CN106330219B - 一种基于递归网络的无源互调干扰对消系统及方法 - Google Patents
一种基于递归网络的无源互调干扰对消系统及方法 Download PDFInfo
- Publication number
- CN106330219B CN106330219B CN201610653421.3A CN201610653421A CN106330219B CN 106330219 B CN106330219 B CN 106330219B CN 201610653421 A CN201610653421 A CN 201610653421A CN 106330219 B CN106330219 B CN 106330219B
- Authority
- CN
- China
- Prior art keywords
- signal
- unit
- recursive
- recursive networks
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000005540 biological transmission Effects 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000000284 extract Substances 0.000 claims abstract description 7
- 230000000946 synaptic effect Effects 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000007781 pre-processing Methods 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 230000000306 recurrent effect Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001581440 Astroides Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/06—Receivers
- H04B1/10—Means associated with receiver for limiting or suppressing noise or interference
- H04B1/12—Neutralising, balancing, or compensation arrangements
- H04B1/123—Neutralising, balancing, or compensation arrangements using adaptive balancing or compensation means
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Noise Elimination (AREA)
Abstract
一种基于递归网络的无源互调干扰对消系统及方法包括一种基于递归网络的无源互调干扰对消系统(简称对消系统)和一种基于递归网络的无源互调干扰对消方法(简称对消方法)；对消系统包括特征分析处理模块、递归网络估计模块及对消反馈调整模块；对消方法为：1接收信号；2判断是否处于导频时隙，跳至3或6；3提取特征，网络初始化；4预处理接收信号去除导频；5递归网络预测训练，得到一步超前预测递归网络；6数据传输时隙接收信号预处理；7利用5结果预测下一时刻PIM干扰信号，完成干扰对消；8采集译码前后差值处理并反馈到递归网络，更新网络参数；9判断是否结束，决定等待或跳至6。本发明系统适应性强，对消精度高且易于硬件实现。
Description
技术领域
本发明涉及一种基于递归网络的无源互调干扰对消系统及方法，属于无线通信、卫星通信及地面通信系统的信号处理及抗干扰技术领域。
背景技术
无源互调(Passive Intermodulation，简称PIM)指两个或两个以上频率成分的信号通过无源器件(如双工器、隔离器、同轴电缆、连接器、天线、负载等)时产生除谐波外新频率成分的一种现象。产生的新频率为基波频率的线性组合，当新产生频率落入通信接收机的通带内即形成干扰。
无源互调现象在上世纪70年代被发现，广泛存在于通信系统中，难以完全消除。随着无线通信、卫星通信的不断发展，通信所需天线尺寸变大，受平台限制采用收发共用技术。天线收发共用系统中双工器隔离度低，无源互调产物容易进入接受频带形成干扰，且难以通过频域滤波的方法将其滤除。以卫星转发器为例，下行大功率发射信号的无源互调产物会落入上行接收频带内，对通信系统造成影响。
目前采用数字信号处理方式的无源互调干扰对消研究主要有爱立信公司、北京理工大学和华为公司申请过相关专利，但是此类方法估计精度低，性能较差，同时难以实现PIM的时变特性的跟踪。
其中，专利一为爱立信公司提出的专利申请，专利申请号：US8855175B2，标题为“Low Complexity All-Digital PIM Compensator”，主要提出无需测试模式的自适应PIM干扰对消方法，该方法需要通过测试信号确定PIM参数个数，从而利用参数估计模型得到PIM模型参数，估计出PIM干扰信号。该方法消耗资源较大，信号处理过程繁琐且无法保证参数估计的收敛速度。
专利二为北京理工大学提出的专利申请，专利申请号：201410226937.0，标题为“一种基于自适应滤波的无源互调干扰抑制方法”，主要提出基于自适应滤波的无源互调干扰抑制方法，利用发射信号特征分析各阶PIM产物特性，通过幂级数模型重建PIM信号，最后采用自适应滤波的方法实现对消。该方法依赖幂级数模型重建PIM信号，但没有考虑PIM信号的自相关特性，对消精度不足。
