一种信号搜索方法的设计和实现

　　信号搜索是指多维空间和多取值中对信号进行寻找。对于空间某一点存在的信号研究表明，一个信号完全可以用时间域、频率域、极化域和来波方向域确定，由于通信信号以占有不同信道为其突出特点，因此大多数情况下，信号搜索是在频率域中进行的，即在一个较宽的观测频带内，在信号个数及其载波频率、带宽、信噪比等参数均未知的情况下对信号进行的盲检测。

　　目前信号搜索方法大致有两种:种是基于频率步进式搜索方法，对每一信道内的信号进行搜索，直至完成所有信道信号的检测，这种方法通常采用自适应门限以适应不同信道背景噪声，但自适应门限的计算仍受背景噪声的影响。当色噪声起伏较大时，检测概率降低，同时由于门限差别较大，对同一信号搜索得到的载频、带宽估计值偏差较大，给后续处理带来较大困难。第二种是基于全景谱的搜索方法，通过信道拼接得到搜索频段的完整频谱，再进行信号检测，这种方法一般采用单一门限，设置直观简单，搜索速度较快，但只适合信道底部噪声较平坦的情况，这在实际中是很难满足的。这两种搜索方法都受信道背景色噪声影响，特别是第二种方法，由于色噪声的存在，使得方法在实际中基本上不适用，本文就此问题展开相关研究，同时受在码元速率谱线检测时色噪声抑制算法的启发，提出了一种基于信道色噪声抑制的信号搜索方法，该方法在搜索前对全景搜索谱进行色噪声边缘提取与差值预处理，抑制了信道色噪声，从而提高了搜索方法的适用性及搜索性能，具有较好的抗色噪声干扰能力。

　　1 色噪声边缘提取

　　高斯白噪声中的高斯是指概率分布是正态函数，而白噪声是指它的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。这是考查一个信号的两个不同方面的问题。

　　高斯白噪声功率谱平坦，而色噪声功率谱起伏很大，这在全景谱中表现更为明显，图1是由8 MHz带宽滤波器拼接成的100 MHz~200 MHz频段信号功率谱，总共8 192个样点，频率分辨率为12 207 Hz,从图中能看到色噪声引起的"台阶"现象。拼接谱中信道底部电平起伏，一方面是由于不同频段噪声电平差异较大，另一方面是由于接收机滤波器在不同电平值下的增益非线性变化所致，这对于实际信号搜索是十分不利的因素，搜索门限将很难合理设置，偏高会使一些相对较弱的信号漏检，偏低会使噪声误判为信号。本文采用差值的方法对色噪声进行抑制，首先要提取色噪声边缘序列。

　　对输入频谱序列p（n）进行分段，一般以实际拼接物理带宽为每段数据长度，设为N,算法步骤如下：

　　

　　重复（2）~（6），直到提取本段数据的边缘序列。对图1所示全景谱进行色噪声边缘序列提取实验得到图2所示结果，可以看出提取的色噪声边缘序列已去除了所有的信号包络，只保留了底部噪声的变化趋势。为减少运算量，在提取之前本文使用了10阶中值滤波去除多数脉冲噪声。

　　2 基于色噪声抑制的搜索算法设计

　　数字调制信号符号速率估计的依据是循环平稳理论，由于信号的符号速率就是其基本循环频率，因此可以通过提取信号非线性变换（例如循环自相关函数）的循环频率获知符号速率。但是，非线性变换不仅能产生对应于符号速率的正弦分量及其各次谐波，还会将信号自身转变成不利于谱线提取的连续有色噪声（其能量主要分布在低频部分）。当观察数据长度有，自噪声对谱线提取的影响尤其明显。

　　本文设计的搜索算法是基于中频采样数据实现的，算法流程如图3,关键步骤是差值预处理与频谱分离。

　　2.1 差值预处理

　　

 

　　3 算法验证

　　验证算法在实际信号搜索中的性能。实验分别使用步进搜索方法、原全景谱搜索方法和本文搜索方法，对选定的5个信号（如表1所示，分别对应于图4中1~5箭头所指信号，信噪比为一段时间内统计均值，一般存在3~5 dB的信号抖动）进行搜索概率测试，概率以检测到的信号次数与总共检测次数比值计算，为使测试结果具有可比性，三种方法均采用式（7）自适应门限计算方法，经10 000次Monte Carlo实验后得图5所示的结果。从图5中可以看出，在相同门限计算方法条件下，基于抑制色噪声的全景谱搜索方法对于相对较弱信号的搜索检测概率明显高于另外二种，这与前面的分析相符，从而验证了算法的有效性。

 

 

　　本文针对信号搜索中存在的严重色噪声影响问题，提出了一种抑制色噪声的信号搜索算法，解决了搜索谱中的"台阶"现象。该算法只需知道作拼接频谱的FFT点数，而未对信道等作任何假设条件，因此可适用于各种信道条件下信号搜索。实验表明算法抑制色噪声效果明显，搜索信号正确率高，抗噪声能力强，整体性能优越，有较好的实际应用价值。