基于有限样本信息准则的非协作盲信噪比估计算法

针对小样本条件下的盲信噪比估计误差较大问题,结合信号子空间分解方法,提出一种基于有限样本信息准则(finitesample information criterion,FSIC)的盲信噪比估计算法,并推导出基于FSIC盲信噪比估计算法的最大似然形式。在小样本情况下,FSIC的引入克服了传统信息论方法产生的过拟合和欠拟合问题,降低计算复杂度。在不需要已知信号调制方式、载波频率、波特率等先验知识的前提下,能够在加性高斯白噪声信道(AWGN)和多径信道(Rayleigh)下对常用调制信号进行有效的信噪比估计。在信噪比-25 dB～25 dB范围内,其平均估计误差小于1 dB,表明该算法可有效应用于小样本盲信噪比估计。

基于有限长样本数据的信噪比估计

从信号模型上给出了信号子空间是有限维数的说明,并通过仿真说明信号与噪声子空间的特征值在短数据下无法准确获得。提出基于仅由噪声特征值构成的极大似然函数的改进AIC准则,实现了信号子空间的维数的准确估计,从而获得了一种在相对较小样本下更稳健的信噪比估计方法。从不同的信噪比大小与样本数据长度进行仿真验证,结果表明,该方法比原始的子空间方法能适应更低的信噪比和更短的数据样本长度。

AR模型仿真相关高斯序列的阶数选择

采用模型仿真相关高斯序列,具有灵活性强、效率高的优点,但如何选择合适的阶数一直是模型谱估计中的关键问题。比较了四种信息量准则和修正的Levison递推方法确定阶数的优缺点,并讨论了采样点数对阶数选择和仿真结果的影响。通过选择合适的信息量准则和采样点数来确定模型阶数,可以有效地仿真功率谱服从高斯谱、n次方谱和指数谱等多种谱形的相关高斯序列,大大降低了仿真过程的计算量。