专利三为华为公司提出的专利申请，专利申请号：201410522019.2，标题为“射频模块的无源互调PIM干扰抵消方法及相关装置”，主要提出利用发射信号的非线性变换产生非线性基底和非线性项系数，通过发射信号、非线性基底和非线性项系数产生抵消信号对PIM干扰信号进行对消，但是通过卷积得到的非线性重建较为简单，难以对复杂环境PIM进行有效的重建，当信道环境恶化时，对消精度严重下降。
专利四为北京理工大学提出的专利申请，专利申请号：201510547503.5，标题为“一种基于导频的无源互调干扰对消方法”，主要提出基于导频信号的无源互调干扰对消方法，通过导频估计PIM非线性模型参数和PIM信号耦合的信道冲激响应，通过估计出的PIM非线性模型参数和信道参数估计PIM干扰信号进行对消。该方法对信道环境要求高，需要在高信干比下才能达到较好的对消精度，实用性差。
本专利针对前述现有PIM重建与对消技术存在的高PIM模型依赖性、高信道环境要求的技术缺陷，致力于提出一种对PIM模型变化灵敏、预测精度高的基于递归网络的无源互调干扰对消系统与方法。
发明内容
本发明的目的在于解决无线通信、卫星通信系统中的无源互调干扰问题，提出了一种基于递归网络的无源互调干扰对消系统及方法。
一种基于递归网络的无源互调干扰对消系统及方法，包括一种基于递归网络的无源互调干扰对消系统(简称对消系统)和一种基于递归网络的无源互调干扰对消方法(简称对消方法)；
其中，对消系统包括：特征分析处理模块、递归网络估计模块以及对消反馈调整模块；
其中，特征分析处理模块包括网络设置单元、特征分析单元和数据预处理单元；递归网络估计模块包括初始化单元、递归学习单元和网络估计单元；对消反馈调整模块包括干扰对消单元和误差反馈单元；
对消系统中各模块的连接关系为：
特征分析处理模块与递归网络估计模块以及对消反馈调整模块相连；递归网络估计模块与特征分析处理模块以及对消反馈调整模块相连；对消反馈调整模块与递归网络估计模块以及特征分析处理模块相连；
对消系统中各单元的连接关系为：
特征分析单元与网络设置单元以及数据预处理单元相连；网络设置单元与特征分析单元相连；数据预处理单元与特征分析单元、递归学习单元、网络估计单元以及干扰对消单元相连；初始化单元与递归学习单元相连；递归学习单元与数据预处理单元、初始化单元、网络估计单元以及误差反馈单元相连；网络估计单元与数据预处理单元、递归学习单元以及干扰对消单元相连；干扰对消单元与数据预处理单元、网络估计单元以及误差反馈单元相连；误差反馈单元与干扰对消单元以及递归学习单元相连；
对消系统的各模块功能如下：
特征分析处理模块的功能是用于在导频时隙和数据传输时隙接收信号，并进行信号特征分析和预处理，将预处理信号输出给递归网络估计模块和对消反馈调整模块；递归网络估计模块接收特征分析处理模块的输出信号，利用该信号进行递归网络参数初始化和监督训练学习，并进行PIM信号一步超前预测，将一步超前预测PIM信号输出给对消反馈调整模块；对消反馈调整模块接收一步超前预测PIM信号进行干扰对消，并将译码误差反馈到递归网络估计模块，提升网络性能；
对消系统的各单元功能如下：
特征分析单元接收导频时隙接收信号，分析接收信号特征并将信号特征向量输出给网络设置单元，将导频时隙信号输出给数据预处理单元；网络设置单元根据信号特征向量设置递归网络结构参数，其中递归网络结构参数包括网络隐含层、输入节点及隐含层节点个数，以此确定网络结构；数据预处理单元接收导频时隙信号以及数据传输时隙接收信号进行信号预处理，在导频时隙，将预处理导频时隙信号输出给递归学习单元，在数据传输时隙，将预处理数据传输时隙接收信号输出给网络估计单元以及干扰对消单元；
初始化单元进行递归网络参数结构初始化，其中递归网络参数包括序列时刻向量、状态向量、突触权值向量、期望响应、学习率以及误差精度；递归学习单元接收预处理导频时隙接收信号进行充分监督训练，得到PIM信号一步超前预测递归网络；网络估计单元接收预处理数据传输时隙信号进行PIM信号一步超前预测，并将一步超前预测PIM信号输出给干扰对消单元；
干扰对消单元接收预处理数据传输时隙接收信号以及一步超前预测PIM信号进行干扰对消，将经干扰对消的预处理数据传输时隙接收信号输出，进行后续信号处理；误差反馈单元在该信号经信号处理后，采集译码前后的差值信号进行归一化处理，将归一化译码差值信号作为译码误差反馈到递归学习单元，改善递归网络性能；
本发明采用递归网络对双时隙接收信号PIM干扰进行抑制，双时隙接收信号包括导频时隙接收信号和数据传输时隙接收信号；
对消方法，具体步骤如下：
步骤一：接收信号；
步骤二：判断接收信号是否处于导频时隙，并决定跳至步骤三还是步骤六，具体为：
2.1若接收信号处于导频时隙，则将导频时隙接收信号输出给特征分析单元，并跳至步骤三；
2.2若接收信号未处于导频时隙，则将数据传输时隙接收信号输出给数据预处理单元，并跳至步骤六；
步骤三：特征分析单元处理导频时隙接收信号，将提取特征输出到网络设置单元，将导频时隙接收信号输出到数据预处理单元；网络设置单元通过提取特征设置递归网络结构参数；初始化单元按照网络设置单元提取的递归网络结构参数进行递归网络参数结构初始化；
其中，递归网络结构参数包括网络隐含层数目，记为hnum、输入节点数目，记为inum，及隐含层节点数目，记为nnum；
其中，递归网络参数包括序列时刻向量、状态向量、突触权值向量、期望响应、学习率以及误差精度；
n记为序列时刻向量，代表对接收信号进行采样的第n时刻；状态向量记为x(n)，代表递归网络状态；突触权值向量记为w(n)，代表递归网络作空间映射；误差向量记为e(n)；η记为学习率；误差精度代表递归网络输出值与目标值的均方差；
其中，递归网络参数结构初始化表示递归网络参数按照递归网络结构进行结构初始化；
