CN103609028A - 用以从信号处理系统中适应性地消除正弦干扰的方法和系统 - Google Patents

Abstract

一种从所接收的信号中消除正弦干扰的方法包括识别包含正弦干扰的无信号数据块。构建所选的数据块中的显著干扰的模型，将其缩放到后续的数据块并使用其来从全部所接收的信号中去除正弦干扰信号。

Description

用以从信号处理系统中适应性地消除正弦干扰的方法和系统

相关申请

本申请要求2011年6月16日提交的题为“Method and system to adaptively cancel sinusoidal interference from a signal processing system”的美国专利申请序列号13/162,346的优先权，其主题通过引用被全部并入。

技术领域

本发明涉及信号处理，并且更具体地涉及减少信号中的干扰的方法。

背景技术

提供在例如地下矿井中的危险和/或有阻碍的环境中的长距离无线通信的能力对于高效工作和安全性两者来说都是必要的。在诸如煤炭开采的一些应用中，规章要求要有通信系统以用于事故后的通信。在这些采矿工作中，将通信信号发射通过除用在相关联的结构中的大量钢铁和混凝土之外还通过例如土地、水和岩石，这严重影响了通信信号的有效范围。对于通过例如传统的电偶极天线发射射频信号的系统来说尤其是这样。

提供低频磁信号的磁通信系统（MCS）提供用以发射通过这些材料的增强的能力。例如，可以使用MCS来在地下矿井内深处的地点与在地面上的或者也位于矿井内的第二远程地点之间提供紧急通信。作为上述自然的以及人为的干扰的结果，这些系统通常在相对较弱的信号和严重的干扰的情况下运行。这种干扰限制MCS接收机检测和解调底层信号的能力，从而作为结果限制了系统的有效范围。因此期望用以消除或减少这些干扰的改进的方法。

发明内容

本发明的一个实施例包括从所接收的信号中消除正弦干扰的方法。该方法包括：识别包含如下数据样本的数据块：所述数据样本被已知是无信号的、但包含正弦干扰。通过训练过程，构建所选的数据块中的平均干扰的模型。所构建的模型被缩放至后续的数据块，并被用来在对底层期望数据信号的扰乱最小的情况下从所接收的信号中消除正弦干扰。

本发明的另一实施例包括信号处理系统。该系统接收诸如磁通信信号的信号，该信号包含数据以及正弦干扰。所接收的信号被数字地采样并且通过数字信号处理器处理样本。该数字信号处理器包括干扰消除模块，干扰消除模块被配置为：构建平均干扰的模型，将模型缩放至正被处理的数据块以及将缩放后的模型从数字样本中减去以便在对底层数据信号的影响最小的情况下去除干扰。

附图说明

图1A和1B是包含数据和与由所应用的根据本发明的实施例的干扰消除过程所产生的信号相叠加的正弦干扰这两者的示例性数据信号的图表。

图2是用以执行图1A和1B中示出的干扰消除的本发明的实施例的过程流程图。

图3是根据本发明的一个实施例的示例性训练过程的过程流程图。

图4是根据本发明的一个实施例的示例性迭代消除过程的过程流程图。

图5是根据本发明的一个实施例的示例性单个正弦波消除过程的过程流程图。

图6是根据本发明的一个实施例的示例性联合消除过程的过程流程图。

图7是用于执行本发明的训练和消除过程的频率峰值发现过程的过程流程图。

图8是根据本发明的一个实施例的训练和消除过程的过程流程图。

图9和10是示出在应用根据本发明的实施例的过程之前和之后信号的通带中的正弦干扰的图表。

图11是根据本发明的一个实施例的训练和消除过程的过程流程图。

图12是根据示例性实施例的用于执行干扰消除的数字信号处理系统的框图。

具体实施方式

应当理解的是，本发明的图和说明书已被简化为示出对于清楚理解本发明来说相关的元素，但为了清楚起见删除了在诸如地下通信系统的典型信号处理系统中发现的许多其它元素。然而，由于这样的元素在本领域是被熟知的，并且由于它们并不促进对本发明的更好的理解，因此在本文中并不提供对这样的元素的讨论。本文中的公开致力于本领域技术人员已知的所有这样的变化和修改。

