梁 爽，邓 江

(1.四川省装备制造业机器人应用技术工程实验室，四川德阳618000;2.电子科技大学，四川 成都 610054)

1 引言

随着物联网的不断壮大，其覆盖率更广，连接更多，但传统信号检测算法是基于傅立叶进行转换，只能在时域或频域中进行转换，其中多址干扰是信号检测的一大难题，为有效抑制频率选择衰落[1]，提高物联网频率复用度和系统容量，研究盲检算法在动态环境下的多用户盲检算法的性能[2-3]。

凌青[4]等人提出AL-OFDM和SM-OFDM空频分组码信号盲检测算法。该算法根据不同SFBC-OFDM元素和发射端信号之间的关系推导出发射信号端和接收端SFBC-OFDM信号的相关特性，最后利用峰值检测算法实现多用户信号盲检测。该算法在信号盲检测前没有对初始信号进行预处理，无法填补或删除缺失信号，使得盲检时间过长，降低了检测效率。梁涛[5]等人提出基于自适应分割的多跳频信号盲检测算法。该算法通过分析当前跳频突变通信信号的统计特性，并构建出高阶分段平稳的模型，将自适应分割算法推导到高阶，同时应用于多个跳频突发信号盲检测和自适应提取中，实现多用户信号盲检测，该算法未重构信号子空间，无法确定出近似真实的信号空间，只能粗略的检测信号，进而降低了信号盲检成功率。徐伟[6]等人提出斜投影信号盲检测算法，该算法采用交替斜投影空域滤波技术将阵列接收信号拆分为单信号群组，在每个单信号群组内进行DOA和波形联合评估，实现多用户信号盲检测，该算法未采用特征选择和小波去噪的方法排除初始信号中的冗余数据，导致物联网信号中的干扰因素过多，存在盲检检测概率低的问题。

为了解决上述问题，提出面向物联网终端的动态多用户信号盲检测算法。

2 物联网终端多用户信号的预处理

在构建物联网信号时，由于各种外界因素导致信号缺失而产生大量“脏信号”[7]。这些“脏信号”会增加检测信号的预算和时间，因此在信号检测前需要对信号进行预处理。

2.1 物联网信号修复

当缺失单点信号或缺失信号间隔极小时，可通过线性插值法修复缺失信号[8]，其表达式为

yk+i=[(xk+j-xk)×i]/j+yk

(1)

其中，yk+i代表第k+i时刻信号缺失时信号的质量参数，xk代表第k时刻收集的信号质量参数值，xk+j代表第k+j时刻收集的信号质量参数值。

当存在少量连续丢失的信号时，可利用相似信号填补缺失信号，当存在大量连续丢失信号时，无法进行填补，只能将此段信号丢弃掉。

由于信号具有时序和延续特性，因此难以出现波动较大的情况，当某段信号出现较大波动，且不在可控范围内，可认为此时的信号测量有误，需重新进行勘测。所以在收集信号过程中，应当多次与历史信号及可控范围信号进行比较，一旦发现信号出现较大偏差应立即删除并重新勘测。若完成所有信号测量后发现其中一段信号出现偏差，可利用均值平滑法将此段信号删除并进行填补，其公式如下所示

yk=(yk+1+yk-1)/2

(2)

其中，yk代表k时刻填补的信号质量参数值，yk+1代表第k+1时刻的信号质量参数值，yk-1代表第k-1时刻的信号质量参数值，且|yk-yk-1|≥yk-1×0.1。

2.2 特征选择

在选取信号特征集之前，可通过信号归约法分析出物联网终端信号因子之间的关系再进行选取[9]，因为此方法可排除信号间的多重共线性，并挑选出信号的关键因子，并以此提出有效建议，结合信号归约方法中的系统聚类法及主成分分析法进行筛选，由于收集物联网终端信号的环境极为复杂，结合两种方法挑选特征集并进行比较分析，可加强关键因子的可靠性。则系统聚类法及主成分分析法的步骤分别是为。