步骤四：去除步骤三中导频时隙接收信号中的导频成分，得到预处理导频时隙接收信号，即PIM干扰信号，并将此PIM干扰信号输出给递归学习单元；
其中，去除导频时隙接收信号中的导频成分，具体通过将导频时隙接收信号与导频信号进行相干再经低通滤波消除其导频成分；
步骤五：递归学习单元通过学习算法对步骤四输出的预处理导频时隙接收信号进行递归网络PIM信号一步超前预测训练，修正递归网络参数，更新递归网络；
递归网络PIM信号一步超前预测训练，具体通过学习算法令递归网络进行监督训练学习，修正递归网络参数，使得递归网络误差满足误差精度，从而完成递归网络PIM信号一步超前预测训练；
所述的学习算法，包含如下步骤：
步骤5.1递归学习单元初始化序列时刻n＝1；
步骤5.2递归学习单元初始化递归网络参数；
具体为：递归学习单元初始化状态向量、突触权值向量、期望响应、学习率以及误差精度；
其中，期望响应记为d(n)，代表递归网络的期望输出；初始化序列时刻向量n为1，1时刻的状态向量x(n)，即：x(1)被初始化为0；突触权值向量w(n)被初始化为0；期望响应d(n)初始化为导频信号的幅度值；学习率η根据通信环境初始化，初始化范围在10-4～10-2；误差精度根据通信要求决定，初始化范围在10-10～10-4；
步骤5.3在第n时刻，递归学习单元计算递归网络的输出向量；
具体为：在第n时刻，递归学习单元通过递归网络计算递归网络输出向量；
其中，递归网络输出向量公式如(1)所示：
其中，ωok表示从第hnum个隐含层神经元k到输出层神经元o的突触权值，ωkj表示从第hnum-1个隐含层神经元j到第hnum个隐含层神经元k的突触权值，ωli表示从输入层神经元i到第一个隐含层神经元l的突触权值。其中，o表示输出层神经元，k表示第hnum个隐含层神经元，j表示第hnum-1个隐含层神经元，l表示第一个隐含层神经元，i表示输出层神经元，代表sigmoid激活函数；
步骤5.4在第n时刻，递归学习单元计算递归网络的误差向量；
具体为：在第n时刻，利用步骤5.3得到的输出向量计算递归网络误差向量；其中，误差向量计算公式如下(2)所示：
e(n)＝d(n)-y(n) (2)
其中，y(n)代表递归网络输出向量，e(n)代表误差向量；
步骤5.5在第n时刻，递归学习单元计算递归网络的突触权值调节向量；
具体为：在第n时刻，利用步骤5.4得到的递归网络误差向量计算突触权值调节向量；其中，突触权值调节向量计算公式如(3)所示：
Δw(n)＝ηe(n)x(n) (3)
其中，Δw(n)代表突触权值调节向量，η代表学习过程学习率，取值范围在10-4～10-2；
步骤5.6在第n时刻，递归学习向量计算递归网络的突触权值向量：
具体为：在第n时刻，利用步骤5.5得到的突触权值调节向量计算突触权值向量；其中，突触权值向量计算公式如(4)所示：
w(n+1)＝w(n)+Δw(n) (4)
步骤5.7递归学习单元判断误差向量是否已经满足误差精度，并决定结束本学习算法还是跳至步骤5.3，具体为：
5.7.1若判断误差向量已经满足误差精度，对应图3中“满足误差精度”输出的Y，则保存递归网络参数，得到PIM信号一步超前预测递归网络，完成本学习算法；
5.7.2若判断误差向量未满足误差精度，对应图3中“满足误差精度”输出的N，则保存递归网络参数，并令n＝n+1，跳至步骤5.3；
至此，从步骤5.1到步骤5.7，完成了学习算法；
步骤六：数据处理单元处理数据传输时隙接收信号，将预处理数据传输时隙接收信号输出给网络估计单元以及干扰对消单元；
步骤七：网络估计单元利用步骤五中递归学习单元训练得到的一步超前预测递归网络预测下一时刻PIM干扰信号，干扰对消单元接收预处理数据传输时隙接收信号以及一步超前预测PIM信号进行干扰对消，将经干扰对消的预处理数据传输时隙接收信号输出，进行后续信号处理；
步骤八：在步骤七输出信号进行信号处理后，误差反馈单元采集译码前后的差值信号进行归一化处理，将归一化译码差值信号作为译码误差反馈到递归学习单元，利用学习算法更新递归网络参数，优化递归网络性能；
步骤九：干扰对消单元根据本次数据传输时隙是否结束决定完成PIM干扰对消，跳至步骤一；还是继续进行干扰对消，跳至步骤六，具体为：
9.1若本次数据传输时隙结束，等待下一个导频时隙到来，跳至步骤一；
9.2若本次数据传输时隙未结束，干扰对消单元将经干扰对消的预处理数据传输时隙接收信号输出；下一时刻跳至步骤六；
至此，从步骤一到步骤九，完成了一种基于递归网络的无源互调干扰对消方法。
有益效果
本发明提出的一种基于递归网络的无源互调干扰对消系统及方法，将递归网络原理应用在PIM干扰抑制的问题中，与其他无源互调信号干扰对消系统及方法相比，具有如下有益效果：
1.本发明在无PIM模型依赖、低信道环境要求的基础上，实现了变化灵敏、高精度的无源互调干扰实时抑制；
2.该方法对PIM信号的时变特性能够自适应调整，通用性强；
3.该方法通过数字实现，性能稳定，系统适应性强，易于硬件实现；
4.该方法可准确对消无源互调干扰，实现较高的信干噪比增益；
5.首次将机器学习理论应用到PIM干扰抑制中，提出基于递归网络的信号预测方法，实现了PIM干扰抑制。
附图说明
图1是本发明“一种基于递归网络的无源互调干扰对消系统及方法”及实施例1中的系统组成示意图；
图2是本发明“一种基于递归网络的无源互调干扰对消系统及方法”及实施例1中的算法流程图；
图3是本发明“一种基于递归网络的无源互调干扰对消系统及方法”及实施例2中学习算法的算法流程图；
图4是本发明“一种基于递归网络的无源互调干扰对消系统及方法”及实施例1、实施例2中采用实时递归学习算法对消系统的递归网络结构示意图；
图5是本发明“一种基于递归网络的无源互调干扰对消系统及方法”实施例3中在接收信号功率与PIM干扰信号功率比(信干比)为0dB条件下对PIM干扰信号进行抑制时，本发明与现有基于导频的无源互调干扰对消方法得到误码率随Eb/N0变化的仿真曲线对比图；
