信噪比估计（共7篇）
信噪比估计 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
信噪比估计 篇3
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
信噪比估计 篇4
分集接收技术是对抗快衰落的有效措施。在测控设备接收由航天器发出的电波时, 往往在天线中存在着2种时变的正交极化波[1]。为了能够接收到最佳极化的信号, 测控设备需要应用极化分集合成技术来提高信号的接收能力[2]。尤其是在航天器经过等离子黑障时, 下行链路信号变化极大, 信号质量急剧下降, 为了能在有限的数据信息中尽可能地提取有用信息, 可以把接收下来的数据进行事后处理。而随着软件无线电在现代工程中的广泛应用, 使得软件化实现事后处理设备的实现成为可能。利用软件的迭代等复杂算法, 可以更充分有效地利用数据。用软件来实现极化分集合成系统, 避免了硬件实现的研发周期长和研发成本高等缺点, 更具备了硬件无法比拟的灵活性和通用性。而且, 这样的设备, 能在任何一个拥有计算机场合实现其设备功能, 这样的便捷性和通用性是未来战场测控侦查等设备的发展趋势。本文依照硬件实现极化分集的原理图, 提出一种基于信噪比的估计来实现软件极化分集合成的方法, 分析了几种估计算法的优缺点, 根据硬件合成的算法, 研究出一种适用软件的最大比合成算法, 并对整个极化分集软件合成进行了仿真分析, 论证了极化分集软件合成的可行性。
1 极化分集合成的软件实现
项目选择了双环锁相方式对极化信号进行分集合成, 软件合成原理图如图1所示。
采用差模环来完成2路信号同频同相的锁定, 采用共模环来抑制载波频率的漂移和多普勒频偏, 利用信噪比估计值来计算信号加权系数, 最后采用最大比合成技术进行合成[3]。
2 基于信噪比估计的最大比合并
分集接收的合并方式是实现分集接收的关键, 对于多径信道和非多径信道, 应采取不同的合并方式。对于极化分集, 通常所采用的合并方式有3种:选择合并、等增益合并和最大比合并[4]。选择合并是选择瞬时信噪比最大的支路为输出, 但没有充分利用未被选择的分集支路的信号能量;等增益合并是一种线性合并, 是把各分集支路的接收信号等增益相加 (需保持相位相同) , 作为合并后的输出信号;最大比合并首先使得各个分集支路的信号相位相同, 然后再用各支路的信噪比作为自己的倍增系数, 最后再合并。其中, 等增益合并可以看作是最大比合并的特例。在各种分集策略中, 选择合并实现最为简单, 最大比合并的性能是最优的, 利用契比雪夫不等式可以证明输出信噪比是各路信噪比的和, 但实现起来非常复杂。
由于基带数据已经过AGC环完成了信号电平归一化调整, 左右旋2路信号可以直接通过测得的信噪比进行最大比合成。设分集接收到的2路信号电压为SA和SB, 噪声电压为NA和NB, 测得的信噪比为SNRA和SNRB。当2路信噪比的值不是差距很大 (小于10 d B) 时, 适当的加权函数CA和CB由下式定义[5]:
信号相干噪声按均方根相加, 以致合成的输出信号So和噪声No分别为:
因此, 令A=CA/CB, 则合成器的合成输出信噪比为:
当NA=NB=N时, 有
从上式可以看出:
当SA=SB时,
当SA>>SB时, So/No=SA/N;
当SA<
因此, 最大比合并时, 当2路输入信号信噪比相等时, 极化合成增益最高可达3 d B;当一路信噪比比另一路大得多时, 输出信噪比几乎与高信噪比支路相同[6]。
在软件实现的过程中, 利用软件的灵活性, 增加一个2路信噪比差值的判断。即当一路信噪比远高于另一路时 (高出10 d B) , 直接选择信噪比高的一路信号输出。
3 信噪比估计方法的选择
通过分析无数据辅助最大似然准则法、功率谱密度估计法、高阶数据统计量估计法和子空间矩阵分解法等方法对接收信号进行信噪比估计。这几种方法都是盲估计, 即不采用其他数据辅助, 其中无数据辅助最大似然准则法精度较低;功率谱密度估计法在低信噪比下误差很大;高阶数据统计量估计法只能对判决器输入信号进行有效估计[7];子空间矩阵分解法可以满足在[-10, 20] (d B) 范围内完成较准确的估计, 而且可以对不同的信号进行有效估计, 但缺点是运算量较大。根据工程应用的特点, 需要对多种类型信号进行有效的较大范围的估计, 所以项目可以采用子空间矩阵分解法来进行估计。
