基于rbf神經網絡的ds?ss信號偽碼盲估計方法
【專利摘要】本發明請求保護一種基于RBF神經網絡的DS?SS信號偽碼盲估計方法，屬于信號處理技術領域。該方法首先將已進行連續周期分段的一周期接收信號采樣后作為神經網絡的輸入信號與期望信號，并根據RBF來有監督地調節神經網絡，用網絡第二層權值向量的符號函數來代表DS?SS信號的偽碼序列，然后通過不斷輸入信號來反復訓練權值直至收斂，最終就可以通過該權值向量的符號函數將信號的偽碼重建出來。該方法克服了信號自相關矩陣特征分解方法在實現直接序列擴頻(DS?SS)信號偽碼盲估計時存在處理數據向量不能太長以及BP神經網絡方法存在偽碼較長以及信噪比較低時收斂性能差的問題。仿真實驗表明，即使在?13dB信噪比或偽碼長度為1000位條件下，該方法仍然有效。
【專利說明】
基于RBF神經網絡的DS-SS信號偽碼盲估計方法
技術領域
[0001 ] 本發明涉及通信中一種常用的直接序列擴頻信號Direct Sequence Spread Spectrum(DS-SS)的處理，具體為一種基于徑向基Radial Basis Function(RBF)神經網絡 的偽碼序列盲估計問題。
【背景技術】
[0002] 直接序列擴頻(DS-SS)信號是通過將攜帶有有用信息的窄帶信息碼序列與高速擴 頻序列(也稱為PN序列或偽碼序列)相乘而獲得的寬帶擴頻信號，因而具有優良的抗干擾能 力和低截獲特性，在軍事通信與民用通信中得到了廣泛的應用。不同于跳頻通信技術的"躲 避"策略，擴頻通信技術采用的是"隱蔽"策略，即通過擴展頻譜來降低將DS-SS信號的功率 譜密度，直至淹沒在噪聲中，從而將有用信號"隱藏"在噪聲中使非合作方難以截獲有用信 息。此外，擴頻通信的接收方必須知道發送方所使用的偽碼序列才能通過匹配濾波器恢復 出有用信號。因此，尋求一種合適的方法來盲估計出DS-SS信號的偽碼序列就變得很有意 義。
[0003] 目前，在低信噪比情況下盲估計出發送方所使用偽碼序列是一個難點問題，針對 該方面的研究文獻比較少。文獻"張天騏.低信噪比長偽碼直擴信號的盲估計方法.信號處 理，2008"提出利用信號自相關矩陣特征分解的方法來實現偽碼序列的盲估計，但該方法處 理的數據向量不可能太長，且跟蹤非平穩環境變化的能力不太強。文獻"Zhang T Q.Use APEX neural networks to extract the PN sequence in lower SNR DS-SS signals.Lecture Notes in Computer Science,2006"使用帶約束的Hebbian學習規則的 神經網絡來實現偽碼序列的盲估計，但該神經網絡是基于"無監督"的。文獻"趙德芳.基于 BP神經網絡的直擴信號擴頻碼盲識別.電訊技術，2010"使用基于反向誤差傳播(BP)神經網 絡來實現偽碼序列的盲估計，但其在偽碼序列較長或信噪比較低時收斂性能差。因此本發 明提出基于RBF神經網絡的DS-SS信號偽碼盲估計方法。

【發明內容】

[0004] 本發明所要解決的技術問題，針對信號自相關矩陣特征分解方法在實現直接序列 擴頻(DS-SS)信號偽碼盲估計時存在處理數據向量不能太長以及BP神經網絡方法存在偽碼 序列較長或信噪比較低時收斂性能差的問題，提出了一種基于徑向基函數(RBF)神經網絡 的方法。該方法能夠在_13dB信噪比或偽碼長度為1000位條件下精確的盲估計出DS-SS信號 的偽碼序列。
