[发明专利]一种基于变步长LEAP神经网络的直扩信号伪码序列估计方法

说明书

本发明公开了一种基于变步长LEAP神经网络的直扩信号伪码序列估计方法，包括以下步骤：S10、获取直扩信号数据序列；S20、用一固定窗长的矩形滑动窗截取数据序列，构造训练数据；S30、用一变步长LEAP神经网络对训练数据进行PCA分析，得到特征值与相应的特征向量；S40、根据得到的特征值与特征向量估计出直扩信号的伪码序列。该方法使用变步长来代替原来LEAP算法中的固定步长，提高了运算效率，并解决了初始步长较大时网络不稳定问题，使网络收敛更快；同时还解决了由于特征向量相位模糊导致的伪码序列错误估计的问题。本发明方法在低信噪比环境中估计性能良好，不需要存储中间数据并且对输入信号具有自适应性，适合工程上对直扩信号伪码序列进行快速稳健估计。

技术领域

本发明属于信号处理领域，具体涉及一种基于变步长LEAP神经网络的直扩信号伪码序列估计方法。

背景技术

直接序列扩频信号具有伪随机编码调制和信号相关处理两大特点，使其存在许多优点，如抗噪声、抗干扰、抗多径衰落等。直扩信号在诸多领域，如保密通信、多址通信、卫星导航定位中得到了广泛的应用。要想对扩频信号进行正确的接收，必须首先知道扩频信号所用的扩频伪码序列。故对直扩信号的伪码序列进行估计具有重要的实际意义。

在1993年，Warne在期刊《Electronic Letters》第20期上发表的论文《Triplecorrelation analysis of m sequences》中首先使用TCF(triple correlationfunction)估计扩频信号的伪码序列，随后许多基于TCF的改进算法被提出来用于用伪码序列估计，然而这些基于TCF的伪码估计算法，在低信噪比环境下性能很差。在2000年，GillesBUREL等人在Milcom世纪军事通信会议上发表的论文《Blind estimation of the pseudo-random sequence of a direct sequence spread spectrum signal》中利用特征值分解对直扩信号伪码进行估计，在该算法中直扩信号的采样频率大小等于伪码速率，且采样信号被分窗处理，窗的时间宽度大小等于直扩信号伪码序列的伪码周期，该算法在很低的信噪比环境下依然有效，但是随着伪码序列较长的扩频信号，其计算量巨大。在2010年，PYQiu等在期刊《IET Signal Processing》第5期上发表的论文《Blind multiuser spreadingsequences estimation algorithm for the direct-sequence code division multipleaccess signals》中基于Haghighat等人提出的MUSIC算法基础上提出一种伪码序列盲估计算法，该算法结合了MUSIC算法与分割思想，可明显降低原始的MUSIC算法估计伪码序列的算法复杂度，但该算法在低信噪比环境下估计性能仍然较差。

发表在1993年的期刊《IEEE International Symposium on CircuitsSystems》第2期上的文献《An On-Line Unsupervised Learning Machine for Adaptive FeatureExtraction》中Hong Chen等人提出一种PCA(Principal Component Analysis)分析算法即LEAP算法，该算法不仅适用于非平稳信号，且在运算过程中不需要存储中间数据，故计算效率高。但是原始LEAP算法的学习步长为固定步长，且要求步长应足够的小，否则LEAP网络有可能无法稳定收敛。

发明内容

发明目的：针对现有技术的不足，本发明提供了一种基于变步长LEAP神经网络的直扩信号伪码序列估计方法，该方法具有较强的抗噪声能力且计算效率高。

技术方案：为了实现以上目的，本发明采用以下技术方案：

一种基于变步长LEAP神经网络的直扩信号伪码序列估计方法，包括以下步骤：

S10、获取直扩信号数据序列；