图5中，横坐标为Eb/N0，纵坐标为误码率。
具体实施方式
为了更好地说明本发明方法的目的和优点，下面结合实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，只是用于帮助理解本发明的方法及其核心思想。同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制，应属于本发明的保护范围。
下面结合实施例对本发明提出的基于递归网络的无源互调干扰对消系统及方法进行更深入细致的阐述和说明。
实施例1
本实施例具体阐述了将本发明“一种基于递归网络的无源互调干扰对消系统及方法”应用在通信系统中的系统组成、功能实现以及流程示意。
图1是本实施例中“一种基于递归网络的无源互调干扰对消系统及方法”的系统组成示意图。从图1中可以看出：本实施例仅通过数字实现的方式便完成PIM干扰抑制，系统适应性强，易于硬件实现。
本系统通过特征分析处理模块接收双时隙信号，进行信号特征分析和预处理，将预处理信号输出给递归网络估计模块和对消反馈调整模块；由递归网络估计模块初始化递归网络参数并利用预处理导频时隙接收信号进行递归网络的监督学习，训练PIM信号一步超前预测，将一步超前预测PIM信号输出到对消反馈调整模块；对消反馈调整模块利用一步超前预测PIM信号进行干扰对消，并将译码误差反馈到递归网络估计模块，提升网络性能。
本系统功能为：通过特征分析单元接收导频时隙接收信号，分析接收信号特征并将信号特征向量输出给网络设置单元，将导频时隙信号输出给数据预处理单元；网络设置单元根据信号特征设置递归网络结构参数，确定网络结构；数据预处理单元接收双时隙接收信号进行信号预处理，在导频时隙，将预处理导频时隙接收信号输出给递归学习单元，在数据传输时隙，将预处理数据传输时隙接收信号输出给网络估计单元以及干扰对消单元；
初始化单元进行递归网络参数结构初始化；递归学习单元接收预处理导频时隙接收信号进行充分监督训练，得到PIM信号一步超前预测递归网络；网络估计单元接收预处理数据传输时隙信号进行PIM信号一步超前预测，并将一步超前预测PIM信号输出给干扰对消单元；
干扰对消单元接收预处理数据传输时隙接收信号以及一步超前预测PIM信号进行干扰对消，将经干扰对消的预处理数据传输时隙接收信号输出，进行后续信号处理；误差反馈单元在该信号经信号处理后，采集译码前后的差值信号进行归一化处理，将归一化译码差值信号作为译码误差反馈到递归学习单元，改善递归网络性能；
图2是本实施例中“一种基于递归网络的无源互调干扰对消系统及方法”的算法流程图；
从图中可以看出，本实施例中所阐述的一种基于递归网络的无源互调干扰对消方法，包含如下步骤；
步骤A：接收信号；
步骤B：判断是否为导频时隙，并进行相应操作，具体为：
B.1若接收信号处于导频时隙，即对应图2中的Y，则将导频时隙接收信号输出给特征分析单元，并跳至步骤C；
B.2若接收信号未处于导频时隙，即对应图2中的N，则将数据传输时隙接收信号输出给数据预处理单元，并跳至步骤F；
步骤C：提取特征，设置递归网络结构参数，初始化递归网络参数；
具体为到本实施例：特征分析单元处理导频时隙接收信号，将提取特征输出到网络设置单元，将导频时隙接收信号输出到数据预处理单元；网络设置单元通过提取特征设置递归网络结构参数；初始化单元按照网络设置单元提取的递归网络结构参数进行递归网络参数结构初始化；
步骤D：预处理去除导频；
具体到本实施例：去除步骤C中导频时隙接收信号中的导频成分，得到预处理导频时隙接收信号，即PIM干扰信号，并将此PIM干扰信号输出给递归学习单元；
其中，去除导频时隙接收信号中的导频成分，具体通过将导频时隙接收信号与导频信号进行相干再经低通滤波消除其导频成分；
步骤E：递归网络预测训练；
具体为：递归学习单元通过学习算法对步骤D输出的预处理导频时隙接收信号进行递归网络PIM信号一步超前预测训练，修正递归网络参数，更新递归网络；
其中，本实施例中递归网络采用的学习算法为实时递归学习算法；其中，学习率设为0.001，误差精度设为10-5；
步骤F：接收信号预处理；
具体为：数据处理单元处理数据传输时隙接收信号，将预处理数据传输时隙接收信号输出给网络估计单元以及干扰对消单元；
步骤G：递归预测网络；
具体为：从步骤E得到经充分训练且满足误差精度的一步超前预测递归网络，用于预测下一时刻PIM干扰信号；并能接收外部反馈优化递归网络。
步骤H：预测PIM信号，PIM干扰对消；
具体为：网络估计单元利用步骤E中递归学习单元训练得到的一步超前预测递归网络预测下一时刻PIM干扰信号，干扰对消单元接收预处理数据传输时隙接收信号以及一步超前预测PIM信号进行干扰对消，将经干扰对消的预处理数据传输时隙接收信号输出，进行后续信号处理；
误差反馈单元采集译码前后的差值信号进行归一化处理，将归一化译码差值信号作为译码误差反馈到递归学习单元，利用学习算法更新递归网络参数，优化递归网络性能；
步骤I：信号输出；
具体为：干扰对消单元根据本次数据传输时隙是否结束决定完成PIM干扰对消，跳至步骤A；还是继续进行干扰对消，跳至步骤F，具体为：
I.1若本次数据传输时隙结束，等待下一个导频时隙到来，跳至步骤A；
I.2若本次数据传输时隙未结束，干扰对消单元将经干扰对消的预处理数据传输时隙接收信号输出；下一时刻跳至步骤F；
至此，从步骤A到步骤I，完成了一种基于递归网络的无源互调干扰对消方法。
图4是本实施例中“一种基于递归网络的无源互调干扰对消系统及方法”采用实时递归学习算法对消系统的递归网络结构示意图。
从图中可以看出，本实施例中所阐述的实时递归学习算法对消系统的递归网络结构，包含输入反馈层、节点处理层以及输出层；
其中，输入反馈层包括输入节点、状态节点以及误差节点；节点处理层包括运算节点；输出层包括输出节点；
