面向物聯(lián)網(wǎng)終端的動(dòng)態(tài)多用戶信號(hào)盲檢測(cè)算法

梁 爽，鄧 江

(1.四川省裝備制造業(yè)機(jī)器人應(yīng)用技術(shù)工程實(shí)驗(yàn)室，四川德陽(yáng)618000;2.電子科技大學(xué)，四川 成都 610054)

1 引言

隨著物聯(lián)網(wǎng)的不斷壯大，其覆蓋率更廣，連接更多，但傳統(tǒng)信號(hào)檢測(cè)算法是基于傅立葉進(jìn)行轉(zhuǎn)換，只能在時(shí)域或頻域中進(jìn)行轉(zhuǎn)換，其中多址干擾是信號(hào)檢測(cè)的一大難題，為有效抑制頻率選擇衰落[1]，提高物聯(lián)網(wǎng)頻率復(fù)用度和系統(tǒng)容量，研究盲檢算法在動(dòng)態(tài)環(huán)境下的多用戶盲檢算法的性能[2-3]。

凌青[4]等人提出AL-OFDM和SM-OFDM空頻分組碼信號(hào)盲檢測(cè)算法。該算法根據(jù)不同SFBC-OFDM元素和發(fā)射端信號(hào)之間的關(guān)系推導(dǎo)出發(fā)射信號(hào)端和接收端SFBC-OFDM信號(hào)的相關(guān)特性，最后利用峰值檢測(cè)算法實(shí)現(xiàn)多用戶信號(hào)盲檢測(cè)。該算法在信號(hào)盲檢測(cè)前沒(méi)有對(duì)初始信號(hào)進(jìn)行預(yù)處理，無(wú)法填補(bǔ)或刪除缺失信號(hào)，使得盲檢時(shí)間過(guò)長(zhǎng)，降低了檢測(cè)效率。梁濤[5]等人提出基于自適應(yīng)分割的多跳頻信號(hào)盲檢測(cè)算法。該算法通過(guò)分析當(dāng)前跳頻突變通信信號(hào)的統(tǒng)計(jì)特性，并構(gòu)建出高階分段平穩(wěn)的模型，將自適應(yīng)分割算法推導(dǎo)到高階，同時(shí)應(yīng)用于多個(gè)跳頻突發(fā)信號(hào)盲檢測(cè)和自適應(yīng)提取中，實(shí)現(xiàn)多用戶信號(hào)盲檢測(cè)，該算法未重構(gòu)信號(hào)子空間，無(wú)法確定出近似真實(shí)的信號(hào)空間，只能粗略的檢測(cè)信號(hào)，進(jìn)而降低了信號(hào)盲檢成功率。徐偉[6]等人提出斜投影信號(hào)盲檢測(cè)算法，該算法采用交替斜投影空域?yàn)V波技術(shù)將陣列接收信號(hào)拆分為單信號(hào)群組，在每個(gè)單信號(hào)群組內(nèi)進(jìn)行DOA和波形聯(lián)合評(píng)估，實(shí)現(xiàn)多用戶信號(hào)盲檢測(cè)，該算法未采用特征選擇和小波去噪的方法排除初始信號(hào)中的冗余數(shù)據(jù)，導(dǎo)致物聯(lián)網(wǎng)信號(hào)中的干擾因素過(guò)多，存在盲檢檢測(cè)概率低的問(wèn)題。

為了解決上述問(wèn)題，提出面向物聯(lián)網(wǎng)終端的動(dòng)態(tài)多用戶信號(hào)盲檢測(cè)算法。

2 物聯(lián)網(wǎng)終端多用戶信號(hào)的預(yù)處理

在構(gòu)建物聯(lián)網(wǎng)信號(hào)時(shí)，由于各種外界因素導(dǎo)致信號(hào)缺失而產(chǎn)生大量“臟信號(hào)”[7]。這些“臟信號(hào)”會(huì)增加檢測(cè)信號(hào)的預(yù)算和時(shí)間，因此在信號(hào)檢測(cè)前需要對(duì)信號(hào)進(jìn)行預(yù)處理。