1)系统聚类法

检测出信号中的缺失值，实施删除及填补等处理，实现信号的标准化处理[10]。通过相关系数法度量信号因子变化与相关因子变量间的相似性。采用类平均法聚类分析信号变化中的相关因子变量判别出因子类别。在所有类别中挑选出最具代表的因子，将此因子当成影响信号的关键因子。

2)主成分分析法

主成分分析法的原理就是利用信号矩阵找出信号间的线性关系实现信号筛选[11]。首先修复缺失信号、删除信号或替换信号，实现信号标准化，计算各个关键因子的相关系数，其计算矩阵公式如下所示

(3)

求解出相关矩阵的特征值，其表达式为

(4)

其中，A代表信号域P上的一个矩阵，λ代表信号特征值，IP代表单位矩阵，λP代表信号域P上的一个特征值，X代表矩阵A的相应子特征值的特征向量，b代表信号特征根。

最终运算出信号的可利用率与累积利用率，其公式如下所示

(5)

bj值越大代表信号中的主成分越多，可更加精准提取信号的特征信息。

最终运算出主成分载荷矩阵，挑选出信号改变的关键影响因子，其表达式如下所示

(6)

其中，αji代表第j个变量对第i个信号的累积利用率，lji代表标准正交化特征向量。

2.3 小波降噪

在获取物联网多用户信号时，由于多址干扰的因素导致信号被污染，因此需要对信号进行降噪处理，将信号进行降噪的办法有很多种，其中小波变换的降噪方法不仅可以概括出信号在频率域内的变化情况，还可以辨别出信号发生突变的准确时间，且此降噪方法在降噪的同时可以完整保存信号中的主成分，体现出此方法的局部化优越性能，因此利用此方法可以确保信号的精准度，提高信号检测率。小波降噪首先选取一系列小波基小波分解初始数据，如图1所示。

图1 小波分解示意图

选取出小波基相对应的阈值，并对第一层到第三层的高频系数进行软阈值量化处理。重构小波分解的第三层高频系数及阈值量化的高频系数形成新的信号。并运算出经过小波降噪后各个因子的信噪比及均方根误差，其表达式为：

(7)

2.4 特征选择及小波降噪的信号预处理

选取物联网终端多用户信号的特征时，需要排除对信号影响较小的关键因子，以此降低信号维度，降低信号检测难度，提高信号的准确性。再通过小波去噪将信号关键因子进行降噪，关键因子降噪的效果优劣直接影响到最终的检测效果，将关键因子准确去噪即可提高信号检测精度，缩短检测时间。则利用特征选择和小波去噪的信号预处理办法的过程为：

1)通过均值平滑法修改异常信号或通过线性插值法修复缺失信号。

2)将信号进行标准化处理后，运算出相关因子变量的相似性，并明确出关键因子的数量，基于聚类分析法精确区分出类别，并在其中挑选出关键因子。

3)采用已修复的信号求解出信号的相关系数矩阵、特征值和各个因子的利用率，并在主成分分析法中载荷矩阵的基础上挑选出关键因子。

4)对比并分析两种分析法求出的关键因子，正常情况下，两种方法获取的因子应极为相似，若偏差较大，则重新运算。

5)将通过验证后获取的关键因子进行小波分解，并通过去噪原理消除因子内的噪声。

6)经去噪后获取的关键因子即所要求的待检测的新信号。

上述经过的流程图如图2所示。

图2 重构物联网多用户信号示意图

3 信号检测算法

经过对初始信号的特征选取和小波去噪等预处理得到无缺失，无污染的完整信号，将此信号利用下列算法进行检测。

此算法结合重复时间内相同信号重复输送的特性[12]，因此可合并重复时间段内的子帧同时接收译码，以此提高物联网终端解调增益，其过程为。

1)基于高层协议栈的参数要求，将搜索空间中子帧k0当做起点，抽取出目前子帧信号，并实现解资源的映射。假如已经实现物联网系统定时同步、频偏预测及补偿，则解资源映射后的信号ri(i)的表达式为

