本發(fā)明涉及一種無線通信中的噪聲分析方法。

背景技術：

無線通信系統(tǒng)中，需要將來自發(fā)送端的導波能量轉變?yōu)闊o線電波發(fā)射，或者將無線電波轉換為導波能量接收，用來輻射和接收無線電波的裝置稱為天線或傳感器。

由許多相同的單個天線或傳感器按一定規(guī)律排列組成天線系統(tǒng)，也稱天線陣。如果天線排列在一直線或一平面上，則成為直線陣列或平面陣。由多個相互分離且其中心排列在一條直線上的單元構成的天線陣稱為直線天線陣；平面陣就是組成陣列的所有單元都位于同一平面上的天線陣，一般有矩形，圓形，三角形等。

在通信系統(tǒng)中，一般的噪聲可以導致各種不良后果，如果信號傳輸劣化甚至中斷，例如，接收的畫面出現(xiàn)噪點或者聲音出現(xiàn)咔咔聲。在通信系統(tǒng)中，經常碰到的噪聲之一就是高斯白噪聲。

高斯白噪聲是指噪聲的概率密度函數滿足正態(tài)分布統(tǒng)計特征，同時它的功率譜密度函數是常數的一類噪聲。在通信系統(tǒng)的分析中，經常假設系統(tǒng)中的噪聲為高斯白型白噪聲，這種噪聲有具體的數學表達式表達，適合分析。同時，高斯白噪聲也能反映出通信系統(tǒng)中加性噪聲的情況，比較真實反映信道特性。

現(xiàn)有的直線陣列或平面陣中的單節(jié)點接收傳感器的噪聲測量分析時，對該接收傳感器進行噪聲測量，測量后，對噪聲進行分析，確定影響因素，這種方式只能分析一種位置下的噪聲，不具有連續(xù)性分析，所以分析效果差。

技術實現(xiàn)要素：

針對上述不足，本發(fā)明提供一種能分析多個位置的單節(jié)點動態(tài)接收傳感器噪聲分析模型及分析方法。

本發(fā)明的一種單節(jié)點動態(tài)接收傳感器噪聲分析模型，所述模型包括：在發(fā)送端，用三個發(fā)送傳感器發(fā)送用混沌信號遮掩的目標圖像信息的圖像信號；在接收端，采用三個接收傳感器接收圖像，所述三個接收傳感器包括：1號固定接收傳感器、2號固定接收傳感器和動態(tài)接收傳感器，1號固定接收傳感器和2號固定接收傳感器的位置固定，且距離為λ表示接收信號的波長，動態(tài)接收傳感器位于a點與b點之間，且包括a點和b點；a點為1號固定接收傳感器與2號固定接收傳感器的中間位置，b點與1號固定接收傳感器和2號固定接收傳感器呈等邊三角形。

基于上述所述的單節(jié)點動態(tài)接收傳感器噪聲分析模型的分析方法，包括：

步驟一：確定動態(tài)接收傳感器的位置，進而確定動態(tài)接收傳感器與1號固定接收傳感器和2號固定接收傳感器的噪聲相關度；

步驟二：根據步驟一確定的噪聲相關度，裁剪出相應噪聲，并將裁剪出的噪聲加到發(fā)送端發(fā)送的相應圖像信號上；

步驟三：對加了噪聲的圖像信號進行盲源分離處理，提取目標圖像信息；

步驟四：根據噪聲相關度、發(fā)送端的目標圖像信息和提取的目標圖像信息，對噪聲進行分析。

優(yōu)選的是，所述步驟三中，采用fastica算法對接收端的三路接收信號進行盲源分離處理，提取目標圖像信息。

優(yōu)選的是，所述步驟三中包括：

采用第j個提取處理單元從輸入的接收信號中提取源信號；

第j個消減處理單元從輸入的接收信號中消除已提取的源信號，并將剩下的接收信號輸出給第j+1個提取處理單元；

j＝1,2，直至第3個提取處理單元從輸入的接收信號中提取源信號；

3個提取處理單元提取的源信號為目標圖像信息。

上述技術特征可以各種適合的方式組合或由等效的技術特征來替代，只要能夠達到本發(fā)明的目的。

本發(fā)明的有益效果在于，考慮到接收傳感器噪聲對圖像信息盲提取的影響，本發(fā)明由接收傳感器的間距移動來改變接收傳感器噪聲之間的相關性，對圖像信息盲提取，本發(fā)明的接收傳感器能獲取多個位置的圖像，用于噪聲分析。

