本發(fā)明涉及噪聲抑制技術(shù)領(lǐng)域，尤其是一種基于能量檢測的非高斯噪聲抑制方法。

背景技術(shù)：

通信系統(tǒng)中的噪聲抑制技術(shù)廣為人知。噪聲抑制系統(tǒng)的目的是減少在語音編碼中的背景噪聲量，從而提高用戶編碼語音信號的總體性能。

由于頻譜資源的短缺，能夠更加高效的使用頻譜資源，成為通信領(lǐng)域研究的又一個重點(diǎn)問題，而提高頻譜資源利用率的關(guān)鍵技術(shù)之一是認(rèn)知無線電技術(shù)，通過有效的頻譜感知實現(xiàn)頻譜資源的動態(tài)共享和合理有效的利用。

頻譜感知技術(shù)是實現(xiàn)頻譜動態(tài)共享的基礎(chǔ)，目前關(guān)于頻譜感知算法的研究已經(jīng)相當(dāng)廣泛與成熟，能量檢測、匹濾波器檢測、循環(huán)平穩(wěn)特征檢測是公認(rèn)的三種經(jīng)典方法。

能量檢測(energy detection,ED)根據(jù)兩種假設(shè)下接收信號能量的大小實現(xiàn)信號檢測，是一種對未知參數(shù)的確定性信號存在性檢測的有效方法。它把一段時間內(nèi)信號的平均功率作為檢測統(tǒng)計量，將檢測統(tǒng)計量與預(yù)設(shè)的判決門限進(jìn)行比較。能量檢測法檢測算法過程：將信號通過模數(shù)轉(zhuǎn)換器、快速傅里葉變換、平方器、N個抽樣求和再平均后，得到了檢測統(tǒng)計量Y。將感興趣頻段上的檢測統(tǒng)計量與判決門限進(jìn)行比較，如果超過門限則判定該頻段內(nèi)存在主用戶信號，次用戶不適合在該頻段上工作；反之，則該頻段只存在噪聲，次用戶可以工作在該頻段。但其在低信噪比的情況下檢測性能不佳，不能對信號、干擾和噪聲加以區(qū)分，嚴(yán)重時出現(xiàn)檢測失效。

匹配濾波器在數(shù)字通信信號和雷達(dá)信號的檢測中經(jīng)常用它對信號進(jìn)行相干檢測，其輸出信號是輸入信號的自相關(guān)函數(shù)，可實現(xiàn)輸出信噪比最大。當(dāng)主用戶信號的調(diào)制類型、幀格式、脈沖整形、載波等先驗信息已知時，匹配濾波器算法是實現(xiàn)頻譜感知的較優(yōu)算法。但其嚴(yán)重依賴主用戶的先驗信息，一旦與匹配濾波器失配，檢測性能將大大降低，甚至導(dǎo)致誤判。并且，當(dāng)存在多個主用戶時，該方法需要設(shè)計多個與之對應(yīng)的匹配濾波器，實現(xiàn)成本增加。

循環(huán)平穩(wěn)特征檢測是因為調(diào)制信號一般是經(jīng)過載波，脈沖序列，重復(fù)擴(kuò)頻，調(diào)頻或者循環(huán)前綴等處理，其均值和自相關(guān)函數(shù)都具備了內(nèi)在的周期性，許多通信信號具備循環(huán)平穩(wěn)特性，而噪聲卻沒有這個特性。主用戶信號具有循環(huán)平穩(wěn)性，它們的循環(huán)譜在非零循環(huán)頻率處有較大的非零值，而噪聲的循環(huán)譜主要集中在零循環(huán)處，而在非零循環(huán)頻率上為零值或值很小。循環(huán)平穩(wěn)特征檢測就是利用主用戶信號的頻譜相關(guān)特性，經(jīng)過分析循環(huán)譜中循環(huán)頻率的特性來判決主用戶是否存在。循環(huán)譜把頻率從一維平面擴(kuò)展到二維平面，其計算復(fù)雜度遠(yuǎn)遠(yuǎn)大于能量檢測，這是周期特性檢測應(yīng)用的最大限制。