子空间类算法最早用于窄带CDMA蜂窝通信系统的信噪比估计当中, 当时它利用训练序列来构造接收信号的自相关矩阵, 然后再利用子空间分解算法得到信号与噪声功率的估计, 从而计算出较为精确的实时信噪比[8]。文献[9]中提出了一种不需要训练序列的盲估计方法, 大大提升了信道的利用率, 而且提高了该方法的适用范围。子空间类算法的理论基础是:接收信号自相关矩阵进行特征值分解可以得到信号子空间和噪声子空间, 信号子空间对应的特征值之和为信号功率与噪声功率之和, 噪声子空间则只对应噪声功率[10]。
4 仿真分析
4.1 信噪比仿真结果分析
为测试算法的有效性, 选用了工程中应用的BPSK信号和PCM-FSK信号在AWGN信道下用Matlab软件进行仿真分析。
设置仿真条件如下:信噪比变化范围是-5~20 d B, 采样数据的长度M=2 048, 自相关矩阵的维数L=40。从图2中可以看出, 在-5~20 d B的范围内基于子空间矩阵分解法的估计结果比较准确。
4.2 最大比合成仿真
在用基于子空间矩阵分解的信噪比估计法对BPSK信号信噪比进行估计之后, 利用Matlab对2路同频同相信号加入相等功率的噪声, 利用本文提供的方法实现最大比合成之后再进行信噪比估计, 计算出合成后的信噪比差值, 左右旋2路信号的信噪比相同, 随机在[0, 10] (d B) 之间, 用合成后估计出的信噪比来减去合成前的2路信噪比最高的一路估计值, 结果如图3所示 (由于信噪比估计误差, 可能导致最大合成增益略高于3 d B) 。
5 结束语
从仿真结果可以看出, 软件化实现极化分集合成具有可行性, 这种子空间矩阵分解信噪比估计的方法能较为准确地对BPSK和PCM-FSK信号的信噪比进行估计。利用估计值和采用的最大比合成算法, 也可以很好地对2路BPSK信号的信噪比进行最大比合成, 使得当2路信噪比相等时, 合成的信噪比增益在2.5 d B以上 (理论值为3 d B) 。随着高性能计算机平台的发展, 具有实时性的极化分集软件合成将会应用到实际工程当中。
参考文献
[1]张芳.PM体制下极化分集合成技术的研究[D].秦皇岛:燕山大学工学硕士学位论文, 2004:5-6.
[2]钱丽, 丁家会.极化分集接收技术研究[J].现代雷达, 2008, 30 (12) :81-82.
[3]陈精杰.一体化接收机关键技术研究[D].兰州:兰州大学工学硕士学位论文, 2010:13-14.
[4]钟涛.最大S/N极化合成技术[J].电讯技术, 1998, 38 (2) :26-30.
[5]乔宏章.极化分集接收技术研究[J].无线电工程, 1999, 25 (5) :68-69.
[6]吕弘.最大比值极化合成技术[J].电讯技术, 2001, 41 (2) :42-46.
[7]范海波, 陈军, 曹志刚.AWGN信道中非恒包络信号SNR估计算法[J].电子学报, 2002, 30 (9) :1 369-1 371.
[8]詹亚锋, 曹志刚, 马正新.无线数字通信的盲信噪比估计[J].清华大学学报 (自然科学版) , 2003, 43 (7) :957-960
[9]SUI Dan, GE Lin-dong.A Blind SNR Estimator for Digital Bandpass Signals[J].Journal of Electronics (China) , 2008, 25 (1) :7-12.
[10]BAI Dan-ping, WAN Qun, GUO Xian-sheng, et al.Parametric SNR Estimation Based on Auto-regressive Model in AWGN Channels[J].Journal of Electronic Science and Technology of China, 2008, 6 (1) :21-24.
[11]彭刚.AWGN信道中的信噪比估计算法[D].南京:南京理工大学, 2005:8-52.
