,平均准确率在95%以上,而gt10的情况下12dB以上基本准确,同时发现在非平稳的噪声情况下的估计效果更好,这一点尤其适合于我们使用基于时延估计的波束形成去噪[7]。

4 结论

本文所提出的时延估计算法是在自适应时延估计的基础上利用相关性检测来提高估计精度的。这种自适应与相关相结合的方法可以根据实际的要求来调节估计的精度,有较强的抗干扰能力,对于时变非平稳的噪声环境下语音延迟估计在一定的信噪比范围内的表现很好,具有自适应的跟踪能力,收敛速度也可以通过调节参数来控制。计算复杂度与与小数时延的估计精度成反比,而由于小数时延的估计范围限于一个采样间隔之内,所以计算复杂度得以大幅降低。

参考文献

[1]王宏禹,邱天爽著,“自适应噪声抵消与时间延迟估计”,1999,大连理工大学出版社

[2]D.H.Youn,N.Ahmed,and G.Clifford Carter,“An Adaptive Approach for Time Delay Estimation of Band-Limited Signals”,IEEE Trans.Acoustics,Speech,and Signal Processing,vol.31,No.3,June1983

[3]Hsiing-Hsing Chiang and Chrysostomos L.Nikias,“A NewMethod for Adaptive Time Delay Estimation for NonGauss-ian Signals”,IEEE Trans.Acoustics,Speech,and Signal Processing,vol.38,No.2,Feb.1990

[4]H.C.So,“A comparative study of two discrete-time phase delay estimators,”IEEE Trans.Instrum.Meas.,vol.54,no.6,pp.2501-2504,Dec.2005

[5]Mrityunjoy Chakraborty,H.C.So,and Jun Zheng,“New Adaptive Algorithm for Delay Estimation of Sinusoidal sig-nals”,IEEE Trans.Signal Processing,vol.14,No.12,Dec.2007

[6]梁红,王惠刚,李志舜,一种基于高阶累积量的自适应时延估计新方法.系统工程与电子技术,Vol125No17,2003

[7]Z Yermeche,N Grbic,I Claesson,“Moving source speech enhancement using time-delay estimation”,Proc.Int.Worshop Acoust.Echo Noise Control,2005

时延相关性 篇2

广义互相关法是时延估计的一个基本方法[2,3,4],该方法根据不同的背景环境,对输入信号进行加权处理,提高了信噪比,锐化了互相关函数的峰值,这对信号预白化处理的方法具有较强的抑噪能力,因此在高信噪比的环境下能够获得精度比较高的时延值。但是由于实际环境中环境噪声和各种干扰的影响,降低了信号的信噪比并且它依赖于对信号和噪声的统计先验知识[5],故其精度和适应性不能令人满意。

神经网络是能够进行分布式并行信息处理的算法数学模型[6,7],其本质是一个非线性动力学系统,能够很好地协调多种输入信息的关系,处理复杂非线性和不确定对象[8]。因而混合噪声模型较适合采用该学习方法,可以克服广义互相关法对动态环境的适应性和在混合噪声环境下精度低的问题。

1 广义互相关时延估计方法1.1 信号模型

假设两个传声器接收信号的离散事件信号模型为:

x1(t)=α1s(t)+n1(t)

x2(t)=α2s(t-τ1,2)+n2(t)

式中 ni(t)——声源附加的噪声信号;

xi(t) ——传声器的采集信号;

s(t) ——目标声源信号;

αi ——声源信号的衰减系数;

τ1,2 ——两个传声器拾取信号的延迟时间,即时延。

1.2 广义互相关法

广义互相关法通过求两信号之间的互功率谱,并在频域内给予一定的加权来抑制噪声和反射的影响,再反变换到时域,从而得到两信号之间的互相关函数。该互相关函数的峰值位置即两信号之间的相对时延。广义互相关时延估计法的原理框图如图1所示。

根据信号模型,时延值可以通过广义互相关方法进行估计,互相关函数可表示为:

Rx1x2(τ)=∫undefinedψ12(ω)Gx1x2(ω)e-jωτdω

=∫undefinedΦx1x2(ω)e-jωτdω

最后再经过傅立叶反变换到时域,可得到时延undefined。Rx1x2(τ)的峰值处即两麦克风间的时延。

根据所采用的加权函数不同形成了不同的广义互相关时延估计法。其中主要的加权方式有Roth处理器、平滑相干变换、最大似然加权及相位变换等。

2 神经网络滤波

神经网络是可进行分布式并行信息处理的算法数学模型。对于噪声统计特性已知的情况下,可采用基于特定噪声统计模型的预滤波器来处理;而对于统计特征未知的混合噪声,则需要构造能够处理混合噪声统计特征的预滤波器[8,9]。神经网络滤波的原理如图2所示。

