本發(fā)明涉及水聲通信信道估計算法技術領域，尤其是一種適用于多普勒失真水聲信道的估計方法。

背景技術：

水聲信道中顯著的多普勒效應和嚴重的多徑擴展給高速穩(wěn)定的通信帶來了很大的挑戰(zhàn)。在水聲系統(tǒng)中，聲波的傳輸速度為1500m/s，遠遠低于陸地無線通信中電磁波的傳播速度。因此，收發(fā)端移動引起的多普勒效應十分顯著，表現(xiàn)為引起時域上信號的壓縮或擴展。因此，多普勒效應被處理為多普勒擴展因子。另一方面，嚴重的多徑效應是由水下環(huán)境中大量的反射導致。由于聲波傳播速度慢，多徑延時大，造成了嚴重的符號間干擾。為充分了解水聲信道特點并克服其帶來的挑戰(zhàn)，對水聲信道精確的建模和估計十分重要。

如很多實驗觀察到的一樣，不同路徑的信號經(jīng)歷不同的多普勒擴展，在不同的時間點到達且具有不同的能量，接收信號是這些不同路徑信號的疊加。所以多擴展多時延(multi-scalemulti-lag，msml)信道模型能夠較好的描述水聲信道的特點，為很多文獻采用。根據(jù)msml信道模型，每一條路徑可以被參數(shù)化為多普勒擴展因子、時延和幅度三個參數(shù)。然而，嚴重的多徑效應使得msml信道的估計過于復雜。為了克服這個困難，很多研究者提出利用水聲信道的稀疏特性，即大部分信道能量集中在較小的范圍內(nèi)。所以，msml信道模型中，只有較少的抽頭系數(shù)是非零的，需要被估計出來。因此，計算復雜度可以顯著降低，并且很多利用信道稀疏特性的壓縮感知算法得到了應用。

基于壓縮感知的算法主要分為兩類：動態(tài)規(guī)劃方法，如匹配追蹤(matchingpursuit，mp)；線性規(guī)劃方法，如基追蹤(basispursuit，bp)。bp算法較高的計算復雜度限制了其應用，而mp算法得到了較為廣泛的應用且出現(xiàn)了很多改進算法。

mp算法通過迭代選取字典中與接收信號相關性最大的列來進行信道估計，并且在每次迭代結束時，從接收信號中減去相應的估計分量。在此基礎上，通過使剩余信號與已選出的每一列正交，提出了正交匹配追蹤(orthogonalmatchingpursuit，omp)算法，omp算法具有更優(yōu)的估計精度和收斂速度。同時，也有一些算法提出自適應估計路徑數(shù)，如稀疏自適應匹配追蹤(sparsityadaptivematchingpursuit，samp)算法和自適應步長samp算法。進一步，為了降低計算量，有文獻提出使用快速傅里葉變換簡化omp算法，但該方法降低的計算量有限因為其并沒有改變字典本身的大小。另一種降低計算量的方法是分步估計時延和多普勒擴展，該方法僅適用于各條路徑的多普勒擴展相差較小且經(jīng)過了粗補償?shù)那闆r。

因此，mp算法及其改進算法的不足之處在于其估計精度依賴于字典的大小，估計精度越高則字典的列數(shù)越多，因而計算量也就更大。對于時延-多普勒擴展較大的水聲信道，mp算法的計算復雜度限制了高精度的參數(shù)估計，因而本發(fā)明提出了一種可以降低復雜度同時有較高的估計精度的估計算法。

技術實現(xiàn)要素：

本發(fā)明所要解決的技術問題在于，提供一種適用于多普勒失真水聲信道的估計方法，能夠有較快的收斂速度和較高的估計精度。

為解決上述技術問題，本發(fā)明提供一種適用于多普勒失真水聲信道的估計方法，包括如下步驟：

(1)在問題空間中初始化魚群位置，計算相應的適應度值，并將群體中最優(yōu)適應度值和對應的位置記錄在公告板上，進入子迭代過程；

(2)每一條人工魚在其視野范圍內(nèi)執(zhí)行聚群和追尾行為或覓食行為，更新自身位置和適應度值并更新公告板；

(3)當子迭代次數(shù)大于設定值的一半時，若公告板中最優(yōu)適應度值大于設定閾值且不發(fā)生變化，則將一半的人工魚位置設置為最優(yōu)適應度值對應的位置；