在下面的详细说明中，对附图进行了参考，附图通过例证的方式示出在其中可实践本发明的具体实施例。应当理解的是，本发明的各种实施例虽然不同但不一定是相互排斥的。而且，本文中结合一个实施例描述的特定特征、结构或特性可被实施在其它实施例中而不脱离本发明的范围。另外，应当理解的是，各个元素在每个所公开的实施例内的位置或布置可以被修改而并不脱离本发明的范围。因此，下面的详细说明并不是在限制性的意义上进行的，并且本发明的范围仅仅由所附的权利要求、更适当地解释是由所附的权利要求与权利要求所享有的等同体的全部范围一起来限定。在附图中，相同的数字编号贯穿若干视图指代相同的或相似的功能性。

对例如磁通信信号的所发射的信号的研究已经表明，在一些环境中，包含在其中的干扰的显著分量在本质上是周期性的。这些振荡的分量可能是由来自旋转的电子机械、数字电子设备、电力线和其他未经确认的源的磁场发射而导致的。例如，在窄MCS通带内，该周期性的干扰可能表现为运行在一个或多个基频处的谐波的截短序列。因此，干扰可被模型化为多个离散的、振幅不同且相位不同的正弦波到底层通信信号上的叠加。另外，附加的正弦干扰已被观察到相互之间没有谐波关系。

本文中所述的实施例可被运行用来识别这些正弦波和它们的运行频率并且在对共享频带的相对较弱的数据（例如，通信）信号的损害最小的情况下适应性地消除它们。实施例也可以适应性地减去通常存在于磁信号域中的已知频率的正弦波，诸如由电源系统导致的60Hz的谐波。实施例包括可运行用来适应性地学习干扰正弦波的频率、振幅和相位的训练过程。使用该数据创建净干扰信号的模型。该模型可被从所接收的数据流中减去，以去除干扰，同时使得对底层信号的破坏最小化。

一般地参考图1A和1B，提供了被采样的数据信号在时域（图1A）和频域（图1B）中的示例性图表。信号10由数据信号部分12和干扰部分14（参见采样时段11的信号）构成。干扰14包括对于例如磁通信信号来说常见的上述正弦干扰。可以利用本发明的实施例来减少或删除该干扰部分14。

根据图2，用以从信号中消除该正弦干扰的方法包括使用多步骤的过程。第一步骤100包括用于汇编在其处已经识别了正弦干扰的频率的列表的训练操作。由该信息生成干扰的模型。在步骤102处，可以从所接收的信号中获取N个包括干扰以及信号数据二者的数据样本。最后，在步骤104中，通过从被采样数据中减去该模型来消除每个所识别的正弦频率。可以针对后续的数据样本重复该消除过程。在本发明的一个实施例中，对所有所接收的数据执行该消除过程，而训练过程被执行得不那么频繁。

一般地参考图3，示出了图2的训练过程的更详细的视图。在步骤200中，获取包括例如M个只有干扰的数据样本的训练数据块。在步骤204中分析该数据的频谱以找到具有最大振幅的正弦波的频率。然后在步骤206中从数据中消除该正弦波。一般地参考步骤208，一旦被消除，然后就确定该数据块的净功率并将其与阈值相比较。如果所选择的该数据块（已知其不包含期望的信号）的净功率在预定的阈值之上，则该高净功率水平表明仍然存在是干扰的数据块分量，其导致数据块中的净功率增大。通过识别下一个最大振幅来迭代地去除这些剩余的干扰信号。因此，重复峰值频率识别（步骤204）和消除（步骤206），直到数据的功率减少小于预定阈值的量。频谱分析的每次迭代都免受来自先前已被识别并从数据中被去除的较强正弦波的频率旁瓣的污染。最后，在步骤210中，汇集最强干扰源的频率的列表。在一个实施例中，可以用未被上述过程识别的附加频率（例如，60Hz的谐波）来补充该列表，以去除来自诸如发电机的已知源的干扰。