附圖說明

圖1為本發(fā)明單節(jié)點動態(tài)接收傳感器噪聲分析模型的原理示意圖。

圖2為正定混合系統(tǒng)盲源分離的數學模型的示意圖。

圖3為具體實施例中第一路源信號的圖像。

圖4為噪聲相關度為50％影響下提取的圖像。

圖5為噪聲相關度為45％影響下提取的圖像。

圖6為噪聲相關度為40％影響下提取的圖像。

圖7為噪聲相關度為35％影響下提取的圖像。

圖8為噪聲相關度為30％影響下提取的圖像。

圖9為噪聲相關度為25％影響下提取的圖像。

圖10為噪聲相關度為20％影響下提取的圖像。

圖11為噪聲相關度為15％影響下提取的圖像。

圖12為噪聲相關度為10％影響下提取的圖像。

圖13為噪聲相關度為5％影響下提取的圖像。

圖14為噪聲相關度為0％影響下提取的圖像。

圖2至圖14的橫縱坐標均表示像素。

圖15為分離前后的相似系數隨相關度變化的動態(tài)曲線圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

需要說明的是，在不沖突的情況下，本發(fā)明中的實施例及實施例中的特征可以相互組合。

下面結合附圖和具體實施例對本發(fā)明作進一步說明，但不作為本發(fā)明的限定。

結合圖1說明本實施方式，本實施方式所述的一種單節(jié)點動態(tài)接收傳感器噪聲分析模型，包括：在發(fā)送端，用三個發(fā)送傳感器發(fā)送用混沌信號遮掩的目標圖像信息的圖像信號；在接收端，采用三個接收傳感器接收圖像，所述三個接收傳感器包括：1號固定接收傳感器、2號固定接收傳感器和動態(tài)接收傳感器，1號固定接收傳感器和2號固定接收傳感器的位置固定，且距離為λ表示接收信號的波長，動態(tài)接收傳感器位于a點與b點之間，且包括a點和b點；a點為1號固定接收傳感器與2號固定接收傳感器的中間位置，b點與1號固定接收傳感器和2號固定接收傳感器呈等邊三角形。

本模型中，接收傳感器的位置成等邊三角形形狀，1號固定接收傳感器和2號固定傳感器成直線型放置，它們之間的距離為即接收信號波長的一半。動態(tài)接收傳感器在邊長為半波長的等邊三角形的中垂線上移動。當動態(tài)接收傳感器達到邊長為半波長的等邊三角形的頂點時，即三個接收傳感器之間的距離兩兩都為那么三個接收傳感器之間呈現(xiàn)不相關狀態(tài)。當動態(tài)接收傳感器的位置處于1號固定接收傳感器和2號固定接收傳感器的中間位置時，那么動態(tài)接收傳感器與1號固定接收傳感器和固定接收傳感器的相關性為50％。動態(tài)接收傳感器的位置從1號固定接收傳感器和2號固定接收傳感器的中間位置到邊長為半波長的等邊三角形的頂點的移動過程中，動態(tài)接收傳感器與與1號固定接收傳感器和2號固定接收傳感器的相關性從50％到0％。

本實施方式給出的模型，可以實現(xiàn)多個位置對應多種帶噪聲的圖像，為噪聲分析提供了數據。

基于上述所述的單節(jié)點動態(tài)接收傳感器噪聲分析模型的分析方法，包括：

步驟一：確定動態(tài)接收傳感器的位置，進而確定動態(tài)接收傳感器與1號固定接收傳感器和2號固定接收傳感器的噪聲相關度；

步驟二：根據步驟一確定的噪聲相關度，裁剪出相應噪聲，并將裁剪出的噪聲加到發(fā)送端發(fā)送的相應圖像信號上；

步驟三：對加了噪聲的圖像信號進行盲源分離處理，提取目標圖像信息；

步驟四：根據噪聲相關度、發(fā)送端的目標圖像信息和提取的目標圖像信息，對噪聲進行分析。

本實施方式基于上述模型進行了仿真，根據待測的模型中動態(tài)接收傳感器的位置，獲得該動態(tài)接收傳感器分別與1號固定接收傳感器和2號固定接收傳感器的噪聲相關性，進而獲得相應噪聲，將噪聲疊加到傳輸的圖像上，進行仿真，提取出目標圖像與目標圖像進行對比。