2.1 物聯(lián)網(wǎng)信號(hào)修復(fù)

當(dāng)缺失單點(diǎn)信號(hào)或缺失信號(hào)間隔極小時(shí)，可通過(guò)線性插值法修復(fù)缺失信號(hào)[8]，其表達(dá)式為

yk+i=[(xk+j-xk)×i]/j+yk

(1)

其中，yk+i代表第k+i時(shí)刻信號(hào)缺失時(shí)信號(hào)的質(zhì)量參數(shù)，xk代表第k時(shí)刻收集的信號(hào)質(zhì)量參數(shù)值，xk+j代表第k+j時(shí)刻收集的信號(hào)質(zhì)量參數(shù)值。

當(dāng)存在少量連續(xù)丟失的信號(hào)時(shí)，可利用相似信號(hào)填補(bǔ)缺失信號(hào)，當(dāng)存在大量連續(xù)丟失信號(hào)時(shí)，無(wú)法進(jìn)行填補(bǔ)，只能將此段信號(hào)丟棄掉。

由于信號(hào)具有時(shí)序和延續(xù)特性，因此難以出現(xiàn)波動(dòng)較大的情況，當(dāng)某段信號(hào)出現(xiàn)較大波動(dòng)，且不在可控范圍內(nèi)，可認(rèn)為此時(shí)的信號(hào)測(cè)量有誤，需重新進(jìn)行勘測(cè)。所以在收集信號(hào)過(guò)程中，應(yīng)當(dāng)多次與歷史信號(hào)及可控范圍信號(hào)進(jìn)行比較，一旦發(fā)現(xiàn)信號(hào)出現(xiàn)較大偏差應(yīng)立即刪除并重新勘測(cè)。若完成所有信號(hào)測(cè)量后發(fā)現(xiàn)其中一段信號(hào)出現(xiàn)偏差，可利用均值平滑法將此段信號(hào)刪除并進(jìn)行填補(bǔ)，其公式如下所示

yk=(yk+1+yk-1)/2

(2)

其中，yk代表k時(shí)刻填補(bǔ)的信號(hào)質(zhì)量參數(shù)值，yk+1代表第k+1時(shí)刻的信號(hào)質(zhì)量參數(shù)值，yk-1代表第k-1時(shí)刻的信號(hào)質(zhì)量參數(shù)值，且|yk-yk-1|≥yk-1×0.1。

2.2 特征選擇

在選取信號(hào)特征集之前，可通過(guò)信號(hào)歸約法分析出物聯(lián)網(wǎng)終端信號(hào)因子之間的關(guān)系再進(jìn)行選取[9]，因?yàn)榇朔椒膳懦盘?hào)間的多重共線性，并挑選出信號(hào)的關(guān)鍵因子，并以此提出有效建議，結(jié)合信號(hào)歸約方法中的系統(tǒng)聚類法及主成分分析法進(jìn)行篩選，由于收集物聯(lián)網(wǎng)終端信號(hào)的環(huán)境極為復(fù)雜，結(jié)合兩種方法挑選特征集并進(jìn)行比較分析，可加強(qiáng)關(guān)鍵因子的可靠性。則系統(tǒng)聚類法及主成分分析法的步驟分別是為。

1)系統(tǒng)聚類法

檢測(cè)出信號(hào)中的缺失值，實(shí)施刪除及填補(bǔ)等處理，實(shí)現(xiàn)信號(hào)的標(biāo)準(zhǔn)化處理[10]。通過(guò)相關(guān)系數(shù)法度量信號(hào)因子變化與相關(guān)因子變量間的相似性。采用類平均法聚類分析信號(hào)變化中的相關(guān)因子變量判別出因子類別。在所有類別中挑選出最具代表的因子，將此因子當(dāng)成影響信號(hào)的關(guān)鍵因子。

2)主成分分析法

主成分分析法的原理就是利用信號(hào)矩陣找出信號(hào)間的線性關(guān)系實(shí)現(xiàn)信號(hào)篩選[11]。首先修復(fù)缺失信號(hào)、刪除信號(hào)或替換信號(hào)，實(shí)現(xiàn)信號(hào)標(biāo)準(zhǔn)化，計(jì)算各個(gè)關(guān)鍵因子的相關(guān)系數(shù)，其計(jì)算矩陣公式如下所示