再次参考图2，可以以若干方式来体现该消除过程。仅仅作为非限制性的示例，并且根据图4，该消除过程可以是迭代的，其中在上述训练过程期间识别的各个正弦波频率一次一个地被从数据中去除。更具体地，在步骤300，可以访问上面所生成的频率列表，识别第一频率并将所识别的频率的单一正弦波从数据中消除（步骤302）。在步骤304，如果列表包含附加的频率，则过程返回到步骤300并且重复，直到列表上的每个频率的正弦波都被消除。

在图5中示出了该消除过程的一个实施例的更详细的过程图。一般地参考步骤305，该过程包括根据所识别的正弦波计算最优复合标量权重。在一个实施例中，指定频率的复合正弦波被投影到数据样本块上以产生复合标量权重。该权重表示例如在最小二乘法分析中产生复合正弦波和该数据样本块之间的最佳拟合的振幅和相位。在步骤352中，将该复合正弦波乘以所计算的权重，并且在步骤354中将该结果从数据样本块中减去。如上所述，可以针对所有所识别的正弦干扰频率重复该过程。

一般地参考图6，可以将消除过程实施为联合过程，其中，代替如上面针对图4所述的一次一个地消除各个频率，使用复合正弦波的加权和来从数据中消除干扰。一般地参考步骤400，该过程包括根据所识别的正弦波计算最优复合标量权重。更具体地，假定在上述训练过程中已经识别M个显著的正弦波，生成复合单位振幅正弦波信号的M×N矩阵，其中第m列（m=1, 2…M）表示处于M个频率中的一个频率处的正弦波的N个样本。该消除过程利用唯一的复合权重缩放每个矩阵列，其中联合地计算这M个权重，使得列的加权和在最小均方的意义上最佳地拟合前N个信号加干扰样本。在干扰包括位于分离良好的各频率处的少量正弦波的一些情况下，正弦波样本矩阵的各列可被适应性地加权并被从数据中减去以简化处理。虽然这M个适应性权重的联合计算需要比该简化过程更多的计算，但是在一些实例中其可能是优选的，因为它可以在密集干扰环境中提供更好的消除。计算这些权重可以通过例如将正弦波样本矩阵投影到所述N个样本上并且估计使得实现最好的匹配的M个复合权重来实现。然后将这些权重应用到正弦波样本矩阵的各列，从而生成加权和（步骤402）。

根据步骤404，然后逐个样本地将N个正弦波样本的该加权和表示从前N个信号加干扰样本中减去，从而从前N个样本中减少和/或消除正弦干扰。然后针对被索引为从N+1到2N的N个样本、被索引为从2N+1到3N的N个样本等等重复该消除过程，其中每个消除操作使用初始的M×N正弦波样本矩阵。在一个实施例中，基于来自每个数据块的样本从一个数据块到另一数据块地重新计算适应性权重。

图7是示出用在例如执行图3的训练过程的步骤204中的频率峰值发现过程的过程图。一般地参考步骤450，对每个数据样本块应用窗口函数。该函数可以包括简单的矩形或三角形窗口，或者可以包括更复杂的函数，仅仅作为非限制性的示例，例如升余弦。可以应用该窗口函数以减少不想要的效应，诸如由样本块的边界处的不连续导致的频率旁瓣。在一个实施例中，可以将补零操作应用到数据块，以便在应用被执行用于将数据从时域转换到频域的傅立叶变换（步骤452）之后促进改善的频率峰值识别。如本领域普通技术人员将理解的，补零包括在应用该变换之前将零阵列附加到输入信号的开头或结尾。通过这种方式，可以通过增大频域信号样本的个数来提高傅立叶变换算法的效率。一旦在频域中，就可以在步骤454中识别峰值频率。在步骤456中可以通过实施插值方法（例如，补零、二次拟合或其他算法）来以更高的精确度确定峰值频率。

