一种鲁棒的基于子空间分解的盲信噪比估计方法
人工智能算法的鲁棒性评估：提高算法稳定性的方法与路径
人工智能算法的鲁棒性评估：提高算法稳定性的方法与路径引言人工智能（Artificial Intelligence, AI）的快速发展使得其应用范围越来越广泛。
然而，在实际应用中，AI算法的鲁棒性一直是一个挑战。
当面对异常、噪声或未知情况时，AI算法可能失去效果，甚至导致灾难性后果。
因此，评估和提高AI算法的鲁棒性变得至关重要。
本文将介绍人工智能算法的鲁棒性评估方法和提高算法稳定性的路径。
什么是鲁棒性评估？鲁棒性评估是指对一个人工智能算法的性能和稳定性进行评估，以了解其对于不同环境、数据或攻击的抗干扰能力。
鲁棒性评估可以帮助我们了解一个算法在不同情况下的表现，并为改进算法提供指导。
为什么鲁棒性评估重要？鲁棒性评估对于确保人工智能算法的可靠性和安全性至关重要。
在许多实际应用中，AI算法需要处理各种不确定性和异常情况，例如噪声、无标签数据、输入扰动、对抗性样本等。
如果算法在这些情况下表现不佳，那么它很可能无法满足实际需求，甚至导致严重的后果，如汽车自动驾驶系统发生事故。
因此，通过鲁棒性评估，我们可以发现算法的局限性，及时改进和强化算法的稳定性。
如何评估算法的鲁棒性？评估算法的鲁棒性是一个复杂的任务，需要考虑多个方面。
下面介绍几种常用的鲁棒性评估方法。
1. 名义性能评估名义性能评估是最简单的一种鲁棒性评估方法，它基于算法在标准测试集上的性能表现来评估鲁棒性。
算法在标准测试集上表现良好并不代表其在实际应用中也能表现得好，因为标准测试集无法涵盖所有可能的情况。
因此，名义性能评估只能提供一个初步的鲁棒性评估，需要进一步进行更严格的评估。
2. 扰动评估扰动评估是一种常用的鲁棒性评估方法，它通过对输入数据进行扰动来观察算法的性能变化。
扰动可以是对输入数据添加的噪声、修改的特征或其他形式的扰动。
通过观察算法在扰动后的表现，我们可以评估其对于噪声和异常情况的鲁棒性。
扰动评估可以帮助我们了解算法在不同情况下的性能变化，并为改进算法提供指导。
机器学习模型的鲁棒性评估与分析
机器学习模型的鲁棒性评估与分析绪论近年来，机器学习在各个领域取得了巨大的发展，成为解决大量实际问题的有效工具。
然而，机器学习模型在现实应用中一直面临着各种挑战和问题。
特别是在真实环境中，由于数据的不确定性、噪声的存在以及模型的局限性，机器学习模型的鲁棒性成为了一个关键的问题。
本文将从鲁棒性的概念、评估方法和分析角度来探讨机器学习模型鲁棒性的问题。
概念介绍鲁棒性是指模型对于输入数据的扰动、干扰和噪声的抵抗能力。
在真实应用中，输入数据可能存在各种噪声和干扰，例如由于传感器误差、环境变化或操作人员错误等原因引起的数据异常。
鲁棒性评估和分析的目标是检验模型在面对这些干扰时的性能表现，以判断其在真实环境中的可靠性。
评估方法鲁棒性评估是指根据一定的标准和指标来量化模型的鲁棒性。
常用的评估方法包括对抗样本攻击、数据扰动和模型稳定性分析等。
对抗样本攻击是指通过对输入数据进行微小的、人眼无法察觉的篡改，使得模型给出错误的预测结果。
对抗样本攻击在解释模型的鲁棒性方面具有重要意义，可以帮助发现模型的薄弱点。
常见的对抗样本攻击方法有FGSM、PGD等。
数据扰动是一种通过对输入数据施加一定的扰动来模拟真实应用中的噪声和干扰的方式。