(3)

求解出相關(guān)矩陣的特征值，其表達(dá)式為

(4)

其中，A代表信號(hào)域P上的一個(gè)矩陣，λ代表信號(hào)特征值，IP代表單位矩陣，λP代表信號(hào)域P上的一個(gè)特征值，X代表矩陣A的相應(yīng)子特征值的特征向量，b代表信號(hào)特征根。

最終運(yùn)算出信號(hào)的可利用率與累積利用率，其公式如下所示

(5)

bj值越大代表信號(hào)中的主成分越多，可更加精準(zhǔn)提取信號(hào)的特征信息。

最終運(yùn)算出主成分載荷矩陣，挑選出信號(hào)改變的關(guān)鍵影響因子，其表達(dá)式如下所示

(6)

其中，αji代表第j個(gè)變量對(duì)第i個(gè)信號(hào)的累積利用率，lji代表標(biāo)準(zhǔn)正交化特征向量。

2.3 小波降噪

在獲取物聯(lián)網(wǎng)多用戶信號(hào)時(shí)，由于多址干擾的因素導(dǎo)致信號(hào)被污染，因此需要對(duì)信號(hào)進(jìn)行降噪處理，將信號(hào)進(jìn)行降噪的辦法有很多種，其中小波變換的降噪方法不僅可以概括出信號(hào)在頻率域內(nèi)的變化情況，還可以辨別出信號(hào)發(fā)生突變的準(zhǔn)確時(shí)間，且此降噪方法在降噪的同時(shí)可以完整保存信號(hào)中的主成分，體現(xiàn)出此方法的局部化優(yōu)越性能，因此利用此方法可以確保信號(hào)的精準(zhǔn)度，提高信號(hào)檢測(cè)率。小波降噪首先選取一系列小波基小波分解初始數(shù)據(jù)，如圖1所示。

圖1 小波分解示意圖

選取出小波基相對(duì)應(yīng)的閾值，并對(duì)第一層到第三層的高頻系數(shù)進(jìn)行軟閾值量化處理。重構(gòu)小波分解的第三層高頻系數(shù)及閾值量化的高頻系數(shù)形成新的信號(hào)。并運(yùn)算出經(jīng)過(guò)小波降噪后各個(gè)因子的信噪比及均方根誤差，其表達(dá)式為：

(7)

2.4 特征選擇及小波降噪的信號(hào)預(yù)處理

選取物聯(lián)網(wǎng)終端多用戶信號(hào)的特征時(shí)，需要排除對(duì)信號(hào)影響較小的關(guān)鍵因子，以此降低信號(hào)維度，降低信號(hào)檢測(cè)難度，提高信號(hào)的準(zhǔn)確性。再通過(guò)小波去噪將信號(hào)關(guān)鍵因子進(jìn)行降噪，關(guān)鍵因子降噪的效果優(yōu)劣直接影響到最終的檢測(cè)效果，將關(guān)鍵因子準(zhǔn)確去噪即可提高信號(hào)檢測(cè)精度，縮短檢測(cè)時(shí)間。則利用特征選擇和小波去噪的信號(hào)預(yù)處理辦法的過(guò)程為：

1)通過(guò)均值平滑法修改異常信號(hào)或通過(guò)線性插值法修復(fù)缺失信號(hào)。

2)將信號(hào)進(jìn)行標(biāo)準(zhǔn)化處理后，運(yùn)算出相關(guān)因子變量的相似性，并明確出關(guān)鍵因子的數(shù)量，基于聚類分析法精確區(qū)分出類別，并在其中挑選出關(guān)鍵因子。

3)采用已修復(fù)的信號(hào)求解出信號(hào)的相關(guān)系數(shù)矩陣、特征值和各個(gè)因子的利用率，并在主成分分析法中載荷矩陣的基礎(chǔ)上挑選出關(guān)鍵因子。

