一种TDMA信号用户盲分离方法*
2021-05-31
(西南电子电信研究所，成都 610041)
0 引 言
时分多址(Time Division Multiple Access,TDMA)作为一种多用户的复用方式，具有单载频复用、频谱利用率高、通信配置灵活、适用处理突发业务等特点，是卫星通信的关键技术之一[1-2]。由于TDMA信号中的载频可以承载多个用户，每个用户通过分配的时隙进行突发通信。在第三方侦收过程中，对同一用户时隙进行提取分类，再进行后续信息获取，能避免其他用户带来的交叉干扰。尤其在目标测向定位中，多用户之间的干扰严重影响定位性能。
无先验知识情况下的TDMA用户盲分离，首先要进行突发信号检测，准确检测出突发时隙的起始位置[3-4]。由于卫星接收站和卫星之间的相对运动，导致接收信号含有较大的多普勒频偏[5]，因而对TDMA信号频偏估计具有较高的要求。鉴于能量检测算法具有较好的抗频偏性能，本文采用双滑动窗口检测算法[6]。
本文根据提取的TDMA信号特征信息采用聚类的方法将信号用户分离。然而在实际TDMA信号处理过程中，由于很难确定TDMA的用户数量，常用的特征聚类算法[7-8]虽能够较好地进行特征分类，但是较大程度地依赖于数据先验信息，并受噪声干扰影响较大。由于DBSCAN(Ddensity-based Spatial Clustering of Applications with Noise)[9-11]聚类算法无需确定聚类的个数，并且对噪声适应性较好，因此本文提出基于信号特征的DBSCAN用户分离方法。该算法能够适应不同的用户特征，同时具有良好的抗噪声性能和较高的正确分选率。
1 TDMA信号特征提取
1.1 信号模型
TDMA信号模型可以表示调制信号与多个矩形脉冲串的乘积，信号可以理想表示为
x(t)=u(t)·s(t)+ε(t)=
(1)
式中：u(t)表示为矩形脉冲门函数；Tr为帧长度，Tw为包含保护间隙的每一突发宽度，即时隙长度；n表示为帧号；s(t)为已调信号；ε(t)表示加性高斯白噪声。本文中s(t)为数字调制信号，其模型为
s(t)=r(t)cos(2πfct+φ0)。
(2)
1.2 TDMA突发双滑动窗口检测
图1 双滑动窗检测原理
图2 双滑动窗检测流程
1.3 TDMA信号特征提取流程
1.3.1 幅度特征
设模采信号为x(n)，本文模采信号通指将模拟信号采样得到的数字信号，采样率fs，中频fc，信号带宽bw。信号瞬时幅度A(n)的求取如图3所示。
图3 求取信号幅度流程
获得信号幅度A(n)后，可求取幅度K特征：
K=E[u2(n)]/(E[u(n)])2-2。
式中:u(n)为信号幅度的平方。幅度包络平坦度，即幅度抖动的期望值的求解方法如下：先求幅度A(n)的包络ξa(n)，将A(n)作Hilbert变换，得到解析信号，然后取模：
ξa(n)=abs(Hilbert(A(n)))，
(3)
再对ξa(n)求平坦度
Ra=var[ξa(n)]/(E[ξa(n)])2。
(4)
零中心归一化幅度谱密度最大值
rmax=max|DFT(Acn(i))|2/N。
(5)
(6)
短时方差是指在特定的短暂时间窗内信号幅值的方差或功率:
(7)
短时电平和是指在特定的短暂时间窗内信号幅值之和：
c3(t)=sum{|x(t-TL/2:t+TL/2)|}。
(8)
1.3.2 频率特征
信号瞬时频率的求取如图4所示。
图4 求取信号频率流程
非弱频率标准差：调制信号一般都占有一定的带宽，而连续波(Continuous Wave，CW)信号只有一个频率分量，频率标准差是表征信号带宽的一个量，其定义为σf=std(f(n))。
频率包络平坦度，即频率抖动的期望值：先求频率f(n)的包络ξf(n)，将f(n)作Hilbert变换，得到解析信号，然后取模：
ξf(n)=abs(Hilbert(f(n)))，
(9)
再对ξf(n)求平坦度：
Rf=var[ξf(n)]/(E[ξf(n)])2。
(10)
频偏ΔVf=fc′-fc，其中fc′为真实频率的估计，fc为通信双方设定的载频。
2 基于特征聚类的TDMA信号分离
