BPSK信号的检测

Nine_Ice_station

已于 2022-11-20 19:29:18 修改

阅读量3k

点赞数 4

文章标签：信息与通信

于 2022-11-16 22:59:10 首次发布

本文链接：https://blog.csdn.net/nine_ice_station/article/details/127843376

版权

0 引言

本文主要参考 James Tsui 的 Digital Techniques for Wideband Receivers第三版的第12章部分。
主要研究采用13位 Barker 码编码的BPSK信号检测。讨论三个部分：
一、是否存在信号
二、存在的信号是BPSK信号还是连续波信号
三、BPSK信号的相变位置如何确定(相变位置用于确定码元长度)

1 判断接收数据是否存在信号

1.1 Barker 码简单介绍

巴克码作为伪随机码序列之一，它有着良好的相关特性和尖锐峰特性。已找到的只有 9 组，并且已经证明在长度小于12100的范围内不存在其他长度的巴克码，已知的其中长度的巴克码如下：

表 1 不同长度的 Barker 码组

码组长度	Barker 码组
2	++ ，+－
3	++－
4	+++－，++－+
5	+++－+
7	+++－－+－
11	+++－－－+－－+－
13	+++++－－++－+－+

表中“+”表示+1，“－”表示－1

本文主要采用13位的 Barker 码组，其自相关特性如图1所示

图 1 13位 Barker 码的自相关值

可以看见13位巴克码有很尖锐的相关峰和恒定的副瓣。

1.2 基本模型

假定收集到的BPSK信号脉冲宽度为 1 $μ s$ 。采样率为 2.56 GHz，则 1 $μ s$ 采样 2560 个数据点。将BPSK用13位 Barker 码编码，当载波为 141MHz时， 1 $μ s$ 内包含 141 个载波周期
$N_r = f_c \times 1 μs = f_c \times 10^{-6}=141 \tag{1.1}$ 这1 $μ s$ 内包含完整的一个BPSK信号，所以13位 Barker 码的每一个符号的过采样倍数为
$N_c = floor(\frac{{N_r}}{{13}})=10 \tag{1.2}$ 即每个符号10倍过采样，一个BPSK信号用13位 Barker 码编码，其中每个符号占据 10 个载波周期，共占据130个载波周期，当采样周期为 $t_s$ 时，这一个BPSK信号包含了 $floor(\frac{130}{f_c\times ts})=2360$ 个采样点。
则信号模型为，一段2560长度的采样点，其中有2360个采样点包含BPSK信号，而在采集信号的头部和尾部为噪声。但当采集信号的头部和尾部为噪声时，意味着会损失 $8\%$ 的能量，为了消除这一影响，将头部和尾部拓展信号。仿真信号如图2

图 2 一个13位 Barker 码编码的BPSK信号

1.3 阈值和检测概率

已知对于一个二维的随机向量的两个分量呈独立的、有着相同的方差的正态分布时，这个向量的模呈瑞利分布。因此，当输入只包含均值为0，标准差为1的高斯分布噪声时，其振幅近似为瑞利分布，因此可以利用振幅找到一个阈值。

在接下来的模拟中，采样频率为2.56 GHz，FFT加矩形窗，长度从 32 点到 1024 点之间变化。重复运行 1000 次。易得振幅 $A$ 为
$\sqrt {X_r^2(k) + X_i^2(k)} \tag{1.3}$ 其中 $X (k)$ 是第 $k$ 个频率的输出，下标 $r$ 和 $i$ 表示FFT输出的实数和虚数。A的分布应为瑞利分布，为
$\frac{r}{{{\sigma ^2}}}{e^{\frac{{ - {r^2}}}{{2{\sigma ^2}}}}} \tag{1.4}$ (1.4)式中只有一个常数 ${\sigma ^2}$ ， $r$ 是一个变量。这个值 ${\sigma}$ 与均值或标准差有关
$\begin{array}{l} \sigma = \frac{m}{{\sqrt {\pi /2} }}\\\\ \sigma = \sqrt {\frac{{2v}}{{4 - \pi }}} \end{array} \tag{1.5}$ 其中 $m$ 为均值， $v$ 为实测噪声分布的方差。由上述模拟得到均值和方差。由这两个关系式得到的 $\sigma$ 值非常接近。在本研究中使用的是这两个值的平均值。
当噪声分布近似为瑞利分布时，阈值可设置为虚警概率的函数
$\sqrt { - 2{\sigma ^2}\ln ({P_{fas}})} \tag{1.6}$ 其中 $P_{fas}$ 为虚警概率，可设置为10-7。