3 基于神经网络滤波的广义互相关时延估计

3.1 神经网络预滤波器结构模型

神经网络预滤波器是通过神经网络对多种模型滤波器进行优化,通过得到的互相关函数峰值的大小动态地调整预滤波器的参数。神经网络预滤波器的结构模型如图3所示。

3.2 算法步骤

该方法的基本思想是通过将广义互相关方法与神经网络方法相结合,将时延估计问题转化为针对多噪声模型预滤波器的优化问题,具体按如下过程实现:

a. 通过傅里叶变换将两路时域信号分别转换为相应的频域信号;

b. 对上述频域信号进行互相关运算,得到两路信号的互相关谱函数;

c. 利用基于神经网络学习得到的混合噪声预滤波器对互相关谱函数进行加权处理,得到广义互相关谱函数;

d. 对上述广义互相关谱函数进行傅里叶反变换,得到其时域形式,即广义互相关函数;

e. 对输入信号的广义互相关函数进行峰值检测,根据峰值大小判断输入混合噪声与神经网络预滤波器的匹配程度,再利用相应的学习规则对神经网络进行调整,得到针对混合噪声的预滤波器以使广义互相关函数峰值达到全局最优;

f. 停止学习,并利用最优化后的广义互相关函数计算时延。

4 结束语

通过学习优化混合噪声模型预滤波器的方法能够从根本上解决时延估计方法无法处理混合噪声模型的问题,为提高广义互相关法的适应性提出了新的思路,能够提高广义互相关时延估计在混合噪声环境下的精度和适应性。

参考文献

[1]黄晓燕,罗建.自适应时延估计算法在被动声定位系统中的应用[J].探测与控制学报,2007,29(2):73～76.

[2]崔玮玮,曹志刚,魏建强.声源定位中的时延估计技术[J].数据采集与处理,2007,22(1):90～99.

[3]Chen J D,Benesty J,Huang Y T.Performance of GCCand AM-DF Based Time Delay Estimation in PracticalReverberant Environments[J].EURASIP Journal onApplied Signal Processing,2005,(1):25～36.

[4]Knapp C H,Carter G C.The Generalized CorrelationMethod for Estimation of Time Delay[J].IEEETransactions on Acoustics,Speech and Signal Pro-cessing,1976,24(4):320～327.

[5]行鸿彦,唐娟.时延估计方法的分析[J].声学技术,2008,27(1):110～114.

[6]曾军.神经网络的自适应信号处理[J].现代电子技术,2007,30(9):117～118.

[7]杨冠鲁,曹瑞,裴勃生,等.一种神经网络非线性噪声消除方法[J].系统工程与电子技术,2006,28(6):900～902.

[8]张艳.基于BP算法和遗传算法的自适应噪声抵消器[D].吉林:吉林大学,2004.

超宽带信号时延估计算法研究 篇3

时延估计是目标定位跟踪系统的关键技术, 在通信、雷达和水声信号处理等领域中有着广泛的应用。获取时差的传统做法是对进入两接收机的同一信源信号进行相关运算, 所得峰值对应的位置即为估计时延, 这也是传统时延估计方法相关法的原理。自20世纪80年代Knapp和Carter在文献[1]中提出广义相关法以来, 时差估计已成为广泛研究的热门课题。近年来, 基于高阶累积量的时延估计算法在定位中发挥着重要作用[2,3,4,5]。UWB技术起源于20世纪60年代, 是一种高速、低成本和低功耗新兴无线通信技术。FCC规定UWB的频带从3.1GHz到10.6GHz, 并限制信号的发射功率在-41.3dBm以下。UWB信号在定位低成本、抗多径干扰、穿透能力强等方面具有很强的优势, 可以应用于静止或者移动物体以及人的定位跟踪, 能够提供十分高的定位精度[6]。所以研究UWB信号的时延估计方法具有十分重要的现实意义。针对传统的相关法及双谱法中多径分辨能力低的缺点, 引入了基于MUSIC算法的高分辨率的时延估计算法[7], 并提出了一种改进的MUSIC 算法, 进一步提高了时延估计精度。

2 UWB信号模型

UWB系统通常是指发射的无线通信信号的相对带宽 (信号带宽与中心频率之比) 大于25%或带宽大于1.5 GHz的系统。这里相对带宽定义为[8]

$f{}_c=\frac{2(f{}_h-f{}_l)}{f{}_h-f{}_l}(1)$

式中fh和fl由能量带宽给出, 能量带宽是一频率范围, 在这个频率范围内, 信号能量占信号频谱总能量的90%或95%, 该频率范围的上限频率用fh表示, 下限频率用fl表示。

目前UWB系统通常采用周期性的单周脉冲序列作为UWB信号的载体。由于高斯形脉冲频谱结构中直流及接近直流的频谱成分较弱, 有利于极窄脉冲信号的传输, 接收端易于相关检测与识别, 所以在工程中应用较多。单周期的高斯脉冲时域和频域模型可表示为

$\{\begin{array}{l}V(t)=2A\frac{t\sqrt{e}}{\tau }\exp \left[-2\frac{t{}^2}{\tau }\right]\\ V(f)=-jA\sqrt{\frac{\pi {}^{3}e}{2}}f\tau {}^2\exp \left[-\pi {}^2\frac{(f\tau ){}^2}{2}\right]\end{array}(2)$

式中A为脉冲峰值幅度值, τ为时延值, t为时间, f为频率。单周期高斯脉冲的时域及频域波形如图 1所示。

3 时延估计方法

时间分辨率高是UWB定位技术的主要优势, 本文首先对传统相关法进行研究, 接着将三阶累积量、MUSIC等方法应用到UWB的信号时延估计中, 并提出一种改进的MUSIC算法。

