电力线信道噪声

电力线信道噪声（精选5篇）

电力线信道噪声 第1篇

低压电力网是世界上分布最广泛、结构最坚固的物理网络。利用已有的电力网和能量管理系统进行通信,能提供低成本高效益的网络服务,减少投资和对线路的维护成本,将实现电力市场中的用电方与供电方的信息实时双向交流,为电力市场的建立提供技术支持[1]。因此,如何利用电力网的资源潜力,在不影响传输电能的前提下,借助于电力线载波通信(Power Line Communication,PLC)技术实现可靠的窄带或宽带通信,成为多年来国内外技术人员技术攻关的一个重要目标[2,3,4,5,6,7]。

影响电力线通信可靠性的主要因素有:输入阻抗、信号衰减和噪声干扰等,其中噪声干扰影响最为严重[8,9,10]。本文在分析电力线背景噪声的基础上,测量了电力线背景噪声,建立了实测背景噪声的AR模型,用奇异值分解法和LD递推法两种方法计算实测背景噪声的AR模型参数,并进行比较分析。结果表明:利用奇异值分解法求参数和利用LD递推法求参数都是可行的,且奇异值分解法适合电力线背景噪声的离线计算和分析,而LD递推法适合电力线背景噪声的在线快速生成。

1 电力线噪声分类及特点

电力线通信信道噪声分布与时间、地点及负载等密切相关,各噪声间相互独立。根据国内外研究现状[11],现在公认在低压电力线载波通信环境中存在着五类噪声:有色背景噪声、窄带噪声、异步于工频的周期脉冲噪声、同步于工频的周期脉冲噪声和异步脉冲噪声;还可以把噪声分为背景噪声(包括有色背景噪声、窄带噪声和异步于工频的周期脉冲噪声)和脉冲噪声(包括同步于工频的周期脉冲噪声和异步脉冲噪声)。

低压电力线噪声很难直接定量表示,但也有一定的规律性。大量实测噪声数据表明[11,12],低压电力线信道的噪声具有周期性、连续性、随机性和多变性等特点。

2 背景噪声测量实验

2.1 测量电路设计

低压电力线信道噪声测量电路如图1所示。电力线噪声通过耦合网络耦合至示波器,示波器获取噪声数据并存储后再传输至PC机进行分析。耦合网络的制作是利用电感耦合器与高频信号耦合,得到所要研究的电力线通信信道噪声。

2.2 背景噪声的测量及处理

2.2.1 电感耦合器

因为电力线宽带通信的高频信号经过电表等计量设备时,会产生严重的衰减,为克服这一问题,可采用电感式耦合器绕过计量设备实现高频信号与电力线的耦合,图2即为珠海天瑞电力科技有限公司提供的电感耦合器。

2.2.2 测量电路制作

以某实验室台灯作为研究对象测量噪声,按照图3中电感耦合器的绕线方式安装测量电路。

2.2.3 实测背景噪声

为了尽可能多地去除脉冲噪声影响,取20组不同时间噪声的平均噪声为所要研究的背景噪声,图4为其中一组实测的电力线噪声,图5为所要研究的实测背景噪声。

2.2.4 实测背景噪声的功率谱密度

按式(1)求出实测背景噪声的功率谱密度,如图6所示。

3 背景噪声建模

3.1 时间序列模型介绍

假设信号模型用一个p阶差分方程描述:

式中:ω(n)是零均值、方差为σω2的白噪声;x(n)是所要研究的随机序列。

当ai=0(i=1,2,,p)时,该模型称为滑动平均模型(MA模型);当bi=0(i=1,2,,q)时,该模型称为自回归模型(AR模型);否则即为ARMA模型。

3.2 背景噪声AR建模

由Wold分解定理[13]可知,任何一个具有有限方差的ARMA或MA过程都可以表示成一个AR过程,即三种信号模型可以相互转化,具有普遍适用性。且背景噪声可视为一个平稳随机过程[14],具有有限方差,因此其模型可简化为AR模型。

3.3 背景噪声AR模型参数计算方法

一个离散AR过程的功率谱密度可以表示为

由(2)式可知,p阶AR模型有p+1个待定参数:a1,a2,,ap,以及ω(n)的方差σω2。由此列出p+1个尤勒-沃克(Yule-Walker,YW)方程[15],用矩阵表示如下

式(3)中,R(τ)表示已知离散序列的自相关函数值,所构成的矩阵为自相关函数矩阵R,可以由式(4)求得。这p+1个YW方程中有p+1个未知数,在理论上是可以求解的,且解是唯一的。

4 实例计算仿真

按式(4)求得实测背景噪声的自相关函数,如图7所示。

4.1 奇异值分解法求AR参数

AR模型阶数确定的奇异值分解法的过程为:将自相关矩阵R进行奇异值分解R=UΣVH,其中Σ为一对角阵,其主对角线上的元素是非负的,并按式(5)顺序排列。当式(6)中V(k)满足所设阈值条件时,k即为所求AR模型阶数。

利用奇异值分解法按以下步骤求得AR模型参数:

1)构造背景噪声自相关函数矩阵;

2)选用2V(k)=0.98为阈值,利用奇异值分解法求得实测背景噪声自相关函数矩阵的有效秩为110;

