kaiyun官方注册
您所在的位置: 首页> 通信与网络> 设计应用> 突发OFDM信号调制识别
突发OFDM信号调制识别
来源:电子技术应用2012年第7期
李国汉,王可人,刘世春
电子工程学院, 安徽 合肥 230037
摘要:为了对OFDM信号进行识别,针对高斯性检测法无法识别白噪声和OFDM信号的问题,提出先应用多子带谱熵法进行OFDM信号端点检测,再构造KS检验统计量进行OFDM信号识别的方案。理论分析及仿真结果表明,多子带谱熵法能够有效地进行OFDM信号的端点检测,基于端点检测的KS统计量降低了纯噪声信号带来的虚警,进而提高了对OFDM信号的识别能力,可以有效地进行突发OFDM信号的识别。
中图分类号:TN911.72
文献标识码:A
文章编号: 0258-7998(2012)07-0099-04
Modulation identification on OFDM burst signal
Li Guohan,Wang Keren, Liu Shichun
Electronic Engineering Institute, Hefei 230037, China
Abstract:Gaussianity test is employed to the OFDM modulation identification,but it can not distinguish OFDM from Gaussian noise.In order to solve the ploblem, a KS test statistics after Multi-Bands-Entropy based endpoint detection on OFDM signal is proposed in this paper.The results of simulation and analysis shows Multi-Bands-Entropy based method effectively achieves OFDM signal endpoint detection,and thanks to endpoint detection,the KS statistics reduces the alarm probability caused by pure noise,improves performance of OFDM identification.The method presented in this paper can achieve OFDM burst signal modulation identification.
Key words :EDF; modulation identification; OFDM; endpoint detection

通过对现有信号识别算法的研究分析发现:由于单载波信号的特征比较容易提取,而且所需解调参数比较简单,所以对于单载波信号的调制类型识别的研究很多[1-3],但对于OFDM信号而言,由于存在信号特征不易提取、需要估计的信号参数较多等问题,因此针对OFDM信号的识别算法很少[4-5]。但OFDM技术因其可有效对抗窄带干扰、多径干扰(ISI),提高频谱利用率和系统容量而被广泛应用于非对称用户环路(ADSL),ETSL标准的数字音频广播(DAB)、数字视频广播(DVB)、高清晰度电视(HDTV)和基于IEEE802.11标准的无线局域网(WLAN)等系统中。

参考文献[6]提出一种利用高阶矩在多径信道下识别OFDM信号的盲识别算法,但该方法算法较复杂。参考文献[7-8]对Walter-Akmouche算法进行改进,选择归一化四阶累积量作为多径信道中识别OFDM信号和单载波信号的特征量。参考文献[7]选取参数|C40|2/|C21|2作为识别特征量,由于BPSK、MFSK和OFDM信号的四阶累积量均为零,因此无法区分这几种信号和OFDM信号。参考文献[8]对参考文献[7]的算法进行了改进,选用|C42|2/|C21|2作为识别参数,该特征参数能在更多的单载波信号中识别出OFDM信号,并且有较好的抗多径能力。这些方法本质上属于高阶统计量的方法,因而导致运算量很大,这是不利于实际使用的。而利用OFDM信号的渐近高斯性,引入经验函数分布拟合检验方法来实现对OFDM信号的快速识别可以大大减少运算量。
高斯性检测类方法有一个重大缺陷即无法分清噪声和OFDM信号,实际的通信环境往往是噪声与信号共存的。这些方法存在把根本不含OFDM信号的纯噪声样本当作OFDM信号的风险,这对接收机的参数估计是极为不利的。针对这一问题,本文引入谱熵这一特征量来区分含噪OFDM信号和纯噪声信号,然后对信号样本进行KS检验,识别OFDM信号。
1 谱熵端点检测
本文所指的端点检测类似于语音端点检测,即从一段含噪信号和纯噪声信号中把含噪信号的起始点和结束点找出来,进而划分出信号段和纯噪声段。



(1) 获得N个样本取实部或者虚部,采用极大似然估计(MLE),估计参数向量?兹=(u,?滓),得到F(xi,?兹)。
  (2) 把N个样本的实部或虚部从大到小排列,组成次序统计量,计算经验分布函数Fn(xi)。
(3) 遍历样本的实部,选取步骤(1)和(2)中两者相减的最大值Dn与临界值相比,若Dn大于临界值,则拒绝H0。在检验过程中,需要比较距离Dn和选择分布在显著度水平?琢下的临界值。本文通过 Monte-Carlo仿真编制不同经验分布函数下的临界值表。表编制与以上检验过程类似,以100 000次Monte-Carlo仿真为例,首先生成OFDM信号标准样本,分别执行步骤(1)~步骤(3)检验,将得到的100 000个距离Dn从小到大排序,选择第99 900、99 800、99 500个距离值Dn作为显著度水平0.01、0.02、0.05下的临界值CVs(Critical Values)。对不同的序列长度N重复上述检测过程,最终得到表1所示的临界值表(限篇幅仅列出α=0.05值)。