其中，输入节点通过输入向量表示递归网络的输入；状态节点通过状态向量表示节点处理层的运算反馈；误差节点通过译码误差向量表示递归网络预测误差；运算节点进行递归网络的运算；输出节点通过输出向量表示递归网络的输出。
实施例2
本实施例具体阐述了本发明步骤五中叙述的学习算法及实施例1中步骤E采用的实时递归学习算法，算法流程如图3所示。从图3中可以看出，实时递归学习算法的具体步骤为：
步骤E.1初始化序列时刻n＝1；
步骤E.2初始化递归网络参数；
具体到本实施例：初始化序列时刻向量、状态向量、突触权值向量、期望响应、学习率、误差精度以及状态权值向量；
其中，初始化序列时刻向量n为1，1时刻的状态向量x(n)，即：x(1)被初始化为0；突触权值向量w(n)被初始化为0；期望响应d(n)初始化为导频信号的幅度值；学习率η被初始化为0.001,；误差精度被初始化为10-5；
记状态权值向量Λ(n)为状态向量x(n)对突触权值向量w(n)的偏导数，即将其初始化Λ(1)＝0。
步骤E.3计算递归网络输出向量：
具体到本实施例：y(n)＝Cx(n)
其中，C代表输出层节点连接到隐含层节点的突触权值。
步骤E.4计算递归网络的误差向量：e(n)＝d(n)-y(n)；
具体到本实施例：e(n)＝d(n)-Cx(n)
其中，通过步骤E.3递归网络输出向量表达式计算误差向量；
步骤E.5计算递归网络的突触权值调节向量：Δw(n)＝ηe(n)x(n)；
具体到本实施例：Δw(n)＝ηCΛ(n)e(n)
其中，通过步骤E.2中定义的状态权值向量Λ(n)以及突触权值C表示状态向量x(n)；
步骤E.6计算递归网络的突触权值向量：w(n+1)＝w(n)+Δw(n)
具体到本实施例：通过步骤E.5得到的突触权值调节向量计算突触权值向量；并通过突触权值向量计算状态权值向量；
其中，状态权值向量计算公式如下所示：
其中，记Φ(n)为激活函数对其自变量的偏导数；记Wa(n)为隐含层节点连接到输入层节点的突触权值；
步骤E.7判断是否满足误差精度，并进行相应操作，具体为：
E.7.1若满足误差精度，对应图3中“满足误差精度”输出的Y，则保存递归网络参数，得到PIM信号一步超前预测递归网络，学习算法停止；
E.7.2若不满足误差精度，对应图3中“满足误差精度”输出的N，则保存递归网络参数，令n＝n+1，跳至步骤E.3；
至此，从步骤E.1到步骤E.7，完成了实施例1中步骤E的实时递归学习算法。
图4是本实施例中“一种基于递归网络的无源互调干扰对消系统及方法”采用实时递归学习算法对消系统的递归网络结构示意图。
从图中可以看出，本实施例中所阐述的实时递归学习算法对消系统的递归网络结构，包含输入反馈层、节点处理层以及输出层；
其中，输入反馈层包括输入节点、状态节点以及误差节点；节点处理层包括运算节点；输出层包括输出节点；
其中，输入节点通过输入向量表示递归网络的输入；状态节点通过状态向量表示节点处理层的运算反馈；误差节点通过译码误差向量表示递归网络预测误差；运算节点进行递归网络的运算；输出节点通过输出向量表示递归网络的输出。
实施例3
本实施例按照实施例1所述的系统流程及实施例2所述的实时递归学习算法，具体阐述了对16QAM调制信号执行本发明步骤一到步骤九所进行的无源互调干扰对消结果，同时与现有的基于导频信号的无源互调干扰对消结果进行对比，比较结果如图5所示。
图5中，横轴表示Eb/N0，单位为dB；纵轴表示误码率，单位为bit；图5中圆形线为受无源互调干扰的误码率曲线；星形线为经本发明所提出的对消方法步骤一到步骤九所得的无源互调干扰抑制的误码率曲线；十字划线为不受无源互调干扰的理论误码率曲线；方形线为背景技术中专利四中提到的“基于导频信号的无源互调干扰对消方法”所得到的误码率曲线；需要说明的是：由于专利一到专利四中，专利四中提出的对消方法效果最好，因此采用专利四中所述对消方法与本专利的对消效果进行比较。
从图5中可见，在通信环境很差，信干比(SIR)为0dB时，即接收信号与无源互调干扰信号功率相等时，经本发明所提出对消方法所得的无源互调干扰抑制误码率明显优于专利四中所提出的“基于导频信号的无源互调干扰对消方法”所得到误码率；而采用对消方法进行无源互调干扰对消的误码率均优于受无源互调干扰的误码率；与不受无源互调干扰的理论误码率相比，误码率曲线在Eb/N0处于-10～7dB时基本吻合，在Eb/N0大于8dB时相差较大，在Eb/N0为10dB时两者差值接近2e-3。
可见本实施例所采用实施例1中所述系统流程及实施例2中所述实时递归学习算法，能够在较高信干比条件下完成PIM干扰的自适应抑制，大幅度提高抗PIM干扰能力，降低误码率。
虽然通过参照本发明的某些优选实施方式，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。
Claims (8)
1.一种基于递归网络的无源互调干扰对消系统，其特征在于：包括：特征分析处理模块、递归网络估计模块以及对消反馈调整模块；
其中，特征分析处理模块包括网络设置单元、特征分析单元和数据预处理单元；递归网络估计模块包括初始化单元、递归学习单元和网络估计单元；对消反馈调整模块包括干扰对消单元和误差反馈单元；对消系统中各模块的连接关系为：
特征分析处理模块与递归网络估计模块以及对消反馈调整模块相连；递归网络估计模块与特征分析处理模块以及对消反馈调整模块相连；对消反馈调整模块与递归网络估计模块以及特征分析处理模块相连；
对消系统中各单元的连接关系为：
特征分析单元与网络设置单元以及数据预处理单元相连；网络设置单元与特征分析单元相连；数据预处理单元与特征分析单元、递归学习单元、网络估计单元以及干扰对消单元相连；初始化单元与递归学习单元相连；递归学习单元与数据预处理单元、初始化单元、网络估计单元以及误差反馈单元相连；网络估计单元与数据预处理单元、递归学习单元以及干扰对消单元相连；干扰对消单元与数据预处理单元、网络估计单元以及误差反馈单元相连；误差反馈单元与干扰对消单元以及递归学习单元相连；