（1.6）没给推导，猜测是积分得出的。

图 3 显示了256点FFT操作的模拟结果。点“o”是从振幅分布的直方图中得到的。瑞利分布显示为实线。由于来自不同FFT长度的所有噪声振幅都很好地拟合到瑞利分布，因此只显示了256点的FFT结果。

在这里插入图片描述

图 3 用具有瑞利分布的256点FFT结果拟合噪声分布

不同FFT长度得到的阈值如表2所示。

表 2 矩形窗10^-7虚警概率阈值

FFT 长度	32	64	128	256	512	1024
门限	22.92	32.07	45.26	64.24	90.66	128.33

在表2中，从256点FFT开始计算阈值100次，标准差约为0.35，变化约为0.54%(0.34/64.25)。

为了尽可能减小误差和多使用数据。实际工程常采用幅度求和法，字面理解就是对FFT输出求和。当 2560 个数据点全部为噪声时，将 2560 个数据点分为 20 帧，每帧包含 128 个数据点。对每帧数据加 128 点的 Blackman 窗做FFT，得到 128 点的FFT结果，将第 6-58 个数据用于后续计算，将 20 帧输出的幅度相加，这个过程共进行 10000 次，得到 53×10000个数据点。

1.3.1 卷积法求阈值

卷积法求阈值的基本方法如下。假设FFT输出为瑞利分布，两个振幅的和相当于两个瑞利函数的卷积。如果求和是n次，瑞利函数将被卷积n次。这个卷积可以通过数值积分来实现。一旦得到了想要的卷积结果，下一步就是寻找阈值。由于卷积结果是数值形式，所以阈值是通过试错得到的。总体方法可以总结如下:

使用FFT输出找到瑞利分布。FFT输出将用于寻找瑞利分布，也用于求和过程。通过式（1.6）找到瑞利分布。一个阈值，称为初始阈值，是从瑞利分布计算出来的。仿真结果表明，初始阈值总是小于卷积得到的阈值，即期望阈值。
对得到的瑞利函数进行数值卷积。瑞利函数的长度[或(1.4)中的r值]从0选择到1.2倍的初始阈值。如果(1.4)中的r值不够大，卷积结果会不准确。仿真结果表明，当瑞利函数长度从0到初始阈值范围内时，计算得到的期望阈值基本不变。这意味着选择从0到初始阈值的瑞利值足够长来覆盖大部分信息。
通过试错来找到阈值。从初始阈值到卷积函数的端点进行数值积分。如果积分结果大于期望的虚警概率(10-7)，则初始点比初始阈值增加0.005，重新进行积分。直到积分结果小于 $10^{-7}$ 。积分步长选择为0.005，因为它旨在保持阈值上的两个小数点。