数据扰动的方法包括添加随机噪声、对数据进行旋转或缩放等。
通过在扰动后的数据上测试模型的性能表现，可以评估模型的鲁棒性。
模型稳定性分析是一种通过改变训练数据的分布或参数设置，观察模型的性能变化来评估模型鲁棒性的方法。
例如，在不同的训练集上训练相同的模型，或者通过改变正则化参数的设置，观察测试集上的性能差异。
分析角度从算法角度分析模型的鲁棒性是大多数研究工作的重点。
算法角度主要研究如何改进机器学习算法，使得模型在面对输入数据的扰动时具有更好的鲁棒性。
例如，基于深度学习的方法可以通过增加正则化项、引入噪声或设计自适应机制来提升模型的鲁棒性。
从数据角度分析模型的鲁棒性是另一个重要的研究方向。
数据角度主要研究如何充分利用已有的数据信息，或者通过数据预处理、数据增强和数据合成等技术来提升模型的鲁棒性。
基于子空间的MIMO-OFDM盲信道估计
＝
ｙ咖 （ （）
（７ １）
［】 陈 洪， 予， 尔扬 ． 于 噪 声 子 空 间跟 踪 的盲 信 道 估 计 ［ ＿ １ 李 张 基 Ｊ ］ 信 号 处 理 ，０ ７ ２ （ ）８ ３８６ ２ ０ ， ３ ６ ： ７—７
［］ Ｘ ａｄ ｎ ａ， ｋ ｎｕＡ． Ａ ｓｂｐ ｃ ｔｏ ｒ ｌ ｄ ２ ｉｏ ｏ ｇＣ ｉＡ ａ ｓ， Ｎ． ｕ ｓａｅｍｅｈ ｄｆ ｉ ｏ ｂｎ ｃ ａｎ ｌｄｎｉｃｔ ｎｉ Ｆ ｈ ｎ ｅ ｉｅ ｔ ａｉ Ｏ ＤＭ ｓ ｍｓ ］ ０ ０Ｉ Ｅ ｎ ｉ ｆ ｏ ｎ ｓ ｔ ［ ． ０ Ｅ Ｉ． ｙ ｅ Ｊ２ Ｅ
噪声为 Ａ ＷＮＧ， 以 ＝ 所 （＋ 。对 Ｒ 作特征值分解 ⅣＰ — ｙ
＝ （ 啦留
…
一 …）
… （， Ⅳ） ＋
（） １ ５
．
Ｖ
、
。
Ｕ的列向量 为特征 向量 ， ， 为特征值 ， 且
≥ ，对 应 于 Ⅳ＋ 一， Ｊ
（ 一 Ⅳ 的特征向 ＋ 量表示Ｇ … ， ＝Ｇ… ］ ｌ ， 令Ｇ ［，， ， ， ｌ 其中
＝
跟踪算法对 Ｏ Ｄ 信道进行估计的研究 已较多， ＦＭ 如文献“ №。 本文采用子空间 的方法对 ＭＩ Ｏ Ｄ 信道参数进行估计 。 ＭＯ． Ｆ Ｍ
ｌ （ ，，（—） ０…Ｗ Ｎ Ｉ ） ｌ
（ ５
１ ＭＩ — Ｆ ＭＯ Ｏ ＤＭ 技术原 理
＝
［Ｗ－） ，（一］ ｗ ｅ， ＷＮ １ … ） Ｔ
ｃ ａ ｎ ｌ ｓｉ ｔ ｎ ｆ ｒＭ Ｉ Ｏ— ＤＭ ｙ ｔｍ ： ｅ ｕ ｉ ｇ ｔ ｅ ｈ ｎ ｅ ｔ ｅ ｍａ ｉ ｏ Ｍ ｏ ＯＦ ｓｓ ｅ ｒ ｄ ｃ ｎ ｈ
（ｏ １）
机器学习模型的鲁棒性评估与分析
机器学习模型的鲁棒性评估与分析机器学习模型的鲁棒性评估与分析是指对机器学习模型在面对不确定性和干扰时的稳定性和可靠性进行评估和分析的过程。
本文将从鲁棒性定义、鲁棒性评估方法、鲁棒性分析以及应用领域等方面进行探讨。
1. 引言随着机器学习技术的迅猛发展，各种机器学习模型在各个领域得到了广泛应用。
然而，由于现实世界中存在着各种不确定因素和干扰，使得机器学习模型的预测结果可能不稳定或不可靠。
因此，对于机器学习模型的鲁棒性进行评估与分析具有重要意义。
2. 鲁棒性定义鲁棒性是指一个系统或者算法在面对异常输入或者干扰时仍然能够保持其预期功能和表现。
在机器学习领域中，一个具有良好鲁棒性的模型应该能够处理噪声数据、异常数据以及其他形式的干扰，并能够保持高准确率和稳定性。
3. 鲁棒性评估方法为了评估机器学习模型的鲁棒性，研究人员提出了多种评估方法。