[0005] 本發明解決上述技術問題的技術方案是:一種基于RBF神經網絡的DS-SS信號偽碼 序列盲估計方法，其步驟在于，首先將接收到的信號按照已知周期進行連續周期分段并采 樣形成接收信號的連續周期分段采樣觀察向量集，其次將已進行連續周期分段采樣的一周 期接收信號作為RBF神經網絡的輸入信號與期望信號，并根據RBF來有監督地調節神經網 絡，用網絡第二層權值向量的符號函數來代表DS-SS信號的偽碼序列，然后通過不斷輸入信 號來反復訓練權值直至收斂，最終就可以通過該權值向量的符號函數將信號的偽碼序列估 計出來。
[0006] 通常情況下偽碼序列取最長線性反饋移位寄存器序列，即m序列。此時，基帶DS-SS系統的接收信號可以建模為式中，n(t)是一個均值為零方差為 σ 2的加性高斯白噪聲，S ( t )基帶D S - S S信號，其信號模型可以表示為：
，式中，m[k]是第k個信息碼符號，N是擴頻序列的周期 長度，{p[ i ]，i = 〇，…，N-I}是PN序列，q⑴是一個矩形切普脈沖，T。是切普周期，To是PN序列 的周期(To = NTc)，τ = Tx是隨機時延。
[0007] 本發明運用RBF神經網絡的方法對DS-SS信號的偽碼序列進行盲估計，分析推導了 通過高斯徑向基函數、標準高斯徑向基函數、反S型徑向基函數、柯西徑向基函數、多二次徑 向基函數以及逆多二次徑向基函數有監督地調節RBF神經網絡來實現DS-SS信號的偽碼序 列盲估計，克服了信號自相關矩陣特征分解方法存在的處理數據向量不能太長以及BP神經 網絡方法存在偽碼較長或信噪比較低時收斂性能差的問題，實現了在較低信噪比與較長偽 碼序列條件下DS-SS信號偽碼序列的精確盲估計。
【附圖說明】
[0008] 圖1本發明匹配濾波器框圖；
[0009] 圖2本發明RBF神經網絡結構圖；
[0010] 圖3本發明RBF神經網絡盲估計DS-SS信號偽碼流程圖；
[0011] 圖4本發明誤碼性能圖；
[0012] 圖5本發明偽碼估計均值性能圖；
[0013]圖6本發明偽碼估計收斂曲線圖；
[0014]圖7本發明RBF神經網絡在不同碼長下均值性能圖；
[0015]圖8本發明BP神經網絡在不同碼長下均值性能圖；
【具體實施方式】
[0016] 以下結合附圖和具體實例，對本發明的實施作進一步的描述。
[0017] 圖1所示為本發明匹配濾波器框圖，該圖的目的在于說明若接收方已知擴頻序列， 則可以用一個匹配濾波器來實現信號的主動解擴，解擴的關鍵在于實現碼同步，即Τ χ = 0。 圖1中輸入a(t)表示第k個信息碼周期的接收信號，Τ。是切普周期，{p[i]，i=0，~，N-l：^ 與發送方相同的一周期的PN序列，目1與n(t)不相關，則有
[0018] CD
[0019] 由上式可知，當進入匹配濾波器的第k個信息碼符號周期的接收信號^(〇的時延 τ = Τχ = 0時，就會與假設已知的擴頻序列相匹配從而使輸出0(t)的模取最大值。因此就可 以根據〇(t)取最大值的時刻估計出Tx的值，從而使輸出0(t)經窄帶濾波后每隔一個信息碼 符號周期就給出一個同步脈沖，即每隔一個信息碼符號周期得到一個局部峰值，然后用它 去控制本地偽碼發生器以期與發送方偽碼取得同步，完成解擴。
[0020] 由以上分析可知，采用匹配濾波器實現DS-SS信號解擴的前提是要知道發送方的 偽碼序列{?[1]4=〇，一，^1}，然而對擴頻通信中的民用管理或軍事偵察方來說偽碼是未 知的，因此對信號的監管偵聽就比較困難，能否從接收到的DS-SS信號中直接盲估計出偽碼 序列是擺在面前的一個重要問題。
[0021] 圖2所示為本發明RBF神經網絡結構圖，是一種p-h-m結構形式三層前饋RBF神經網 絡，該網絡有P個輸入節點單元，h個隱節點單元和m個輸出節點單元。該網絡的輸入向量為X (η) = [χι(η) X2(n)…χρ(η)]τ，權值矩陣為