1.3.2 高斯拟合法求阈值

另一种方法是高斯拟合法。认为得到 53×10000个数据点满足高斯分布。高斯函数可以写成
$\frac{1}{{\sqrt {2\pi } \sigma }}{e^{ - \frac{{{{(r - \mu )}^2}}}{{2{\sigma ^2}}}}} \tag{1.7}$ 其中 $\mu$ 是均值， $\sigma$ 是分布的标准差。一旦找到这两个值，就可以得到高斯分布。为了找出虚警的概率，需要进行积分。高斯函数的积分是误差函数，可以写成
$\frac{2}{{\sqrt \pi }}\int_0^r {{e^{ - {t^2}}}dt} \tag{1.8}$ 由MATLAB程序中的逆互补误差函数erfcinv，可由下式得到高斯分布的虚警概率 ${P_{fa}}$ 。
${P_{fa}} = \int_{th}^\infty {{p_n}(x)dx} = 1 - \int_{ - \infty }^{th} {{p_n}(x)dx} \tag{1.9}$ 其中 $P_n(x)$ 为噪声高斯分布，如(1.7)所示。如果给定 ${P_{fa}}$ 的值，则可以发现阈值 $t h$ 为
$\sqrt 2 erfcinv(2{P_{fa}})\sigma + m \tag{1.10}$ 如果 ${P_{fa}}$ 为 $10^{-7}$ ，阈值 $t h$ 可以近似为
$\approx m + 5.2\sigma \tag{1.11}$ 该阈值产生的 ${P_{fa}}\approx0.9964 \times 10^{-7}$ ，略低于期望值。

两个求和的结果如图4所示。在这个图中，可以看到数据和高斯分布有轻微的不匹配。

在这里插入图片描述

图 4 两个求和拟合高斯分布
最后，利用卷积法和近似高斯分布计算阈值。结果如表 3 所示。在这些模拟中使用的总和数据的数量是10,000点。为了通过这两种方法获得阈值，使用相同的噪声输入数据。为了得到卷积函数，必须先利用噪声数据得到瑞利分布。为了得到高斯分布，只需要振幅数据的累加。
在表 3 中，第一列是求和的数量。第二列和第三列是通过卷积和高斯方法得到的阈值。第四列是百分比误差，是两个计算阈值的差除以通过卷积法得到的阈值。表 3 用高斯分布和卷积方法计算阈值

求和数	卷积法门限	高斯拟合门限	百分比差异
2	8.54	7.37	13.67
4	13.19	11.88	9.92
8	21.12	19.55	7.43
16	35.18	33.61	4.44
32	61.00	59.41	2.62
64	109.04	107.39	1.51
128	200.75	199.12	0.81

表3得到的数据用的点数是10,000点，对于本文采用的 53×10000 点，应该更服从高斯分布，于是用高斯拟合得到阈值，在参照表 3 进行微调，因为求和数为20，所以将高斯拟合得到阈值除以 0.96 得到最终阈值，大约为185.

当虚警概率为 $10^{-7}$ 阈值设为185。设输入信号频率在141~1140MHz随机产生，初始相位随机，可以得到检测概率图如图4所示。

在这里插入图片描述

图 4 检测概率

可以看到，当S/N为-11.3dB时，检测概率大概为 90%，与连续波差0.4dB。原因在于如果 20帧数据中的某一特定帧内出现一次相变，那么信号能量会扩展到邻近的频点，所以信号在频域中幅度会略微降低。

2 判断存在的信号是BPSK信号还是连续波信号

通过上述的介绍，已经可以知道如何从数据中确定是否有信号。接下来要判断存在的信号是BPSK信号还是连续波信号。图 5 给出了BPSK和CW波频域展示。非常直观可以看到BPSK信号主瓣较连续波信号更宽。
在这里插入图片描述

图 5 BPSK和CW波频域展示

2.1 最小最大比法

首先在频域选择输出最大值及其左右邻近的各 4 个频点。选取 9 个频点是依据经验确定的。然后在这九个点中，计算最小振幅与最大振幅之比，将比值称为最小对最大比。如果信号是BPSK，则最小对最大比应该很大，因为频率区间都具有相对较高的值。

阈值的方法同第一部分所述。1.3.2部分提到，当S/N为-11.3dB时，检测概率大概为 90%。因此使用信噪比为-11.3dB连续波作为输入，并输入频率在141~1140随机，初始相位也随机的 2560 点数据。对输入数据加 Blackman 窗后做FFT。选输出最大值及其左右邻近的各 4 个频点，计算最小最大比。100000次运行结果如图 6 所示。