其中，常用的方法包括对抗样本攻击、数据扰动和模型泛化能力测试等。
对抗样本攻击是一种常用的鲁棒性评估方法，通过对模型输入进行微小扰动来观察模型的输出变化。
通过构造对抗样本，研究人员可以评估机器学习模型在面对输入干扰时的表现。
数据扰动是另一种常用的鲁棒性评估方法，通过在输入数据中引入噪声、缺失值等干扰来观察模型输出结果的稳定性。
通过改变数据集中噪声比例或者干扰类型，可以评估机器学习模型在不同噪声环境下的表现。
此外，还可以通过测试机器学习模型在不同领域或者不同任务上的泛化能力来评估其鲁棒性。
泛化能力测试可以通过交叉验证、迁移学习等方式进行。
4. 鲁棒性分析鲁棒性分析是指对机器学习模型的鲁棒性进行深入研究和分析的过程。
通过鲁棒性分析，可以发现模型的薄弱点和改进空间，并提出相应的改进方法。
鲁棒性分析可以从多个角度进行。
首先，可以通过对模型参数进行敏感性分析来评估模型对参数变化的稳定性。
其次，可以通过对训练数据进行采样或者数据扰动来评估模型在不同数据分布下的表现。
此外，还可以通过对模型结构和算法进行改进来提高其鲁棒性。
基于子空间算法的MIMO
基于子空间算法的MIMO OFDM盲信道估计研究摘要：统一了应用于SISO-OFDM系统子空间算法盲信道估计的识别条件并推广到MIMO-OFDM系统中，实现了基于噪声子空间算法的盲信道估计技术。
该算法对信道的真实阶数不敏感，只需要MIMO 信道阶数的上限，且可以获得信道的精确估计，并且能快速收敛。
仿真结果验证了该算法的均方误差性能。
关键词：MIMO-OFDM系统；盲信道估计；循环前缀；虚拟子载波0 引言MIMO-OFDM技术将OFDM与空时编码技术有机地结合在一起，将空间分集、频率分集以及时间分集有机地结合在一起，这样可以大大地提高了无线通信中的信道容量和传输效率，并能有效地抵抗衰落、抑制干扰和噪声。
但MIMO-OFDM系统的接收机需要准确的信道参数来进行分集合并、相干检测和解码，因此信道估计的准确性对提高系统的性能十分关键。
在MIMO-OFDM系统中，相关信号检测需要一个对发射天线与接收天线之间信道冲击响应（CIR）的可靠估计，普通的信道估计可以采取发射训练序列来估计，但是对训练序列的要求确实非常严格。
更重要的是，对某些系统发射训练序列并不一定可行。
因此，盲信道估计成为近年来信道估计研究的热点。
目前，盲信道估计的算法比较多，如文献［2］提出了基于冗余线性预编码和噪声子空间的MIMO-OFDM系统的子空间的盲信道估计算法。
文献［3］提出了利用二阶信号周期平稳统计特性并采用了周期非常量模天线预编码的算法来对MIMO-OFDM系统进行盲信道估计和均衡。
文献［4］提出了基于非冗余线性分组码和相关性操作的盲信道估计算法。
提出了利用噪声子空间算法对多用户多天线填零MIMO-OFDM系统的子空间估计。
本文给出了MIMO-OFDM盲信道估计的识别条件，并实现了基于噪声子空间的盲信道估计。
该算法统一了现存SISO-OFDM盲信道估计器的条件，并推广到多天线的MIMO-OFDM系统中。
采用CP 比采用VC可获得更精确的精度，但当信噪比和OFDM数目选取比较适当的时候采用VC也可实现较好的性能，这就潜在地增加了频带的利用率，因此该算法前景比较乐观。
强噪声背景下基于子空间的盲信号提取