图8是实施上面针对图2-7所述的信号处理技术中的若干技术的示例性消除过程的过程流程图。在该示例性实施例的步骤420中，从所接收的信号中选择已知仅包括干扰的数据。在步骤422中，隔离已知无信号的N个I/Q样本的块以用于后续的分析。可以根据任意数目的操作来处理这些样本。例如，可以对这些样本应用振幅锥形滤波器以减小数据块的边缘效应。可以使用例如快速傅立叶变换（FFT）来将这些样本从时域变换到频域。FFT可以提供如上面针对图7所阐述的补零功能。

一般地参考步骤424，可以比较每个频域样本以识别具有最大振幅的样本。该样本将被分析以确定其频率。在一个实施例中，两个相邻复合样本与该最大振幅样本一起被联合地分析，以更好地估计导致所观察到的峰值的正弦波的频率。可以通过任何合适的方法来确定该频率。如上面所阐述的，这些方法包括对初始时域数据进行补零以增大FFT大小，使得额外的频域样本被交织在对应于非补零的样本之间。然后该算法可以选择对应于频谱峰值的样本。在另一实施例中，可以使用二次拟合算法来提供超过FFT分辨率的改进的频率精确度。注意，二次拟合算法大多被离线地计算。更具体地，该算法可以离线地确定两个权重并将其频率估计形成为对应于所识别的频率峰值及其两个相邻邻居的振幅的加权和。应当理解的是，该过程基本上是线性的，并且术语“二次”指代下面的事实：该过程等价于将抛物线拟合到所述峰值和两个邻居并且然后找到对应于该抛物线的峰值的频率。可以使用诸如最大似然估计的其他方法而不脱离本发明的范围。

在步骤426，一旦已经为最大振幅频域样本估计了频率，就在所识别的频率处创建包含复合单位振幅正弦波的N个时域样本的向量。在步骤428，可以缩放该单位振幅向量以拟合初始的N个时域样本中的每一个。具体地，可以将该向量投影到初始样本上（即与其进行比较），并且生成将该向量的振幅和相位最佳地拟合到该样本的复合缩放因子。可以通过例如最小均方算法来创建该缩放因子。

在步骤430，将所计算的缩放因子应用到单位振幅向量，并且随后将其从初始的N个样本中减去。在步骤432，为了确定任何剩余的干扰的功率，估计结果得到的信号的净功率。如果该功率比初始测量的功率小至少D dB（D是预定阈值），那么认为该正弦波是干扰的显著分量并且存储其估计频率以用于将来的处理。

可以重复该过程，其中每次迭代针对N个时域信号样本而运行，其中已经从所述N个时域信号样本中减去了来自所有之前的迭代的显著正弦波。因此，当每个步骤搜索干扰正弦波时，它这样做使得免于来自之前已被识别并被从数据中去除的最高振幅正弦波的频率旁瓣的污染。该过程在最后迭代的正弦波的减去使得净功率减小了小于D dB时（即，所有的剩余的检测干扰都落在预定的功率水平之下）终止。

该过程在步骤432处的主要输出是对净信号贡献显著功率的所有带内正弦波的频率的列表。应当理解的是，如果需要，该频率列表可以包括附加的频率，例如，已知出现在许多传输信号中的60Hz的谐波。