在这里插入图片描述

图 6 最小最大比分布图

对输出用瑞利分布拟合，得到虚警概率为 $10^{-4}$ 时阈值为 0.214，但由于瑞利分布不能很好的匹配数据，选取降序排列输出值，选择第10个值，并取 3 次平均，得到阈值为 0.243.易得阈值与输入信号的信噪比有关，当输入信噪比增大时，阈值将减小；反之，阈值将增大。

得到虚警概率为 $10^{-4}$ 时阈值为 0.243 后就可以得到检测概率。图 7 给出了输入信噪比从 -12dB 变化至 -3dB 对应的检测概率。当信噪比为-8.9dB时，检测概率为 90%。通过观察可以得出，如果一个强连续波被检测到，它被判定为 BPSK 信号概率较小。如果一个弱连续波被检测到，则它被识别为 BPSK 信号概率较大，易产生误判。

在这里插入图片描述

图 7 使用FFT输出的最小最大比时，BPSK信号的检测概率

2.2 特征值法

特征值可以被用于确定信号的数量和信号的调制类型。下面将介绍特征值用于区分 BPSK 信号和连续波信号。具有 N 个数据点的输入信号的 $2\times2$ 相关矩阵可表示为

在这里插入图片描述

公式 (1.12)这里公式打不上去

式中，1表示第一延时，是个固定值；*表示复共轭。第二个元素k可以是小于N的任意正整数。特征值法不能用窗函数，因为加窗会使频谱出现扩展并导致发生检测方面的问题。由于输入数据为实数，一个信号将影响两个特征值。为确定输入是否包含第二个信号，需要得到三个特征值。

三个延迟是基于某个复信号选取的。该复信号由一个实信号通过一个 Hilbert变换器，得到 561 个数据点。首先必须选取相应的延迟。延迟的选取通过序列搜索来实现。对于一个 $3\times3$ 矩阵，延迟可表示为 $(1, x, y)$ 。 $3\times3$ 相关矩阵可表示为

在这里插入图片描述

公式 (1.13)

其中，1表示第一延时，是个固定值；*表示复共轭。

下面是实验过程：当输入信号为频率任意选取的无噪声BPSK信号。对于 561 个数据点， $x$ 值的变换范围从 2 至 200， $y$ 值的变换范围从 3 到 200，步进都为 1.每次步进得到 3 个特征值，共得到 39402 个输出。最大值出现在 $\approx 45,y \approx 115$ 处，分别位于全部数据长度的 0.08 和 0.2。实验发现最大值具有一个稳定状态， $x$ 和 $y$ 的值并不是很关键，BPSK信号的输入频率也不是很关键。因此，将 $x$ 和 $y$ 的值选取为全部数据长度的 0.08 和 0.2。

当输入数据为 2560 点时， $x$ 和 $y$ 的值分别为 205 和 512.
当输入为噪声时，最大特征值用于产生噪声，用高斯分布拟合，当虚警概率为 $10^{-4}$ 时，阈值为 0.931.
当输入为-11.3dB的连续波时，虚警概率为 $10^{-4}$ 时（书上这里翻译有问题），阈值为0.899。
可以得到如果检测阈值由噪声确定，当BPSK检测概率为90%时，需要的S/N大约为-6.6dB。如果用连续波确定阈值，达到90%检测概率需要S/N为-8.9dB。
在这里插入图片描述

图 8 使用噪声确定阈值时，特征值法BPSK信号的检测概率

通过对比图7、图8 并比较特征值法和最小最大比法，可以得出一些结论：
1.特征值法能够利用噪声产生阀值，而FFT法则不能。
2.检测概率为90%所需的信噪比是颇为不同的（分别为-8.9dB和-5.7dB）。当输入信噪比为-8.9dB时，特征值法看上去根本无法检测BPSK信号。其次，当输人信噪比为-5dB时，特征值法可以近乎100%检测到BPSK信号，而最小最大比法只能达到约97%的准确检测。
3.误检概率不同。对最小最大比法来说，误检取决于连续波信号强度。特征值法在只有噪声输入时有着非常低的虚警概率。
4.两者应用场景不同。对最小最大比法来说，必须通过FFT输出求和法来检测信号。于是该方法用于辨别信号是连续波信号还是BPSK信号。
特征值法可以通过最大特征值来检测信号是否存在，并通过最小特征值来辨别是连续波信号还是BPSK信号。