信噪比估计 篇5
关键词：载波频率估计,低信噪比,过零点检测法,自适应陷波
调制解调系统在信号解调的过程中,发射机与接收机之间的频率偏差会引起载波间干扰,从而导致解调性能严重下降。为了正确地解调信号,必须对载波频率进行高精度估计,使系统达到很好的载波同步[1]。现有的载波频率估计方法主要有过零点检测法、谱估计法、锁相环法[2]。过零点检测法通过测量信号单位时间通过零点的次数计算频率,该方法易于实现,但是易受噪声和直流分量影响。谱估计法分为现代谱估计与直接谱估计。现代谱估计有MUSIC算法估计、AR模型估计与最大似然估计等方法,其特点是估计精度高,但是算法复杂计算量大。直接谱估计(DFT)计算量小,但是估计误差大,算法精度受到信号采样长度N的影响[3]。锁相环法性能良好,但用到电压控制振荡器使得实现结构较复杂,应用难度增大。
本文根据自适应陷波器性质提出一种适应于低信噪比下对PSK信号载波频率估计的方法。仿真证明,该方法能够在低信噪比环境下有效地估计PSK信号的载波频率,提高了载波频率估计精度。
1 信号模型
本文利用自适应陷波器可以将单频干扰滤除的特性,设计了一种可以在低信噪比下有效估计PSK信号的载波频率的方法。如图1所示:本文先将信号进行降噪处理;再通过过零点检测法对信号载波频率进行预估计得到频率f,并建立以f为中心的频率向量F;将F作为自适应陷波器参考频率,得到陷波器输出,计算输出信号能量,根据自适应陷波器滤除单频干扰特性,F中对应能量最小的频率f0即为载波估计频率。为了提高陷波器估计频率的精度,本文采用不断缩小频率向量的分辨率Δf并重复迭代以得到精确稳定的载波频率估计值。
2 奇异值分解降噪[4]
由于信号的奇异值反映了接收信号中有用信号和噪声的能量分布情况,故可以通过奇异值分解,分析并处理信号的奇异值,从而有效降低信号中噪声的影响。本文利用奇异值分解降噪作为信号的预处理,为之后信号的载波频率估计做准备。
设x(n),n=1,2,…,N是长度为N的一维信号采样序列,利用此序列可以构造矩阵
式中:m×n=N,A为m×n维矩阵,秩为R(R≤min(m,n)),对矩阵A进行奇异值分解
Am×n=Um×m×Λm×n×VTn×n (2)
U和V分别为m×m和n×n的正交矩阵,Λ为m×n的非负对角矩阵,假设m>n,则σ1≥σ2≥…≥σR>0与σR+1=σR+2=…=σm=0为矩阵A的奇异值。那么
但是如果信号含有噪声,则利用信号的采样序列构造的矩阵A在进行奇异值分解之后得到的m个奇异值关系如
σ1≥σ2≥…≥σR≥σR+1≥…≥σm>0 (3)
前R个较大的奇异值反映的主要是有用信号,后m-R个较小的奇异值反映的是噪声影响。奇异值分解降噪过程,就是先判决反映有用信号的奇异值R的个数,再将后面m-R个奇异值置零。
令σR+1=σR+2=…=σm=0,构造Λ′ 如
Λ′
得到新的矩阵Λ′,再利用构造矩阵A的方法反演,得到新的信号采样序列x′(n)。
图2是理想正弦信号在加入白噪声之后,再经过奇异值分解降噪的过程,可以看到,经过奇异值分解降噪的处理,输出信号与原信号基本一致,可以作为后续的载波频率估计的输入信号。
3 过零点检测对载波频率预估计
过零点检测估计载波频率利用的是周期信号重复通过零点的性质,通过单位时间内对信号通过零点次数的统计,估计出信号的频率。程序实现中利用采样信号的相邻两个采样值之积C进行判断,即当C≥0时判定信号没有通过零点,C<0时判定信号通过零点。
此种方法受到噪声的影响比较明显,在信噪比较低的环境下,采样信号瞬时信息受到的干扰较大。因此在低信噪比下,过零点检测估计载波频率误差较大。但是信号通过上述的奇异值分解降噪后,再进行过零点检测估计载波频率,则误差会减小很多,可以作为下一步自适应陷波器滤波的参考频率。
如图3所示,对经过奇异值分解降噪之后的信号进行过零点检测估计载波频率的结果,明显比没有经过处理的接收信号的误差小很多,尤其是在低信噪比环境下,经过处理的信号的优势更加明显。
4 自适应陷波器滤波对载波频率精确估计
4.1 自适应陷波器原理