在步骤434，假定在上述过程中已经识别了M个显著的正弦波，则生成复合单位振幅正弦波信号的M×N矩阵，其中第m列（m=1, 2…M）表示位于M个频率中的一个频率处的正弦波的N个样本。一般地参考步骤436和438，根据本发明的实施例的过程从包含信号以及干扰二者的数据流中适应性地消除这些正弦波。现在将不针对每个后续的N样本数据块（即，样本N+1至2N，2N+1至3N，等等）描述使用M×N矩阵的消除过程。该消除过程利用唯一的复合权重来缩放每个矩阵列，其中这M个权重被联合地计算，使得列的加权和在最小均方的意义上最佳地拟合前N个信号加干扰样本。在一个实施例中，例如，在干扰包括位于分离良好的各频率处的少量正弦波的情况下，正弦波样本矩阵的各列可以被适应性地加权并被从数据中减去以简化处理。如上所述，在其它实施例中，M个适应性权重的联合计算可能是优选的，因为它可以提供在密集干扰环境中的更好的消除。参考步骤436，可以通过例如将正弦波样本矩阵投影到所述N个样本上并估计使得实现最佳匹配的M个复合权重来实现该拟合操作。然后将这些权重应用到正弦波样本矩阵的各列。可以逐个样本地对加权后的各列求和。

根据步骤438，然后逐个样本地将N个正弦波样本的该最优向量表示从前N个信号加干扰样本中减去，从而从前N个样本中减少和/或消除正弦干扰。然后针对被索引为从N+1至2N的N个样本、被索引为从2N+1至3N的N个样本、等等重复该消除过程，其中每个消除操作使用初始M×N正弦波样本矩阵。在一个实施例中，基于来自每个数据块的样本从一个数据块到另一个数据块地重新计算所述适应性权重。

一般地参考图9和10，针对示例性MCS的3 kHz通频带示出了根据本发明的实施例的该过程的结果。图9提供示出在消除干扰正弦波之前（30）和之后（32）在3 kHz MCS信号通频带内的信号频谱的干扰水平的图表。在应用了上述实施例后，结果得到的信号30包括与初始信号32相比显著降低的干扰水平。相似地，图10示出在被应用到单个正弦干扰42时本发明的过程的结果。本发明的实施例可操作用于消除干扰42，从而导致信号44。对干扰正弦波的有效消除使得系统能高效地响应随地点而变化、随着在同一地点从一个天线到其并列伴随天线而变化、以及随着在给定位置从一个天线朝向到另一朝向而变化的干扰环境。系统的适应性还使得能够消除其特性参数随着时间变化的净干扰信号。这些包括正弦波的数量、它们相互之间的频率、振幅和相位偏移。

现在参考图11，示出了根据另一实施例的训练和消除过程的过程流程500。根据步骤501，接收信号以用于处理。该信号携带被从信号中提取出并被用于下游处理的信息。由于信号从其源行进穿过一个或多个介质而至接收位置，因此存在覆盖信号且在接收机处与期望的信号信息一起被接收的自然的和人为的干扰。如上面针对图7所述的，从所选的数据块获取一系列样本，以确定正弦干扰源。可以对所选的样本应用振幅锥形，以减小所选的数据块的边缘附近的边缘效应。应用傅立叶变换以将样本转换到频域。一旦在频域中，就识别具有最大振幅的样本。然后在步骤503中识别与该最大相关联的频率。在步骤505中，将在所识别的频率处检测到的干扰信号缩放到在所选的数据块中所接收的全部信号。然后在步骤507中将针对所识别的频率的该缩放后的信号从在所选数据块中所接收的全部信号中减去，以去除所识别的干扰源。

一般地参考步骤509，然后确定数据块的净功率并将其与阈值相比较。如果所选数据块（已知其不包含期望信号）的净功率大于预定阈值511，则该高净功率水平表明：仍然存在是干扰的数据块分量、从而导致数据块中的净功率增大。通过识别下一最大振幅（当在步骤507中在前最大振幅被从数据中减去时）、缩放结果得到的所识别的频率（步骤505）以及从数据块中减去该缩放后的分量（步骤507），来迭代地去除剩余的干扰信号。如果在减去缩放后的所识别的频率分量后，数据块的净功率小于阈值513，则可以假定所有的显著干扰分量已从数据块中被去除并且干扰模型是完整的。