结论是这两种方法得到的结果是不同的，对两者很难做出有意义的对比。

2.3 使用连续帧输出的最小最大比法和特征值法

在2.1和2.2节中使用的是2560点的FFT或相关矩阵。本节则是仅使用上述 20 帧FFT输出的 20 个点。当检测到信号，即 20 帧FFT输出之和的 53 个频点之一大于阈值185，因此可以使用大于阈值185对应频点的 20 帧数据，后续处理都使用这 20 个点。

将这 20 个 FFT运算结果进行不加窗的 FFT 运算，这种运算成为二次FFT运算。找到二次FFT运算的最大值及其邻近的两个频点，在选中的三个频点中，将最小最大比用作阈值。使用-11.3dB连续波作为输入，重复100 000次。得到的100 000次结果很难和已知分布拟合，于是采用积分的方法，求得虚警概率为 $10^{-4}$ 对应的阈值为 0.838.

特征值法的阈值可以通过同样的方式得到。使用-11.3dB连续波作为输入，重复100 000次，将 20 个点送入相关矩阵， $3\times3$ 矩阵用的延迟是 $[1, 2, 4]$ ，这里用的是2.2讨论得到的 $20\times0.08$ 和 $20\times0.2$ 得到的。 $2\times2$ 矩阵用的延迟是 $[1, 3]$ ，阈值都由最小特征值和最大特征值的比值决定。两者结果都难以使用已知的模型进行拟合，于是采用积分的方法，求得虚警概率为 $10^{-4}$ 时 $2\times2$ 相关矩阵对应的阈值为 0.551， $3\times3$ 相关矩阵对应的阈值为 0.310.表4列出了上述三种阈值

表 4 用于辨别连续波和BPSK信号的阈值

方法	阈值	比值
FFT	0.838	最小最大比
特征值2×2	0.551	最小特征值与最大特征值之比
特征值3×3	0.310	最小特征值与最大特征值之比

根据阈值可以求出检测概率，当输入频率在141～1140MHz且初始相位随机，输入信噪比为-11～-1dB的BPSK。实验结果显示，FFT法（最小最大比法）性能不好，检测概率在10%～45%之间变换；3延迟特征值法根本无法接近 100% 的检测概率。表 5 列出了在虚警概率为 $10^{-4}$ 时检测概率为 90% 各方法所需的信噪比。可以看出2-延迟特征值法是最优的，同时它也是最适用接收机设计的方法。

表 5 不同方法得出的灵敏度信噪比

方法	灵敏度信噪比
长FFT运算	-8.9
使用长数据的特征值法	-5.9
2-延迟特征值法	-10.5
3-延迟特征值法	-8.0

3 确定BPSK信号的相变位置

3.1 相变模型

延续上文帧时长为 50 ns的设定。假设帧时间比预期的码元长度短。讨论两种情况。

第一种种情况：某个特定的帧内只有一次相变且在首帧和尾帧无相变发生。
第二种种情况：在相邻的两帧的每一帧内均出现一次相变。

这两种情况示意图分别如图9(a),图9(b)所示
在这里插入图片描述

图 9 相变位置示意图

这里将介绍三种检测相变的方法，分别是FFT法、特征值法和两帧比相法。由于FFT法和特征值法均测量第二个频率的能量，所以将它们称为第二频率法。当第二个频率的能量高时，将其分类为扩频信号。比相法使用两帧数据，测量相邻帧间的相位差。