对消系统的各模块功能如下：
特征分析处理模块的功能是用于在导频时隙和数据传输时隙接收信号，并进行信号特征分析和预处理，将预处理信号输出给递归网络估计模块和对消反馈调整模块；递归网络估计模块接收特征分析处理模块的输出信号，利用该信号进行递归网络参数初始化和监督训练学习，并进行PIM信号一步超前预测，将一步超前预测PIM信号输出给对消反馈调整模块；对消反馈调整模块接收一步超前预测PIM信号进行干扰对消，并将译码误差反馈到递归网络估计模块，提升网络性能；
对消系统的各单元功能如下：
特征分析单元接收导频时隙接收信号，分析接收信号特征并将信号特征向量输出给网络设置单元，将导频时隙信号输出给数据预处理单元；网络设置单元根据信号特征向量设置递归网络结构参数，其中递归网络结构参数包括网络隐含层、输入节点及隐含层节点个数，以此确定网络结构；数据预处理单元接收导频时隙信号以及数据传输时隙接收信号进行信号预处理，在导频时隙，将预处理导频时隙信号输出给递归学习单元，在数据传输时隙，将预处理数据传输时隙接收信号输出给网络估计单元以及干扰对消单元；
初始化单元进行递归网络参数结构初始化，其中递归网络参数包括序列时刻向量、状态向量、突触权值向量、期望响应、学习率以及误差精度；递归学习单元接收预处理导频时隙接收信号进行充分监督训练，得到PIM信号一步超前预测递归网络；网络估计单元接收预处理数据传输时隙信号进行PIM信号一步超前预测，并将一步超前预测PIM信号输出给干扰对消单元；
干扰对消单元接收预处理数据传输时隙接收信号以及一步超前预测PIM信号进行干扰对消，将经干扰对消的预处理数据传输时隙接收信号输出，进行后续信号处理；误差反馈单元在该信号经信号处理后，采集译码前后的差值信号进行归一化处理，将归一化译码差值信号作为译码误差反馈到递归学习单元，改善递归网络性能；
采用递归网络对双时隙接收信号PIM干扰进行抑制，双时隙接收信号包括导频时隙接收信号和数据传输时隙接收信号。
2.一种基于递归网络的无源互调干扰对消方法，其特征还在于：步骤如下：
步骤一：接收信号；
步骤二：判断接收信号是否处于导频时隙，并决定跳至步骤三还是步骤六；
步骤三：特征分析单元处理导频时隙接收信号，将提取特征输出到网络设置单元，将导频时隙接收信号输出到数据预处理单元；网络设置单元通过提取特征设置递归网络结构参数；初始化单元按照网络设置单元提取的递归网络结构参数进行递归网络参数结构初始化；
步骤四：去除步骤三中导频时隙接收信号中的导频成分，得到预处理导频时隙接收信号，即PIM干扰信号，并将此PIM干扰信号输出给递归学习单元；
步骤五：递归学习单元通过学习算法对步骤四输出的预处理导频时隙接收信号进行递归网络PIM信号一步超前预测训练，修正递归网络参数，更新递归网络；
步骤六：数据处理单元处理数据传输时隙接收信号，将预处理数据传输时隙接收信号输出给网络估计单元以及干扰对消单元；
步骤七：网络估计单元利用步骤五中递归学习单元训练得到的一步超前预测递归网络预测下一时刻PIM干扰信号，干扰对消单元接收预处理数据传输时隙接收信号以及一步超前预测PIM信号进行干扰对消，将经干扰对消的预处理数据传输时隙接收信号输出，进行后续信号处理；
步骤八：在步骤七输出信号进行信号处理后，误差反馈单元采集译码前后的差值信号进行归一化处理，将归一化译码差值信号作为译码误差反馈到递归学习单元，利用学习算法更新递归网络参数，优化递归网络性能；
步骤九：干扰对消单元根据本次数据传输时隙是否结束决定完成PIM干扰对消，跳至步骤一；还是继续进行干扰对消，跳至步骤六。
3.如权利要求2所述的一种基于递归网络的无源互调干扰对消方法，其特征还在于：步骤二，具体为：
2.1若接收信号处于导频时隙，则将导频时隙接收信号输出给特征分析单元，并跳至步骤三；
2.2若接收信号未处于导频时隙，则将数据传输时隙接收信号输出给数据预处理单元，并跳至步骤六。
4.如权利要求2所述的一种基于递归网络的无源互调干扰对消方法，其特征还在于：步骤三中，递归网络结构参数包括网络隐含层数目，记为hnum，输入节点数目，记为inum，及隐含层节点数目，记为nnum；递归网络参数包括序列时刻向量、状态向量、突触权值向量、期望响应、学习率以及误差精度；n记为序列时刻向量，代表对接收信号进行采样的第n时刻；状态向量记为x(n)，代表递归网络状态；突触权值向量记为w(n)，代表递归网络作空间映射；误差向量记为e(n)；η记为学习率；误差精度代表递归网络输出值与目标值的均方差；递归网络参数结构初始化表示递归网络参数按照递归网络结构进行结构初始化。
5.如权利要求2所述的一种基于递归网络的无源互调干扰对消方法，其特征还在于：
步骤四中，去除导频时隙接收信号中的导频成分，具体通过将导频时隙接收信号与导频信号进行相干再经低通滤波消除其导频成分。
6.如权利要求2所述的一种基于递归网络的无源互调干扰对消方法，其特征还在于：步骤五中，递归网络PIM信号一步超前预测训练，具体通过学习算法令递归网络进行监督训练学习，修正递归网络参数，使得递归网络误差满足误差精度，从而完成递归网络PIM信号一步超前预测训练。
7.如权利要求2所述的一种基于递归网络的无源互调干扰对消方法，其特征还在于：
步骤五中所述的学习算法，包含如下步骤：
步骤5.1递归学习单元初始化序列时刻n＝1；
步骤5.2递归学习单元初始化递归网络参数；
具体为：递归学习单元初始化状态向量、突触权值向量、期望响应、学习率以及误差精度；
其中，期望响应记为d(n)，代表递归网络的期望输出；初始化序列时刻向量n为1，1时刻的状态向量x(n)，即：x(1)被初始化为0；突触权值向量w(n)被初始化为0；期望响应d(n)初始化为导频信号的幅度值；学习率η根据通信环境初始化，初始化范围在10-4～10-2；误差精度根据通信要求决定，初始化范围在10-10～10-4；