(4)循環(huán)執(zhí)行子迭代過程并不斷調(diào)整步長，直至達到最大子迭代次數(shù)；

(5)從公告板中得到最優(yōu)位置，作為一條路徑的參數(shù)，得到相應的信號分量，用以更新殘余信號，進入下一次迭代。

優(yōu)選的，步驟(1)中，問題空間即為路徑參數(shù)可能的取值空間，包括時延和多普勒擴展因子的取值范圍，一般認為最大時延擴展為訓練序列的時間長度，最大多普勒擴展為收發(fā)端最大相對運動速度與聲波在海水中的速度的比值。

優(yōu)選的，步驟(1)中，人工魚p的適應度值的計算公式為：

其中r(t)為接收信號，s(t)為訓練序列，xp為人工魚p的位置，為以xp為時延-多普勒參數(shù)得到的訓練序列。

優(yōu)選的，步驟(2)中，覓食行為是：人工魚p在其視野范圍內(nèi)隨機選取一個位置，若該位置的適應度值大于當前位置的適應度值，則向該位置移動一步；否則繼續(xù)嘗試，若嘗試次數(shù)大于設定的最大值仍未成功，則隨機移動一步。

優(yōu)選的，步驟(2)中，聚群行為是：人工魚p在其視野范圍內(nèi)有q個同伴，若q>0，計算q個同伴的中心位置xc和相應的適應度值yc，若yc/q>λyp，其中λ為擁擠度因子，則p向xc移動一步；若yc/q≤λyp或q＝0，則執(zhí)行覓食行為。

優(yōu)選的，步驟(2)中，追尾行為是：人工魚p在其視野范圍內(nèi)內(nèi)有q個同伴，若q>0，找到具有最優(yōu)適應度值的同伴xq，若其適應度值yq滿足yq/q>λyp，則p向xq移動一步，若yq/q≤λyp或q＝0，則執(zhí)行覓食行為。

優(yōu)選的，步驟(4)中，第k次子迭代步長的調(diào)整方法是：

其中，δ為初始步長，k為第k次子迭代，kmax為子迭代最大次數(shù)。

優(yōu)選的，步驟(5)中，更新剩余信號的方法是：

其中，sl和分別為估計出的第l條路徑的時延-多普勒信號和路徑幅值。

本發(fā)明的有益效果為：本發(fā)明提供的一種多普勒失真水聲信道估計方案，每一次迭代包含一個子迭代過程和利用估計出的參數(shù)更新剩余信號的過程；在子迭代中，自適應步長調(diào)整和人工魚位置調(diào)整將使得在最優(yōu)值附近的搜索更為精確；該方案有較快的收斂速度和較高的估計精度，在計算量和估計準確度上均優(yōu)于omp算法。

附圖說明

圖1為本發(fā)明的用bellhop產(chǎn)生的水聲信道聲線圖。

圖2為本發(fā)明在信道1中，多普勒擴展因子估計的歸一化均方誤差隨信噪比的變化而變化的仿真曲線示意圖。

圖3為本發(fā)明在信道1中，時延估計誤差隨信噪比的變化而變化的仿真曲線示意圖。

圖4為本發(fā)明在信道1中，剩余信號能量比隨信噪比的變化而變化的仿真曲線示意圖。

圖5為本發(fā)明在信道2中，多普勒擴展因子估計的歸一化均方誤差隨信噪比的變化而變化的仿真曲線示意圖。

圖6為本發(fā)明在信道2中，時延估計誤差隨信噪比的變化而變化的仿真曲線示意圖。

圖7為本發(fā)明在信道2中，剩余信號能量比隨信噪比的變化而變化的仿真曲線示意圖。

具體實施方式

一種適用于多普勒失真水聲信道的估計方法，在魚群算法的基礎上，以迭代的方式分離多徑分量，每一次的迭代過程包含一個子迭代和利用估計出的參數(shù)對殘余信號的更新；在子迭代中，自適應的調(diào)整人工魚的位置和步長。包括如下步驟：

(1)在問題空間中初始化魚群位置，計算相應的適應度值，并將群體中最優(yōu)適應度值和對應的位置記錄在公告板上，進入子迭代過程；

(2)每一條人工魚在其視野范圍內(nèi)執(zhí)行聚群和追尾行為或覓食行為，更新自身位置和適應度值并更新公告板；

(3)當子迭代次數(shù)大于設定值的一半時，若公告板中最優(yōu)適應度值大于設定閾值且不發(fā)生變化，則將一半的人工魚位置設置為最優(yōu)適應度值對應的位置；