目前大多數(shù)的頻譜感知技術(shù)的實現(xiàn)都是基于高斯噪聲的假設(shè)，而實際通信環(huán)境中的噪聲常常是非高斯分布。針對這一問題，目前以非高斯噪聲為背景的頻譜感知算法研究成為了熱點(diǎn)，但如何建立非高斯噪聲模型，如何通過對實際環(huán)境中信號的實時測量獲得噪聲模型參數(shù)是提高頻譜感知性能的關(guān)鍵問題。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種基于能量檢測的非高斯噪聲抑制方法，該方法可以有效提高頻譜感知性能，在軍事通信、信息處理等領(lǐng)域具有應(yīng)用價值。

為解決上述技術(shù)問題，本發(fā)明所采取的技術(shù)方案是：1、一種基于能量檢測的非高斯噪聲抑制方法，其特征在于包括如下步驟：

(1)建立非高斯噪聲模型庫；

(2)利用USRP接收信號數(shù)據(jù)，基于能量檢測方法，對USRP接收的信號數(shù)據(jù)的幅度特性進(jìn)行分析，統(tǒng)計出模型庫中各模型的參數(shù)特性，從而得到各模型分布的概率密度曲線；

(3)再將得到的模型的概率密度曲線與噪聲模型庫中的圖形進(jìn)行對比，選擇相差最小、匹配效果最佳的噪聲模型，作為背景噪聲；

(4)最后將含有主用戶信號的數(shù)據(jù)與背景噪聲信號數(shù)據(jù)作對消處理，即同頻率的兩個信號幅值相減，從而降低噪聲信號的幅值，提高信噪比。

進(jìn)一步說明，所述的步驟1中，非高斯噪聲模型庫包括混合高斯分布模型、廣義高斯分布模型和Laplace分布模型的概率密度函數(shù)及統(tǒng)計特性。

進(jìn)一步說明，所述的混合高斯分布模型的概率密度函數(shù)為：

其中，w(n)為加性背景噪聲，ε_i為第i個高斯分量的加權(quán)系數(shù)，且每個高斯分量的均值為μ_i，方差為c為混合高斯階數(shù)。

進(jìn)一步說明，所述的廣義高斯分布模型的概率密度函數(shù)為：

其中

式中μ為均值，σ²為方差，β為描述分布的形狀參數(shù)，決定密度函數(shù)的衰減速度。當(dāng)β→0時，密度函數(shù)的極限為δ函數(shù)；當(dāng)β＝1時，GGD轉(zhuǎn)化為Laplace分布；當(dāng)β＝2時，GGD轉(zhuǎn)化為Gaussian分布；當(dāng)β→∞時，GGD趨于均勻分布。

進(jìn)一步說明，所述的能量檢測方法：將信號這單一的數(shù)字流變換成N個數(shù)字流，對每一個數(shù)字流利用快速傅里葉變換獲得的結(jié)果進(jìn)行取模平方運(yùn)算，得到信號的能量值，再累加求和獲得N個抽樣的模平方之和，并將數(shù)據(jù)保存；

能量檢測方法的實現(xiàn)平臺包括USRP、s2v、FFT、c2mag和stats，其中USRP是獲取信號，s2v是一個數(shù)字流變換成N個數(shù)字流、FFT為快速傅里葉變換、c2mag對快速傅里葉變換結(jié)果取模平方再求和、stats保存數(shù)據(jù)，對數(shù)據(jù)結(jié)果作如下處理：

其中V是以mv為單位的信號幅值，m.data為N個抽樣之和存入message的數(shù)據(jù)，N為采樣點(diǎn)數(shù)，最終獲得取樣信號的模值。

進(jìn)一步說明，對寬頻帶進(jìn)行能量檢測時，采用步進(jìn)調(diào)頻的方式，每次只檢測一段窄帶，幾次步進(jìn)之后，即可完成寬頻帶的檢測。

采用上述技術(shù)方案所產(chǎn)生的有益效果在于：本發(fā)明通過USRP和GNURADIO(裝在PC上的開源無線電軟件)的聯(lián)合使用，通過研究頻譜感知，在USRP上實現(xiàn)頻譜感知功能，并通過MATLAB對信號數(shù)據(jù)進(jìn)行處理實現(xiàn)性能優(yōu)化，達(dá)到抑制噪聲的目的，從而可以有效提高頻譜感知性能，在軍事通信、信息處理等領(lǐng)域具有應(yīng)用價值；本發(fā)明中的實現(xiàn)方法可以像編寫軟件一樣實現(xiàn)無線電的各種功能。

