[发明专利]一种SNR估计的子空间跟踪方法

说明书

本发明公开了一种SNR估计的子空间跟踪方法，包括：在确定迭代次数和迭代变量的基础上，选择对应的初始特征值和特征向量，利用指数加权代价函数多次通缩操作得到所有特征值；再利用修正算法对特征向量矩阵进行修正，得到噪声方差的估计值和信号功率的瞬间值；最后计算得到SNR的瞬时估计值。本发明能够在算法复杂度较低的前提下，得到较好的SNR估计性能，并且随着采样数增加SNR估计性能越来越好，另外，利用指数加权代价函数，能够准确得到信号子空间，不会出现模糊的情况，同时，该指数加权代价函数受遗忘因子影响，能够实现很强的跟踪能力。

技术领域

本发明涉及信号处理技术领域，具体而言涉及一种SNR估计的子空间跟踪方法。

背景技术

SNR(信噪比)估计使用了参数估计理论来计算信号的噪声功率比。许多参数估计算法都需要SNR来作为前提条件来优化性能。所以对于SNR的估计显得弥足重要。SNR估计方法包括时域法和频域法。时域法分为数据辅助(data aided，DA)法和无数据辅助(non-dataaided，NDA)法。DA法比NDA法拥有更高的估计精度，但它需要插入周期前导序列，这将会降低传输效率。在时域法中，基于DA的SNR估计方法包含最小均方误差法(minimum meansquare error，MMSE)、最大似然估计法(maximum likelihood，ML)、分离符号矩阵估计法(separating character matrix estimation，SSME)和高阶累积量的信噪分离法等。基于NDA的SNR估计方法包含M2M4、SVR、SNV和DF等。经典的频域法是基于白噪声功率谱的平缓特性的，适用于加性高斯白噪声(Additive White Gaussian Noise，AWGN)信道的SNR估计，在色噪声环境下并不适用。

目前常见的SNR估计方法中，如DF,M2M4,SVR和SNV算法等传统算法在信噪比比较低时，算法性能并没有很理想，而常规子空间算法虽然能够提升SNR估计性能，但是算法复杂度却很高，依然存在不足。

发明内容

本发明目的在于提供一种SNR估计的子空间跟踪方法，利用指数加权代价函数，能够准确得到信号子空间，不会出现模糊的情况，同时，该指数加权代价函数受遗忘因子影响，能够实现很强的跟踪能力。另外，相对于DF,M2M4,SVR和SNV算法，本发明在算法复杂度与之相当的前提下，可以得到较好的SNR估计性能，并且随着采样数增加SNR估计性能越来越好。

为达成上述目的，结合图1，本发明提出一种SNR估计的子空间跟踪方法，所述子空间跟踪方法包括：

在确定迭代次数和迭代变量的基础上，选择对应的初始特征值和特征向量，利用指数加权代价函数多次通缩操作得到所有特征值；再利用修正算法对特征向量矩阵进行修正，得到噪声方差的估计值和信号功率的瞬间值；最后计算得到SNR的瞬时估计值。

作为其中的一种优选例，所述指数加权代价函数包含用于反映历史数据对当前数据影响力的遗忘因子。

作为其中的一种优选例，所述指数加权代价函数为：

y(i)＝W^H(t-1)r(i)

其中，β表示用于反映过去数据对当前数据的影响程度在不断下降的遗忘因子，0＜β≤1，当β＝1时，表示滑动窗口的一种情况；||·||表示矢量的范数，W是维数为L×p的矩阵，L为维数，p为行数，当W的列等于它的信号子空间时，代价函数J₁(W(t))达到全局最小值，而且不会出现局部最小值，上标H表示共轭转置，t表示所处时刻，r(i)表示第i时刻的输入信号。

作为其中的一种优选例，所述子空间跟踪方法还包括：

S1，设定迭代次数T和迭代变量t＝0；选择初始特征值d_i(0)和初始特征向量w_i(0)；