3.1 相关法

相关法是用来检测两路信号的相关程度, 它是最基本的时延估计方法。在UWB系统中, 相关接收机中会保留一定时长的脉冲信号, 用来检测接收的信号, 当接收机与发射机时钟同步时, 就可以用相关法来检测信号的时延值。UWB信号相关法时延估计的原理框图如图 2所示。

考虑发送的脉冲序列为

$S{}_{tx}(t)={\displaystyle \sum _{j=0}^{{\rm N}-1}s}(t-j{\rm T}{}_f)(3)$

式中s (t) 为UWB脉冲, Tf为帧周期, N为发送序列中脉冲个数。则经过多径信道后, 接收信号为

$S{}_{rx}(t)=S{}_{tx}(t)*h(t)+w(t)(4)$

式中w (t) 为零均值加性高斯白噪声, 通常情况下, 认为在一个符号周期内信道是非时变的。

在传统的相关算法中, 对接收信号作相关运算, 有

$R(t)={\displaystyle {\int }_0^{{\rm T}{}_f}S}{}_{rx}(\tau )p(t-\tau )\text{d}\tau (5)$

对 (5) 式作峰值检测, 峰值点对应的位置即为所要估计的时延值。

3.2 双谱法

考虑两个空间上分离传感器的情况, 两接收机接收到的信号为

$\{\begin{array}{l}x{}_1(n)=s(n)+w{}_1(n)\\ x{}_2(n)=\alpha s(n-D)+w{}_2(n)\end{array}(6)$

其中s (n) 为信源信号, w1 (n) 和w2 (n) 为高斯白噪声, D为估计的时延值;α表示幅度衰减系数;信源s (n) 、噪声w1 (n) 和w2 (n) 均为互不相关的实平稳高斯随机过程, 则根据累积量与双谱直接的傅里叶变换关系, 得到x1 (n) 的双谱为

${\rm P}{}_{3x{}_1}(\omega {}_1,\omega {}_2)={\rm P}{}_{3s}(\omega {}_1,\omega {}_2)(7)$

x1 (n) 和x2 (n) 的互双谱为

${\rm P}{}_{x{}_{1}x{}_{2}x{}_1}(\omega {}_1,\omega {}_2)={\rm P}{}_{3s}(\omega {}_1,\omega {}_2)e{}^{j\omega {}_{1}D}(8)$

则有

$\begin{array}{l}{\rm T}(\tau )={\displaystyle {\int }_{-\infty }^{\infty }{\displaystyle {\int }_{-\infty }^{\infty }\frac{{\rm P}{}_{x{}_{1}x{}_{2}x{}_1}(\omega {}_1,\omega {}_2)}{{\rm P}{}_{3x{}_1}(\omega {}_1,\omega {}_2)}}}\text{d}\omega {}_1\omega {}_2\\ ={\displaystyle {\int }_{-\infty }^{\infty }\text{d}}\omega {}_2{\displaystyle {\int }_{-\infty }^{\infty }e}{}^{j\omega {}_1(D-\tau )}\text{d}\omega {}_1(9)\end{array}$

对 (9) 式作谱峰检测, 即可得到估计的信号时延值。

3.3 MUSIC方法

采用DS-UWB二进制PAM模型, 其表达式为

$s(t)={\displaystyle \sum _{-\infty }^{\infty }{\displaystyle \sum _{n=0}^{{\rm N}{}_c}b}}{}_{m}c{}_{n}p(t-m{\rm T}{}_s-n{\rm T}{}_c)(10)$

式中bm为二进制调制数据, Ts代表符号所占用的时间长度, Nc代表码片个数;cn为扩频码, Tc代表码片所占用时间长度, p (t) 为单个UWB脉冲波形。 根据式 (10) 所示的信号模型, 可得接收信号频域表达式的矩阵形式为

$Y{}^{(k)}=S\alpha {}^{(k)}+W{}^{(k)}(11)$

在频域下, 接收信号的相关矩阵为

$R{}_{YY}=SAS{}^{{\rm H}}e{}_i+\sigma {}_{\omega }^{2}e{}_i=(\mu {}_i+\sigma {}_{\omega }^2)e{}_i=\lambda {}_{i}e{}_i(12)$

式中A=E[α (k) α (k) H], A是一个秩为L的对称矩阵, σ${}_{\omega }^2$为高斯白噪声方差, ei代表相关矩阵RYY的特征值λi所对应的特征向量, μi为矩阵RYY的特征值, 且有λ1≥λ2≥…≥λL≥λL+1=λL+2=…=λN=σ${}_{\omega }^2$。其中, L个大的特征值对应的特征向量的组合叫做信号子空间, 其余N-L个小特征值对应的特征向量的组合叫做噪声子空间。令Us=[e1……eL]代表信号子空间, Un=[eL+1……eN]代表噪声子空间。

频域MUSIC下时延估计的表达式为

$F{}_{\text{Μ}\text{U}\text{S}\text{Ι}\text{C}}(\tau )=\frac{1}{s{}_n^{{\rm H}}U{}_{n}U{}_n^{{\rm H}}s{}_n}(13)$