3.2 输入一帧数据的FFT法

与第 2 节讨论的方法相似，通过比较BPSK信号和连续波信号的一帧数据的频谱来判断是发生相变的BPSK信号还是连续波信号（一帧内不发生相变的BPSK就是连续波信号，发生相变就找到了相变位置）。

对128点数据加 Blackman 窗，做FFT运算，选最大幅度频点及其两侧邻近的各4个频点。使用输入频率和初始相位相同的连续波进行比较，得到结果如图10所示。图10(a)显示连续波信号输出，图10(b)显示相变接近帧 1/4 位置，图10（c）显示相变接近帧 1/2 位置。

在这里插入图片描述

图 10 最大幅度频点及其两侧邻近的各4个频点

可以看出图10(a)和图10(b)差距较小，可以很容易把图10(a)和图10（c）区分开。从图10(a)和图10(b)看出，很难确定用于最小最大比法的频点的个数。（图中坦度相似）

若要用最小最大比法需要确定频点选取个数。讨论频点等于 7 或 9 两种情况，选取邻近最大输出的 7 个或 9 个频点，并计算最大最小比，记录所得这些比值的平均值和标准差，选取标准如式（1.14）
${R_7} = \frac{{\left| {{m_{7c}} - {m_{7b}}} \right|}}{{\sqrt {s_{7c}^2 + s_{7b}^2} }},{R_9} = \frac{{\left| {{m_{9c}} - {m_{9b}}} \right|}}{{\sqrt {s_{9c}^2 + s_{9b}^2} }} \tag{1.14}$ 式中， $m_{ic}$ 表示连续波最小最大比均值， $m_{ib}$ 表示BPSK信号最小最大比均值， $s_{ic}$ 表示连续波最小最大比标准差， $s_{ib}$ 表示BPSK信号最小最大比标准差。

在运行10000次时， $R_7$ 和 $R_9$ 都接近 1。但是 $R_7$ 总是略大于 $R_9$ 。因此使用 7 个频点更容易识别BPSK信号，所以这里使用 $R_7$ 。根据文献[1] 表 6.6 得一帧连续波信号可以在信噪比为-1.5dB时被检测到，因此由-1.5dB的连续波信号产生阈值，运行 3 回 100000去平均得到在虚警概率在 $10^{-4}$ 时阈值为0.411.检测概率将和特征值法一起讨论。

3.3 使用一帧数据的特征值法检测相变

对于输入为实信号，需要第三个特征值来检测第二个信号。延迟值的选取同2.2节所讲，选取全部长度的 0.08 和 0.2 两个值。对于帧长128选取10和26.由噪声当作输入，运行100000次，将最大特征值进行升序排列，使用99990个值作为阈值，求得阈值为1.593。由于最大特征值被用作阈值（而不是最小和最大特征值的比值），不需要使用连续波信号来产生阈值。

这里没有说为什么用噪声和最大特征值就检测出相变所在的帧

检测相变时产生两帧数据，只在第二帧出现相变，在输入频率 141～1140MHZ之间随机产生，初始相位随机，在第二帧的相变位置也随机选取，在输入功率电平恒定的情况下，运行100000次，信噪比从 -3 dB 变换到 26 dB。每次处理两帧数据。如果在第一帧数据内检测到相变，则认为是误检，因为在该帧内不存在相变。第二帧数据内的检测用于计算检测概率。图11，12分别显示了FFT法和特征值法得到的检测概率。

在这里插入图片描述

图 11 由FFT法得到的相变检测结果

在这里插入图片描述

图 12 由特征值法得到的相变检测结果

图11可以看到，FFT法效果很差。图12可以看到基本没有误检，当信噪比为 14 dB时，检测概率大于 90%，但信噪比继续增大时，检测概率无法逼近 100%，因为漏检是相变在帧内的位置决定而非信号强度导致。