如上所述，一旦所有的显著干扰分量已被识别，则可以构建M×N矩阵，其中M是所识别的频率分量的个数并且N是针对每个频率分量的被缩放的样本的个数。然后可以将该矩阵应用到后续的数据块，包括包含期望信号的数据块（步骤515）。使用被构建并被存储在矩阵中的干扰模型来在不损害可能是低功率或低频率信号的期望信号的情况下从所接收的信号中消除干扰。可以在周期性的基础上重复过程500，以适应性地识别影响所接收的信号的当前干扰分量并在不损害期望信号的情况下适应性地去除干扰分量。

根据任意上述实施例的训练和消除过程可被独立地应用到系统的接收天线中的每一个，因为每个可能经历独特的正弦干扰模式。另外，尽管上面的过程包括针对到所接收的信号的应用而计算正弦波样本矩阵一次，但是可以想象的是，可以周期性地重新计算该矩阵并如所述的那样应用消除过程。

现在参考图12，示出了利用根据示例性实施例的适应性干扰消除过程的信号处理系统600。模拟输入信号603从始发源被传输通过一个或多个介质而至一个或多个接收机。例如，模拟输入信号603可以是通信信号，诸如用在磁通信系统中的信号，或者模拟输入信号可以是一些其它无线电波信号，诸如无线电检测和测距（RADAR）信号或生物医学成像信号。输入信号603可以从其始发点行进通过一个或多个介质而至接收输入信号603的接收机601。例如，输入信号603可以是用于诸如矿井的地下应用内的通信的磁通信信号。该信号可以穿过位于其发射源与接收机601之间的诸如岩石、水、水泥、木头或空气的介质。当输入信号603穿过介质时，信号强度可能会通过降低接收机601处的信号强度的信号衰减或扩散而受到影响。自然的以及人为的其它因素可能贡献进一步降低接收机601处的输入信号603的强度的干扰。这些因素中的主要部分导致结合和覆盖期望的传输信号的具有变化的振幅和相位的周期性的或正弦的干扰信号。干扰可能源自各种源，作为示例，所述源诸如旋转的电气设备、电子装置或电力线。

接收机601包括模数转换器（ADC）605，其以各种时间间隔接收并采样输入模拟信号603以提供表示进行采样时的输入信号603的信号水平的多个数字化的样本。然后将数字样本输入到数字信号处理器607。数字信号处理器607可以具有通过合适的数据总线可操作地耦合到存储器613的处理器611。存储在存储器613内的是干扰消除模块615，根据示例性实施例，其提供对覆盖包含在输入信号603中的期望信号的正弦干扰的适应性消除。经数字处理的信号包括由模拟输入信号603减去所识别的干扰分量得到的期望信号，所识别的干扰分量在输入信号603中被接收但被去除。该经处理的数字信号可被传递以用于附加的下游处理或分析，或者可被提供给数模转换器（DAC）617以用于模拟形式的下游处理。作为示例，下游处理可以是用于再现所接收的通信信号的通信接收机，或者下游处理可以是用在用于根据所接收的信号引导接收机射束的RADAR应用中的射束形成器。

干扰消除模块615基于输入信号603被发射和接收的当前状况提供适应性干扰消除。例如，传统干扰消除装置可以利用陷波滤波器来完全过滤掉可能被识别为包含干扰的频率块。这样的方法由于可能已经存在于被陷波滤波的带宽内的期望信号的分量而引入信号损耗。通过建立来自所选的非信号数据块的所识别的干扰分量的模型，可以使用被识别且被缩放到全部信号的干扰信号来提供用于后续数据块的模型，所述手续数据块包括包含期望信号的数据块。可以从所接收的信号中减去被缩放的干扰分量，从而在不影响期望信号的情况下去除干扰。另外，当状况在不同的接收机或者改变的传输状况之间改变时，该模型可被周期性地重建以随着时间提供适应性的干扰消除。