優(yōu)選實施例中，采用fastica算法對接收端的三路接收信號進行盲源分離處理，提取目標圖像信息。

獨立分量分析(ica)方法是盲信號處理中常用的方法，其中的fastica算法具有較好的收斂性，學習訓練時間短且對學習步長因子依賴性小，故本文采用該算法進行盲源分離，求得到分離矩陣w。

優(yōu)選實施例中，步驟三包括：

采用第j個提取處理單元從輸入的接收信號中提取源信號；

第j個消減處理單元從輸入的接收信號中消除已提取的源信號，并將剩下的接收信號輸出給第j+1個提取處理單元；

j＝1,2，直至第3個提取處理單元從輸入的接收信號中提取源信號；

3個提取處理單元提取的源信號為目標圖像信息。

具體實施例：

本實施方式是基于正定盲源分離的數學模型，進行噪聲分析。假設源信號是n個獨立的信號，經過混合之后，在發(fā)送端利用n個發(fā)送傳感器天線發(fā)送出去，通過信道傳輸，且在接收端使用n個接收傳感器接收到n個信號的系統(tǒng)模型，稱之為正定混合系統(tǒng)模型。正定混合系統(tǒng)盲源分離的數學模型如圖2所示。

給定源信號向量s＝[s1(t),s2(t),…,sn(])]^t，表示n個未知的源信號向量，為了實現(xiàn)信號隱藏保密傳輸的目的，選擇其中某一個向量作為混沌信號，然后將圖像信息有效地隱藏在混沌信號中，使其達到保密傳輸的作用。a為n×n階的未知信道混合矩陣，通過隨機產生。n＝[n1(t),n2(t),…,nn(t)]^t表示信道中的加性高斯白噪聲。由此可以得到該正定混合系統(tǒng)觀測信號的矢量表達式為

y＝a×s+n

正定混合系統(tǒng)進行盲源分離的關鍵步驟是求解出分離矩陣w，s'＝[s'1(t),s'2(t),…,s'n(t)]^t是從觀測信號y中估計出的源信號矢量，通過矩陣w就可以將目標信號s'從觀測信號y中提取出來，分離系統(tǒng)的輸出即提取的矢量表達式為

s'＝w×y＝w×a×s+w×n

本實施方式是以混沌信號為背景做目標信號盲提取的分析，故選取常見的混沌系統(tǒng)chen混沌。在此給出chen混沌系統(tǒng)的動力學表達式為：

其中，a,b,c為系統(tǒng)的參數，當參數值取為a＝35,b＝3,c＝28時，chen混沌系統(tǒng)處于混沌狀態(tài)，x,y,z是系統(tǒng)的狀態(tài)變量。

采用本實施方式的單節(jié)點動態(tài)接收傳感器噪聲分析模型，對噪聲進行分析：

將動態(tài)接收傳感器的位置從1號固定接收傳感器和2號固定接收傳感器的中間位置到邊長為半波長的等邊三角形的頂點的移動過程中，取11個點，獲得動態(tài)傳感器與1號固定傳感器和2號固定傳感器的噪聲相關度分別為50％、45％、40％、35％、30％、25％、20％、15％、10％、5％和0％；

根據獲得的噪聲相關度，將對盲源分離中的觀測信號端加上具有一定相關度的高斯白噪聲進行仿真：

matlab軟件隨機產生三個一樣強度大小的高斯白噪聲，對于第一個高斯白噪聲不進行處理。對于第二個高斯白噪聲進行拼接處理，將第一個高斯白噪聲的前百分之幾提取出來，與第二個高斯白噪聲截取前百分之幾后的高斯白噪聲進行拼接。對于第三個高斯白噪聲進行拼接處理，將第一個高斯白噪聲的后百分之幾提取出來，與第三個高斯白噪聲截取后百分之幾后的高斯白噪聲進行拼接。這樣可以使得第一個高斯白噪聲與新的第二個高斯白噪聲的相關度和第一個高斯白噪聲與新的第三個高斯白噪聲相關度一樣，都為百分之幾。本實施方式的最高相關度值為50％。新的第二個高斯白噪聲和新的第三個高斯白噪聲是不相關的。由于是高斯白噪聲的緣故兩個獨立的高斯白噪聲本身是不相關的。新的第二個高斯白噪聲和新的第三個高斯白噪聲與模型中的1號固定接收傳感器和2號固定接收傳感器相對應，第一個高斯白噪聲與動態(tài)接收傳感器相對應。