為第i個隱節點的徑向基函數激活函數。本發明中，徑向基函數可以分別采用高斯函數(如 式(2))、標準高斯函數(如式(3))、反S型函數(如式(4))、柯西函數(如式(5))、多二次函數 (如式(6))以及逆多二次函數(如式(7))。
[0022] (2)
[0023] (3) (4)
[0024] (5)
[0025]
[0026] (6) (7)
[0027]
[0028] 這里，Cl(n)為第i個隱節點的數據中心向量值，I I · I I則表示歐式范數，S1(I1)為第 i個隱節點的擴展常數或寬度，心(η)越小，徑向基函數的寬度就越小，徑向基函數就越具有 選擇性。
[0029] 圖中Σ表示輸出層神經元采用線性激活函數，那么該RBF神經網絡的輸出為
[0030]
(8)
[0031] 本發明運用該RBF神經網絡結構框圖，當接收信號為基帶DS-SS系統的接收信號 時，將接收信號在不重疊的周期窗內采樣，不失一般性，這里假設采樣周期等于一個碼片寬 度，即采樣周期ST s = T〇/N=T。。則系統進行N次采樣得到的一周期接收信號為
[0032]
[0033]
[0034]
[0035]
[0036]
[0037]
[0038] 這樣，偽碼序列就會以一個較為魯棒的形式估計出來。
[0039]本發明中RBF神經網絡取N-I-N結構，即輸入神經元個數與輸出神經元個數均等于 偽碼長度(或偽碼長度的兩倍）。當時延為〇時，輸入神經元個數與輸出神經元個數均等于偽 碼長度，輸入信號為一周期的數據向量；當時延不為〇時，輸入神經元個數與輸出神經元個 數均等于兩倍的偽碼長度，輸入信號為兩周期的數據向量。本發明以時延為0、徑向基函數 取標準高斯函數為例，得出隱層節點單元的輸出為
[0040]
(12)
[0041] 若取權值向量為w(n) = [wi(n) W2(n)…WN(n)]T，則輸出層單元的輸出為y(n) = [yi (n) y2(n)…yN(n)]T，其中：
[0042]
[0043] 接下來需要對數據中心c(n)和擴展常數δ(η)和權值向量w( n)這三個未知向量進 行確定。對于數據中心c(n)，通常選取的方法有幾種，分別是從輸入樣本中隨機選取法、正 交最小二乘法、有監督選取中心法、自組織選取法以及智能優化算法等。在本發明中選取數 據中心等于輸入信號，即c(n)=x(n)(而直接用文獻中其他方法選取數據中心來構建的徑 向基函數并不能實現本發明目的，還有待進一步研究），而擴展常數和權值向量采用梯度訓 練方法來調節。因此，由c(n)=x(n)推知誤差校正信號為
[0044]
(14)
[0045]則該神經網絡的輸出yj對擴展常數和權值向量的梯度分別為
[0048] 那么擴展常數和權值向量的調節量分別為
[0046]
[0047]
[0049] (17)
[0050] (IB)
[0051] 其中Tl和μ是學習速率，且0<τ?，μ<1，最后得出擴展常數和權值向量的更新公式為
[0052] (19)
[0053] (20)
[0054]然后反復更新權值向量使其逐漸逼近DS-SS信號的偽碼序列，最終達到收斂，此時 就可以通過權值向量將偽碼序列重建出來。
[0055]圖3所示為本發明基于RBF神經網絡的DS-SS信號偽碼序列盲估計流程圖，具體步 驟:第（1)步，將接收到的信號按照已知周期進行連續周期分段并采樣形成接收信號的連續 周期分段采樣觀察向量集，并將已進行連續周期分段采樣的一周期接收信號作為RBF神經 網絡的輸入信號與期望信號;第(2)步，RBF神經網絡擴展常數和網絡權值隨機初始化，并設 置終止條件，即設置允許的最小誤碼率;第（3)步，對于時刻η，輸入新的數據向量x(n);第 (4)步，計算隱層神經元的輸t