3)构造具有有效秩的近似自相关函数矩阵;

4)根据新的自相关函数矩阵,求解111个YW方程,得到所要的AR模型参数,表1给出了部分参数值。得到这些参数的计算时间很长,大于30min。

4.2 LD快速递推法求AR参数

4.2.1 LD快速递推法简介

LD快速递推法是解尤勒-沃克方程的快速有效算法,这种算法利用自相关矩阵所具有的一系列好的性质,使运算量大大减少。其计算公式如下所示。

迭代至ap2(p)满足所设阈值条件为止。则p即为此AR模型的阶数。

4.2.2 LD快速递推法求参数值

根据上述公式,取与奇异值分解法同样的阈值,编写程序进行仿真计算,得到AR模型阶数为3,AR模型参数值如表2所示。得到这些参数的计算时间很短,不超过10s。

4.3 求两种参数结果的功率谱

按式(2)分别求得两种方法所求参数的功率谱密度并用图形表示如图8、9。

4.4 比较分析

1)计算速度比较:利用奇异值分解法求参数的计算时间大于30min,而利用LD递推法求参数的计算时间不超过10s,LD递推法计算速度较快。

2)结果繁简比较:利用奇异值分解法所求得参数为110阶AR模型,而LD递推法所得结果为3阶AR模型,LD递推法所得结果较简单。

3)功率谱密度图像比较:利用奇异值分解法所得模型功率谱曲线与理论曲线相比,趋势基本一致,功率大小基本一致(平均衰减0.27dB,较小);而利用LD快速递推法所得模型的功率谱密度曲线与理论曲线相比,趋势基本相似,但功率大小差异较大(平均衰减6.90dB,较大)。说明利用奇异值分解法所得的模型更为准确,LD递推法所得的模型虽然正确但丧失了较大的精度。

由上可知,利用奇异值分解法所得参数模型较为复杂,计算时间较长,但模型很精确,与实际相差极小,适合电力线通信信道背景噪声离线计算分析;而利用LD递推法所得参数模型误差较大,其功率谱与理论值只能保持趋势基本一致,但模型简单,计算时间极短,适合电力线通信信道背景噪声在线快速生成。

5 结论

噪声干扰是影响电力线通信可靠性最主要的因素之一。本文在分析电力线背景噪声的基础上,建立了实测背景噪声的AR模型,针对电力线通信信道背景噪声AR模型参数计算方法,给出了在线和离线两种状态下不同的计算方案(奇异值分解法适合电力线背景噪声的离线计算和分析,而LD递推法适合电力线背景噪声的在线快速生成)。

中波广播发射的信道噪声影响分析 第2篇

1 信道噪声的概念

信道噪声的概念就是指信号传播过程中, 受到磁场等外部因素的影响, 所形成的干扰, 由于中波广播信号在空气中传播, 所以人们将这些干扰称为噪声, 因此信道噪声所指的并不是声音, 但是从某种意义上来说, 声音在空气中的传输, 也是以波的形式存在, 而人能够听到的声音, 只是波长在特定范围内的声波, 由此可以看出, 信道噪声也可以认为是一种声波。空气作为中波传输的媒介, 根据周围环境的不同, 会形成一定的信道噪声, 使得同样频率的中波, 在不同的空气环境中传播, 传输的效率也具有一定的差异, 对于实际的中波广播发射工作来说, 如何减小信道噪声的影响, 是一个非常重要的问题。在传统的广播发射工作中, 受到技术水平的限制, 只能加大发射的功率, 而无法降低信道噪声的影响, 这种提高发射功率的方式, 会在一定程度上提高中波广播发射的成本, 如果信道噪声污染比较严重, 采用这样的方式, 依然无法很好地提高信号传输的效率, 要想从根本上解决这个问题, 必须根据信道噪声的特点, 采取针对性的措施。

2 我国中波广播发射的现状

经过了多年的发展, 我国广播电视技术有了很大的进步, 在实际的中波广播发射中, 通过引进国外的先进设备和技术, 极大地提高了我国中波广播的发射水平, 但是考虑到电子设备和技术的更新换代速度很快, 要想使用最新的设备和技术, 就需要频繁地更换设备, 需要较高的成本。因此出于成本上的考虑, 实际的中波广播发射中, 使用的都是一些传统设备, 自动化的水平较低, 需要人员来进行实际的操作, 而且没有意识到信道噪声的重要性, 没有采用一些针对性的优化技术和措施, 使得信道噪声对中波广播造成了较大的影响, 虽然采用了加大发射功率的方式, 但是并没有取得显著的效果。由此可以看出, 我国中波广播发射中, 还存在很多可以改进的地方, 尤其是信道噪声污染的问题, 目前还没有一个很好的解决方式, 严重影响了我国中波广播发射工作, 近年来随着国家的重视, 投入了大量的人力和物力, 对信道噪声污染进行研究, 通过大量的实践工作, 提出了一些有效的降低信道噪声污染的措施。