对式 (13) 作谱峰搜索, 对应的峰值时刻即是要估计的信号时延值。

3.4 改进的MUSIC方法

接收信号的表达式如式 (11) 所示, 其协方差矩阵为

$R{}_{YY}=AR{}_{ss}A{}^{{\rm H}}+\sigma {}_{\omega }^2{\rm I}{}_{{\rm M}}(14)$

式中Rss=E[S (n) SH (n) ], IM为单位矩阵, 令

$X(n)=J{}_{{\rm M}}Y{}^{*}(n)(15)$

式中*表示复共轭运算, 下同。JM是M阶交换矩阵, 除副对角线上元素为1外, 其余元素均为零, 对于非相关源, 可得X (n) 的相关矩阵为

$R{}_{XX}=AR{}_{ss}A{}^{{\rm H}}+\sigma {}_{\omega }^2{\rm I}{}_{{\rm M}}(16)$

则X (n) 和Y (n) 的互协方差矩阵为

$R{}_{XY}=E[XY{}^{{\rm H}}](17)$

令

$R{}_{YX}=R{}_{XY}+J{}_{{\rm M}}(R{}_{XY}){}^{*}J{}_{{\rm M}}(18)$

则总的协方差矩阵为

$R=\frac{R{}_{XX}+R{}_{XY}+R{}_{YY}+R{}_{YX}}{4}(19)$

对R进行特征值分解, 并用MUSIC算法进行信号时延值估计, 就是改进MUSIC算法的原理。

4 仿真分析

为了验证本文所提算法对时延估计的有效性, 并且比较其与传统的相关法、双谱法、MUSIC法时延估计的性能, 下面进行计算机仿真实验。

仿真实验中, UWB脉冲宽度为0.5ns, 信道是IEEE802.15.4a推荐的室内LOS信道模型。帧周期为2.5ns, 每次实验发送1000帧数据, 蒙特卡罗实验次数为100次。

实验一:图 3 (a) 给出了发射信号波形图, 实线的波形表示无时间延时的信号, 虚线表示有1ns时延的信号;图 3 (b) 是经过UWB信道后的接收信号波形图。在-5dB的高斯噪声背景下, 图 4 (a) 是相关法时延估计图;图 4 (b) 是双谱法时延估计图。

由图 4 (a) 和 图4 (b) 可以看出, 在单径时延情况下, 在-5dB的高斯噪声背景下, 相关法和双谱法均能很好的估计出信号的时延值。

发送信号波形图

实验二:在超宽带室内信道中, 由于多径成分非常密集, 所以本次实验考虑在多径环境下, 在多径间隔分别为3ns和0.3ns的条件下, 当背景高斯噪声程度不同时, 相关法和双谱法的时延估计性能。图 5 (a) 表示在多径到达时间间隔为3ns, 不同程度高斯背景噪声下, 相关法和双谱法的定位性能图;图 5 (b) 表示在多径到达时间间隔为0.3ns, 不同程度高斯背景噪声下, 相关法和双谱法的定位性能图。

由图 5 (a) 可以看出, 在多径到达时间间隔为3ns时, 相关法和双谱法均具有比较精确的定位性能, 背景噪声越弱, 定位性能越精确。由图 5 (b) 可以看出, 在多径到达时间间隔为0.3ns时, 相关法和双谱法定位误差很大, 已经失效, 即便是在降低背景噪声的情况下, 两种算法仍然不能有效的进行定位估计。这是因为在超宽带室内信道中, 由于多径成分非常密集, 相邻多径的时间间隔非常短, 使用传统的相关法和双谱法往往不能分离出这些多径信号。假如第一条到达的多径信号与其后的多径信号不能有效地区分, 这样就会对信号的到达时延值估计产生很大的误差或根本不能估计出到达时延值, 所以传统的相关法和双谱法不适用于多径条件下UWB信号的时延估计。

实验三:假设发射机与接收机之间存在直达路径, 并且能够做到同步。多径到达时间间隔为1ns, 三条多径的间延分别为2ns、3ns和4ns;抽样时间为0.01ns, 快拍数为1000。在-5dB的高斯噪声背景下, 图 6 (a) 表示传统MUSIC算法时延估计图;图 6 (b) 表示本文所提出的改进的MUSIC算法时延估计图。

在多径到达时间间隔为1ns时, 由图 6 (a) 和图 6 (b) 可以看出, 传统的MUSIC算法和本文所提出的改进后的MUSIC算法均能比较好的估计出多径信号的时延值, 通过比较可以看出, 本文所提出的改进MUSIC算法的估计性能要略优于传统的MUSIC算法。

实验四:在超宽带室内信道中, 多径成分非常密集, 本次实验考虑在多径环境下, 当背景高斯噪声程度不同时, 在多径到达时间间隔分别为1ns和0.3ns时, 传统的MUSIC算法和本文所提出的改进后的MUSIC算法的时延估计性能。图 7 (a) 和图 7 (b) 分别表示在不同程度的背景噪声情况下, 当多径到达时间间隔分别为1ns和0.3ns时, 传统的MUSIC算法和本文所提出的改进后的MUSIC算法的时延估计性能图。