?第(5)步，按照式（13)計算輸 出yj(n)，j = l，2，···，Ν;第(6)步，按照式（14)來計算誤差ej(n)=xj(n)-yj(n)，j = l，2,…， P;第(7)步，按照式（19)來更新擴展常數;第(8)步，按照式(20)來更新權值向量;第(9)步， 返回第(2)步繼續，直到達到允許的最小誤碼率。此時，就可以通過RBF神經網絡第二層權值 向量的符號函數將信號的偽碼序列估計出來。
[0056]利用仿真實驗對本發明算法的理論推導進行驗證，實驗參數設置:蒙特卡洛次數 為1]1(^ = 200，上采樣次數為33 = 8位/(31^(即1'3 = 1'。= 81'(3，1'(3為采樣周期），若無特別說明， 徑向基函數取標準高斯徑向基函數。
[0057]圖4(a)所示為接收信號信噪比為_5dB，偽碼長度L=IOO位，時延Tx = O時的誤碼性 能圖，其中上方子圖表示由PN序列發生器產生的100位原始PN序列，中間子圖表示在上述實 驗條件下RBF神經網絡達到收斂時輸出權值向量值的200次蒙特卡洛加權平均值(此時輸出 權值向量長度為100)，下方子圖表示由上方子圖所示的原始PN序列與中間圖所示的權值向 量的符號函數相減所得誤差序列的模。可以明顯看出，網絡權值的符號函數值與原始PN序 列值完全相反，因此可知，可以通過神經網絡收斂時的第二層網絡權值的符號函數將無時 延情形下的原始PN序列重建出來。圖4(b)為相同信噪比、偽碼長度以及徑向基函數條件下， 時延T x辛0時的誤碼性能圖，其中上方子圖表示由PN序列發生器產生的100位原始PN序列， 中間子圖表示在上述實驗條件下RBF神經網絡達到收斂時輸出權值向量值的200次蒙特卡 洛加權平均值(此時輸出權值向量長度為200)，下方子圖表示由上方子圖所示的原始PN序 列與中間子圖所示權值向量的從第21位到120位截斷序列的符號函數相減所得的誤差序列 的模。同理可以得出，可以通過網絡權值的第21位到底120位截斷序列的符號函數將有時延 情形下的原始PN序列重建出來。
[0058]圖5、圖6分別為接收信號信噪比為0到-13dB，偽碼長度L= 100位，時延Tx = O時的 均值性能曲線圖與學習收斂曲線圖，由圖5可以看出隨著信噪比的降低，RBF神經網絡達到 收斂所需的平均數據組數增加，均值性能變差，且當信噪比低于_12dB時，均值性能急劇惡 化。由圖6同樣可以得出，當信噪比較高時，RBF神經網絡收斂速度較快，當信噪比較低時， RBF神經網絡收斂速度較慢，尤其當信噪比低于-12dB時，收斂性能急劇惡化。
[0059]圖7、圖8分別為RBF神經網絡與BP神經網絡在不同偽碼長度下的均值性能曲線圖， 由圖可知，隨著偽碼長度的增加，不論是本發明RBF神經網絡還是傳統BP神經網絡，達到收 斂所需的平均數據組數都會增加，性能都會變差;但是，在相同偽碼長度與相同信噪比條件 下，本發明RBF神經網絡達到收斂所需的平均數據組數要小于BP神經網絡達到收斂時所需 平均數據組數，即本發明性能要由于傳統的BP神經網絡，從而為實現DS-SS信號偽碼序列的 盲估計提供了一種更優的方法。
[0060]本發明提出了一種基于RBF神經網絡的DS-SS信號偽碼序列盲估計的方法，克服了 接收信號自相關矩陣特征分解方法處理的數據向量不能太長以及BP神經網絡方法在偽碼 較長或信噪比較低時性能差的缺點。分析推導了高斯徑向基函數、標準高斯徑向基函數、反 S型徑向基函數、柯西徑向基函數、多二次徑向基函數以及逆多二次徑向基函數用于DS-SS 信號偽碼序列的盲估計，并仿真驗證了 RBF神經網絡在不同信噪比、不同偽碼長度下的性 能，并與相應條件下的BP神經網絡進行了比較。結果表明，本發明RBF神經網絡即使在信噪 比為_13dB條件下仍然有效，且隨著信噪比的降低或偽碼長度的增加，RBF神經網絡達到收 斂所需的平均數據組數增加，均值性能變差，且在相同偽碼長度與相同信噪比條件下，本發 明RBF神經網絡的收斂性能要優于BP神經網絡的收斂性能，從而對該信號的后續處理(信息 碼估計)具有重要意義。