自适应陷波器是自适应对消器的一个应用,其可以抵消掉的干扰是单色干扰(即单一频率的正弦波干扰)。利用这个特性,本文对信号进行陷波器滤波,得到的最小输出能量对应的频率即为载波估计频率[5]。
假设接收的信号中含有单一频率w0的正弦干扰分量Asin(w0n),即
y(n)=x(n)+Asin(w0n) (5)
若要消除正弦干扰,需使滤波器满足如下频率特性
H(ejw)=
这样的系统称为自适应陷波器(简称NF),又称为点阻滤波器[7]。
为了消除单色干扰,需在参考输入端输入同频率的正弦干扰,并且需要两个权系数的自适应陷波器,分别跟踪干扰的相位和幅度的变化。自适应陷波器工作原理如图4中所示。
信号与单频干扰叠加后,送入原始输入端。参考端是一个单频的正弦信号,经过采样后送到x1(n)和x2(n)端,后者经过一个90°相移,系统中的两个权系数的作用是,调整组合后的正弦波的振幅和相角,达到与原始输入端的干扰分量相同的目的,从而实现单频对消[6]。
图5中从频域观察自适应陷波器的工作特点,可见混入的50 Hz的单频干扰信号通过自适应陷波器的处理后基本被抑制掉,输入信号还原成与原始信号频谱基本一致的信号。可见,通过自适应陷波器的处理,可以有效地抑制单频的干扰。
4.2 自适应陷波器精确估计载波频率
本文中以过零点检测法得到载波频率的预估计值,作为自适应陷波器的参考频率。但是从上文可以看出,在低信噪比环境下,过零点检测法得到的频率存在一定的误差,这导致自适应陷波器不能够很好地将信号中地载波成分去除,使得到的信号的能量最小,也即对载波频率的估计产生较大误差。
针对此情况,本文设计了一个频率搜索方法,具体过程如图6所示。
1) 将过零点检测法得到的估计频率f0作为中心频率建立一个频率向量F1,其分辨率为Δ f。
2) 将此频率向量作为自适应陷波器的输入频率,计算每一个频率点对应得到的陷波器输出的能量大小。
3) 将最小的能量对应的频率作为下一次迭代的频率向量的中心频率,同时缩小分辨率Δ f,建立新的频率向量F2。
4) 重复上面步骤,迭代多次得到精确并且稳定的频率估计值f。
5 仿真结果
在所有的仿真实验中,仿真产生的PSK信号载波频率为10 kHz,采样频率为50 kHz,码元速率为2 500 baud。
从自适应陷波器原理中可以看出,不同的μ值对陷波器的结果影响较大,图7中对比了不同μ值下陷波器的输出。可以看到当μ值越小的时候,陷波器的输出也越尖锐,就是说陷波器对参考频率越敏感,陷波器的输出效果也越好。所以在之后的仿真中,取μ=0.01。
同时,本文中得到精确载波估计频率的重点方法是逐渐缩小频率分辨率Δ f的频率搜索过程,其中迭代次数之间关系到估计频率是否已经稳定。从图8中可以看出,此种频率搜索方法,在迭代次数达到20次时,估计频率已经趋于稳定,所以在之后的仿真中选择迭代次数N=30。
如图9所示,本文在μ=0.01,N=30的条件下对PSK信号载波频率进行估计,在SNR大于-10 dB的环境下,PSK信号载波频率估计偏差不高于1%,在低信噪比下也获得了良好的效果。
6 结论
本文提出了一种基于自适应陷波器的低信噪比下PSK信号载波频率估计的有效方法,并对其性能进行了计算机仿真。结果表明,该方法在低信噪比环境下能够对PSK信号的载波频率进行准确估计,其误差不超过1%。
参考文献
[1]邹辉,葛建华,王显煜,等.一种TDS_OFDM系统的载波恢复算法[J].电视技术,2007,31(10):10-12.
[2]刘欢,褚建新,俞万能.改进型自适应陷波器电力系统频率估计方法[J].上海海事大学学报,2007,28(3):24-27.
[3]朱雪田,彭玉华,周正,等.低信噪比下的提高正弦波频率估计精度算法[J].电路与系统学报,2001,6(4):103-106.
[4]段向阳,王永生,苏永生.基于奇异值分解的信号特征提取方法研究[J].振动与冲击,2009,28(11):30-33.
[5]束立红.一种新的正弦信号频率估计方法[J].仪器仪表学报,2006,27(6):29-31.
[6]邱天爽,魏东兴,唐洪,等.通信中的自适应信号处理[M].北京:电子工业出版社,2005.