在多径到达时间间隔为分别为1ns和0.3ns时, 在不同程度的背景噪声条件下, 由图7 (a) 和图7 (b) 可以看出, 当信噪比增大时, 传统MUSIC算法和改进后的MUSIC算法时延估计均方根误差都会降低, 定位精度都会变得更好, 总体上可以看出, 本文所提出的改进后的MUSIC算法在两种不同的多径到达时间间隔下, 在时延估计性能上都优于传统的MUSIC算法, 特别是当多径时延间隔比较小时, 这种趋势越明显。

5 结束语

本文对超宽带信号时延估计问题进行了研究, 在研究传统的相关法和双谱时延估计法的基础上, 对其时延估计的性能进行了分析。另外, 考虑在超宽带室内信道中, 由于多径成分非常密集, 相关法和双谱法的估计性能会变的很低, 几乎失效, 接着详尽地研究了传统的MUSIC算法, 并将其与本文提出的改进后的MUSIC 算法在性能上进行了比较, 验证了改进后MUSIC算法的有效性。在性能方面, 本文改进后的MUSIC 算法要优于传统MUSIC算法;在算法复杂度方面, 本文算法要逊色一些。

参考文献

[1]C.H.Knapp and G.C.Cater.The Generalized Correla-tion Method for Estimation of time Delay[J].IEEETrans.Acoustics, Speech, and Signal Processing.1976, 24 (4) :320-327.

[2]Ying-Chang Liang, A Rahim Leyman.Time delay esti-mation using higher order statistics[J].Electronics Let-ters, 1997, 33 (9) :751-753.

[3]刘颖, 王树勋, 王本平.基于四阶累积量的自适应参数型多径时延估计[J].系统仿真学报.2002, 14 (6) :700-703.

[4]Y.Wu.Time delay estimation of non-Gaussian signalin unknown Gaussian noised using third-order cumulants[J].Electronics Letters.2002, 38 (16) :930-931.

[5]Tugnait J.K.On time delay estimation with unknownspatially correlated Gaussian noise using fourth-ordercumulants and cross cumulants[J].IEEE Trans.A-coustics, Speech, and Signal Processing.1991, 39 (6) :1258-1267.

[6]Liu-qing Yang, Georgious B.Giannakis.Ultra-wide-band communications:an idea whose time has come[J].IEEE Trans.Acoustics, Speech, and Signal Processing.2004, 11:26-54.

[7]Schmidt R.O.Multiple emitter location and signal pa-rameter estimation[J].IEEE Trans.Acoustics, Speech, and Signal Processing.1986, 34 (3) :276-280.

采用BCZT的时延估计算法 篇4

定义式为:

频谱的细化程度是由N1决定的, K1是所要计算的起始频谱, M是所要计算频谱的点数, N0是信号点数。

1 BCZT算法

由于在很多实际系统中, 时延量总是处于有限范围内, 并且能够确定最大时延值, 相关函数的主峰处在零点附近, 因此, 只要根据最大时延量Tmax和时延分辨率△t′确定N=Tmax/△t′, 对于N2点的r (n) , 只需计算零点的前N点与后N点, 组合成新的满足系统要求的相关函数r2n (n) , 可以大大降低计算量, 新的相关函数表示如下:

其中R2 (k) =R1﹡ (2K1+M-1-k) 是R1 (k) 的共轭翻转后得到。

同样令rn2=D (n) +E (n)

令k′=k- (N2+1-2K1-M) 则可得

由以上分析可知, 此方法使相关函数的分辨率提高N2/N1倍, 可以根据实际需要计算相应的时延点数, 大大减少计算量。

2 BCZT算法仿真

假设输入的窄带信号中心频率为1.44MHz, SNR=5dB, 理论时延值为1e-007s, 色噪声叠加到窄带信号上, 进行10次仿真, 图1为利用BCZT算法计算的相关系数图, 图2为利用BCZT算法计算的时延估值。

由仿真图可以看出, 当输入信号频率较高时, 采用BCZT算法对信号频谱进行细化, 可以提高时延估计精度。

3 结语

2M时延测试及保护切换方式分析 篇5

随着电网的发展, 光传输系统已在其通信业务中占据主导地位。在电力传输系统承载的业务中, 继电保护、安全稳定控制业务对通道时延要求最高, 电力光纤通信网络需为该类业务提供更高质量的传输通道[1]。但随着传输网络不断扩大, 以及长距离传输而产生的时延对业务的稳定性、可靠性具有极大影响, 对时延的量化研究具有重要意义。

2 保护信息的传输对光纤通道的技术要求

根据中华人民共和国电力行业标准《DL/T 364-2010光纤通道传输保护信息通用技术条件》中, 继电保护信息的传输对光纤通道的技术要求[2]:用于继电保护的通信通道单向时延不大于10ms;双向通道倒换环作为线路纵差保护的信息传输通道时, 不能采用通道自愈功能;若通道具有自愈功能, 通道正常运行或切换后, 双向路由必须一致;双向复用段倒换环可作为线路纵联保护的信息传输通道。

3 宁夏电力SDH光传输网的2M传输时延测试

3.1 时延的测算[3]

时延是指数字信号以群速通过一个数字连接所经历的时间。

时延t可以由以下公式表示:

式 (1) 中:

TPCM—PCM复用设备复用、解复用时延, 对2M接口, TPCM为零;

TSDH—SDH设备复用、解复用时延;

Ti—中间节点设备时延;

N—中间节点设备总数;

