一种基于β-散度的弱信号检测方法和装置

技术领域

本申请涉及无线通信中低信噪比单信源盲检测技术领域，具体涉及一种基于β-散度的弱信号检测方法和装置。

背景技术

电磁频谱是国家重要的战略资源，对电磁频谱的有效监测是确保电磁空间安全的重要组成部分。随着科学技术的不断发展，信号的丰富使原本有限的频谱资源更加稀缺，给电磁空间的监管带来了严峻的挑战。在实际监测环境中，由于信道衰落、电磁干扰、接收系统分集等因素，一些信号很容易淹没在背景噪声中。以扩频通信、超宽带通信和跳频通信为代表的通信模式，具有低功率谱密度和良好的隐蔽性，在没有先验信息的非合作频谱监测中，往往难以判断它们的存在，这对于频谱的监测具有挑战性。

在实际应用中，最常用的方法是能量检测。该方法计算简单，不需要任何先验信息。然而，在较低信噪比(-20～-15dB)和不确定性噪声的情况下，该算法的性能较差。应用信息论基础，基于信息熵的盲信号检测技术在较低信噪比下拥有优于能量检测的性能，但是在低信噪比(<-20dB)情况下，检测性能恶化严重。

基于以上分析，有必要提出一种高效的非合作频谱监测盲检测技术，能够在低信噪比情况下仍能够检测到弱信号的存在。

发明内容

针对现有信号检测技术的不足，本申请的实施例提供了一种基于β-散度的弱信号检测方法和装置，通过利用β-散度可以敏感地感知到信号数据，增大信号与噪声数据的区分度的特性，达到在低信噪比情况下提高检测概率的目的。

依据本申请的第一方面，提供了一种基于β-散度的弱信号检测方法，包括如下步骤：

S1，通过给定窗长的滑窗采集电磁频谱信号，每个滑窗采集一组数据；

S2，对每组数据进行解调以及低通滤波处理后，计算每组数据的功率谱；

S3，对每组数据的功率谱，根据公式(1)定义的β-散度函数计算β-散度：

并进一步根据公式(2)计算β-散度的度量值D：

其中，公式(1)中x,y为两个非负数，每组数据的功率谱作为x的输入值，y作为一个基准的常数分布，在实际检测中设定为常数向量η1，η1的所有维度数值均为η，η＞0为一常数，η与公式(1)中的参数β一起预先给定；公式(2)中N为每组数据的功率谱点数；

S4，将计算得到的每组数据的β-散度的度量值D与预先给定的门限进行比较，若所述度量值D大于门限则判别为检测到信号，否则判别为未检测到信号。

依据本申请的第二方面，提供了一种基于β-散度的弱信号检测装置，包括如下步骤：

数据采集模块，用于通过给定窗长的滑窗采集电磁频谱信号，每个滑窗采集一组数据；

功率谱计算模块，用于对每组数据进行解调以及低通滤波处理后，计算每组数据的功率谱；

度量值计算模块，用于对每组数据的功率谱，根据公式(1)定义的β-散度函数计算β-散度：

并进一步根据公式(2)计算β-散度的度量值D：

其中，公式(1)中x,y为两个非负数，每组数据的功率谱作为x的输入值，y作为一个基准的常数分布，在实际检测中设定为常数向量η1，η1的所有维度数值均为η，η＞0为一常数，η与公式(1)中的参数β一起预先给定；公式(2)中N为每组数据的功率谱点数；

检测判别模块，用于将计算得到的每组数据的β-散度的度量值D与预先给定的门限进行比较，若所述度量值D大于门限则判别为检测到信号，否则判别为未检测到信号。

依据本申请的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个计算机程序，所述一个或多个计算机程序当被处理器执行时，实现前述的基于β-散度的弱信号检测方法。

本申请各实施例的有益效果是：

本申请各实施例提供的基于β-散度的弱信号检测方案，由于公式(1)定义的β-散度函数可以用来度量自变量x和y之间的距离，在给定y＝y

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。在附图中：

图1为本申请实施例提供的一种基于β-散度的弱信号检测方法的流程示意图；

图2为本申请实施例提供的给定y＝y

图3为本申请实施例提供的纯噪声的β-散度的度量值分布示意图；

图4为本申请实施例提供的一种基于β-散度的弱信号检测装置的结构示意图；

图5为本申请实施例提供的QPSK调制信号仿真实验的检测结果性能对比图；

图6为本申请实施例提供的16QAM调制信号仿真实验的检测结果性能对比图；

图7为本申请实施例提供的QPSK调制信号实测数据的检测结果性能对比图；

图8为本申请实施例提供的16QAM调制信号实测数据的检测结果性能对比图。

具体实施方式

下面将参照附图更详细地描述本申请实施例。提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。

实施例一

图1为本申请实施例提供的一种基于β-散度的弱信号检测方法的流程示意图。如图1所示，本申请实施例的方法包括如下步骤：

S1，通过给定窗长的滑窗采集电磁频谱信号，每个滑窗采集一组数据。

在实际检测中，接收端设备通过给定窗长的滑窗采集电磁频谱信号，一个滑窗作为一次检测，由滑窗个数得到总的检测次数，每个滑窗采集的一组数据作为一个检测样本，所有滑窗采集的多组数据构成总的检测样本。