（ ｏｌ ｅｏＥ ｅｔ ｎｃ ｃｅｃ ｎ ｃ ｎｌｇ ， ａｉ ａ ｎ ｅｓｙｏ Ｄｅｅｓ ｃ ｎ ｌ ｙ Ｃ ａ ｇｈ ０ ３ Ｃ ｉａ Ｃ ｌ ｇ ｌｃ ｏ ｉ Ｓｉｎｅ ｄＴ ｈ ｏｏｙ Ｎ ｔ ｎ ｌｆＵ ｉ ｒｉ ｆｎｅＴ ｈ ｏｏ ， ｈ ｎｓａ４ ７ ， ｈｎ ） ｅ ｆ ｒ ｓ ａ ｅ ｏ ｏ ｖ ｔｆ ｅ ｇ １ ０ （ ｏｌ ｅ Ｍｅｈ ｔ ｎｃ ｎ Ａ ｔｍ ｔ ｎＮａｉｎ ｌ ｎｖｒｉ Ｄ ｆｎｅ ｅｈ ｏｏ ， ｈ ｎ ｓａ４ ７ ， ｈｎ） Ｃ ｌｇ ｅ ｏ ｆ ｃ ａｒ ｉ ａ ｄ ｕｏ ａｉ ， ｔ ａ ｉ ｓ ｏ ｅｅｓ ｃｎ ｌｇ Ｃ ａ ｇｈ ｌ０ ３ Ｃ ｉａ ｏ ｓ ｏ ｏ Ｕ ｅ ｔｆ ｙ Ｔ ｙ ０
Ｂｌ ｄ Ｓ ｇ ａ ｔ ａ ｔ ｎ Ｂａ ｅ ｎ Ｓ ｂ ｐ ｃ ｖ ｒ ｉ ｉｎ ｌ ｎ Ｅｘ ｒ ｃ ｉ ｓ ｄ ｏ ｕ ｓ ａ ｅｏ ｅ ｏ Ｈｉ ｈＮｏ ｓ ｏ ｒ ｅＢａ ｋ ｒ ｕ ｄ ｇ ｉｅＳ ｕ ｃ ｃ ｇ ｏ ｎ
Ｈｕ ｎ ａ ． ｉ￣ ａ ｇＸｉｏｂ ｎ Ｌ ｕＨａ． ｏ ｉ ｉ ａ ｏ ｔ Ｗ ａ ｉｎｗｅｏ ｎＪａ ． ｉ ＨｕＤｅｗｅ ② ． ｎ
法 ，该方法在光学功能成像巾得到了成功应用。但研 究发现在极低信噪 比下 ，由于观测数据的样ｌ ＿ 小协方差炬 阵具 有奇异性 ，这使得 ＩＡ 去噪算法 中的 白化处理步骤无法进行。为解决这一问题，本文利用予窄问的概念 ，在 Ｉ Ａ Ｃ Ｃ 去噪方法 的基础上提 出了一种新 的基于子空间的 ＩＡ（ Ａ ｂｓｄｏ ｉｎｌ ｕ ｓａｅ ＳＣ 去噪方法 。仿真表 明该 Ｃ Ｉ ａｅ ｎｓ ａ Ｓ ｂｐｃ ， ｌＡ） Ｃ ｇ 方法 能在极低信噪 比下有效去噪 ，同时与传统的滤波去噪丰 比， ＳＣ 耳 Ｉ Ａ去噪方法 在去噪的同时还能够成功地将频 域重 叠的信号正确分离 。 关键 词 盲信号提取 ，独立成分分析 ，子窄间分解，滤波 中图分类号 ： Ｎ９ １ Ｔ １． ７ 文献标识码 ： Ａ 文章编 号； ０ ９５９ （０ ６１－０ ７０ １ ０—８ ６２ ０ ）１２３ —４
基于鲁棒优化的模式识别方法研究
基于鲁棒优化的模式识别方法研究模式识别是计算机科学中的一个重要领域，涉及到将特定的输入与已知的模式进行匹配，以便进行分类、识别和预测等任务。
在实际应用中，模式识别方法的准确性和稳定性至关重要。
本文将探讨基于鲁棒优化的模式识别方法的研究。
鲁棒优化是一种用于处理不完美数据或不确定性因素的优化技术。
在模式识别领域中，不完美数据或不确定性因素可能来自于数据采集过程中的噪声、遮挡、变形等情况。
传统的模式识别方法在面对这些问题时可能表现出较低的准确性和稳定性。
基于鲁棒优化的模式识别方法旨在提高模式识别系统对干扰因素的稳健性和抗扰能力。
这种方法通常通过以下几个步骤实现：首先，数据预处理是基于鲁棒优化的模式识别方法中的重要步骤。
该步骤主要涉及数据清洗、数据归一化、特征选择等操作，以减少噪声对模式识别系统的影响。
常用的数据预处理技术包括主成分分析（PCA）、小波变换等。
其次，特征提取是基于鲁棒优化的模式识别方法的核心环节。
特征提取的目标是从原始数据中提取出具有信息量且对扰动不敏感的特征。
鲁棒优化通常可以通过最小化特征间的差异，提高特征的稳定性和不变性。
常见的特征提取方法包括传统的统计学特征、频域特征、时域特征和小波特征等。
接下来，模型选择是基于鲁棒优化的模式识别方法中的一个重要决策。
