突发OFDM信号调制识别

摘  要： 为了对OFDM信号进行识别，针对高斯性检测法无法识别白噪声和OFDM信号的问题，提出先应用多子带谱熵法进行OFDM信号端点检测，再构造KS检验统计量进行OFDM信号识别的方案。理论分析及仿真结果表明，多子带谱熵法能够有效地进行OFDM信号的端点检测，基于端点检测的KS统计量降低了纯噪声信号带来的虚警，进而提高了对OFDM信号的识别能力，可以有效地进行突发OFDM信号的识别。
关键词： 经验分布函数； 调制识别； OFDM； 端点检测
       通过对现有信号识别算法的研究分析发现：由于单载波信号的特征比较容易提取，而且所需解调参数比较简单，所以对于单载波信号的调制类型识别的研究很多[1-3]，但对于OFDM信号而言，由于存在信号特征不易提取、需要估计的信号参数较多等问题，因此针对OFDM信号的识别算法很少[4-5]。但OFDM技术因其可有效对抗窄带干扰、多径干扰(ISI)，提高频谱利用率和系统容量而被广泛应用于非对称用户环路(ADSL)，ETSL标准的数字音频广播(DAB)、数字视频广播(DVB)、高清晰度电视(HDTV)和基于IEEE802.11标准的无线局域网(WLAN)等系统中。
     参考文献[6]提出一种利用高阶矩在多径信道下识别OFDM信号的盲识别算法，但该方法算法较复杂。参考文献[7-8]对Walter-Akmouche算法进行改进，选择归一化四阶累积量作为多径信道中识别OFDM信号和单载波信号的特征量。参考文献[7]选取参数|C40|2/|C21|2作为识别特征量，由于BPSK、MFSK和OFDM信号的四阶累积量均为零，因此无法区分这几种信号和OFDM信号。参考文献[8]对参考文献[7]的算法进行了改进，选用|C42|2/|C21|2作为识别参数，该特征参数能在更多的单载波信号中识别出OFDM信号，并且有较好的抗多径能力。这些方法本质上属于高阶统计量的方法，因而导致运算量很大，这是不利于实际使用的。而利用OFDM信号的渐近高斯性，引入经验函数分布拟合检验方法来实现对OFDM信号的快速识别可以大大减少运算量。
     高斯性检测类方法有一个重大缺陷即无法分清噪声和OFDM信号，实际的通信环境往往是噪声与信号共存的。这些方法存在把根本不含OFDM信号的纯噪声样本当作OFDM信号的风险，这对接收机的参数估计是极为不利的。针对这一问题，本文引入谱熵这一特征量来区分含噪OFDM信号和纯噪声信号，然后对信号样本进行KS检验，识别OFDM信号。
1 谱熵端点检测
     本文所指的端点检测类似于语音端点检测，即从一段含噪信号和纯噪声信号中把含噪信号的起始点和结束点找出来，进而划分出信号段和纯噪声段。



     (1) 获得N个样本取实部或者虚部，采用极大似然估计(MLE),估计参数向量?兹=(u,?滓)，得到F(xi,?兹)。
　 (2) 把N个样本的实部或虚部从大到小排列，组成次序统计量，计算经验分布函数Fn(xi)。
     (3) 遍历样本的实部，选取步骤(1)和(2)中两者相减的最大值Dn与临界值相比，若Dn大于临界值，则拒绝H0。在检验过程中，需要比较距离Dn和选择分布在显着度水平?琢下的临界值。本文通过 Monte-Carlo仿真编制不同经验分布函数下的临界值表。表编制与以上检验过程类似，以100 000次Monte-Carlo仿真为例，首先生成OFDM信号标准样本，分别执行步骤(1)~步骤(3)检验，将得到的100 000个距离Dn从小到大排序,选择第99 900、99 800、99 500个距离值Dn作为显着度水平0.01、0.02、0.05下的临界值CVs(Critical Values)。对不同的序列长度N重复上述检测过程，最终得到表1所示的临界值表(限篇幅仅列出α=0.05值)。
   3 仿真结果与分析
3.1多带谱熵检测法的性能
     仿真条件：OFDM符号宽度4 s，64个子载波，采样间隔0.003 9 s，信噪比为2 dB和20 dB，先产生16 s的纯噪声信号，再产生16 s的含噪OFDM信号最后又产生16 s的纯噪声信号作为此次仿真的突发OFDM信号样本，目的在于检验谱熵检测法能否正确识别OFDM信号端点，以便把纯噪声信号段去掉。在高信噪比条件下(20 dB)，两种方法谱熵的峰值都很明显，限于篇幅仿真图不予列出。重点考察在低信噪比条件下的性能，图5为信噪比2 dB一般谱熵下的仿真值,图中显示OFDM信号谱熵值很不稳定，据此很难确定信号端点。相反，图6基于多子带的谱熵检测法性能更好。