一种功率谱密度估计的高效实现方法与流程

本发明属于通信数字信号处理领域，特别涉及基于认知无线电或者非协作通信中的频谱感知、功率谱密度分析、信号盲检测以及参数盲估计技术。

背景技术：

功率谱估计有着极其广泛的应用，不仅在认识一个随机信号时，需要估计它的功率谱。它还被广泛地应用于语音、图像、光电等信号处理中。在信号处理的许多场所，要求预先知道信号的功率谱密度(或自相关函数)。例如，在最佳线性过滤问题中，要设计一个维纳滤波器就首先要求知道(或估计出)信号与噪声的功率谱密度(或自相关函数)。根据信号与噪声的功率谱才能设计出能够尽量不失真的重现信号，这是功率谱估计在信号处理中的一个重要用途。

功率谱估计是数字信号处理的重要研究内容之一。经典功率谱估计主要包括周期图法和自相关法，但由于这两种方法的功率谱估计性能较差，便提出了周期图法的改进算法，及对其进行加窗、平均等修正。welch法作为周期图法的改进算法，主要有如下两点修正：(1)将数据分段，并且分段数据可以重叠，这样每段数据之间的相关性将会减低，由此改善方差特性；(2)每段数据都乘以同一个窗函数，窗函数的选择可以任意，这样直接周期图法中由矩形窗带来的频谱失真将得到改善。welch谱估计法算法简单稳定以及物理意义明确，在工程实现中应用比较广泛。

实际应用中，对于突发数据信号，在突发间隔满足条件下，可将因重叠可能丢失的数据存储在ram中，此时采用welch法可实现功率谱密度估计。但是在应对数据流时，由于数据重叠致使数据处理速度滞后于数据流速度，这将导致数据丢失。如何提高数据流功率谱估计的吞吐率，同时降低硬件资源消耗成为工程设计中的一个难点。

技术实现要素：

为解决上述技术问题，本发明提出一种功率谱密度估计的高效实现方法，采用两路并行fft实现架构提高功率谱密度估计的吞吐率，同时对fft输出结果做归一化，实现时钟频率高达250mhz，吞吐率为250msps的功率谱密度估计。

本发明采用的技术方案为：一种功率谱密度估计的高效实现方法，包括：

s1、采用welch算法将将长度为i的数据流均等分成l段，将这l段数据合并成奇数段与偶数段两部分；

s2、记fft的点数为n，取数据流前n点数据估计缩放因子；

s3、分别对已对齐的奇数段与偶数段两部分数据进行加窗并做fft变换；

s4、根据步骤s2的缩放因子分别对步骤s3的输出奇数段与偶数段的结果进行移位处理；

s5、对经步骤s4处理后的奇数段与偶数段的结果分别求平方后相加，得到信号幅度的平方；

s6、根据步骤s5的信号幅度，计算功率谱估计值。

进一步的，步骤s2具体为：

s21、取数据流前n点数据，加窗之后做fft，分别计算fft输出实部与虚部的绝对值，找到实部与虚部绝对值中的最大值；

s22、记fft输出有符号定点数kbits，其中小数mbits，找出最大值非零最高位的位置p；如果m≤p≤k-1，则缩放因子s_factor为p-m；如果0≤p≤m，则缩放因子s_factor为m-p。

进一步的，步骤s3包括：从第n+1点数据开始，采用第一双端口ram，对奇数段数据延迟n/2时钟周期，从第3n/2点开始偶数段数据到达，此时读取第一双端口ram中奇数段数据，使得奇偶两段数据对齐。

进一步地，步骤s4具体为：如果m≤p≤k-1，则将步骤s3的输出奇数段与偶数段的结果右移p-mbits；如果0≤p≤m，则将步骤s3的输出奇数段与偶数段的结果左移m-pbits。