从众多模型中选择适合当前任务的模型可以进一步提高模式识别系统的性能。
常用的模型包括支持向量机（SVM）、人工神经网络（ANN）、深度学习网络等。
最后，模型的优化和评估是基于鲁棒优化的模式识别方法中不可或缺的步骤。
模型的优化可以通过调整模型参数、引入正则化等技术来实现。
而模型的评估则需要使用适当的指标来衡量模型的性能，如准确率、召回率和F1值等。
除了以上步骤，基于鲁棒优化的模式识别方法还可以结合其他技术，如集成学习、迁移学习等，以进一步提高模式识别系统的性能和鲁棒性。
总之，基于鲁棒优化的模式识别方法通过数据预处理、特征提取、模型选择和优化评估等步骤，旨在提高模式识别系统的准确性和稳定性。
一种基于联合信息标准的盲信噪比估计算法
第 ３ 卷 第 ３期 ９
２０ ０ ７年 ６月
南
京
航
空
航 天 大 学 学 报
Ｖ ｏ１ ｏ． ．３９Ｎ ３
ｓ ｔ Ｃ Ｊ ｕ ｎ ｌｏ ｎ ｉｇ Ｕｎｖ ｒｉｙ ｏ ｒ ｎ ｕ ｉｓ＆ Ａ ｒＯｎ ａｕｔＩ Ｓ ｏ ｒ ａ ｆＮａ ｊ ｉｅ ｓｔ ｆＡｅ ｏ ａ ｔｃ ｎ
Ｇｕ Ｘ ｕ ｍ ａ ，Ｗ ｕ Ｄ ａ ｅ ｉ ｎ
（ ｍｍｕ ｉａ ｉ ｎ Ｒｅ ｅ ｒ ｈ Ｃｅ ｔ ｒ Ｃｏ ｎｃ ｔｏ ｓ ａ ｃ ｎ ｅ ，Ｈａ ｂ ｎ Ｉ ｓ ｉ ｔ ｆＴｅ ｈ ｏ ｏ ｙ，Ｈａ ｂ ｎ，１ ０ ０ ，Ｃｈ ｎ ） ｒ ｉ ｎ ｔ ｕ ｅｏ ｃ ｎ ｌｇ ｔ ｒｉ ５０１ ｉａ
果 表 明 ， 算 法 可 以 用 小样 本 对 在 加 性 白 高 斯 噪 声 和 Ｒ ｙｅｇ 该 ａ ｌ ｈ衰 落信 道 下 常 用 的 数 字 调 制 方 式进 行 盲 估 计 ， ｉ 在
Ｓ ＮＲ 从 一 １ Ｂ～２ Ｂ 范 围 内平 均 估 计 误 差 小 于 １ｄ ０ｄ ５ｄ Ｂ。
ｎｅ ｄ ｒｏ ｅ ｓ ｎｏ ｐ ｉ ｒ ｋｎｏ ｅ ｅ ｏｆｍｏ ｗｌ ｄｇ ｄｕｌｔｏ ｙｐ ｓ，ｂａ ｄ ｒ ｔ ａ ｒｅ ｒ ｑ ｅ ｙ ｏ ｈ ｉ ｎａ ｓ ａ ｉｎ ｔ ｅ ｕ ａ ｅ ｏｒｃ ｒ ｉｒ ｆ ｅ ｕ ｎｃ ｆｔ ｅ ｓ ｇ ｌ ．Ｃｏ ｍｐｕ ｅ ｔｒ ｓｍｕｌ ｔｏｎ ｓ ｗｓｔ ｔｔ ｌ ｏ ｉｈｍ ａ ｌｎ ｙ ｅ ｔｍａ ｅ ｔ ｅ ＳＮＲ ｆｄｉ ｉａ ｄｕｌｔｏ ｉ ａ ｓ ｃ ｉ ａ ｉ ｈｏ ｈａ ｈｅａ ｇ ｒｔ ｃ ｎ ｂ ｉ ｄｌ ｓ ｉ ｔ ｈ ｏ ｇ ｔ ｌｍｏ ａ ｉ ｎ ｓｇｎ ｌ ｏｍｍｏ ｎ—
关 键 词 ： 噪 比 合 信 息 标 准 （ Ｉ ； 制 信 号 ； 估 计 信 联 Ｃ Ｃ） 调 盲 中 图分 类 号 ： Ｎ９ Ｔ ２ 文献 标 识 码 ： Ａ 文 章 编 号 ：０ ５２ １ （０ ７０ —３ ３０ １０ —６ ５ ２ ０ ） ３０ ６— ５
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
号 的过 采样 信息 ， 出一 种新 的构造 接 收信 号 自相 提
Ｇａ ｓｉｎ ｎ ｉ ，ＡＷＧＮ） 道 下 的 信 噪 比估 计 方 ｕ ｓ ｏｓ ａ ｅ 信
法 有 很 多 。文献 ［ ］ 结 了 Ｓ ＭＥ， Ｍ４ Ｓ １总 Ｓ Ｍ２ ， ＮＶ， Ｓ ＶＲ 等 典 型 的 信 噪 比估 计 算 法 ， 这 些 算 法 只 适 但
用 于 ＭＰ Ｋ 信 号 ， 不 能 对 所 有 的二 维 线 性 调 制 Ｓ 并