S2，对每组数据进行解调以及低通滤波处理后，计算每组数据的功率谱。

对每组数据进行解调以及低通滤波处理后，计算功率谱。由于实测噪声和信号存在较大不确定性，功率谱采用归一化的形式。该功率谱作为采集到信号数据处理后的结果，携带有待检测信号的信息。

S3，对每组数据的功率谱，根据公式(1)定义的β-散度函数计算β-散度：

并进一步根据公式(2)计算β-散度的度量值D：

其中，公式(1)中x,y为两个非负数，每组数据的功率谱作为x的输入值，y作为一个基准的常数分布，在实际检测中设定为常数向量η1，η1的所有维度数值均为η，η＞0为一常数，η与公式(1)中的参数β一起预先给定；公式(2)中N为每组数据的功率谱点数。

上述公式(1)定义的β-散度函数可以用来度量自变量x和y的一种距离。图2为本申请实施例提供的给定y＝y

如图2所示，假如给定y＝y

由公式(1)可以得到每个功率谱对应的β-散度，对每组数据计算得到的多个功率谱，进一步根据公式(2)计算β-散度的度量值D，该度量值D为每组数据内所有功率谱对应的β-散度的平均值。

需要说明的是，为了获得较优的检测性能，在检测前期，需要对公式(1)中的参数β和η进行数值的联合选取，预先给定出参数β和η的数值，该组数值可以保证在绝大多数条件下的检测概率都比较高。

本申请实施例采用如下方式预先给定出参数β和η的数值：

在检测前期，首先设定一组联合参数，将参数η和β分别设定为一定范围内的一组数值，比如两个参数都设定[-30 -20 -10 -5 0 0.01 0.5 1 2 10 20 30]这样一组数据，两组数值构成一个二维数组，通过遍历方式对参数η和β的数值进行联合选取；然后对比检测性能，粗略地确定下性能较优的参数η和β各自所在的数值区间，比如参数η在[0.5,1]的数值区间，同时参数β在[2,10]的数值区间可得到最大的检测概率；接着对参数η和β各自所在的数值区间进行细化，例如将参数η细化成[0.5 0.6 0.7 0.8 0.9 1.0]，将参数β细化成[2 3 4 56 7 8 9 10]，得到一组新的联合数组，再通过遍历方式从中选取出一组最合适的数值，该组数值在绝大多数条件下的检测概率都比较高，最终将该组数值确定为参数η和β的取值。

S4，将计算得到的每组数据的β-散度的度量值D与预先给定的门限进行比较，若所述度量值D大于门限则判别为检测到信号，否则判别为未检测到信号。

在检测前期，本申请实施例中采用如下方式预先给定门限：首先获取纯噪声的β-散度的度量值分布，然后采用Neyman-Pearson准则，结合给定的虚警率和所述纯噪声的β-散度的度量值分布得到门限。

获取纯噪声的β-散度的度量值分布过程如下：在纯噪声环境下，使用接收端设备采集若干组纯噪声数据，将每组纯噪声数据经过调制解调和低通滤波，计算归一化功率谱，接着通过对每组纯噪声数据的功率谱计算β-散度的度量值，得到纯噪声的β-散度的度量值分布，简称噪声度量值分布。图3为本申请实施例提供的纯噪声的β-散度的度量值分布示意图。图3的横坐标为β-散度度量值的数值区间，纵坐标为β-散度度量值在不同数值区间内的个数。

采用Neyman-Pearson准则，结合给定的虚警率和纯噪声的β-散度的度量值分布得到门限。具体地，如图3所示，先将纯噪声的全部β-散度的度量值进行从小到大排序，然后根据虚警率和总的检测次数的乘积计算出大于门限的检测次数n，最后将排序后的纯噪声度量值的倒数第n+1个值确定为门限。例如虚警率P

将步骤S3计算得到的每组数据的β-散度的度量值D与预先给定的门限进行比较，若度量值D大于门限则判别为检测到信号，否则判别为未检测到信号，至此完成单组数据也即单个检测样本的信号检测。