步骤5.3在第n时刻，递归学习单元计算递归网络的输出向量；
具体为：在第n时刻，递归学习单元通过递归网络计算递归网络输出向量；
其中，递归网络输出向量公式如(1)所示：
其中，ωok表示从第hnum个隐含层神经元k到输出层神经元o的突触权值，ωkj表示从第hnum-1个隐含层神经元j到第hnum个隐含层神经元k的突触权值，ωli表示从输入层神经元i到第一个隐含层神经元l的突触权值，其中，o表示输出层神经元，k表示第hnum个隐含层神经元，j表示第hnum-1个隐含层神经元，l表示第一个隐含层神经元，i表示输出层神经元，代表sigmoid激活函数；
步骤5.4在第n时刻，递归学习单元计算递归网络的误差向量；
具体为：在第n时刻，利用步骤5.3得到的输出向量计算递归网络误差向量；其中，误差向量计算公式如下(2)所示：
e(n)＝d(n)-y(n) (2)
其中，y(n)代表递归网络输出向量，e(n)代表误差向量；
步骤5.5在第n时刻，递归学习单元计算递归网络的突触权值调节向量；
具体为：在第n时刻，利用步骤5.4得到的递归网络误差向量计算突触权值调节向量；其中，突触权值调节向量计算公式如(3)所示：
Δw(n)＝ηe(n)x(n) (3)
其中，Δw(n)代表突触权值调节向量，η代表学习过程学习率，取值范围在10-4～10-2；
步骤5.6在第n时刻，递归学习向量计算递归网络的突触权值向量：
具体为：在第n时刻，利用步骤5.5得到的突触权值调节向量计算突触权值向量；其中，突触权值向量计算公式如(4)所示：
w(n+1)＝w(n)+Δw(n) (4)
步骤5.7递归学习单元判断误差向量是否已经满足误差精度，并决定结束本学习算法还是跳至步骤5.3，具体为：
5.7.1若判断误差向量已经满足误差精度，则保存递归网络参数，得到PIM信号一步超前预测递归网络，完成本学习算法；
5.7.2若判断误差向量未满足误差精度，则保存递归网络参数，并令n＝n+1，跳至步骤5.3；
至此，从步骤5.1到步骤5.7，完成了学习算法。
8.如权利要求2所述的一种基于递归网络的无源互调干扰对消方法，其特征还在于：步骤九，具体为：
9.1若本次数据传输时隙结束，等待下一个导频时隙到来，跳至步骤一；
9.2若本次数据传输时隙未结束，干扰对消单元将经干扰对消的预处理数据传输时隙接收信号输出；下一时刻跳至步骤六。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610653421.3A CN106330219B (zh) | 2016-08-10 | 2016-08-10 | 一种基于递归网络的无源互调干扰对消系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610653421.3A CN106330219B (zh) | 2016-08-10 | 2016-08-10 | 一种基于递归网络的无源互调干扰对消系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106330219A CN106330219A (zh) | 2017-01-11 |
| CN106330219B true CN106330219B (zh) | 2019-01-01 |
Family
ID=57740917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610653421.3A Expired - Fee Related CN106330219B (zh) | 2016-08-10 | 2016-08-10 | 一种基于递归网络的无源互调干扰对消系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106330219B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10039022B2 (en) | 2015-06-09 | 2018-07-31 | At&T Intellectual Property I, L.P. | Remote diagnosis and cancellation of passive intermodulation |
| CN107271769A (zh) * | 2017-06-19 | 2017-10-20 | 电子科技大学 | 基波对消技术无源互调测试系统及其测试方法 |
| US10187098B1 (en) | 2017-06-30 | 2019-01-22 | At&T Intellectual Property I, L.P. | Facilitation of passive intermodulation cancelation via machine learning |
| CN107666361B (zh) * | 2017-09-01 | 2019-11-15 | 廊坊银河信通科技有限公司 | 多载波无源互调干扰的自适应对消方法以及装置 |
| US11943002B2 (en) | 2019-07-31 | 2024-03-26 | Nokia Solutions And Networks Oy | Method for processing of passive intermodulation products |
| US11394446B2 (en) * | 2019-10-21 | 2022-07-19 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating interference based on machine learning |