TO—传输介质时延 (目前光纤应用最广) 。

对于SDH光传输系统来说, TO光缆时延可由以下公式计算得出:

式 (2) 中:

式 (2) 中:

L—光缆长度;

n1—为纤芯折射率, 对常用的G.652光缆, n1为1.48;

C—为光速, C=3×105km/s。

因此, 单位长度光缆的时延约为4.93μs/km, 即TO=4.93L。

对于SDH系统, 不同厂家、型号及速率的设备, TSDH、Ti各不相同, 可以通过对运行的SDH传输节点进行多次测试平均算出。

通过计算TO、TSDH、Ti, 即可算出t, 也可通过测出t, 计算其它的时间。

3.2 宁夏电力SDH传输网时延测试

宁夏电力SDH传输网主要由爱立信公司的OMS1664设备组成, 速率最高为10Gbit/s。笔者针对OMS1664设备进行测试, 仪表为Anritsu公司的MP1590B, 通过不同的设备配置, 经多次测试, 结果如下:TSDH平均值为129μs, Ti平均值为71μs。

测试情况如下:

SDH自愈环测试拓扑图:

测试说明:

建立银川东变至徐家庄变的2M传输通道, 分别测试该通道长、短路径的2M时延 (仪表测试结果为单向实际时延的2倍即2t) 。

网元节点间光缆距离总和经计算如下表所列, 计算时延与实测结果2t基本符合。

上述测试单项时延均小于10ms, 对于保护业务的通信通道单向传输时延小于10ms, 目前宁夏光传输网络结构满足此指标要求。从表中数据可以得出, 当光缆路径超过100km时, 由传输介质引起的时延占了总时延的主要部分, 光缆路径在10km以内时, 时延很小, 主要由设备产生。

4 保护业务2M传输通道切换方式分析

保护业务对传输通道的可靠性要求很高, 这种高可靠性要求体现在: (1) 要求传输通道准确无误地传送保护装置的数据信号, 保证传输通道不产生信号中断、告警、误码等问题; (2) 要求传输通道时延小, 并且双向时延一致。通过前面对时延的测试分析, 2M通道完全能够满足保护信息的承载。

由于工程施工、线路检修、光纤裂化或断裂、设备故障、光器件老化、接头接触不良等原因, 会造成传输通道产生信号中断, SDH网对2M信号的保护倒换主要有通道保护和复用段保护, 当采用SDH通道自愈环的方式组网时, 易造成收发路由不一致, 从而造成双向时延不同, 最终导致保护装置的不正确动作。

因此, 对于电力SDH传输网, 重要线路的保护信息应采用双向复用段保护方式, 这种保护切换方式能够保证双向时延一致, 但在切换时会产生瞬时的数据丢失、重复、时延变化, 不过对保护业务影响不大。在条件具备的情况下, 应采用双设备、双路由承载保护信息, 或采用光纤直连与2M通道互为补充。

5 结论

鉴于电力保护业务的重要性及利用2M实现复用传输的必要性, 充分实现传输网络2M通道的安全性尤为重要。因此, 在配置保护业务2M通道的时候, 要注意如下几点: (1) 计算通道的时延, 不应超过10ms, 对于光缆路径较长的线路, 应尽量减少中间节点的数量; (2) 双向路由必须一致, 要求SDH环网采用双纤系统; (3) 可采用复用段保护方式, 不宜采用通道保护环。

摘要：随着电网生产业务对传输通道可靠性要求的不断提高, 电力保护业务要求通信系统具备高质量的传输通道。文章介绍了电力保护业务对光纤通道的技术要求, 结合宁夏电网的实际情况, 对2M通道进行了时延测试, 结果符合保护业务要求。讨论了保护业务的保护倒换方式, 分析了通道保护方式的不足, 提出了复用段和双设备双路由保护的方案。

关键词：保护通道,时延测试,复用段保护,双路由

参考文献

[1]国家电网公司.国家电网公司十八项电网重大反事故措施[Z].国家电网公司, 2012.

[2]D2/T364-2010.光纤通道传输保护信息通用技术条件[S].北京:中国电力出版社, 2010.

时延相关性 篇6

随着移动网络规模的日益发展, 用户群不断壮大, 用户对服务质量的要求也越来越高。用户满意度作为用户对移动网络认可程度的相关指标也成为衡量网络质量的重要指标之一。而如何有效地提高用户的满意度也成为大家关注的热门话题。除了一般的上下行质差、硬件隐性故障等常见的因素之外, 网络接通速度也是影响用户感知和满意度的重要原因之一。

本文从影响网络接通速度的因素入手, 以无线侧影响因素为主, 验证各类因素的影响, 方便日后大家对造成接续速度过慢的原因进行定位分析和处理解决。

2 理论分析

首先, 本文分析在无线侧各个环节中能够对接通速度产生影响的环节, 下面就从这几方面展开说明。

图1为主叫手机从起呼至接通的信令流程。从流程来看, 主要分为3个阶段:无线链路建立过程、鉴权加密及TMSI重新分配过程、TCH分配过程。其中鉴权加密及TMSI重新分配过程主要受交换侧设置影响, 在此不重点研究。除此以外, 从流程来看, 无线链路建立过程和TCH分配过程就是无线侧对接通速度影响最大的过程了。