为评估本申请方案的整体检测性能，减小单次检测的偶然性，需要对多组数据的检测结果进行统计，得到检测概率。具体地，本申请实施例的方法还包括：由采集数据的滑窗个数得到总的检测次数，根据检测到信号的数据组数与总的检测次数的比值计算得到检测概率。例如，总的检测次数是10000次，检测到信号的数据组数是8000个，则检测概率为0.8。

实施例二

与前述方法同属于一个技术构思，本申请实施例还提供了一种基于β-散度的弱信号检测装置。图4为本申请实施例提供的一种基于β-散度的弱信号检测装置的结构示意图，如图4所述，本申请实施例的装置包括：

数据采集模块41，用于通过给定窗长的滑窗采集电磁频谱信号，每个滑窗采集一组数据；

功率谱计算模块42，用于对每组数据进行解调以及低通滤波处理后，计算每组数据的功率谱；

度量值计算模块43，用于对每组数据的功率谱，根据公式(1)定义的β-散度函数计算β-散度：

并进一步根据公式(2)计算β-散度的度量值D：

其中，公式(1)中x,y为两个非负数，每组数据的功率谱作为x的输入值，y作为一个基准的常数分布，在实际检测中设定为常数向量η1，η1的所有维度数值均为η，η＞0为一常数，η与公式(1)中的参数β一起预先给定；公式(2)中N为每组数据的功率谱点数；

检测判别模块44，用于将计算得到的每组数据的β-散度的度量值D与预先给定的门限进行比较，若所述度量值D大于门限则判别为检测到信号，否则判别为未检测到信号。

在一些实施例中，图4所示装置还包括：

检测概率计算模块45，用于由采集数据的滑窗个数得到总的检测次数，根据检测到信号的数据组数与所述总的检测次数的比值计算得到检测概率。

在一个实施例中，所述门限采用如下方式预先给定：在检测前期，获取纯噪声的β-散度的度量值分布；采用Neyman-Pearson准则，结合给定的虚警率和所述纯噪声的β-散度的度量值分布得到门限。具体地，将纯噪声的全部β-散度的度量值进行从小到大排序，根据虚警率和总的检测次数的乘积计算出大于门限的检测次数n，将排序后的纯噪声度量值的倒数第n+1个值确定为门限。

在一个实施例中，采用如下方式预先一起给定参数η和β：在检测前期，将参数η和β分别设定为一定范围内的一组数值，两组数值构成一个二维数组，通过遍历方式对参数η和β的数值进行联合选取；对比检测性能，粗略地确定下性能较优的参数η和β各自所在的数值区间；对参数η和β各自所在的数值区间进行细化，得到一组新的联合数组，再通过遍历方式从中选取出一组最合适的数值，该组数值在绝大多数条件下的检测概率都比较高，将该组数值确定为参数η和β的取值。

图4所示装置中的各个模块的实现过程，可以参见前述的方法实施例，在此不再赘述。

实施例三

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个计算机程序，该一个或多个计算机程序当被处理器执行时，实现前述的基于β-散度的弱信号检测方法，在此也不再赘述。

实施例四

为了使本申请的目的和效果更加清楚，下面通过仿真以及实际发射与接收系统对本申请的检测方法进行详细的描述。

首先说明的是，在实际检测环境中，会存在若干信源，多信源接收问题也会基于单信源问题进行求解，在本申请以下仿真以及实际发射与接收系统中仅是考虑基础的单信源问题。

考虑一个单发单收的信号传输系统，节点Tx发射信号，节点Rx接收信号，Tx不断地发射数据，Rx以给定窗长L的滑窗来接收数据，每个滑窗采集的一组数据作为一次检测。

通过Matlab进行仿真实验，生成高斯白噪声信号，模拟接收纯噪声的过程，将噪声信号经过调制解调和低通滤波，得到接收端信号，计算归一化功率谱。通过对纯噪声的功率谱计算β-散度的度量值，得到纯噪声的β-散度度量值分布，再结合给定虚警率P

再通过仿真生成信号，同样模拟发射过程，叠加上述生成的高斯白噪声，到达接收端进行解调和低通滤波，得到接收端信号，通过归一化功率谱计算β-散度的度量值，与上述得到的门限th进行比较，并经过若干次仿真实验，最终得到检测概率。

仿真实验参数：设置虚警率P

基于硬件设备，进行实测实验，首先发射端不发射信号，在接收端采集若干组纯噪声数据，通过对纯噪声的归一化功率谱计算β-散度的度量值，得到纯噪声的β-散度度量值分布，并结合给定的虚警率P

实测实验参数：虚警率P

从图5～图8可以看到，无论是仿真实验还是实测数据，本申请提供的基于β-散度检测方案的性能都要优于能量检测方案与信息熵检测方案。

综上所述，本申请各实施例提供的基于β-散度的弱信号检测方案，由于公式(1)定义的β-散度函数可以用来度量自变量x和y之间的距离，在给定y＝y

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。