ＭＤＬ） 信 息 论 准 则 （ Ｃ） 计 带 内信 号 子 空 间 或 ＡＩ 估 维数 ， 进而 得 到 信 噪 比估 计 值 ， 但这 些 维 数 估计 方
法在 信 噪 比较 低 或较 高 时会有较 大 的估计 偏 差 ， 从
而影 响 到信 噪 比估计 的性 能 。文献 ［ ］ 出一种不 ７提 需要 估计 信 号子 空 间维数 的算法 ， 它 隐含 在发送 但
ｏ ｏ ｉ ｈ，Ｓ ｈ ｔ ｔ ｅ Ｓ ｒ ｔ ｏ ｈｇ Ｏ ｔ ａ ｈ ＮＲ ｏ ｎ ｆ ｔ ｅ ｅ ｔｍａ ｉ ｎ ｉ ａ ｇ ｎ ｅ ．Ｓ ｍｕ ａ ｉ ｎ ｒ ｓ ｌｓ ｓ ｏ ｂ ｕ ｄ ｏ ｈ ｓ ｉ ｔｏ ｓ ｕ ｍｅ ｔ ｄ ｉ ｌ ｔ ｅ ｕ ｔ ｈ ｗ ｏ ｔ ａ ｈ ｅ ｍｅ ｈ ｄ ｃ ｎ ｄ ｒ ｃ ｌ ｅ ｌ ｔ ｈ ｎ ｅ ｍｅ ｉｔ ｒ ｑ ｅ ｃ （Ｆ）ｓ ｇ ａ ｔ ｅ ｔ ｒ ｈ ｔｔ ｅ ｎ ｗ ｔ ｏ ａ ｉｅ ｔｙ ｄ ａ ｈ ｔ ｅ ｉ ｔ ｒ ｄ ａ ｅ ｆ ｅ ｕ ｎ ｙ Ｉ ｗｉ ｉｎ ｌ ｗｉ ａ ｂ ｔｅ ｈ ｅ ｔｍａ ｉ ｎ ｐ ｒ ｏ ｍａ ｃ ｎ ｔ ｓ ｎ ｔｓ ｎ ｉ ｖ ｏ ｔ ｅｓ ａ ｉ ｇ ｆ ｔ ｒｒ ｌ ｏ ｆｆ ｃ ｏ ｎ ｄ ｌ ｔ ｎ ｓ ｉ ｔｏ ｅ ｆ ｒ ｎ ｅ ａ ｄ ｉ ｉ ｏ ｅ ｓ ｔ ｅ ｔ ｈ ｈ ｐ ｎ ｉ ｅ ｏ ｌ ｆ ａ ｔ ｒａ ｄ ｍｏ ｕ ａ ｉ ｉ ｌ — ｏ
的信 噪 比估计 器 ， 在一 定信 噪 比范 围 内实 现 了普适 二 维 调制 信 号 的 信 噪 比估计 ， 估 计 精 度 高 ， 且 但该 方法 需要 脉 冲成 型信 息 ， 尚不能 完全 满 足非 协作通 信 的需要 。 本 文在 原子 空 间分解 算法基 础 上 ， 用 接收 信 利
ｄｉ ｅ ｓ ｏ ｍ ｎ ｉ ｎ，ｗｈｉｈ ｉ ｐ ｏｖ ｓｔ ｅ ｆ ｒ ａ ｃ ｆｔ ｅ ｏｒｇ ｎ ｌ ｏ ｉｈｍ ｃ ｍ ｒ ｅ ｈｅ ｐ ｒ ｏ ｍ ｎ ｅ ｏ ｈ ｉ ｉ ａｌａ ｇ ｒｔ ｗｈｅ ｈ ｎ ｔ ｅ ＳＮＲ ｓｔ ｏ ｌ ｗ ｉ ｏ ｏ
（） １ 接收 信号 自相 关矩 阵 可 以分解 为信 号子 空
间和噪声 子 空间 ；
（） ２ 信号 子空 间 和噪声 子 空 间对应 的特 征值 与 信 号和 噪声功 率存 在对 应 关 系 。
由以上两 个 性质不 难 看 出 ， 估计 接收 信号 的 要 信噪比， 首先 需要 计算 接 收信 号 的 自相关 矩 阵 Ｒ （）一 Ｅ［ （）” ｆ］一 ￡ － ｔｒ （） ｒ ＋ （） ５
６０ １
数 据 采
集 与 处 理
第２ ６卷
估计 ， 是一 种 类 型 盲 的估 计 方 法 ， 以作 为 调 制识 可
别前 端 的信 噪 比估计 器 。不足 的是 ， 该算 法需 要先
利 用 最 小 描 述 距 离 （ ｎｍｕ ｄｓａ ｃ ｅ ｇ ｈ Ｍｉｉ ｍ ｉ ｎ ｅ ｌｎ ｔ ， ｔ
计这一情 况， 用噪声功率 （ ） 采 ＮＰ 法对 信 号 子 空 间 维数 进 行 估 计 ， 一 步 改善 了 原 算 法 在 信 噪 比 过 低 或 过 高 时 估 进
计 性 能 变差 的 问题 ， 大 了信 噪 比 的估 计 范 围 。 仿 真 结 果 表 明 ： 算 法 能 对 中频 信 号 直 接 处 理 ， 有 较 低 的 估 计 增 新 具