4)對(duì)比并分析兩種分析法求出的關(guān)鍵因子，正常情況下，兩種方法獲取的因子應(yīng)極為相似，若偏差較大，則重新運(yùn)算。

5)將通過(guò)驗(yàn)證后獲取的關(guān)鍵因子進(jìn)行小波分解，并通過(guò)去噪原理消除因子內(nèi)的噪聲。

6)經(jīng)去噪后獲取的關(guān)鍵因子即所要求的待檢測(cè)的新信號(hào)。

上述經(jīng)過(guò)的流程圖如圖2所示。

圖2 重構(gòu)物聯(lián)網(wǎng)多用戶信號(hào)示意圖

3 信號(hào)檢測(cè)算法

經(jīng)過(guò)對(duì)初始信號(hào)的特征選取和小波去噪等預(yù)處理得到無(wú)缺失，無(wú)污染的完整信號(hào)，將此信號(hào)利用下列算法進(jìn)行檢測(cè)。

此算法結(jié)合重復(fù)時(shí)間內(nèi)相同信號(hào)重復(fù)輸送的特性[12]，因此可合并重復(fù)時(shí)間段內(nèi)的子幀同時(shí)接收譯碼，以此提高物聯(lián)網(wǎng)終端解調(diào)增益，其過(guò)程為。

1)基于高層協(xié)議棧的參數(shù)要求，將搜索空間中子幀k0當(dāng)做起點(diǎn)，抽取出目前子幀信號(hào)，并實(shí)現(xiàn)解資源的映射。假如已經(jīng)實(shí)現(xiàn)物聯(lián)網(wǎng)系統(tǒng)定時(shí)同步、頻偏預(yù)測(cè)及補(bǔ)償，則解資源映射后的信號(hào)ri(i)的表達(dá)式為

(8)

式中，sj(i)代表搜索空間中第j個(gè)子幀上映射的第i個(gè)信號(hào)，且N≥i≥1，N代表目前子幀信號(hào)資源映射的RE數(shù)，Rmax≥j≥1，Rmax代表最大重復(fù)次數(shù)或搜索空間時(shí)域大小。

計(jì)算重復(fù)時(shí)間段中第一個(gè)子幀信號(hào)和第2、3、4子幀之間關(guān)系，其表達(dá)式為

(9)

式中，t代表搜索空間中重復(fù)時(shí)間段中的索引值。

將上述三個(gè)關(guān)系式根據(jù)AND準(zhǔn)則進(jìn)行合并，并按照結(jié)果識(shí)別目前重復(fù)時(shí)間段內(nèi)是否含有傳輸信號(hào)，識(shí)別公式為

(10)

及

(11)

式中，η*代表一次相關(guān)閾值的運(yùn)算。

2)選取另外一個(gè)重復(fù)時(shí)間段信號(hào)并進(jìn)行1)操作，則t=1+t，假如另一個(gè)重復(fù)時(shí)間段剛好在NPDCCH中最小的傳輸單元，并將此點(diǎn)當(dāng)做起始點(diǎn)，此時(shí)必須重新初始化k=0。

3)設(shè)置k=k+1，并合并目前重復(fù)時(shí)間段t中的4個(gè)子幀信號(hào)，信號(hào)合并后的表達(dá)式為

(12)

式中，αj代表合并后的信號(hào)系數(shù)。

將信號(hào)合并后對(duì)其進(jìn)行解調(diào)及解憂處理，并存儲(chǔ)經(jīng)過(guò)解憂后的信號(hào)Bt，k(i)，結(jié)束上述操作后判別當(dāng)前k值大小，若k≠1，則進(jìn)行下一步，若k=1則直接進(jìn)行第5)步。

4)求解出信號(hào)Bt，k(i)和信號(hào)[Bt，k(i)]k=1之間的關(guān)系，其表達(dá)式為

(13)

并利用識(shí)別公式判斷目前重復(fù)時(shí)間段t是否有信號(hào)，其公式為

(14)