DBSCAN算法将数据化分为基于半径Eps领域的所有点的集合。Eps领域定义为与某一点p的距离小于等于Eps点的集合。定义数据点个数MinPts，算法基于半径Eps，将在半径Eps内含有超过MinPts数目的点定义为核心点，数目小于MinPts但落在核心点的领域内的点定义为边界点，除此之外剩余的点为噪声点。DBSCAN算法实现过程如图5所示，其通过检查数据集中的Eps领域来搜索簇，如果点p的Eps邻域包含的点多于MinPts个，则创建一个以p为核心对象的簇，以该核心对象为出发点，DBSCAN迭代地聚集从这些核心对象直接密度可达的样本生成聚类簇，直到所有核心对象被访问过为止。如图5所示，黑色点为所有数据点，红色点为核心点，圆圈定义为半径Eps领域，绿色箭头表示为密度可达生成聚类簇的过程。从图5可见算法能发现任意形状的聚类簇，能较好地排除噪声的干扰，聚类结果不受输入序列的影响。
图5 密度可达生成聚类簇示意图
DBSCAN算法需要确定两个重要的参数Eps领域和MinPts[12]，参数的选取不同会导致不同的聚类结果。MinPts不能选择过大，否则会导致将领域点的数据误判为噪声；也不能选择过小，否则会导致核心点数量过多，从而将噪声误判为簇类里数据。同样Eps领域决定了噪声在聚类簇中的归属，本文采用绘制降序k-距离图的方法估计参数Eps，再根据每个点的领域对象数量来确定MinPts[4,12]。
本文基于特征聚类的TDMA信号用户分离的算法流程如图6所示。
图6 基于特征聚类的TDMA信号用户分离算法流程
3 仿真实验结果
3.1 仿真数据
仿真实验条件设置为：信号调制方式为QPSK，分别包含5个用户和10个用户，用户时隙长约0.586 ms，采样率fs=12.56 MHz，码元速率fd=1.024 MHz，载频fc=3 MHz。分别测试0 dB和10 dB信噪比条件下的TDMA突发检测、用户分离算法性能。图7为0 dB信噪比条件下的时域波形，其中横轴代表归一化时间，纵轴为信号幅度。由于噪声较高，突发时隙难以分辨，导致低信噪比突发时隙漏检较高。
图7 信噪比为0 dB时TDMA仿真信号时域波形图
从图7的时域波形图中可以看出，在低信噪比下，人肉眼也不容易区分出突发信号，该实验中信号总突发数为3 495，采用双窗能量检测算法检测的突发数为1316，能部分检测出突发信号。采用载波频偏和突发功率特征值，图8(a)为5个用户的突发检测分离结果，其中2个低功率用户突发没有被检测出，功率较大的3个用户能成功分离。图8(b)为10个用户的突发检测分离结果，其中5个低功率用户突发没有被检测出，功率较大的5个用户能成功分离。该实验证明在低信噪比下双窗能量检测算法不能完全检测出突发信号，但聚类算法能对检测的结果进行正确分离，从分离结果中可看出，该方法能标记出噪声点、核心点和边缘点，具备较好的分离性能。
(a) 5个用户的信号分离结果
图9为10 dB信噪比条件下的时域波形，从该时域波形上能直接分辨出用户突发时隙。采用双窗能量检测算法检测的突发数为3 494，只漏检1个突发。
图9 信噪比为10 dB时TDMA仿真信号时域波形图
同样采用载波频偏和突发功率特征值进行用户聚类，图10(a)和图10(b)给出了用户的分离结果，可看出正确分离出了5个用户和10个用户，验证了算法的有效性。通过分离后的用户时隙与实际用户时隙对比验证，分离准确率大于96%。
(a) 5个用户的信号分离结果
3.2 实际信号数据
实验采用某方向实际接收的卫星TDMA网台数据进行验证，该网台包含5个频点TDMA信号，共约12 150个突发，突发信噪比在3～8 dB之间，信号的时域波形如图11所示。
图11 TDMA实际信号时域波形图
考虑到不同频点之间带来的特征差异，这里分别对每个频点进行突发检测和用户分离验证。共提取频域和时域10维特征，采用分离度较好的突发功率和载波频偏特征进行聚类，并将数据归一化处理后的分离结果如图12所示。结果表明，各频点用户数为4～5个，用户突发时隙能够成功分离，采用主站网控信令时隙分配信息进行对比验证，各频点分离准确性大于90%。
图12 TDMA实际信号用户分离结果
4 结 论
本文主要探讨了基于TDMA信号特征进行用户聚类的信号分选方法，对TDMA信号的检测和特征提取进行了深入的研究，并基于DBSCAN算法，针对无先验知识的TDMA信号提出了基于特征聚类的用户分选方法。在实验中，首先利用仿真实验验证了该方法的正确性，并利用实际数据验证了该方法在实际网台的有效性，仿真实验结果表明该方法能够有效检测TDMA信号，能够正确提取信号特征，实现有效的信号用户分选。