(8)

式中，sj(i)代表搜索空间中第j个子帧上映射的第i个信号，且N≥i≥1，N代表目前子帧信号资源映射的RE数，Rmax≥j≥1，Rmax代表最大重复次数或搜索空间时域大小。

计算重复时间段中第一个子帧信号和第2、3、4子帧之间关系，其表达式为

(9)

式中，t代表搜索空间中重复时间段中的索引值。

将上述三个关系式根据AND准则进行合并，并按照结果识别目前重复时间段内是否含有传输信号，识别公式为

(10)

及

(11)

式中，η*代表一次相关阈值的运算。

2)选取另外一个重复时间段信号并进行1)操作，则t=1+t，假如另一个重复时间段刚好在NPDCCH中最小的传输单元，并将此点当做起始点，此时必须重新初始化k=0。

3)设置k=k+1，并合并目前重复时间段t中的4个子帧信号，信号合并后的表达式为

(12)

式中，αj代表合并后的信号系数。

将信号合并后对其进行解调及解忧处理，并存储经过解忧后的信号Bt，k(i)，结束上述操作后判别当前k值大小，若k≠1，则进行下一步，若k=1则直接进行第5)步。

4)求解出信号Bt，k(i)和信号[Bt，k(i)]k=1之间的关系，其表达式为

(13)

并利用识别公式判断目前重复时间段t是否有信号，其公式为

(14)

式中，φ代表二次相关阈值。

若此时间段内存在信号，则进行下一步，若不存在，则返回第二步重新进行运算并判断。

5)Viterbi译码解忧信号，并利用对应的RNTI验证CRC，若验证成功，则盲检成功，若验证失败，需要识别搜索空间中的全部子帧信号是否检测完成，若未检测完成，重新进行第一步操作，若检测完成，说明此次信号盲检失败。

4 实验与结果

为了验证所提算法的整体有效性，对面向物联网终端的动态多用户信号盲检测算法、文献[4]算法、文献[5] 算法进行盲检时间、盲检成功率和盲检检测概率进行测试，实验环境如表1所示。

表1 实验环境

4.1 盲检时间

由图3中的数据可知，在不同环境下多次比较所提算法、文献[4]算法和文献[5]算法的盲检时间，无论何种环境所提算法时间消耗不仅低于其它两种算法，且盲检时间平稳，而其它两种算法的盲检时间较高，波动较大，因为所提算法在信号盲检测前对初始信号进行了预处理，填补缺失信号或删除了缺失数据，减少了盲检时间，提高了检测效率。

图3 不同算法的盲检时间

4.2 盲检成功率

比较三种算法的盲检成功率可直接反应出算法的优劣，在进行信号盲检时，信噪比决定盲检的成功率，信噪比越高，盲检成功率越高，分析图4可知，在不同信噪比下的盲检成功率均不相同，所提算法和其它两种算法相比，其盲检成功率无论在哪种信噪比下成功率都是最高的，因为所提算法通过重构信号子空间，确定近似真实的信号空间，更加准确的进行信号检测，提高了信号盲检成功率。

图4 不同算法的盲检成功率

4.3 盲检检测概率

为验证所提算法是最接近理论检测概率，对比三种算法在不同峰值信噪比下的信号盲检概率，由图5可知，所提算法的盲检检测概率不同程度的高于其它两种算法的检测概率，因为所提算法利用特征选择和小波去噪的方法排除初始信号中的冗余数据，减少信号中的干扰因素，使得盲检概率更加接近理论概率。

图5 三种算法盲检检测概率

5 结束语

针对当前算法的不足，提出面向物联网终端的动态多用户信号盲检测算法。该算法利用去噪、降维信号预处理的方法重构信号，并采用信号相关算法进行信号盲检。经试验表明，所提算法盲检时间短、盲检成功率高和盲检检测概率高。此算法中仍有部分外界因素干扰检测概率，接下来将进一步排除其中的干扰因素，提高盲检概率。