3 仿真结果与分析
3.1多带谱熵检测法的性能

仿真条件:OFDM符号宽度4 s,64个子载波,采样间隔0.003 9 s,信噪比为2 dB和20 dB,先产生16 s的纯噪声信号,再产生16 s的含噪OFDM信号最后又产生16 s的纯噪声信号作为此次仿真的突发OFDM信号样本,目的在于检验谱熵检测法能否正确识别OFDM信号端点,以便把纯噪声信号段去掉。在高信噪比条件下(20 dB),两种方法谱熵的峰值都很明显,限于篇幅仿真图不予列出。重点考察在低信噪比条件下的性能,图5为信噪比2 dB一般谱熵下的仿真值,图中显示OFDM信号谱熵值很不稳定,据此很难确定信号端点。相反,图6基于多子带的谱熵检测法性能更好。

为确定端点检测门限,在不同信噪比条件下进行仿真,纯噪声的谱熵值不随信噪比变化,可以通过设定一个高于基底噪声熵的门限作为端点检测的门限值。
3.2 基于谱熵OFDM信号识别
 仿真条件同上,分别在显著性水平?琢=0.05条件下仿真直接进行OFDM调制识别和加端点检测再进行调制识别两种方法下的性能,如图7所示,其中加方形标记的为先进行端点检测再进行调制识别的平均正确率曲线,许多文章中识别曲线与此类似,表现出不随信噪比变化的性能。从图7中还可看出经过端点检测后的识别率反而降低,其根本原因在于加端点检测后把纯噪声信号排除了,所谓“低信噪比下OFDM信号识别率高”不过是表明基于高斯性检测的算法无法识别纯噪声信号和OFDM信号,也就是说未经端点检测进行OFDM信号识别虚警率必然是较高的。经过端点检测的识别性能仿真表明,基于高斯性检测的虚警率明显降低。其对多载波信号的识别能力与单载波一致,也与信噪比有关,信噪比越高识别性能越好。

对OFDM信号的识别研究随着OFDM技术的广泛使用意义日见凸显。目前,调制识别集中在单载波,OFDM信号识别研究较少,并且大多集中于通过高斯性检测使用高阶矩及其改进法进行单载波和OFDM信号的识别。但高斯性检测法无法区分纯噪声信号和OFDM信号,本文首先利用多带谱熵法对OFDM信号进行端点检测,排除纯噪声信号,再进行基于KS检验的高斯性检测识别OFDM信号,最后进行了仿真。数值分析结果表明,多带谱熵法比传统谱熵法能更有效地进行OFDM信号端点检测,先端点检测后进行KS检验有效地识别OFDM信号,同时还降低了OFDM信号在低信噪比下的虚警概率。
参考文献
[1] MARTRET L. Modulation classification by means of different orders statistical moments[C]. MILCOM′97.1997(3):1387-1391
[2] YANG S Q, CHEN W D. Classification of MPSK signals using cumulant invariants[J]. Journal of Electronics,2002,19(1):99-103
[3] 陈卫东.数字通信信号调制识别算法研究[D].西安:西安电子科技大学,2001.
[4] 韩钢,李建东,张文红,等.基于多尺度小波分解和支撑矢量机的调制识别研究[J]. 西安电子科技大学学报,2003,30(7):19-23.
[5] Wang Bin, Ge Lindong. A novel algorithm for identification of OFDM signal wireless communication[J]. IEEE Trans.Commun.,2006,53(1):261-264.
[6] Wang Bing, Gc Lindong. A novel algorithm for identification of OFDM Signal[C]. Proc. Of the international Conference on Wireless Communications,Networking and Mobile Computing:IEEE Press,2006.
[7] 刘鹏.OFDM调制识别和解调关键技术研究[D].西安:西安电子科技大学,2006.
[8] 吕挺岑,李兵兵.一种多径信道下的OFDM信号盲识别算法[J].现代电子技术,2007, 30(11):13-16.
[9] 傅祖芸.信息论——基础理论与应用(第二版)[M].北京:电子工业出版社,2007.
[10] SHEN J L, HUNG J W, LEE L S. Robust entropy-based endpoint detection for speech recognition in noisy environments[C]. Processing.Sydney ICSLP (S0160-5840),Sydeny, Australia,Nov-Dec1998.CD2ROM.1998:32-235.
[11] Wu Ginder, Lin Chinteng. Word boundary detection with mel-scale frequency bank in noisy environment[J]. IEEE Transactions on Speech and Audio Processing (S1063-6676), 2005,8(5):541-554.
[12] Wu Bingfei, Wang Kunching. Roust endpoint detection algorithm based on the adaptive band-partitioning spectral entropy in adverse environments[J]. IEEE Transactions on Speech and Audio Processing (S1063-6676),2009,13(5):762-775.

此内容为AET网站原创,未经授权禁止转载。
Baidu
map