观察图13可以发现，最小最大值在帧中心位置较大，在两端较小，即特征值法在相变发生在帧中心位置性能好，在相变发生在靠近帧两端位置性能较差。

在这里插入图片描述

图 13 特征值关于相变位置的分布图

3.4 使用两帧数据的特征值法检测相变

图 12 可以得出一帧的特征值法距离100%还是很有差距的，于是将一帧拓展为两帧

在本节的研究中，产生四帧数据，并且相变在第三顿内随机出现。这里将进行三组测试。第一组数据包括帧1和帧2.由于这两帧没有相变，所以将其用于误检测试。第二组和第三组数据分别包括帧2和帧3，以及帧3和帧4。如果检测发生在第二组或第三组数据，或者在这两组数据均发生，则认为检测到相变。

阈值的确定同3.3所讲相似。使用噪声做输入，延迟选取20和52，得到最大特征值。运行 100 000次，升序排列，将第 99 990个特征值用作阈值，得到阈值为1.29。虚警概率为 $10^{-4}$ .得到误检和检测概率如图14所示。可以看到没有误检，当信噪比为6dB时，检测概率到 90%，更高信噪比可接近 100%。

在这里插入图片描述

图 14 由使用两帧数据的特征值法得到的相变检测结果

这里有个问题：
1.没解释为什么用噪声能检测出相变所在的帧

3.5 定位相变的比相法

在本节的研究中，为了产生三个相位差，使用了四帧数据。相变在第三帧数据内引入，且其位置接近帧的中心。这样一来，帧1和帧2这组数据内没有相变，而帧2和帧3以及帧3和帧4这两组数据内存在相变。输入信噪比为100dB，频点在141~1140MHz范围内内随机选取，初始相位随机。每帧数据与 Blackman 窗相乘，计算FFT。选取在第一帧内具有最大输出的频点。将来自四帧数据的此频点处的相位依次表示为 $\theta_1$ 、 $\theta_2$ 、 $\theta_3$ 和 $\theta_4$ 。需要的相位差和二次相差可表示为
$\begin{array}{l} {\theta _{21}} = {\theta _2} - {\theta _1}\\ {\theta _{32}} = {\theta _3} - {\theta _2}\\ {\theta _{43}} = {\theta _4} - {\theta _3}\\ \Delta {\theta _{21}} = {\theta _{32}} - {\theta _{21}}\\ \Delta {\theta _{32}} = {\theta _{43}} - {\theta _{32}} \end{array} \tag{1.15}$
这里将 $\Delta {\theta _{21}}$ 和 $\Delta {\theta _{32}}$ 称为二次相差。所以相位差 ${\theta _{21}}$ 可视为由连续波信号得到，并可用来获取精确频率。如果相变出现在帧3和帧4的分界处，则同样可认为 ${\theta _{32}}$ 是由连续波信号得到的，且 ${\theta _{43}}$ 靠近他们的分界处具有相变。当相变出现在帧3和帧4的分界处， $\Delta {\theta _{21}}$ 接近零， $\Delta {\theta _{32}}$ 接近 $\pm\pi$ rad，如图15（a）和图15（b）所示，这些结果由100次运行得到，并且符合预期。

在这里插入图片描述

图 15

\Delta {\theta _{21}}

和

\Delta {\theta _{32}}

的二次相差图

图15(a)(b)(c )(d)依次为，
图15( a )， $\Delta {\theta _{21}}$ 相变接近帧3和帧4的分界
图15( b )， $\Delta {\theta _{32}}$ 相变接近帧3和帧4的分界
图15( c )， $\Delta {\theta _{21}}$ 相变接近帧3和的中心
图15( d )， $\Delta {\theta _{32}}$ 相变接近帧3和的中心
两帧之间在具体频率处的相位差

所得结果可做如下解释。输入是连续波信号时，相邻两帧之间在具体频率处的相位差是恒定的。它们之间的二次相差接近于零。如果在相邻两帧之间存在相变，那么它们的二次相差接近 $\pm\pi$ rad。即可通过连续检测二次相差来判断相变发生所在帧。