信噪比估计 篇6
信噪比是无线通信系统中通信质量的重要衡量指标之一,在功率控制、解码截止条件的设定、自适应越区切换、自适应编码调制等很多场合,都需要精确的信噪比估计以获得最佳的性能。因此,信噪比估计是无线通信中一个重要的研究课题[1]。
2005年3月,欧洲数字视频广播组织(Digital Video Broadcasting,DVB)发布了宽带卫星应用的第二代传输标准DVB-S2[2]。DVB-S2采用了多种信道编码和调制方案组合,它的核心技术就是自适应编码调制(Adaptive Coding and Modulation,ACM)技术。DVB-S2的ACM链路如图1所示,卫星终端对信道信噪比进行估计,然后通过回传信道向网关报告信噪比值和卫星终端支持的最有效的编码调制方案,网关根据该信道状态信息来调整调制方式和编码码率,以此来应对信道的变化[3]。因此,在DVB-S2 ACM技术中,精确高效的信噪比估计对于系统性能的提高是非常重要的。
根据在接收端是否有发送数据的先验信息,信噪比估计算法可以分为数据辅助(DA)估计与非数据辅助(NDA)估计两类[4]。文献[5]对SSME,ML,SNV,M2M4,SVR等信噪比估计算法进行了总结,并进行了性能比较;文献[6]利用移动信道的功率谱特性,提出了一种基于谱分析的平均信噪比估计算法;文献[7]基于对信号的周期平稳统计量的分析,提出了一种高斯白噪声信道下的盲信噪比估计方法;文献[8]提出了一种经典的基于子空间分解的ED算法,它通过利用信号的过采样率信息构造特定维数的自相关矩阵,避免了以前的算法中对信号和噪声子空间维数的估计。
非数据辅助类估计算法具有算法复杂、收敛速度较慢等缺点,需要大量的数据来估计信噪比。而数据辅助类估计算法只需要较少的数据,并且在利用前导符号来获得均衡和同步的情况下,使用已知数据来进行信噪比估计对吞吐量并没有额外的影响,而且性能更好。因此,相对来说数据辅助类估计算法更适用于对信噪比估计的精确度要求越来越高的新一代无线通信系统[9]。
本文提出了一种基于子空间分解的数据辅助类的信噪比估计算法,对其原理进行了详细阐述,并通过仿真将该算法与文献[5]中数据辅助类的最大似然估计算法及文献[8]中经典的基于子空间分解的ED算法进行了性能分析和比较。
2 基于子空间分解的数据辅助类信噪比估计(SD)算法原理
假设系统均衡和同步的剩余误差足够小,不会对信噪比估计造成大的影响,这样就近似符合了加性高斯白噪声的条件,并且系统有完美的定时同步,那么匹配滤波器输出的采样后得到的信号可表示为
式中:sk是第k个传输的符号,其均值为0,方差为1;n(k)为独立的零均值的高斯白噪声,它的方差为
式中,
本文提出的基于子空间分解的数据辅助类信噪比估计算法,简称为SD算法,是利用信号协方差矩阵的特征值推导出来的。令导频符号的个数为N,每传送L个数据符号就传送1个导频符号。假设每传送L个数据符号就传送的1个导频符号就是之前传送的符号的重复,那么,成对的两个相同的连续的符号就可以称为一个块。第k个接收到的块由下面两个元素组成
在实际应用中,信道的多普勒带宽远小于信号的频率,在这样一个块的持续时段里传输信道近似保持恒定。因此,第k个接收到的块可以进行如下表示
式中:y(k)=[y(kL),y(kL+1)]T;u=[1]T;hk=h(kL)≈h(kL+1);零均值高斯白噪声v(k)=[n(kL),n(kL+1)]T,它的协方差矩阵为Cv=σ2I2;接收块y(k)的协方差矩阵为
计算出其特征值为
显然可知,λk为最小的特征值,此类特征值张成的空间是噪声子空间,特征值λN张成的空间是信号子空间,由式(7)可得出
共有N个传输块,它的采样协方差矩阵
经过计算,可以得出
将式(10)带入式(8),可得到如下的信噪比估计式
将式(11)带入式(12)得
上式中分子和分母的期望值分别为2Nσ
3 仿真与性能分析
由文献[5]对各种信噪比估计算法的研究和性能比较,可知数据辅助类的最大似然估计(ML)算法的性能非常好。另外,文献[8]给出了一种经典的子空间分解(ED)估计算法。下面就将本文提出的算法与这两种算法进行性能对比和分析。最佳的信噪比估计应为无偏估计(或者偏差最小),且具有最小的方差。本文定义估计偏差和标准差作为衡量算法性能的评价标准。
估计偏差定义为
标准差是方差的平方根,定义为
式中Nmc为Monte Carlo仿真次数,sqrt(·)表示求平方根,