附圖說明

圖1是本發(fā)明中非高斯噪聲抑制算法流程圖；

圖2是頻譜感知平臺的總體框圖；

圖3是本發(fā)明中的能量檢測框圖；

圖4是本發(fā)明中頻譜感知平臺的能量檢測流程圖；

圖5是本發(fā)明中寬頻帶步進(jìn)調(diào)頻法實現(xiàn)流程圖；

圖6是800-1000MHz頻譜占用情況，同時也是無發(fā)射信號的信號數(shù)據(jù)；

圖7是有900MHz發(fā)射信號的信號數(shù)據(jù)；

圖8是對消處理后的信號數(shù)據(jù)。

具體實施方式

下面結(jié)合附圖和具體實施方式對本發(fā)明作進(jìn)一步詳細(xì)的說明。

本發(fā)明為一種基于能量檢測的非高斯噪聲抑制方法，可以根據(jù)不同的非高斯噪聲背景，自適應(yīng)選擇與之匹配最佳的非高斯噪聲模型，通過對消處理達(dá)到抑制非高斯噪聲的目的，其關(guān)鍵在于非高斯噪聲分布曲線的擬合、非高斯噪聲模型的選取。算法的流程圖如圖1所示。主要步驟如下：建立非高斯噪聲模型庫，本文選擇兩種典型的非高斯噪聲模型(混合高斯分布模型、廣義高斯分布模型)。然后對USRP(Universal Software Radio Peripheral，通用軟件無線電外設(shè))接收的信號數(shù)據(jù)的幅度特性進(jìn)行分析，統(tǒng)計出模型庫中各模型的參數(shù)特性，從而得到各模型分布的概率密度曲線。再將得到的模型的概率密度曲線與噪聲模型庫中的圖形進(jìn)行對比，選擇相差最小、匹配效果最佳的噪聲模型，作為背景噪聲。最后將含有主用戶信號的數(shù)據(jù)與背景噪聲信號數(shù)據(jù)作對消處理，即同頻率的兩個信號幅值相減，從而降低噪聲信號的幅值，提高信噪比。上述的噪聲抑制方法中是基于能量檢測，研究進(jìn)一步深化和提升頻譜感知能力，通過在基于嵌入式的軟件無線電平臺USRP設(shè)備上實現(xiàn)頻譜感知功能，為日后實現(xiàn)各種非高斯噪聲下的頻譜感知算法打下堅實基礎(chǔ)。

為了更好地抑制非高斯噪聲，就需要了解非高斯噪聲的特性，對非高斯噪聲進(jìn)行建模。非高斯噪聲的統(tǒng)計建模主要有兩類：物理統(tǒng)計建模和經(jīng)驗?zāi)Ｐ汀Ｎ锢斫y(tǒng)計模型從噪聲的物理產(chǎn)生過程的角度來表示噪聲，模型復(fù)雜，不適合于作為信號處理的噪聲模型框架。經(jīng)驗?zāi)Ｐ褪抢靡阎瘮?shù)對觀測噪聲數(shù)據(jù)進(jìn)行擬合，常表示為簡單的參數(shù)化模型，因而適用于信號處理的框架。

混合高斯分布模型是一種簡單的應(yīng)用非常廣泛的模型，常用來對人為噪聲、脈沖現(xiàn)象以及超寬帶(UWB)系統(tǒng)引起的干擾進(jìn)行建模。混合高斯模型的概率密度函數(shù)是由一組高斯分布的概率密度函數(shù)加權(quán)求和構(gòu)成的。對于大方差分量其權(quán)值較小。其中，在上述的非高斯噪聲模型中混合高斯分布模型的概率密度函數(shù)為：

其中，w(n)為加性背景噪聲，ε_i為第i個高斯分量的加權(quán)系數(shù)，且每個高斯分量的均值為μ_i，方差為c為混合高斯階數(shù)。

廣義高斯分布模型是一類以Gaussian分布、Laplace分布為特例，以δ函數(shù)和均勻分布為極限形式的對稱分布。其概率密度函數(shù)可以表示成：

其中

式中μ為均值，σ²為方差，β為描述分布的形狀參數(shù)，決定密度函數(shù)的衰減速度。當(dāng)β→0時，密度函數(shù)的極限為δ函數(shù)；當(dāng)β＝1時，GGD轉(zhuǎn)化為Laplace分布；當(dāng)β＝2時，GGD轉(zhuǎn)化為Gaussian分布；當(dāng)β→∞時，GGD趨于均勻分布。