基 金 项 目 ： 家 自然 科 学 基 金 （ １７ ０ ６ 资 助项 目。 国 ６０２４）
收 稿 日期 ： ０ ０ ０ — ５ 修 订 日期 ： ０ １ Ｏ 一 ７ ２ １ — ８２ ； ２ １ 一 ｌ ０
系统 中 的信干 比进行 估计 ， 它需 要 利用训 练序 列 但
来 构造 接 收信号 的相关矩 阵 ， 降低 了 系统效 率 。文 献 ［— ］ ４ ６ 利用 子 空 间分解 方法 实 现 了对 信噪 比的盲
Ｚｈａｎ Ｊｉ ｃ ｎ ， Ｐｅ ｕ ｇ ｎ ｈｅ ｇ ｎｇ Ｈ ａ
（ ｎ ｔｔ ｔ ｆＩ ｆ ｒ ｔｏ ｇ ｎ ｅ ｉ ｇ，Ｉ ｆ ｒ ｔｏ ｇ ｎ ｅ ｉ ｇ Ｕｎ ｖ ｒ ｉ ｆＰＬＡ ，Ｚ ｅ ｇ ｈ ｕ，４ ０ ０ ｉ ａ Ｉ ｓ ｉｕ ｅ ｏ ｎ ｏ ｍａ ｉ ｎ Ｅｎ ｉ ｅ ｒｎ ｎ ｏ ｍａ ｉ ｎ Ｅｎ ｉ ｅ ｒｎ ｉｅ ｓｔ ｏ ｙ ｈｎｚｏ ５ ０ ２ Ｃｈ ｎ ）
（ 一 １ ∑ ｒ ） （ ｆ ） （ ｒ五 ｋ“ ）
ｔ Ｋ＋ １ —
（ ６ ）
式 中 Ｋ 为用 来 估 计 自相 关 矩 阵 的样 本 数 ， （ ） ， 五 一
［ 一 一，ｋＬ Ｉ ， ？－ ＋］ 长 为 Ｌ 的一 段 连续 的接 收 ＇ 是
信号， 也是估 计 自相关 矩 阵 的一个 样本 。 以证 明 ， 可 由上式定 义 的样 本 自相关 矩 阵 （） ｆ 的特征 值是 真 实 自相关 矩 阵 （） ￡ 的特 征值 的最 大似 然估计 嘲 。 在 得到样 本 自相关 矩 阵估 值后 ， 一步 就是 分 下
端采 用矩 形 成 型的 限制条 件 ， 小 了该方 法 的适 用 缩
式 中Ｒ ， 一 般来说 ， 一 。 自相关 矩 阵真 实值 是无 法 直 接得 到 的 ， 可 以通 过 采用 时 间平均代 替 统计 平 但 均 的方式 ， 到 自相关 矩 阵 的估 计 值Ⅲ 得
范 围 。文献 Ｅ ３ 出一 种基 于调 制信 号周 期平 稳性 ｓ提
偏 差 和 均 方 误 差 ， 对 成 型 滤 波 器 滚 降 系数 及 调 制 方 式 均 不敏 感 。 且
关键 词 ： 空 间 分 解 ； 子 盲信 噪 比 估 计 ； 自相 关 矩 阵 ； 声 功 率 噪
中图分类号 ： ＴＮ９ １ ２ １． ３ 文献标识 码 ： Ａ
Ｒｏ ｓ ｉ Ｎ Ｒ ｔｍ ａ ｉ ｎ Ｍ ｅ ｈｏ ｓ ｄ ｏ ｕｂ ｐ ｃ ｃ ｍ ｐ ｓ ｔｏ ｂｕ ｔＢｌｎｄ Ｓ Ｅｓ ｉ ｔｏ ｔ ｄ Ｂａ ｅ ｎ Ｓ ｓ ａ ｅ Ｄｅ ｏ ｏ ｉｉ ｎ
目前 ， 对 加 性 高 斯 白 噪 声 （ ｄｔ ｅｗｈｔ 针 Ａｄ ｉ ｖ ｉ ｉ ｅ
引
信 噪 比是 衡量 通信 质 量 的重要 参数 ， 现代 通 在 信 领域 得 到广 泛应 用 。如 在协 作通 信 中 ， 为功 率 它
控制、 区域 切 换 、 ｕ ｂ Ｔ ｒ ｏ迭 代 译 码 和 自适 应 调 制 技
ｍ ｏｄ ． ｅ
Ｋｅ ｒ ｓ ｕ ｓ ａ ｅ ｄ ｃ ｍｐ ｓｔｏ ｙｗｏ ｄ ：ｓ ｂ ｐ ｃ ｅ ｏ ｏ ｉ ｎ；ｂｉ ｄ ｓｇ ａ —ｏ ｎ ｉｅｒ ｔｏ （ ＮＲ）ｅ ｔｍａ ｉｎ；ａ ｔｃ ｒｅ ｉ ｌ ｉｎ ｌｔ — ｏｓ ａ ｉ Ｓ ｎ ｓｉ ｔｏ ｕｏ ｏｒ—
ｌ ｔｏ ａ ｉ ｎ ｍａｔ ｉ ｒｘ；ｎ ｓ ｗｅ ｏｉｅ ｐｏ ｒ
ቤተ መጻሕፍቲ ባይዱ