进一步地，步骤s6具体为：使用第二双端口ram对功率谱做递归累加，当累加次数达到外部控制所设值时，结束功率谱密度计算，同时输出功率谱估计值。

进一步的，加窗所用窗函数的点数为n。

本发明的有益效果：一种功率谱密度估计的高效实现方法，通过将原welch算法对数据流拆分成的l段数据合并成奇数段与偶数段两部分，采用两路并行fft实现架构，实现时钟频率高达250mhz，吞吐率为250msps的功率谱密度估计；先对fft输出结果估计缩放因子，再采用移位的方式对fft输出结果做归一化，不仅省掉了除法器的使用，而且减少了后续乘法器的计算量，降低了硬件资源的消耗。

附图说明

图1为welch算法分段数据流之间的重叠关系。

图2为将分段数据合并成奇偶部分后与原数据流的关系。

图3为功率谱密度估计的高效硬件实现架构。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

本发明通过将原welch算法对数据流拆分成的l段数据合并成奇数段与偶数段两部分，记fft的点数为n，则偶数段数据与原数据流相差n/2点数据；采用两路并行fft实现架构分别对奇数段与偶数段数据做频域变换；在频谱叠加时为了保证奇偶两段数据对齐，采用ram对奇数段数据延迟n/2个时钟周期；利用fft首个n点输出估计缩放因子，根据缩放因子对fft后续输出做归一化，降低硬件开销。

n的值根据频谱分辨率来确定的，n越大频谱分辨率越高，同时越消耗硬件资源。

如图1所示为welch算法分段数据流之间的重叠关系，包括以下步骤：

将长度为i的数据流均等分成l段，由此得到的每段数据长度假设为j，并且假定相邻每段数据重叠长度为j/2，于是可以计算出welch算法所得段数如下：

图1中datastream表示数据流。

如图2所示为本发明将分段数据合并成奇偶部分后与原数据流的关系，重新调整图1分段数据间的关系，可以发现奇数段数据合并起来刚好与原始数据流一致，而偶数段合并起来与原始数据流相差最开始一个重叠长度。

图2中oddpart表示奇数段部分，evenpart表示偶数段部分。

如图3所示为本发明的功率谱密度估计的高效硬件实现架构图，包括以下的具体步骤：

(1)取数据流前n点数据，加窗之后做fft；即对fft首个n点输出，分别计算fft输出实部与虚部的绝对值，找到实部与虚部绝对值中的最大值；

(2)假设fft输出有符号定点数kbits，其中小数mbits，找出最大值非零最高位的位置p。如果m≤p≤k-1，则缩放因子s_factor为p-m；如果0≤p≤m，则缩放因子s_factor为m-p；

(3)从第n+1点数据开始，采用第一双端口ram1，对奇数段数据延迟n/2时钟周期，从第3n/2点开始偶数段数据到达，此时读取第一双端口ram1中奇数段数据，使得奇偶两段数据对齐；

(4)分别对奇偶两段数据加窗并做fft变换，如图3所示，奇数段数据的fft变换记做fft1，偶数段数据的fft变换记做fft2；本发明采用移位方式代替除法对fft输出做归一化，更易于硬件实现：根据步骤(2)计算所得的缩放因子，如果m≤p≤k-1，则缩放因子为p-m，表示fft输出是大于1的数，此时归一化需要将fft输出右移p-mbits；如果0≤p≤m，则缩放因子为m-p，表示fft输出是小于1的数，此时归一化需要将fft输出左移m-pbits；

本发明中窗函数的点数为n，窗函数的选择可以任意，比如汉宁窗，布莱克曼窗等。

(5)分别对归一化后的fft输出求平方，并将求平方后的奇偶计算所得结果相加，得到信号幅度的平方，即功率的估计值；

(6)使用第二双端口ram2对功率谱做递归累加，当累加次数达到外部控制所设值时，结束功率谱密度计算，同时输出功率谱估计值。外部设定值是根据需要达到功率谱密度估计的精度来确定的，累加次数越多精度越高，功率谱密度曲线越平滑。这个参数取值范围是大于或等于1，即至少要有一次重叠累加，没有设置上限。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。