【主權項】
1. 一種基于RBF神經網絡的DS-SS信號偽碼盲估計方法，其步驟在于，首先將接收到的 信號按照已知周期進行連續周期分段并采樣形成接收信號的連續周期分段采樣觀察向量 集，其次將已進行連續周期分段采樣的一周期接收信號作為RBF神經網絡的輸入與期望信 號，并根據RBF來有監督地調節神經網絡，用網絡第二層權值向量的符號函數來代表DS-SS 信號的偽碼序列，然后通過不斷輸入信號來反復訓練權值直至收斂，最終就可以通過該權 值向量的符號函數將信號的偽碼序列估計出來。2. 根據權利要求1所述的估計方法，其特征在于，建立基帶DS-SS系統的接收信號模型 為xIOzSUHnU)。式中，n(t)是一個均值為零方差為 〇2的加性高斯白噪聲，S(t)基帶 DS-SS信號，其信號模型可以表示為：S(〇 = -:? -啤^ir)。式中，m[k]是第 k個信息碼符號，N是擴頻序列的周期長度，{?[1]4 = 0，一，^1}是?~序列，(1(〇是一個矩形 切普脈沖，T。是切普周期，To是PN序列的周期(Τ〇 = ΝΤ〇，τ = Τχ是隨機時延。3. 根據權利要求1所述的估計方法，其特征在于，建立一種p-h-m結構形式的三層前饋 RBF神經網絡模型，其中p為輸入節點單元數，h和m分別為隱節點單元數和輸出節點單元數。 該網絡的輸入向量為x(n) = [xi(n) X2(n)…χρ(η)]τ，權值矩陣為 wn{n) ··· wlm(n) w{n) ~ ^22(7) Φ i ( n )為第i個隱節點的徑向基函數激活函 * * ?爭》 ?yhl{n) wh2{n) ··· whm(n)_ 數。且分別可取高斯函數 標準高斯函數'柯西函數-以及逆多二次函數°這里，Cl(n)為第i個隱節點的數據中心向量值，| | · | |則表示 歐式范數，Si(n)為第i個隱節點的擴展常數或寬度，δ? (η)越小，徑向基函數的寬度就越小， 徑向基函數就越具有選擇性。RBF神經網絡的輸出為)',,(/?) = ⑷j = 1,2,··-,.# 〇 i=l4. 根據權利要求1-3所述的估計方法，同時結合RBF神經網絡數據中心與擴展常數選取 方法，令RBF神經網絡取N-1-N結構，令數據中心等于輸入信號，即c(n)=x(n)。此時可得RBF 神經網絡的出隱層節點單元的輸出為取權值向量為w(n) = [wi(n) W2(n)…WN(n)]T，可得輸出層單元的輸出為y(n) = [yi (n) y2(n)…yN(n)]T，其中：誤差校正信號為 ej(n)=xj(n)-yj(n)=xj(n)-wj(n) j = l ,2,···Ν 則該神經網絡的輸出對擴展常數和權值向量的梯度分別為那么擴展常數和權值向暈的調節暈分別為其中η和μ是學習速率，且〇<η，μ<1，最后得出擴展常數和權值向量的更新公式為 Ν. -f 1) --= ^'(/7) + X V?\ (/?) ) Μ vr, (/? + 1} = vr, (") + Vu , (/7) = U，,（/?)十} 然后通過反復更新權值向量使其逐漸逼近DS-SS信號的偽碼序列，最終達到收斂，此時 就可以通過權值向量將偽碼序列估計出來。
【文檔編號】H04L25/02GK106067868SQ201610528716
【公開日】2016年11月2日
【申請日】2016年7月6日
【發明人】張天騏, 趙軍桃, 江曉磊
【申請人】重慶郵電大學