選取兩幅標準測試圖片庫中的256×256彩色圖片，作為兩路源信號的圖像，其中第一路源信號的圖像如圖3所示，將兩路源信號從圖像轉化為一維數組數據，再將一位數組數據進行二進制轉換，然后將其與chen混沌信號進行封裝。隨機生成一個3×3矩陣與封裝后的數據進行混疊，得到三路觀測信號。對三路觀測信號分別加上三個已經進行相關度處理的高斯白噪聲。再將此混疊后的矩陣利用fastica算法進行盲源分離，得到各個源信號的估計，把得到的估計值進行十進制化并進行二維化可獲得盲源分離處理后的目標圖像信息。

本次實驗的隨機生成的混合矩陣為

獲取測試圖片(目標圖像)和盲源分離處理后的目標圖像的相似系數：

設ξij為分離得到的期望信號si'與源信號si的相似系數，數學表達式為：

ξij＝1時，表明分離得到的信號的第i個信號與發(fā)送端的第j個信號完全相同，這是最理想的情況。在實際分離過程中不可避免的總會存在各種誤差對算法造成影響，仿真出現(xiàn)相似系數趨近于1，意味著具有良好的分離效果；如果趨近于0則說明分離不好，未實現(xiàn)分離。

根據本實施例的過程提取的目標圖像及相似如下：

圖4為動態(tài)接收傳感器與1號固定接收傳感器和2號固定接收傳感器的噪聲相關度為50％影響下提取的圖像信息，其相似系數為0.999245543375288；

圖5為動態(tài)接收傳感器與1號固定接收傳感器和2號固定接收傳感器的噪聲相關度為45％影響下提取的圖像信息，其相似系數為0.999182119761389；

圖6為動態(tài)接收傳感器與1號固定接收傳感器和2號固定接收傳感器的噪聲相關度為40％影響下提取的圖像信息，其相似系數為0.999108685470112；

圖7為動態(tài)接收傳感器與1號固定接收傳感器和2號固定接收傳感器的噪聲相關度為35％影響下提取的圖像信息，其相似系數為0.999029628434092；

圖8為動態(tài)接收傳感器與1號固定接收傳感器和2號固定接收傳感器的噪聲相關度為30％影響下提取的圖像信息，其相似系數為0.998908081067107；

圖9為動態(tài)接收傳感器與1號固定接收傳感器和2號固定接收傳感器的噪聲相關度為25％影響下提取的圖像信息，其相似系數為0.998816569707812；

圖10為動態(tài)接收傳感器與1號固定接收傳感器和2號固定接收傳感器的噪聲相關度為20％影響下提取的圖像信息，其相似系數為0.998726752254874；

圖11為動態(tài)接收傳感器與1號固定接收傳感器和2號固定接收傳感器的噪聲相關度為15％影響下提取的圖像信息，其相似系數為0.998602336079535；

圖12為動態(tài)接收傳感器與1號固定接收傳感器和2號固定接收傳感器的噪聲相關度為10％影響下提取的圖像信息，其相似系數為0.998482376786609；

圖13為動態(tài)接收傳感器與1號固定接收傳感器和2號固定接收傳感器的噪聲相關度為5％影響下提取的圖像信息，其相似系數為0.998331040142915；

圖14為動態(tài)接收傳感器與1號固定接收傳感器和2號固定接收傳感器的噪聲相關度為0％影響下提取的圖像信息，其相似系數為0.998032518501311；

分離前后的相似系數隨相關度變化的動態(tài)曲線圖如圖15所示，通過對圖15的分析可知，隨著動態(tài)接收傳感器與1號固定接收傳感器和2號固定接收傳感器的噪聲相關度增加，盲源提取后的圖像信息與原始的圖像信息的相似系數越來越大，也就驗證了基于半波長三陣元穩(wěn)定拓撲結構的單節(jié)點動態(tài)接收傳感器噪聲影響。

雖然在本文中參照了特定的實施方式來描述本發(fā)明，但是應該理解的是，這些實施例僅僅是本發(fā)明的原理和應用的示例。因此應該理解的是，可以對示例性的實施例進行許多修改，并且可以設計出其他的布置，只要不偏離所附權利要求所限定的本發(fā)明的精神和范圍。應該理解的是，可以通過不同于原始權利要求所描述的方式來結合不同的從屬權利要求和本文中所述的特征。還可以理解的是，結合單獨實施例所描述的特征可以使用在其他所述實施例中。