3 中波广播发射的信道噪声影响

信道噪声污染是随着信息技术的发展, 逐渐形成的一种新理念, 在很多信号传输中, 都会受到信道噪声的影响, 考虑到中波广播发射的特殊性, 在空气中传播的信号, 要比在具体的线路中传播更容易受到信道噪声的影响, 在线路中传输的信号, 具有很强的目的性, 从线路的一端传送到另一端, 而空气中传播的信号, 通常没有明确的目的性。如中波广播发射就是将信号以中波的形式, 随意地发射到空气中, 在一定的范围内, 利用相应的接收设备, 就可以收到发射的信号, 而信道噪声的存在, 在很大程度上影响了信号覆盖的范围以及信号传播的质量, 在实际的中波广播发射中都会采取一系列的措施, 提高广播覆盖的范围, 通常会尽量提高广播发射的功率。这样可以很好地提高信号的强度, 从而在一定程度上降低信道噪声的影响, 但是广播发射功率的提高, 需要一定的成本, 如果信道噪声污染比较严重, 这样的方式无法取得显著的效果, 要想很好地解决信道噪声的问题, 必须从周围环境出发, 减少噪声污染源, 同时在中波信号的接收端, 也可以通过相应的过滤技术, 最大程度上去除信号中的噪声, 这样可以很好地提高信号传播的效率, 对于实际的中波广播发射工作来说, 具有重要的作用。

4 结语

通过全文的分析可以看出, 现在的广播电视已经得到了普及应用, 中波广播作为一种重要的信号传输方式, 受到人们的重视。在实际中波广播发射的过程中, 如何提高信号传输的效率, 成为很多专家和学者研究的问题, 传统的方式, 通常会提高发射功率, 从而提高信号接收的效果, 但这需要较高的成本。如果对信道噪声进行深入的分析, 减少信道周围的噪声发生源, 并在信号接收端采用一定的信号过滤技术, 对噪声进行过滤, 就可以提高中波广播发射的效率, 同时控制广播发射的成本。

参考文献

[1]郑紫微, 杨知行, 朱义胜, 潘长勇.不同数字电视地面广播传输系统在多径衰落信道下的性能比较[J].电子学报, 2004, (3) :425-428.

[2]张秀秀.低压电力线信道噪声特性分析[J].山西电子技术, 2009, (5) :56-58.

电力线信道噪声 第3篇

1 中波广播信道噪声

电网传输过程中,噪声是指在电路中的信号不具备使用性,主要表现为热噪声、自然噪声以及人为噪声等。信道噪声主要是指在信号正常传输过程中,由于受到外界因素的干扰,影响信号传输效率。例如,磁场影响信号的传输从而形成的干扰,因此可将信道噪声称为干扰。信道噪声会导致信号传输失真,不能正常传输信息。通常分为两种:平稳噪声、非平稳噪声。平稳噪声是指信道噪声不受外界影响而发生变化;非平稳噪声可能会随着时间或其他因素的变化而变化。

本文在研究中波广播信道传播能中发现,产生的信号干扰主要是声音在空气传输过程中产生的波,因此就产生了信道噪声的说法。将空气作为传输介质,在不同空气环境下,频率的中波不同。因此为了提高中波广播传输的效率,就需要降低信道噪声对正常广播产生的影响,尽可能地减少信道噪声。

2 中波广播发射的现状分析

当前,随着科学技术在不断提高,广电事业也在深入发展,但是由于在正常工作中产生的干扰比较多,导致广播电视的信号以及图像等受到影响。本文阐述了中波广播发射过程中,在先进技术的应用下,改善了中波广播发射的效率。但是在应用先进技术中,由于电子信息以及信息技术更新过快,使用过程中要对设备进行频繁更换,这就增加了成本。针对当前中波广播发射的现状,为了有效降低信道噪声,要从设备以及自动化水平方面改善和提高,另外还需提高工作人员的技术操作水平。为促进我国中波广播事业稳步发展提供更科学的对策,提高广播发射信号的传输效率。

3 基于中波广播发射的信道噪声影响

随着科学技术在不断更新,噪声的影响也在不断变化。为了进一步提高信号传输以及播出的质量。在了解当前中波广播发射现状以及信道噪声的基础上,逐渐减弱信道噪声影响。由于中波广播发射的信号的主要形式是中波,将其随意发射到空气中,形成的信道噪声,在一定范围内就会影响信号效果,因此为了解决目前这种信道噪声影响,在保证信号强度中,实现信道噪声逐步降低的效果,提升中波广播发射的成功率。重点需要从信道噪声问题方面解决,针对目前现状提出更好的方案。在科学技术的应用下,提高设备使用状况,提高中波广播发射的抗干扰性,降低信道噪声影响。具体需要根据周围环境,降低噪声干扰,减少其分贝;中波信号的接收端设置过滤,大大降低信道噪声的影响,另外可以从设计方面提高,提高广播发射的设计系统,保证发射的成功率。只有在了解信道噪声影响的基础上,应用现代科学技术以及先进设备,提高技术,不断创新,提升信道信号的传输质量。通常在实际操作过程中,有效降低信道噪声主要采用过滤器来评比不具有使用性的信号,提高正常信号的质量。在设计过程中,根据不同性能指标,进行过滤模块设计。基于大数据采样下,提高过滤技术的效果,并且可以增强中波发射信道模块的抗干扰性,降低信号污染源。最终的目的是提高信号覆盖范围的质量。在不同的空气环境下,针对不同频率的中波,提高信号传输的效率,大大降低信道噪声对中波发射产生的影响,避免产生信号干扰等现象的发生,来提升广电信息的传输及播放效果,促进我国广电事业稳步发展。