2.1 无线链路建立过程

从无线链路建立过程来看, 由于MS在遇到SDCCH拥塞和无线访问失败的情况下将会在放弃之前重试“Max_Retrans+1”次, 因此SDCCH信道溢出以及SDCCH无线访问失败都有可能会造成呼叫建立时长的增加。

此种情况属于无线环境不佳或者SDCCH资源不充足, 即不能一次性成功建立无线链路, 但是在“Max_Retrans+1”次重试之内成功建立无线链路, 从而造成了多N次的重建时长, 而重建的时长取决于参数TX_INT的设置和实际重试次数。

此外, 被叫侧寻呼阶段也会受到无线环境的影响, 造成二次寻呼, 从而影响呼叫时延, 二次寻呼流程如图2所示。

2.2 TCH分配过程

图3为TCH分配的正常流程。可以看出, 除了无线环境不佳之外, 若是存在影响接通速度的情况, 那么最有可能的因素就应该是排队了, TCH拥塞和排队流程如图4所示。

综上所述, 从理论分析TCH拥塞排队情况会造成接通速度变慢, 即呼叫时延增大, 那么呼叫时延是否真的与排队占比有联系呢, 本文就此展开了一系列的验证测试。

3 实验验证

上文已经对起呼阶段信令流程作了详细的分析, 为了证实上述分析结果, 本文采用现场拨测的方法进行验证, 以下就拨测结果进行说明。

3.1 SDCCH拥塞和无线访问失败对接通速度的影响

通过信令流程分析可以知道, 由于呼叫重试机制的作用, 在SDCCH拥塞以及无线访问失败的情况下, 无线链路建立阶段中可以有“Max_Retrans+1”重试机会来减少呼叫冲突以及无线环境突变的影响。因此, 在各种因素的影响下, 会造成多次呼叫重试从而延长呼叫时长。

本文通过CQT测试验证了在无线环境不佳的情况下多次呼叫重试的现象 (见图5) 。

可以看到, 此次呼叫过程中, 手机一共发送了3次Channel Request消息, 应该是SDCCH信道支配没有成功, 之后等待了TX_INT的时间再进行呼叫重试。Max_Retrans一般设置为2或4, 而TX_INT设置为25或32, 若是遇到无线环境不佳或呼叫冲突等极端的情况, 会增加大概4秒的呼叫时长。

此外, 若是被叫侧在无线环境不佳的情况下, 手机在起呼阶段则会遇到二次寻呼的问题, 一般在交换侧设置有二次寻呼间的间隔 (通常为4秒) , 这样在整个呼叫的流程中接通速度也会受到被叫侧的二次寻呼的影响。

各类因素导致的无线环境不佳均有可能导致呼叫重试以及二次寻呼等情况, 从而影响正常的呼叫时延, 对用户的感知造成不良影响。为了避免呼叫时延造成的不良影响, 提高用户满意度, 需要及时对网络中存在的上下行覆盖及质量等问题的小区进行处理, 最大限度地减少其对呼叫时延的影响。

3.2 排队占比对呼叫时延影响

Alcatel系统中有专门的Counter来统计排队次数 (见表1) 。

此次主要研究的为排队次数占比对呼叫时延的影响, 首先定义:

根据上述公式, 可以方便地得到每个小时某小区的排队占比, 为了减少实验期间用户感知变化, 本文选取了不同排队占比的小区进行验证测试, 测试结果如表2所示。

从表2中统计的结果来看, 小区排队占比越高, 在该小区上起呼时的平均呼叫时延就越大。这也证明了呼叫时延与小区拥塞排队是有直接关系的。而其中CI:61150和50485以及4642和4641排队比例较大的评估呼叫时延更短, 可能是由于2组小区排队比例情况相差无几, 且在有限时间内的拨测中主被叫手机遇到排队的情况比较少导致。由于排队占比反映了主被叫手机遇到排队的概率, 如果把拨测量无限增大, 那么最终的呼叫时延结果必然更接近于小区排队比例的情况。

下面, 本文通过正常流程和排队流程对比呼叫时延的区别。

正常呼叫时延信令流程如图6所示。

从图6可以看到, 正常情况下, 从Call Proceeding/Confirmed开始TCH分配至Assignment Complete几乎没有任何的等待时间。

呼叫时延超长小区信令情况如图7所示。

从图7中可以看到, 主叫手机侧T C H分配从C a ll Proceeding开始至Assignment Command总共耗时8秒钟, 比正常分配多等了7秒多时间, 由此可知, 主叫在起呼阶段遇到了排队等待的情况。主叫侧TCH分配完成之后一直等待Alerting, 直到15秒之后才收到下发的Alerting, 通过查看被叫侧信令流程。可以看到, 在Call Confirmed之后一直在等待TCH信道激活, 被叫侧也遇到了排队情况, 造成TCH分配滞后, 从而影响整个呼叫的接通速度, 也致使整个呼叫流程共耗去23秒多的时间。

小区排队占比反映了小区中手机用户拨打电话时遇到TCH拥塞排队的概率, 而TCH排队情况对呼叫中TCH信道建立速度会产生一定的影响, 因此在一定程度上, 小区排队占比的大小也反映了呼叫时延的长短。而要解决此类问题造成的接通速度慢的情况, 最快捷的方式无疑就是配置大量的信道资源。

