基于SVD-K-means算法的软扩频信号伪码序列盲估计

TN911.7; 针对通信中软扩频信号伪码序列盲估计困难的问题,提出一种奇异值分解(singular value decompo-sition,SVD)和K-means聚类相结合的方法.该方法先对接收信号按照一倍伪码周期进行不重叠分段构造数据矩阵.其次对数据矩阵和相似性矩阵分别进行SVD完成对伪码序列集合规模数的估计、数据降噪、粗分类以及初始聚类中心的选取.最后通过K-means算法优化分类结果,得到伪码序列的估计值.该算法在聚类之前事先确定聚类数目,大大减少了迭代次数.同时实验结果表明,该算法在信息码元分组小于5 bit,信噪比大于-10 dB时可以准确估计出软扩频信号的伪码序列,性能较同类...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 46; no. 1; pp. 326 - 333
Main Authors 张慧芝, 张天骐, 方蓉, 罗庆予
Format Journal Article
LanguageChinese
Published 重庆邮电大学通信与信息工程学院,重庆 400065 2024
Subjects
K-means
奇异值分解
blind estimation
singular value decomposition(SVD)
soft spread spectrum signal
盲估计
软扩频信号
Online AccessGet full text
ISSN1001-506X
DOI10.12305/j.issn.1001-506X.2024.01.37

Cover

More Information
Summary:TN911.7; 针对通信中软扩频信号伪码序列盲估计困难的问题,提出一种奇异值分解(singular value decompo-sition,SVD)和K-means聚类相结合的方法.该方法先对接收信号按照一倍伪码周期进行不重叠分段构造数据矩阵.其次对数据矩阵和相似性矩阵分别进行SVD完成对伪码序列集合规模数的估计、数据降噪、粗分类以及初始聚类中心的选取.最后通过K-means算法优化分类结果,得到伪码序列的估计值.该算法在聚类之前事先确定聚类数目,大大减少了迭代次数.同时实验结果表明,该算法在信息码元分组小于5 bit,信噪比大于-10 dB时可以准确估计出软扩频信号的伪码序列,性能较同类算法有所提升.
ISSN:1001-506X
DOI:10.12305/j.issn.1001-506X.2024.01.37