| CN113676425A (zh) * | 2020-05-15 | 2021-11-19 | 北京三星通信技术研究有限公司 | 用于消除无源互调制干扰的方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1870016A (zh) * | 2005-05-24 | 2006-11-29 | 华为技术有限公司 | 非线性系统的建模和补偿方法 |
| CN103986482A (zh) * | 2014-05-27 | 2014-08-13 | 北京理工大学 | 一种基于自适应滤波的无源互调干扰抑制方法 |
| CN105049067A (zh) * | 2015-08-31 | 2015-11-11 | 北京理工大学 | 一种基于导频信号的无源互调干扰对消方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012161632A1 (en) * | 2011-05-20 | 2012-11-29 | Telefonaktiebolaget L M Ericsson (Publ) | Dynamic cancellation of passive intermodulation interference |
-
2016
- 2016-08-10 CN CN201610653421.3A patent/CN106330219B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1870016A (zh) * | 2005-05-24 | 2006-11-29 | 华为技术有限公司 | 非线性系统的建模和补偿方法 |
| CN103986482A (zh) * | 2014-05-27 | 2014-08-13 | 北京理工大学 | 一种基于自适应滤波的无源互调干扰抑制方法 |
| CN105049067A (zh) * | 2015-08-31 | 2015-11-11 | 北京理工大学 | 一种基于导频信号的无源互调干扰对消方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106330219A (zh) | 2017-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106330219B (zh) | 一种基于递归网络的无源互调干扰对消系统及方法 | |
| KR101690120B1 (ko) | 적응적 무선-주파수 간섭 소거 장치 및 방법, 그리고 수신기 | |
| CN102830387B (zh) | 一种基于数据预处理的协方差矩阵正交化波束形成方法 | |
| WO2021174683A1 (zh) | 共轭梯度的阵列抗干扰方法 | |
| CN103885045B (zh) | 基于子阵划分的循环联合自适应波束形成方法 | |
| CN108141237A (zh) | 具有反馈的高性能pim消除 | |
| CN103728601B (zh) | 雷达信号运动干扰空域-极化域联合稳健滤波方法 | |
| CN103095357B (zh) | 智能天线自适应波束形成方法 | |
| CN110311715A (zh) | 能效最优的大规模mimo非正交单播多播传输功率分配方法 | |
| CN103905352A (zh) | 基于变异粒子群粒子滤波的单通道扰信盲分离方法 | |
| CN103852749A (zh) | 提高mimo-stap检测性能的稳健波形优化方法 | |
| CN110011742A (zh) | 基于最大互相关熵准则鲁棒稀疏的宽带频谱感知算法 | |
| CN104539340A (zh) | 一种基于稀疏表示和协方差拟合的稳健波达角估计方法 | |
| Kolodziej et al. | Scalable in-band full-duplex phased arrays: Complexity reduction and distributed processing | |
| CN107276657B (zh) | 基于并行算法的毫米波混合波束形成方法 | |
| CN101154983B (zh) | 一种基于单倍采样的卫星通信抗干扰技术的实现方法 | |
| CN117526981A (zh) | 一种基于多径预测技术的短波天波干扰抑制方法及系统 | |
| CN108415040A (zh) | 一种基于子空间投影的csmg波束形成方法 | |
| CN114938232B (zh) | 基于lstm的同时同频全双工数字域自干扰抑制方法 | |
| CN109669167B (zh) | 一种基于射频隐身的机载雷达发射波形选择方法 | |
| CN113595942B (zh) | 一种基于粒子滤波器的全双工系统自干扰消除方法 | |
| CN105388471B (zh) | 一种自适应电磁场时延估计方法及装置 | |
| Bai et al. | An improved algorithm for radar adaptive beamforming based on machine learning | |
| CN110855332B (zh) | 基于鲁棒迭代再加权抑制噪声的信道估计方法 | |
| Jian et al. | A adaptive beamforming design in low sample number conditions based on diagonal loading algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190101 |