设过采样率为16,Monte Carlo仿真次数为1 000,信噪比范围为-5～+25 dB,SD算法中的L=16。图2给出了当观测符号数为2 000时三种算法对QPSK信号估计的偏差和标准差。 图3给出了不同观测符号数下SD算法对QPSK信号估计的偏差和标准差。图4给出了观测符号数为2 000时SD算法对不同调制方式的信号估计的偏差和标准差。
由图2a可以看出,本文提出的SD算法与文献[5]中的ML算法估计偏差都非常小,SD算法的估计偏差曲线稳定,而ML算法在信噪比较低时估计偏差曲线有稍微波动。文献[8]中的经典ED算法的估计偏差较大,效果远比SD算法和ML算法的差,而且在信噪比降低时ED算法估计偏差越来越大。由图2b可以看出,ED算法的估计标准差大于SD算法和ML算法,而且SD算法的估计标准差在任何情况下都比ML算法和ED算法的小。图2说明数据辅助类的信噪比估计算法比盲信噪比估计算法的效果更好,更适合对估计精度要求很高的实际系统。同时,本文提出的SD算法比前人研究中认为效果很好的ML算法的性能更优,估计精度更高。
图3可以看出,SD算法在观测符号数量不同时的效果不同,观测符号数越多,算法的性能越好,估计偏差和标准差越小,这是因为子空间算法是一种基于统计量的估计方法,其估计性能与观测符号个数密切相关,因此在实际应用中可根据要求的估计误差选择合适的符号数。
图4可以看出,SD算法对DVB-S2系统中所采用的QPSK,8PSK,16APSK和32APSK等调制方式的信号进行信噪比估计的结果曲线几乎完全重合,都能对信噪比进行很精确地估计,这说明该算法对DVB-S2系统中所采用的几种调制方式并不敏感,对这几种调制方式都适用。
4 结束语
本文对DVB-S2系统ACM技术中的信噪比估计算法进行了研究,提出了一种基于子空间分解的数据辅助类的信噪比估计算法(SD),并对其性能进行了计算机仿真。研究表明,该算法在任何情况下都比数据辅助类的最大似然估计算法(ML)和经典的子空间分解算法(ED)的性能更优,计算复杂度低且具有极小的估计偏差和标准差,估计精度非常高。该算法是一种基于统计量的算法,其性能随着观测符号数的增大而提高。同时,它对DVB-S2系统中采用的四种调制方式都有较好的数值稳定性和估计准确度,非常适合该系统ACM技术中的信噪比估计。
摘要：为了在DVB-S2系统自适应编码调制(ACM)技术中实现对信道信噪比的精确、高效估计,提出了一种基于子空间分解的数据辅助类信噪比估计算法。计算机仿真结果表明,在较宽的信噪比范围内,该算法的性能优于数据辅助类的最大似然估计算法和经典的基于子空间分解的ED算法,估计精度高,计算复杂度低,非常适合在DVB-S2系统ACM技术中应用。
关键词：自适应编码调制,数据辅助,信噪比估计,子空间分解
参考文献
[1]彭刚.AWGN信道中的信噪比估计算法[D].南京:南京理工大学,2005.
[2]ETSI TR 102 376 V1.1.1,Digital Video Broadcasting User guidelines forthe second generation system for Broadcasting,Interactive Services,NewsGathering and other broadband satellite applications(DVB-S2)[S].2005.
[3]方霖,雷菁,雍玲.自适应编码调制技术在DVB-S2中的应用[J].中国有线电视,2006(17):1697-1700.
[4]龚蕾.OFDM系统信噪比估计与自适应传输技术的研究[D].西安:西安电子科技大学,2009.
[5]PAULUZZI D R,BEAUCIEU N C.A comparison of SNR estimationtechniques for the AWGN channel[J].IEEE Trans.Communications,2000,48(10):1681-1691.
[6]华惊宇,黄清,滑翰,等.一种移动环境下的信噪比估计算法及其在多普勒频移估计中的应用[J].通信学报,2005,26(5):132-137.
[7]花梦,朱近康,龚明.基于周期平稳的盲信噪比估计方法[J].通信学报,2006,27(9):6-13.
[8]唱亮,汪芙平.非协作通信中的盲信噪比估计[J].通信学报,2008,29(3):76-81.
信噪比估计 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;