4 总结

通过分析中波广播发射的信道及其在我国的现状,针对信号在传输过程中遇到的问题,例如,由于设备陈旧,自动化水平不足或者操作人员技术有限等问题,要制定科学的对策,降低信道噪声对中波广播发射的影响。在保证信号传播效率的前提下,在合理的成本控制中,及时更新设备,提高自动化水平,改进工作人员的技术操作现状,提升信号的成功率及传输质量。有效降低信道噪声对中波广播发射的影响,保证中波广播发射的质量。在科学的应对策略下,实现信道噪声影响的减弱,降低信道噪声污染,提高信号传输的质量,提升信息及图片的分辨率,提升我国广电事业工作效率,促使广播电视事业稳步发展。

摘要：本文主要分析了中波广播发射在受到信道噪声的影响下,造成广播发射工作质量受到影响。基于信道噪声及其当前中波广播发射的现状,具体阐述了中波广播发射的信道噪声状况,为提升广播发射提供了重要意义。

关键词：中波广播,发射,信道,噪声

参考文献

[1]王志峰.基于信道信息的数字音频盲取证关键问题研究[D].广州:华南理工大学,2013.

[2]张力.噪声干扰下NGB接入网上行信道性能与智能诊断研究[D].天津:天津大学,2012.

电力线信道噪声 第4篇

SC-FDE和正交频分复用技术 (Orthogonal Frequency Division Multiplexing, OFDM) 具有良好的抗多径的能力, 适用于宽带无线通信。其中SC-FDE技术可以克服OFDM系统定时误差、载波同步敏感和峰均比过大的缺点, 成为无线通信研究的热点。SC-FDE系统中一般采用特殊字 (Unique Word, UW) 进行信道估计, 在众多的信道估计方法中, 最小均方误差 (Minimum Mean Square Error, MMSE) 算法性能最好[1], 但是需要信道的自相关函数及噪声先验知识, 并且计算复杂度高, 最小二乘 (Least Square, LS) 算法简单, 不需要信道的先验知识, 但是估计性能较差。基于DFT的估计算法, 计算复杂度比MMSE低, 不需要信道的任何信息, 性能优于传统的LS算法。

1离散采样信道等效模型

无线信道的多径特性为:

$h{}_c\left(t\right)={\displaystyle \sum _{m=0}^{L-1}\alpha }{}_m\delta \left(t-\tau {}_m\text{Δ}t\right)$。 (1)

式中, L为可分辨多径数;Δt为取样间隔;αm为各径的衰落因子;τm为各径的归一化时延。对式 (1) 做傅里叶变换:

${\rm H}{}_c\left(f\right)={\displaystyle \sum _{m=0}^{L-1}\alpha }{}_m\exp \left(-\text{j}2\pi \tau {}_m\text{Δ}tf\right)$。 (2)

信道传输因子跟模拟信道频域响应${\rm H}{}_c\left(f\right)$的关系为:

${\rm H}\left(k\right)={\rm H}{}_c\left(k\text{Δ}f\right)$。 (3)

式中, Δt为时域采样间隔;1/Δt为频域延拓的频域间隔;1/ (ΔtΔf) 频域共采了N个点数, 对式 (5) 求IDFT。由文献[3]得到:

$h\left(n\right)={\displaystyle \sum _m\alpha }{}_m\beta \left(m,n\right)$。 (4)

式中, $\beta \left(m,n\right)$定义为:

若τm全为整数, 且0≤τm≤N-1, 则等价时间离散信道的单位冲激响应为:

$h\left(n\right)={\displaystyle \sum _m\alpha }{}_m\delta \left(n-\tau {}_m\right)$, (6)

即为采样间隔信道, 否则为非采样间隔信道。

2基于DFT信道估计算法

基于DFT信道估计算法, 分采样间隔信道和非采样间隔信道2种情况讨论。采样间隔信道下, 将循环前缀之外的噪声部分置零, 再在循环前缀之内进行阀值处理, 进一步消除噪声。非采样间隔信道下, 提出一种能量增长率的估计算法。根据设定的门限值, 自适应地选择保留路径。

2.1采样间隔信道及噪声方差估计算法

实际上严格的采样间隔信道是不存在的, 但有些情况下, 可以近似为采样间隔信道。

Y.Kang等人在传统的DFT信道估计基础上获得时域的噪声方差, 然后确定门限值, 对时域估计的有效径做阀值处理, 消除噪声, 算法如图1所示[2]。

利用训练序列得到导频处的频域LS估计:

$\widehat{{\rm H}}\left(k\right)=\frac{Y\left(k\right)}{X\left(k\right)}$。 (7)

利用傅里叶逆变换 (IDFT) 将信道的LS估计转换到时域:

$\widehat{h}\left(n\right)=\frac{1}{{\rm K}}{\displaystyle \sum _{k=0}^{{\rm K}-1}\widehat{{\rm H}}}\left(k\right)\exp \left[\text{j}2\pi \frac{nk}{{\rm K}}\right],0\le n\le {\rm K}-1$。 (8)

信道冲激影响分为2个部分:

信道的信息包含在前Lg个抽样点上, 其余的抽样点是噪声分量。只保留前Lg个分量, 将噪声部分置零, 这就是传统的基于DFT信道估计方法。

阀值判决准则如下:

由文献[2]可知, 最佳阀值门限为:

λ=2·σ${}_{wt}^2$。 (11)

式中噪声方差估计为:

$\begin{array}{l}\widehat{\sigma }{}_{wt}^2=\frac{1}{{\rm N}-L{}_g}{\displaystyle \sum _{n=L{}_g}^{{\rm N}-1}\left|\widehat{h}{}_{\text{L}\text{S}}\left[n\right]\right|}{}^2=\\ \frac{1}{{\rm N}-L{}_g}{\displaystyle \sum _{n=L{}_g}^{{\rm N}-1}\left|\stackrel{\sim }{{\displaystyle w}}\left[n\right]\right|}{}^2。(12)\end{array}$

最后将阀值处理后的时域响应转换到频域, 即

$\widehat{{\rm H}}{}_{\text{D}\text{F}\text{Τ}}\left[k\right]=DF{\rm T}{}_{{\rm N}}\left\{\widehat{h}{}_{\text{D}\text{F}\text{Τ}}\left[n\right]\right\}$。 (13)

2.2非采样间隔信道及噪声估计算法

非采样间隔信道下提出一种基于能量增长率算法保留有效路径的方法, 算法如图2所示。

$h\left(n\right)$的能量可用式 (14) 计算:

$E={\displaystyle \sum _{n=0}^{{\rm N}-1}\left|h\left(n\right)\right|}{}^2$。 (14)

冲激响应泄漏后, 能量主要集中在序列的两端, 将能量写为:

$\begin{array}{l}E={\displaystyle \sum _{n=0}^{\frac{{\rm N}}{2}-1}\left|h\left(n\right)\right|}{}^2+{\displaystyle \sum _{n=0}^{\frac{{\rm N}}{2}-1}\left|h\left({\rm N}-1-n\right)\right|}{}^2=\\ {\displaystyle \sum _{n=0}^{\frac{{\rm N}}{2}-1}\left[\left|h\left(n\right)\right|{}^2+\left|h\left({\rm N}-1-n\right)\right|{}^2\right]}=\\ {\displaystyle \sum _{n=0}^{\frac{{\rm N}}{2}-1}E}\left(n\right)。(15)\end{array}$

设$G\left(n\right)={\displaystyle \sum _{m=0}^{n}E}\left(m\right)$, $0\le n\le \frac{{\rm N}}{2}-1$, 则定义能量增长速率序列:

$R\left(n\right)=\frac{G\left(n\right)-G(n-1)}{G\left(n\right)}$, $0\le n\le \frac{{\rm N}}{2}-1$。 (16)

在能量集中样值区域, $R\left(n\right)$数值较大, 但在能量非集中区域, $R\left(n\right)$很小, 可以置零。

非采样间隔信道的离散等效模型具有频域特性:

${\rm H}\left(k\right)=-{\rm H}{}^{*}\left({\rm N}-k\right),k=1,2,\cdots ,{\rm N}/2-1$。 (17)

式中, ${\rm H}\left(0\right)$和${\rm H}\left({\rm N}/2\right)$分别为实数跟虚数, 在噪声方差的估计中, 不给予考虑。利用式 (9) 中的参量, 假定:

Δ${\rm H}\left(k\right)=\widehat{{\rm H}}\left(k\right)+\widehat{{\rm H}}{}^{*}\left({\rm N}-k\right)=W{}_c\left(k\right)$。 (18)

式中, k=1, 2, …, N/2-1, 分析可得上式的协方差矩阵为:

CΔH=σ${}_W^2$A。 (19)

则可以得到噪声方差的一种估计:

仅利用一块导频数据, 就可以估计出信道的噪声方差, 该方法在实际工程中有很大的价值。

3系统仿真

仿真信道采用COST207标准中山区信道模型, 并做了一些修正。符号是QPSK调制, 无信道编码。一帧符号分为13块, 每段256个符号, 第一个块为导频符号。采样间隔信道参数为:

Tau=[0, 1, 2, 3, 30, 60];Pdb=[0, -2, -4, -7, -6, -12]。

非采样间隔信道参数为:

Tau=[0, 0.5, 2.5, 3.5, 25.5, 30.5];

Pdb=[0, -2, -4, -7, -6, -12]。

采样间隔信道下几种估计算法BER性能比较如图3 (a) 所示。

当误码率为10-4时, 阀值处理的估计算法相对于传统的LS算法有7 dB提升。采样间隔信道下几种信道估计算法均方误差的比较如图3 (b) 所示, 相对于LS估计, 传统的基于DFT估计算法及阀值处理后的性能分别有6 dB及8 dB的提升。采样间隔信道下, 噪声估计的均方误差如图4所示。仿真结果表明在10 dB时, 估计值与理论值已经很接近。

图5 (a) 给出了能量增长率门限为0.05、0.025、0.005、0.002 5和0.001 25情况下, 信道估计的均方误差性能。

与传统的LS算法比起来, 低信噪比条件下, 基于能量增长率的方法性能有显著的提升, 门限值为0.005的情况下, 已经达到很好的性能。当信噪比约为15 dB时, 算法不可避免地出现误差平底效应。图5 (b) 给出了非采样间隔信道下, 噪声方差估计均方误差仿真图。利用非采样间隔信道频域的特性, 仅用一块导频块, 就估计出信道噪声方差值, 且估计的精度较高, 在信噪比为20 dB时, 绝对误差达到10-6。