如上面针对图1A-11所述的，干扰消除模块615通过选择包含不包括期望信号的样本的数据块而运行。所选的数据块样本通过应用例如傅立叶变换而被从时域转换到频域。一旦在频域中，就使用例如到最大振幅峰值的振幅及其两个相邻邻居的二次拟合以大于傅立叶变换的精确度识别具有最大振幅的频率分量。构建包含位于所识别的频率处的复合正弦波信号样本的单位振幅向量。将所构建的向量投影到初始数据集合上，并且确定基于最小均方算法提供最佳拟合的复合缩放因子。将该缩放因子应用到向量并从数据块样本中减去该结果。识别附加的频率分量并以相似的方式将其减去，直到基于被缩放的频率分量从数据块信号中的减去、数据块的净功率小于给定阈值。通过以迭代的方式减去每个频率分量，实现在没有来自先前较强的频率分量的频率旁瓣的干扰的情况下去除每个后续的频率分量。在一个实施例中，所减去的频率分量的列表可以包括与其它已知干扰频率相关联的附加频率，例如，来自所识别的干扰频率的60 Hz间隔处的谐波可被添加到频率列表。基于被识别以供去除的、每个与N个样本相关联的M个频率，创建包含用于M个频率中的每个频率的N个样本中的每个样本的单位振幅复合正弦样本的M×N矩阵。

对于每个后续的N样本数据块（例如，样本N+1至2N，2N+1至3N，等等），将正弦波样本矩阵投影到数据块的N个样本上，并且估计M个复合权重，以使得正弦样本矩阵的加权和在最小均方算法的基础上最佳地匹配数据块样本。然后将所估计的复合权重逐个样本地应用到正弦波样本矩阵的各列，并将所得到的N样本干扰模型从数据块样本中减去。每个后续的N样本数据块以相似的方式被处理，其中M个复合权重在每个数据块处被重新计算。可以周期性地重新建立包含包括所识别的干扰的频率元素的频率列表，以响应于所接收的干扰中的可能的变化。然后对消除了干扰的数据块执行下游处理。

干扰消除模块615可被存储在信号处理器607内的存储器613中。该例子仅仅以示例的方式被提供，并且相关领域的技术人员可以在不脱离本公开的预期范围的情况下构想实施本文中所述的干扰消除过程的其它实施例。例如，已经以示例的方式将该过程解释为包括包含指令的存储器，该指令在被处理器执行时导致用于在要执行的信号处理期间消除正弦干扰的方法的步骤。应当理解的是，干扰消除的过程还可以以硬件的方式被执行，例如，以现场可编程门阵列（FPGA）或复杂可编程逻辑器件（CPLD）的形式。因此，可以以硬件、软件或硬件和/或软件的任意组合的方式来执行整个过程或其任何部分。软件可被包含在非瞬时机器可读介质中，在该介质上可以存储软件指令，所存储的软件指令在被处理器执行时使得处理器执行用于信号处理的消除正弦干扰的方法的步骤。可以使用任何合适的机器可读介质，包括但不限于，磁或光盘，例如CD-ROM，DVD-ROM和软盘等。其它介质也落在本公开的预期范围内，例如，也可以使用动态随机存取存储器（DRAM），随机存取存储器（RAM），只读存储器（ROM）或闪存。

虽然已经参考上述实施例描述了前面的发明，但可以在不脱离本发明的精神的情况下做出各种修改和改变。因此，所有这样的修改和改变都被认为是在所附的权利要求的范围内。因此，应当以例证的而非限制性的意义来看待本说明书和附图。形成本文的一部分的附图以例证性而非限制性的方式示出其中可以实践本主题的特定实施例。足够详细地说明了所示出的实施例，以使得本领域技术人员能够实践本文中所公开的教导。可以利用并从中导出其它实施例，以使得可以在不脱离本公开的范围的情况下做出结构上和逻辑上的替代和改变。因此，本详细的说明不是以限制性的意义进行的，并且各种实施例的范围仅由所附的权利要求以及这样的权利要求所享有的等同体的全部范围一起来限定。