(4)循環(huán)執(zhí)行子迭代過程并不斷調(diào)整步長，直至達到最大子迭代次數(shù)；

(5)從公告板中得到最優(yōu)位置，作為一條路徑的參數(shù)，得到相應的信號分量，用以更新殘余信號，進入下一次迭代。

步驟(1)中，問題空間即為路徑參數(shù)可能的取值空間，包括時延和多普勒擴展因子的取值范圍，一般認為最大時延擴展為訓練序列的時間長度，最大多普勒擴展為收發(fā)端最大相對運動速度與聲波在海水中的速度的比值。

步驟(1)中，人工魚p的適應度值的計算公式為：

其中r(t)為接收信號，s(t)為訓練序列，xp為人工魚p的位置，為以xp為時延-多普勒參數(shù)得到的訓練序列。

步驟(2)中，覓食行為是：人工魚p在其視野范圍內(nèi)隨機選取一個位置，若該位置的適應度值大于當前位置的適應度值，則向該位置移動一步；否則繼續(xù)嘗試，若嘗試次數(shù)大于設定的最大值仍未成功，則隨機移動一步。

步驟(2)中，聚群行為是：人工魚p在其視野范圍內(nèi)有q個同伴，若q>0，計算q個同伴的中心位置xc和相應的適應度值yc，若yc/q>λyp，其中λ為擁擠度因子，則p向xc移動一步；若yc/q≤λyp或q＝0，則執(zhí)行覓食行為。

步驟(2)中，追尾行為是：人工魚p在其視野范圍內(nèi)內(nèi)有q個同伴，若q>0，找到具有最優(yōu)適應度值的同伴xq，若其適應度值yq滿足yq/q>λyp，則p向xq移動一步，若yq/q≤λyp或q＝0，則執(zhí)行覓食行為。

步驟(4)中，第k次子迭代步長的調(diào)整方法是：

其中，δ為初始步長，k為第k次子迭代，kmax為子迭代最大次數(shù)。

步驟(5)中，更新剩余信號的方法是：

其中，sl和分別為估計出的第l條路徑的時延-多普勒信號和路徑幅值。

如圖1所示，msml水聲信道模型可以表示為：

其中，l是信道抽頭數(shù).al(t)是第l條路徑的時變路徑幅度，在較短的時間內(nèi)可以認為保持恒定。τl和al分別是第l條路徑的時延和多普勒擴展因子，δ(t)是單位沖激響應函數(shù):

令s(t)表示發(fā)射信號，相應的接收信號r(t)可以寫成：

其中w(t)是加性噪聲。

考慮到水聲信道的稀疏特性，只有少數(shù)抽頭系數(shù)非零。所以，信道估計的復雜度大大減小。

在接收端，采用iafsa進行水聲信道估計。令xp表示人工魚p的位置：

其中p為魚群大小，n為維數(shù)。這里n＝2，為多普勒擴展因子a，為時延τ。

則位置xp對應的適應度值為：

其中r(t)為接收信號，s(t)為訓練序列，xp為人工魚p的位置，為xp為時延‐多普勒參數(shù)得到的訓練序列。yp實際上就是路徑幅度，因此

定義兩條人工魚xp和xq之間的距離為

人工魚的覓食行為：

令人工魚p的當前位置為xp，其在視野范圍內(nèi)隨機選取位置xv。如果yv>yp，則該魚將向xv,移動一步，即：

其中δ是步長，這個過程將重復i次直到有一個xv滿足要求；否則，該人工魚將在視野范圍內(nèi)隨機選取一點。

人工魚的聚群行為：

令xp為人工魚p的當前位置，其視野范圍內(nèi)有q個同伴，如果q>0，計算這q個同伴的中心位置：

定義λ為擁擠度因子，如果yc/q>λyp，則人工魚p將會向xc移動一步；否則，將執(zhí)行覓食行為。若q＝0人工魚也將執(zhí)行覓食行為。

人工魚的追尾行為：

人工魚p的視野范圍內(nèi)有q個同伴，如果q>0，找到具有最大適應度值yq的同伴xq。若yq/q>λyp,人工魚p將向xq移動一步，若yq/q≤λyp或者q＝0，人工魚p將執(zhí)行覓食行為。