本發(fā)明中基于能量檢測的非高斯噪聲抑制方法的有效性驗證，需要搭建頻譜感知平臺，該頻譜感知平臺的總體框架如附圖2所示，包括發(fā)射端和接收端，其中發(fā)射端包括發(fā)射天線、處于無限射頻前端的USRP子板、USRP木板以及裝載GNURADIO和MATLAB的計算機(jī)，接收端是在發(fā)射端的基礎(chǔ)上，增加噪聲建模與頻譜感知算法，該算法是基于能量檢測法實現(xiàn)。

基于能量檢測法采用頻域能量檢測FFT法進(jìn)行感知。利用FFT法進(jìn)行頻譜感知的過程如圖3所示。算法過程：將信號通過模數(shù)轉(zhuǎn)換器、快速傅里葉變換、平方器、N個抽樣求和再平均后，得到了檢測統(tǒng)計量Y。將感興趣頻段上的檢測統(tǒng)計量與判決門限進(jìn)行比較，如果超過門限則判定該頻段內(nèi)存在主用戶信號，次用戶不適合在該頻段上工作；反之，則該頻段只存在噪聲，次用戶可以工作在該頻段。檢測統(tǒng)計量Y為：

本發(fā)明利用頻譜感知平臺實現(xiàn)的能量檢測流程圖如圖4所示。首先將信號通過s2v轉(zhuǎn)換為向量，將單一的數(shù)字流變換成N個數(shù)字流，對每一個數(shù)字流利用快速傅里葉變換獲得的結(jié)果進(jìn)行取模平方運(yùn)算，得到信號的能量值，這樣獲得N個抽樣的模平方之和，對模平方之和作如下處理：

其中V是以mv為單位的信號幅值，m.data為N個抽樣之和存入message的數(shù)據(jù)，N為采樣點(diǎn)數(shù)，最終獲得取樣信號的模值。

另外，受制于設(shè)備硬件約束，USRP不能檢測超過8MHz的帶寬。所以，對寬頻帶進(jìn)行能量檢測時，就需要采用步進(jìn)調(diào)頻的方式來實現(xiàn)，每次只檢測一段窄帶，幾次步進(jìn)之后，便可實現(xiàn)寬帶的檢測。流程圖如圖5所示。

利用頻譜感知平臺，結(jié)合基于能量檢測的非高斯噪聲抑制的具體步驟，使用RFX900子板進(jìn)行實驗。其中使用RFX900子板(可覆蓋750-1050MHz頻段)感知范圍800-1000MHz，使用MATLAB將數(shù)據(jù)畫圖，如附圖6所示，其中Y軸為信號幅值，單位為mv；X軸為頻率，單位為Hz。實驗中采用附圖7中的無發(fā)射信號的信號數(shù)據(jù)，對信號數(shù)據(jù)的幅度特性進(jìn)行分析，統(tǒng)計出模型庫中各模型的參數(shù)特性，獲得無發(fā)射信號的概率密度函數(shù)曲線，最后利用MATLAB中的cftool函數(shù)擬合工具，導(dǎo)入概率密度函數(shù)數(shù)據(jù)，在函數(shù)選項中選擇自定義公式，分別輸入GMD和GGD函數(shù)公式進(jìn)行擬合(參數(shù)要設(shè)定范圍)，獲得無有發(fā)射信號的信號數(shù)據(jù)和對消處理后的信號數(shù)據(jù)，結(jié)果發(fā)現(xiàn)與GMD匹配效果最佳，所以選定GMD作為背景噪聲模型進(jìn)行對消處理。從圖8中可以看出對消處理后信號數(shù)據(jù)的信噪比遠(yuǎn)大于處理前信號數(shù)據(jù)的信噪比，這就具有了實際應(yīng)用價值。

綜上所述，本發(fā)明利用USRP、GNURADIO和MATLAB設(shè)計并實現(xiàn)了一種有效的頻譜感知平臺，該平臺能實時測量環(huán)境中的噪聲并進(jìn)行非高斯噪聲建模確定對應(yīng)參數(shù)，在此基礎(chǔ)上可采用傳統(tǒng)能量檢測以及基于非線性處理的各種針對非高斯噪聲的檢測器，如Rao檢測器、PCA檢測器和基于分?jǐn)?shù)低階矩的檢測器等實現(xiàn)頻譜感知，檢驗和比較各種算法的在實際噪聲環(huán)境中感知效果。這種技術(shù)具有應(yīng)用推廣價值，為實現(xiàn)動態(tài)頻譜資源分配提供有效的技術(shù)支持。