4结束语

整数倍采样信道下, 分析了一种阀值处理基于DFT信道估计算法, 仿真表明, 基于DFT阀值处理信道估计算法在MSE上相对于传统的LS算法有8 dB提升, 无编码情况下, 误码率为10-3时, 性能有7 dB的提升。非整数倍采样信道下, 当门限值为0.005时, 低信噪情况下, 相对于LS算法, 性能有很大的提升, 且算法实现电路简单, 由于信道能量丢失, 信噪比大于15 dB情况下, 不可避免地产生误差平底效应。利用信道的频域特性, 提出一种新的噪声方差估计方法, 在信噪比为20 dB时, 绝对误差达到10-6, 估计精度较高, 对工程实践有很高的指导意义。

摘要：研究基于离散傅里叶变换 (Discrete Fourier Transform, DFT) 的单载波频域均衡信道估计算法, 分析了离散采样信道模型, 将信道分为采样间隔和非采样间隔。采样间隔信道下, 在循环前缀内进行阀值处理, 同时估计出噪声方差;非采样间隔信道下, 提出一种基于DFT的能量增长率估计算法, 自适应地选择保留路径。仿真结果表明, 基于DFT的信道估计算法可以有效地去除噪声的影响, 提升均方误差及误码率性能。

关键词：单载波频域均衡,信道估计,DFT,非整数倍采样间隔

参考文献

[1]XIA B, WANG J Z, SAWAHASGI M.Performance Comparisonof Optimum and MMSE Receivers with Imperfect ChannelEstimation for VSF-OFDM Systems[J].IEEE Transaction onWireless Communication, 2005, 4 (6) :3051-3062.

[2]KANG Y KIM K, PARK H.Efficient DFT-based ChannelEstimation for OFDM Systems on Multipath Channels[J].IEEECommum, 2007, 1 (2) :197-202.

电力线信道噪声 第5篇

SNR是数据通信的一个重要指标,与误码率有直接的对应关系,可表征通信链路的性能与硬件电路设计的好坏。目前在加性高斯白噪声(AWGN)信道下PSK信号信噪比的估计方法已经产生了很多有意义的研究成果[1,2,3,4]。在高斯白噪声和复基带模型下,文献[2]提出了一种四相相移键控(QPSK)信号信噪比盲估计算法,可取得较好的信号比估计效果,但通过多项式拟合的信噪比估计解析式系数数值大,较小的观测量波动可能引起较大的信噪比估计偏移。文献[5]采用误差矢量复值法(Error Vector Magnitude,EVM),对QPSK调制信号经过信道后的实部和虚部分别进行处理,先计算统计平均和方差,再解算信噪比;文献[6]也结合接收信号的实部与虚部统计特性,提出了4种计算QPSK调制信号的信噪比方法;但以上2种算法对信噪比要求比较高(4 dB以上),且只能适用于QPSK调制信号,高阶PSK调制将无法适用。

1 信噪比计算

1.1 复基带信号的分解

假设系统经过均衡且同步误差足够小,码间干扰可以忽略,信道符合加性高斯白噪声条件,则均衡输出的信号基带模型可以表示为:

y(n)=As(n)+N(n)。 (1)

式中,s(n)为8PSK调制的标准信号星座图;A为信号经过信道均衡后的信号实值系数;N(n)为高斯白噪声,实部与虚部功率均为σ2。在高斯白噪声条件下,A为实的恒定值,噪声与信号不相关。则信噪比可表示为:

$S{\rm N}R=\frac{E(|As(n)|{}^2)}{2\sigma {}^2}=\frac{A{}^2}{2\sigma {}^2}$。 (2)

在接收信号的复基带模型下,引入中间变量z:

$z=E(y{}_{k-\text{Ι}/\text{Q}}^2)/[E(\left|y{}_{k-\text{Ι}/\text{Q}}\right|)]{}^2$。 (3)

式中,ykI/Q为接收的第k个码符号的实部或虚部。

求解信噪比的基本思路是:通过理论分析推导z与信噪比的数值关系,并利用观测信号的时间平均,求解z值,从而解算信噪比。为提高计算精度,可根据接收信号分别计算实部和虚部对应的信噪比,然后进行统计平均,估算复信号的信噪比。

设8PSK信号为标准星座图,在信号集中均匀分布。其实部与虚部的分布具有对称性,计算z时取接收信号实部或虚部的计算方式一致。这里取其实部进行计算,实部取值及其对应的概率分布分别为:

$[1‚\sqrt{2}/2‚0‚-\sqrt{2}/2‚-1]$; [1/8,1/4,1/4,1/4,1/8]。 (4)

则可解算式(3)分子为:

$E(y{}_{k-\text{Ι}/\text{Q}}^2)=\frac{A{}^2}{2}+\sigma {}^2$。 (5)

由此可知,单独利用实部或虚部求解的信噪比与利用复信号求解信噪比相同。对于$E(\left|y{}_{k-\text{Ι}/\text{Q}}\right|)$,取接收信号的实部或虚部进行计算,并结合高斯白噪声概率密度分布函数的对称性可得:

$\begin{array}{l}E(\left|y{}_{k-\text{Ι}/\text{Q}}\right|)=E(\left|As{}_{k-\text{Ι}/\text{Q}}+{\rm N}{}_{k-\text{Ι}/\text{Q}}\right|)=\\ \frac{1}{4}E(\left|A+{\rm N}{}_{k-\text{Ι}/\text{Q}}\right|)+\frac{1}{2}E(\left|\frac{\sqrt{2}}{2}A+{\rm N}{}_{k-\text{Ι}/\text{Q}}\right|)+\\ \frac{1}{4}E(\left|{\rm N}{}_{k-\text{Ι}/\text{Q}}\right|)。(6)\end{array}$

式中,NkI/Q为第k个高斯白噪声码符号的实部或虚部。

1.2 信噪比关系式解算

问题转化为依次计算$E(\left|A+{\rm N}{}_{k-\text{Ι}/\text{Q}}\right|)$、$E(\left|\frac{\sqrt{2}}{2}A+{\rm N}{}_{k-\text{Ι}/\text{Q}}\right|)$和$E(\left|{\rm N}{}_{k-\text{Ι}/\text{Q}}\right|)$。由高斯白噪声概率分布特性,可分别对其求解。

$E(\left|A+{\rm N}{}_{k-\text{Ι}}\right|)=Aerf(\frac{A}{\sqrt{2}\sigma })+\sigma \sqrt{\frac{2}{\text{π}}}\text{e}{}^{{}^{-\frac{A{}^2}{2\sigma {}^2}}}$。 (7)

式中,erf(x)为误差函数,定义为:

$erf(x)=\frac{2}{\sqrt{\text{π}}}{\displaystyle \int }\begin{array}{l}x\\ 0\end{array}e{}^{-\text{x}{}^2}d\text{x}$。 (8)

由式(7)可分别计算式(6)中的各因子,合并式(6)可得:

$E(\left|y{}_{k-\text{Ι}/\text{Q}}\right|)=\frac{1}{4}[Aerf(\frac{A}{\sqrt{2}\sigma })+\sigma \sqrt{\frac{2}{\pi }}\text{e}{}^{{}^{-\frac{A{}^2}{2\sigma {}^2}}}]+$

$\frac{1}{2}[\frac{\sqrt{2}}{2}Aerf(\frac{A}{2\sigma })+\sigma \sqrt{\frac{2}{\text{π}}}\text{e}{}^{{}^{-\frac{A{}^2}{2\sigma {}^2}}}]+\frac{1}{4}\sigma \sqrt{\frac{2}{\text{π}}}$。 (9)

由式(2)消除噪声功率因子,式(9)可变为:

$\begin{array}{l}z=f(S{\rm N}R)=(1+S{\rm N}R)\{[\frac{1}{4}\sqrt{\frac{2}{\text{π}}}(1+2\text{e}{}^{{}^{-\frac{S{\rm N}R}{2}}}+\text{e}{}^{-S{\rm N}R})+\\ \frac{\sqrt{S{\rm N}R}}{2}erf(\frac{\sqrt{S{\rm N}R}}{2})+\frac{\sqrt{2S{\rm N}R}}{4}erf(\sqrt{S{\rm N}R})]{}^2\}{}^{-1}。(10)\end{array}$

由式(10)可以看出,单独利用实部或虚部求解的信噪比,与利用复信号求解信噪比相同;另外,中间观测量z仅与SNR有关,则可进一步分析z与SNR数值关系。

1.3 信噪比关系式解算数据拟合

根据实际应用情况,可将信噪比范围限制在-10～10 dB,考察该范围内SNR与f(SNR)的关系,其关系如图1所示。

由图1可知在考察信噪比范围内,SNR与f(SNR)是单调函数关系,则可通过数据拟合的方式求解SNR=f-1(z)=g(z)。常用的数据拟合方式有线性拟合、二阶拟合、高阶拟合和对数拟合等。拟合的阶数越高,则精度越高,但计算复杂度也随之上升。为计算方便,这里采用多项式拟合方式。在数据拟合过程中发现,拟合多项式系数值非常大,无法保证其精度;仿真图1也表明在信噪比-10～10 dB变化范围内,z变化范围窄,z作为观测变量构成向量的范数大;故对z进行归一化处理,以分散z值的分布范围,降低拟合多项式系数值。

对每一组信噪比值求解的z值,作为一组向量,对其进行归一化(N为z向量的长度):

$\mathit{z}{}^{´}=\frac{\mathit{z}-\overline{\mathit{z}}}{\sqrt{(\mathit{z}-\overline{\mathit{z}})(\mathit{z}-\overline{\mathit{z}}){}^{´}/{\rm N}}}$。 (11)

以下对6阶、8阶和10阶拟合算法在信噪比-10～10 dB内、以0.1 dB的步进值进行仿真分析对比。不同阶数下多项式拟合的累计剩余误差与均方根误差对照表如表1所示。归一化f(SNR)与SNR的数据拟合关系式、累积剩余误差分别如图2和图3所示。