4 总结

通过上文对2G网络语音呼叫时延影响因素的研究, 以呼叫流程入手分析, 无线侧影响因素主要有无线环境不佳及TCH拥塞排队。为了改善呼叫时延, 提升用户感知度, 需要做到以下几点: (1) 及时解决网络中覆盖问题:通过180报告、RMS报告以及虚拟干扰矩阵结合分析, 可以对小区覆盖异常的可能性进行分析, 结合现场排查可以有效地处理覆盖异常问题。 (2) 及时处理网络上行干扰, 改善下行质量, 关注网络中硬件工作状态。 (3) 及时了解电信CDMA网络建设动态, 对可能造成的CDMA拖尾干扰作好预估, 及时发现和处理。 (4) 通过降低个别G网高配小区载频配置、新建D网小区吸收热点话务等手段, 缓解日益紧张的频点资源, 同时严格按照省公司给出的频点使用规范要求, 合理规划和使用频点。 (5) 定期通过RMS报告及各类话务报告等手段及时发现和处理网络中存在的隐性硬件故障。定期对网络中使用的直放站进行检查, 保障其运行状态。

文章通过对无线侧呼叫流程的理论分析结合CQT测试验证, 证明了在呼叫各个环节上影响呼叫时延的因素, 通过对各个环节影响因素的研究, 总结形成原因, 为日后优化呼叫时延提供有力的借鉴。此外, 在交换侧还有许多环节, 如智能网、彩铃等环节也有可能造成一定的呼叫延迟, 由于此次条件有限没有深入分析, 这也是今后努力的方向。

摘要：文章详细分析了2G网络语音呼叫延时的影响因素, 并提出了改善呼叫延时的具体措施。

关键词：呼叫时延,SDCCH拥塞,排队占比

参考文献

EPA系统周期数据通信时延分析 篇7

关键词：EPA,工业以太网,周期报文,通信,时延

1 引言

为了达到控制与监控的要求, EPA (Ethernet for Plant Automation) 系统中的信息在网络上传输时, 应有确定的时延, 即信息传输必须具有实时性[1,2]。尤其是周期报文, 由于其承载的数据都是为周期任务服务的, 因此对于通信实时性要求较高。本文从理论角度对EPA周期数据的通信时延特性进行了研究。

由文献可知, EPA系统的通信时延包括产生时延、排队时延、发送时延和接收时延4个部分。其中最关键的是排队时延d, 即报文发送前在队列中等待发送的时间。由于EPA系统的周期报文必须在预定的时间片内发送, 所以排队时延由等待时间片到达的待片时延Fp和等待其他报文发送的待发时延Dp组成, 即d=Dp+Fp。

2 模式1

模式1指的是周期报文在周期数据发送时间片到达之前进队, 如图1所示。图中Tr是报文的进队时间;Ts是报文的发送开始时刻;T1、T2、T3是宏周期的开始时间;Te为周期数据发送开始时间 (MOD (Tei, T) =Ai, Ai指的是设备i的周期数据发送时间偏离量) ;Td为非周期数据发送声明报文 (N报文) 开始发送的时间。如果设备本宏周期共发送n个周期报文, 且有m个周期报文

先其进队, 则该模式具有如下特征:

式 (2) 两边取模后为:

该模式下, 设备进入周期数据发送时间片时, 会在发送完这m个报文后发送该报文。则Fp即为这m个报文的发送时间, 而Dp则为从报文进队到设备周期数据发送时间片开始的时间段。分别如下面两式表示:

3 模式2

模式2是报文在周期数据发送时间片开始到N报文发送开始的时间段进队, 报文进队时, 设备的周期数据发送时间片已经开始, 报文已经开始发送, 但是由于N报文的发送还未开始, 报文仍能在本宏周期发送, 则该模式具有如下特征:

式 (7) 两边取模后为:

因为在该模式下, 报文进队时该设备周期数据发送时间片已经到达, 所以待片时延Dp为0。而Fp如下式所示:

4 模式3

模式3是周期报文在设备开始发送N报文之后进队, 报文在N报文开始发送之后进队, 设备已经不再发送周期报文, 则该报文在本宏周期没有发送机会, 只能延迟到下一宏周期发送, 则该模式具有如下特征:

将式 (11) 代入式 (12) 并取模后为:

由于报文延迟到下一宏周期发送, 则Dp如下式所示:

由以上分析可知, 模式1和模式2报文是在进队宏周期发送, 而模式3则延迟到下一宏周期。因此通信调度参数和报文的进队时间是决定其通信时延的两个关键因素。如果一个周期报文在设备开始发送N报文之前进队, 它就可以在本宏周期发送;否则如果它在N报文开始发送之后进队, 那么它就延迟到下一宏周期发送从而导致通信时延增加。因此, 对报文的进队时间和通信调度参数进行协调是提高周期数据通信实时性一个方法。

5 结语

本文研究了EPA周期数据的通信实时性, 根据报文的进队时间建立了3个模式, 分析了3个模式的调度特征和通信延迟, 建立了理论模型, 提出了提高EPA通信实时性的方法。

参考文献

[1]谢昊飞, 李勇, 王平, 等.网络控制技术[M].机械工业出版社, 2009.