ｔ ｎ ｅ ｌｎ ｔ （ ＤＬ） ｃ ｉ ｒａｃ ｎ ｏ ｌ ｃ ｕ ａｅｙ ｅ ｔｍａｅ ｈ ｉ ｎ ｉ ｎ ｉ ｉ ｉ ｄ ｓｇ ａ—ｏ－ ａ ｃ ｅ ｇ ｈ Ｍ ｒｔ ｉ ａ ｎ ｙ ａ ｃ ｒ ｔｌ ｓ ｉ ｔｓ ｔ ｅ ｄｍｅ ｓｏ ｎ ｌ ｔ ｉ ｎ ｌｔ — ｅ ｍ ｅ －
信 号进 行 处理 。文献 ［— ］ 信 号空 间投 影 方法 对 ２３用
时分 多址 （ ｍｅｄｖｓｏ ｌｐｅａｃ ｓ ， ＭＡ） Ｔｉ ｉｉ ｎｍｕｔ ｌ ｃｅｓ ＴＤ ｉ ｉ
术 等 提 供 了 必需 的 信 道 质 量 信 息 ； 非 协作 通 信 在 中 ， 号 调 制类 型是 未 知 的 ， 调 前需 先 进 行 调 制 信 解 识 别 。为提 高 识别 性能 ， 常将信 噪 比估值 作 为先 验 信 息 。因此 ， 噪 比估 计技 术具 有重 要 的意 义 。 信
一
种 鲁 棒 的基 于 子 空 间分 解 的盲 信 噪 比估 计 方 法
张金 成 彭 华
（ 解放军信息工程大学信息 工程学院 ， 州 ，５０ ２ 郑 ４００）
摘 要 ： 解 决 原 子 空 间 分 解 算 法 中对 信 号 和 噪 声 子 空 间 维数 估 计 鲁 棒 性 差 的 问题 ， 据 信 号 的 过 采 样 率 信 息提 为 根 出 了一 种 新 的 构 造 自相 关 矩 阵 的方 法 ， 以减 少 矩 阵 内部 数 据 间的 相 关性 ， 而达 到 提 高信 号 和 噪 声 子 空 间 维 数 从 估 计 精 度 的 目的 。 同 时 ， 对 利 用 最 小描 述 距 离（ 针 ＭＤＬ 准 则 估 计 维数 时 ， 能在 有 限 信 噪 比 范 围 内 实现 精 确 估 ） 只
第 ２卷第５ ６ 期
２１ ０ １年 ９月
数
据
采
集
与
处
理
Ｖ ｏ ．２ ｏ．５ １ ６Ｎ Ｓｅ ｐ． ２０ １１
Ｊ ｕ ｎ ｌｏ ｔ ｑ ｉｉｉｎ＆ Ｐｒｃ ｓ ｉｇ ｏ ｒ ａ ｆＤａａＡｃ ｕｓｔ ｏ ｏ ｅ ｓｎ
文 章 编 号 ： ０ ４ ９ ３ （ ０ １ ０ — ６ ９ ０ １ ０ — ０ ７ ２ １ ） ５０ ０ — ６
Ａｂ ｔ ａｃ ：Ｔｏ ｓ ｖ ｈｅ ｐ ｒｒ ｕｓ ｎ ｓ ｒ ｂｌ ｍ ｈｅ ｓｇｎ ｌａ ｏｉｅｓ ｓ ａ ｅ ｄ ｍｅ ｉ ｎ ａ — ｓｒ ｔ ｏｌ ｅ ｔ ｏｏ ｏｂ ｔ ｅ ｓ ｐ ｏ ｅ ｏｆｔ ｉ ａ ｎｄ ｎ ｓ ｕｂ ｐ ｅ ｉ ｎｓｏ ｓ ｔｍａ ｉ ｎ ｔ ｅ ｓ ｉ ｔｏｎ ｉ ｈ ｕｂｓ ｃ ｓ ｄ ａ ｇ ｉｈ ，ｉ ｓ ｓ ｔ ｐａ ｅ ｂａ ｅ ｌ ｏｒｔ ｍ ｔ ｕ ｅ ｈｅ ｋｎｏ ｅ ｅ ｏｆｏ ｅ ｓ ｍ ｐ ｉ ａ ｅ ａ ｄ ｐｒ — ｗｌｄｇ ｖ ｒ ａ ｌｎｇ ｒ ｔ ｎ ｏ ｐｏ ｅ ｅ ｍ ｅ ｈｏ ｏ ｂｕ ｌ ｈｅ ａ ｏｃ ｒ ｌｔ０ ｍａ ｒｘ。ｗｈ ｃ ｅ ｕｃ ｓ ｔ ｅ ｒ ｌ ｖ ｎｃ ｔ ｎ ｓ ｓ ａ ｎ ｗ ｔ ｄ ｔ ｉｔｔ ｕｔ ｏｒ ｅ ａ ｉ ｎ ｔ ｉ ｉ ｈ ｒ ｄ ｅ ｈ ｅ ｅ ａ ｅ ｏｆｄａ ａ ｉ ｔ ｔｉ ｈｅ ｍａ ｒｘ，ｔ ｈｕｓ ｉ ｐ ｏｖ ｎ ｈｅ ｐｒ ｃ ｓｏ ｆｔ ｓ ｉ ｔｏ ｍ ｒ ｉ ｇ ｔ ｅ ｉｉ ｎ ｏ ｈｅ ｅ ｔｍａ ｉ ｎ．Ｆｏ ｈｅ ｆ ｃ ｈ ｔｔ ｎｉ ｒｔ ａ ｔｔ ａ ｈｅ ｍｉ ｍｕｍ ｓ ｄｉ—