经分析可知,拟合阶数越高,则精度越高,相应的计算复杂度也越高;在计算复杂度与精度间折衷考虑,可采用9阶多项式进行曲线拟合。其多项式为:

$\begin{array}{l}S{\rm N}R=p{}_1\mathit{z}{}^{´9}+p{}_2\mathit{z}{}^{´8}+p{}_3\mathit{z}{}^{´7}+p{}_4\mathit{z}{}^{´6}+p{}_5\mathit{z}{}^{´5}+\\ p{}_6\mathit{z}{}^{´4}+p{}_7\mathit{z}{}^{´3}+p{}_8\mathit{z}{}^{´2}+p{}_9\mathit{z}{}^{´}+p{}_{10}。\end{array}(12)$

z′为归一化处理后z值。多项式对应的系数如下:

p1=-1.519 761 648 378 28;

p2=-5.872 364 519 746 47;

p3=-4.006 663 058 640 56;

p4=8.334 383 800 094 99;

p5=9.021 510 948 346 28;

p6=-4.057 210 668 274 05;

p7=-5.865 940 077 028 94;

p8=-0.397 356 328 670 86;

p9=-3.343 352 249 718 57;

p10=1.455 698 038 558 27。

由此可知,信噪比估计多项式(12)的系数值相对文献[3]中提出的信噪比估计算法,数值降低了4个数量级;而z′的变化范围相比z扩大近10倍,通过降低多项式系数和扩大z′值变化范围,可改善信噪比估计过程中,观测向量z的小范围波动引起估计信噪比值较大偏差,提高信噪比估计得准确性。

在实际解算时,为充分利用接收信息,提高信噪比估计精度,取同相分量或正交分量联合估计$\stackrel{\sim }{{\displaystyle \mathit{z}}}‚$再对$\stackrel{\sim }{{\displaystyle \mathit{z}}}$值进行归一化处理。

$\stackrel{\sim }{{\displaystyle \mathit{z}}}\approx \frac{\overline{y{}_{\text{Ι}}^2}}{\overline{\left|y{}_{\text{Ι}}\right|}{}^2}\approx \frac{\overline{y{}_{\text{Q}}^2}}{\overline{\left|y{}_{\text{Q}}\right|}{}^2}\approx \frac{\overline{y{}_{\text{Ι}}^2}+\overline{y{}_{\text{Q}}^2}}{\overline{\left|y{}_{\text{Ι}}\right|}{}^2+\overline{\left|y{}_{\text{Q}}\right|}{}^2}$。 (13)

2 信噪比仿真

取观察数据为1 000和500个码符号进行100次蒙特卡罗仿真。在不同仿真样本数据下,分别利用接收信号实部、虚部和实部与虚部平均估计信噪比值,与参考信噪比值进行对比情况如图4和图5所示。

由图4和图5仿真结果可以看出,在信噪比为-6～10 dB时,信噪比估计有效;观察数据越长,估计效果越好,在观察数据长度为1 000个码符号、信噪比高于0 dB时,信噪比估计误差低于0.2 dB,可获得对信噪比的非常精确估计;

采用实部与虚部的联合估计,比单独采用实部或虚部估计的效果要好,通过实部与虚部的统计平均,减小了中间观察向量的波动效应对信噪比估计的偏差影响。采用该算法估计信噪比的优点在于不需要训练序列为辅助数据,只需要知道信号的调制方式,即可估计信噪比;可应用于通信系统在完美定时同步和可靠信道均衡后信道的信噪比估计,为信道译码、信道均衡算法动态切换和信道特性评估等提供依据。该算法的局限性在于要求信道为高斯白噪声信道,信号的幅值A必须为实的恒定值;如果A为复值,则影响接收信息的相位因子,对信号进行了随机相位调制,就无法使用信号调制特性已知的特点;另外,它要求接收信号足够长,以便提供对信噪比的精确估计,但较长接收信号,不利于信噪比信息的实时引用。如在窄带短波通信系统中,按照美军标MIL-STD-110B的标准,2 000个码符号将至少跨越40帧的接收信息,不利于信噪比估计信息的实时应用。

3 结束语

数值仿真表明,上述提出的高斯白噪声信道下8PSK信号信噪比盲估计算法,在采样数据足够长的情况下可提供对信噪比较为精确的估计。弥补了传统信噪比估计算法的不足,算法实现复杂度低、稳定,估计精度高。

参考文献

[1]RAMESH A,CHOCKALINGAM A,MILSTEIN L B.SNREstimation in Generalized Fading Channels and its Application toTurbo Decoding[C].International Conference on Comunications,2001:1094-1095.

[2]许华,樊龙飞,郑辉.一种精确的QPSK信号信噪比估计算法[J].通信学报,2004,25(2):55-60.

[3]蒋政波,洪伟,刘进,等.基于数据辅助的AWGN信道下QPSK信号信噪比估计[J].通信学报,2008,29(6):119-125.

[4]REN G,CHANG Y L,ZHANG H.A New SNR’s Estimator forQPSK Modulations in an AWGN Channel[J].IEEE Trans onCircuits and Systems,2005,52(6):336-338.

[5]SHIN J D,SUNG W J,KIM I K.Simple SNR EstimationMethods for QPSK Modulated Short Bursts[C].Proc IEEEGLOBECOM,2001:3644-3647.