詳細的算法步驟如下：

輸入：

發(fā)射信號向量s；接收信號向量r；路徑數(shù)l；閾值ε。

初始化：

設置剩余信號re＝r擁擠度因子λ，視野范圍d，步長δ，嘗試次數(shù)i，最大子迭代次數(shù)kmax，設置l＝1。

迭代：

(1)在問題空間內(nèi)隨機初始化魚群位置xp(p＝1,…,p)，計算相應的適應度值yp(p＝1,…,p)，并將最優(yōu)適應度值yopt及其對應的位置xopt記錄到公告板中。

(2)設置計數(shù)器k＝1。

(3)執(zhí)行聚群和追尾行為，更新人工魚位置。

(4)計算相應的適應度值并更新公告板。

(5)當k>kmax/2時，如果公告板保持不變且yopt>ε，將一半的魚位置調(diào)整為xopt。

(6)設置k＝k+1，并調(diào)整步長為跳轉(zhuǎn)到步驟3循環(huán)執(zhí)行，直至k>kmax。

(7)從公告板選擇最優(yōu)位置xopt作為路徑l的時延和多普勒因子估計值，得到相應的時延-多普勒訓練序列sl，和最優(yōu)適應度值yopt作為路徑l的幅度估計值更新剩余信號：

(8)如果l＝l，停止迭代；否則，l＝l+1，跳至步驟1.

輸出：

估計參數(shù)對

注：路徑數(shù)l可以在信號同步階段獲得；閾值ε根據(jù)接收端所能夠檢測到的信號能量值來設定。

圖2—圖7給出了不同信道條件下，多普勒擴展因子估計的歸一化均方誤差、時延估計誤差和剩余信號能量比隨信噪比的變化而變化的仿真曲線，并與omp算法做了比較。其中，信道1的參數(shù)設置為：路徑數(shù)l＝10，各路徑信號的到達時間隨機分布在0～25ms，且將最小路徑時延設為0。歸一化路徑幅值均勻分布，多普勒擴展因子隨機分布在[1,1.02],精確到4位小數(shù)。采用長度為511的偽隨機序列作訓練序列，且用二進制相移鍵控調(diào)制。載波頻率為10khz,采樣率為20khz。對于omp算法，所構造的字典多普勒因子分辨率為1×10^-4，時延分辨率為0.1ms,多普勒擴展為0.02，時延擴展為25ms,這也是iafsa的問題空間。

iafsa的參數(shù)設置為：魚群大小為50，擁擠度因子為0.3，視野范圍為[0.005,1.0ms],初始步長為0.2，最大子迭代次數(shù)等于10，最大嘗試次數(shù)等于10，閾值ε＝0.2。

信道2采用bellhop產(chǎn)生：水深為100m,收發(fā)端水平距離2000m,發(fā)射端固定在80m深處，接收端位于50m深處，以15m/s的水平速度向發(fā)射端靠近，聲速設定為1500m/s。海面和海底的反射系數(shù)分別為-0.9和0.7，聲線圖如圖1所示。iafsa的參數(shù)與信道1中相同，僅將問題空間中多普勒擴展改為0.01。

從仿真圖可見，在所有的實施例中本發(fā)明的性能都明顯優(yōu)于omp算法。在計算復雜度上：設訓練序列長度為kl，對于omp算法，字典中的列數(shù)為n＝nanτ，為時延和多普勒網(wǎng)格數(shù)之積。因此，一次迭代的乘積運算為ρ＝nkl。對于信道1，nτ＝250，na＝200，因而n＝5×10⁴；對于信道2，nτ＝250，na＝100，因而n＝2.5×10⁴。

而對于iafsa,信道1和信道2中，每一次迭代包含的子迭代過程中，人工魚分別執(zhí)行聚群和追尾行為，最差的情況下需要搜索2i次，因而一次迭代的乘積運算為ρ＝klpkmax2i，即ρ＝1×10⁴。可見，本發(fā)明的計算復雜度優(yōu)于omp算法。

盡管本發(fā)明就優(yōu)選實施方式進行了示意和描述，但本領域的技術人員應當理解，只要不超出本發(fā)明的權利要求所限定的范圍，可以對本發(fā)明進行各種變化和修改。