观察图15（c）和图15（d）可知道当相变接近帧中心时，比相法检测效果较差，这正好可以和一帧的特征值法相反，两种方法互为补充。

下一步确定检测概率。使用5帧数据来产生四个相位差和三次二次相差。在第一帧内，定位具有最大幅度的信号频点。并得到五帧在此频点出的相位 $\theta_1$ 、 $\theta_2$ 、 $\theta_3$ 、 $\theta_4$ 和 $\theta_5$ 。得到四个相位差和三个二次相差。检测阈值设置在 $\pi /2 \sim 3\pi /2$ 范围内。如果二次相差落入阈值内，则表示检测到相变。运行1000次，得到结果如图16。

在这里插入图片描述

图 16 比相法得到结果

图16（b）可以看出检测概率在94%~97%左右，无法逼近100%，因为比相法在相变接近帧中心时不灵敏。

3.6 在相邻帧内存在两次相变的情况

通过特征值法和比相法的联合使用可以取得很好的检测性能了，但如果相变出现在相邻两帧内且位于帧的边界处，如图17（a）所示，那么特征值法可能无法或者只能检测到其中一个相变。比想法应该能在第一次和第二次测试中检测到全部相变，但是无法在第三次测试中检测出相变。

在这里插入图片描述

图 17 位于帧边界处相变情况

对于图17（a）所描述的场景还需如下逻辑判断：

如果特征值方法在第1、2和3帧中没有检测到相变，但相位比较方法在测试1和2中检测到相变，则可以假设在第1和2帧中发生了两个相变。这是正确答案。
如果特征值方法在第1帧或第3帧中检测到相变，而比相法在测试1和2中检测到相变，则可以假设在第1帧和第2帧(在第1帧检出时)或第2帧和第3帧(在第3帧检出时)中存在两个相变。这也是正确的。
如果特征值法在帧2中检测到相变，而比相法在帧1和帧2中检测到相变，则认为只有在帧2中有一个相变。在此输出条件下，将漏掉一个相变。如果相变被两帧分开，如图17(b)所示，则特征值法可能检测不到，而比相法应该检测到。可能会出现情况，并可能作出下列决定。
如果特征值方法没有检测到任何相变，但测试1和3检测到相变，则将指定给帧1和帧3发生相变，这是正确答案。如果比相法在所有三个测试都检测到相变，则相变也分配给帧1和帧3。测试2的结果将被忽略。
如果特征值方法检测到四帧中的任何一帧中的相变，则相位比较方法包括该帧的结果将被忽略。测试1和3将检测相变，但测试2可以是任何一种情况。将会发生以下四种情况:
（1）特征值检测在帧1中，测试1被忽略，测试3将识别帧3中独立于测试2结果的相变。结果是帧1和帧3。
（2）特征值检测在帧2中，测试1和2将被忽略，测试3将识别帧3。结果是帧2和帧3。
（3）特征值检测在帧3中，测试2和3将被忽略，测试1将识别帧1。结果是帧1和帧3。
（4）特征值检测在帧4中，测试3将被忽略，测试1将独立于测试2的结果识别帧1。结果是帧1和帧4。

所有输出都被认为是正确的。因此，当两个相变被两帧分隔开时，联合使用特征值法和比相法可以得到正确的结果。唯一可能的问题发生在第三种情况下，即帧时间和码元长度大致相等。消除这一问题的一种方法是增加采样频率(或缩短帧时间)，并使最小码元长度大于帧时间的 1 倍，比如等于 1.5 倍帧时间。

4 参考文献

[1] Tsui J. Special Design Topics in Digital Wideband Receivers. Boston: Artech House; 2010.
[2] Zhang QT, Wong KM. ‘Information theoretic criteria for the determination of the number of signals in spatially correlated noise’, IEEE Transactions on Signal Processing 1993;41(4):1652–1663.
[3] Zeng Y, Koh CL, Liang Y-C. ‘Maximum Eigenvalue Detection: Theory and Application’. Proceedings of 2008 IEEE International Conference on Communications. New York: IEEE; 2008:4160–4164.