式中，φ代表二次相關(guān)閾值。

若此時(shí)間段內(nèi)存在信號(hào)，則進(jìn)行下一步，若不存在，則返回第二步重新進(jìn)行運(yùn)算并判斷。

5)Viterbi譯碼解憂信號(hào)，并利用對(duì)應(yīng)的RNTI驗(yàn)證CRC，若驗(yàn)證成功，則盲檢成功，若驗(yàn)證失敗，需要識(shí)別搜索空間中的全部子幀信號(hào)是否檢測(cè)完成，若未檢測(cè)完成，重新進(jìn)行第一步操作，若檢測(cè)完成，說(shuō)明此次信號(hào)盲檢失敗。

4 實(shí)驗(yàn)與結(jié)果

為了驗(yàn)證所提算法的整體有效性，對(duì)面向物聯(lián)網(wǎng)終端的動(dòng)態(tài)多用戶信號(hào)盲檢測(cè)算法、文獻(xiàn)[4]算法、文獻(xiàn)[5] 算法進(jìn)行盲檢時(shí)間、盲檢成功率和盲檢檢測(cè)概率進(jìn)行測(cè)試，實(shí)驗(yàn)環(huán)境如表1所示。

表1 實(shí)驗(yàn)環(huán)境

4.1 盲檢時(shí)間

由圖3中的數(shù)據(jù)可知，在不同環(huán)境下多次比較所提算法、文獻(xiàn)[4]算法和文獻(xiàn)[5]算法的盲檢時(shí)間，無(wú)論何種環(huán)境所提算法時(shí)間消耗不僅低于其它兩種算法，且盲檢時(shí)間平穩(wěn)，而其它兩種算法的盲檢時(shí)間較高，波動(dòng)較大，因?yàn)樗崴惴ㄔ谛盘?hào)盲檢測(cè)前對(duì)初始信號(hào)進(jìn)行了預(yù)處理，填補(bǔ)缺失信號(hào)或刪除了缺失數(shù)據(jù)，減少了盲檢時(shí)間，提高了檢測(cè)效率。

圖3 不同算法的盲檢時(shí)間

4.2 盲檢成功率

比較三種算法的盲檢成功率可直接反應(yīng)出算法的優(yōu)劣，在進(jìn)行信號(hào)盲檢時(shí)，信噪比決定盲檢的成功率，信噪比越高，盲檢成功率越高，分析圖4可知，在不同信噪比下的盲檢成功率均不相同，所提算法和其它兩種算法相比，其盲檢成功率無(wú)論在哪種信噪比下成功率都是最高的，因?yàn)樗崴惴ㄍㄟ^(guò)重構(gòu)信號(hào)子空間，確定近似真實(shí)的信號(hào)空間，更加準(zhǔn)確的進(jìn)行信號(hào)檢測(cè)，提高了信號(hào)盲檢成功率。

圖4 不同算法的盲檢成功率

4.3 盲檢檢測(cè)概率

為驗(yàn)證所提算法是最接近理論檢測(cè)概率，對(duì)比三種算法在不同峰值信噪比下的信號(hào)盲檢概率，由圖5可知，所提算法的盲檢檢測(cè)概率不同程度的高于其它兩種算法的檢測(cè)概率，因?yàn)樗崴惴ɡ锰卣鬟x擇和小波去噪的方法排除初始信號(hào)中的冗余數(shù)據(jù)，減少信號(hào)中的干擾因素，使得盲檢概率更加接近理論概率。

圖5 三種算法盲檢檢測(cè)概率

5 結(jié)束語(yǔ)

針對(duì)當(dāng)前算法的不足，提出面向物聯(lián)網(wǎng)終端的動(dòng)態(tài)多用戶信號(hào)盲檢測(cè)算法。該算法利用去噪、降維信號(hào)預(yù)處理的方法重構(gòu)信號(hào)，并采用信號(hào)相關(guān)算法進(jìn)行信號(hào)盲檢。經(jīng)試驗(yàn)表明，所提算法盲檢時(shí)間短、盲檢成功率高和盲檢檢測(cè)概率高。此算法中仍有部分外界因素干擾檢測(cè)概率，接下來(lái)將進(jìn)一步排除其中的干擾因素，提高盲檢概率。