仅仅为了方便而并不意图将本申请的范围主动限制为任何单个的发明或有创造性的概念（如果多于一个的发明或有创造性的概念被事实上公开的话），在本文中可以通过词语“发明”来单独地和/或集体地指代有创造性的主题的这样的实施例。因此，虽然已经在本文中示出并描述了特定的实施例，但应当理解的是，打算用于获得相同目的的任何布置可以替换所示出的特定实施例。本公开意图覆盖对各种实施例的变体的任何和所有的改编。在审阅以上说明之后，上面的实施例以及未在本文中具体描述的其它实施例的组合对于本领域技术人员来说将是显而易见的。

Claims (20)

1.一种从待处理的信号中消除正弦干扰的方法，所述方法包括步骤：

从所接收的信号中识别正弦干扰；

生成正弦干扰的模型；

将所述模型匹配到所识别的正弦干扰，以及

通过从所识别的正弦干扰中减去所匹配的模型来消除所识别的正弦干扰。

2.如权利要求1所述的方法，其中识别正弦干扰的步骤包括识别被采样的时域信号中的正弦干扰的步骤。

3.如权利要求2所述的方法，其中被采样的时域信号包括只有干扰的信号。

4.如权利要求1所述的方法，还包括将振幅锥形应用到所述正弦干扰的步骤。

5.如权利要求4所述的方法，还包括将傅立叶变换应用到所述被采样的信号的步骤。

6.如权利要求1所述的方法，还包括识别所述正弦干扰的频率的步骤。

7.如权利要求6所述的方法，还包括识别所述正弦干扰的峰值振幅的步骤。

8.如权利要求7所述的方法，其中使用到所识别的峰值的振幅以及到与所识别的峰值相邻的峰值的二次拟合来识别所述频率和振幅。

9.如权利要求4所述的方法，还包括生成位于所识别的频率处的复合单位振幅正弦波的N个样本的向量。

10.如权利要求9所述的方法，其中在振幅和相位方面缩放所述向量以匹配所述被采样的正弦波。

11.如权利要求10所述的方法，其中所述缩放是使用最小均方过程来实现的。

12.如权利要求10所述的方法，其中所述N个被缩放的正弦波样本被从N个样本的初始向量中减去。

13.如权利要求12所述的方法，还包括估计由所述减法导致的所述信号的净功率的步骤。

14.如权利要求13所述的方法，还包括如果所述净功率比初始功率小至少预定水平、则记录所识别的频率的步骤。

15.如权利要求14所述的方法，其中重复所述过程，直到正弦波的减去使得净功率减少了小于预定量。

16.如权利要求1所述的方法，其中生成所述正弦波干扰的模型的步骤包括生成复合单位振幅正弦波信号的M×N矩阵。

17.如权利要求16所述的方法，其中消除所述正弦干扰的步骤包括利用复合权重缩放所述矩阵，其中所述权重包括M个复值数的向量并且被计算为使得所述矩阵的各列的和被拟合到所述信号加干扰样本。

18.如权利要求17所述的方法，其中逐个样本地将所述向量从第一信号加干扰样本中减去，从而从前N个样本中消除所述正弦干扰。

19.如权利要求18所述的方法，其中针对每个数据块重新计算所述复合权重。

20.一种用于从待处理的信号中去除正弦干扰的信号处理系统，所述系统包括：

用于接收模拟输入信号的天线；

耦合到所述天线的模数转换器（ADC），其用于产生所述输入信号的数字样本；以及

耦合到所述ADC的数字信号处理器，其被配置为处理所述数字样本并消除包含在所述数字样本中的正弦干扰，

其中所述数字信号处理器包括一组指令，所述指令在被处理器执行时使所述处理器：识别被接收机接收的正弦干扰；生成正弦干扰的模型，将所述模型匹配到所识别的正弦干扰，以及通过从所识别的正弦干扰中减去被匹配的所述模型来消除所识别的所述正弦干扰。

Images