CN109743272A - 宽带专网系统高精度的干扰对齐窄带干扰抑制算法 - Google Patents

Abstract

本发明是宽带专网系统高精度的干扰对齐窄带干扰抑制算法。本发明通过双门限法检测干扰簇及其个数，若存在，则进行干扰抑制处理。利用FFT与CZT的结合对局部频谱实现了NBI频率的精估计，提高了受NBI影响的群组用户的NBI频率估计的精度；利用频谱搬移实现了NBI与OFDM子载波的干扰对齐，降低了NBI的频谱泄漏，改善了存在窄带干扰时OFDM宽带专网系统的BER性能。本发明提高了宽带专网系统频域置零窄带干扰抑制算法的BER性能，对5G时代NB‑IoT窄带网络与宽带专网系统的共存与兼容、提高宽带专网系统对环境的普适性具有重要的理论及应用价值。

Description

宽带专网系统高精度的干扰对齐窄带干扰抑制算法

技术领域

本发明涉及通信技术领域，是一种宽带专网系统高精度的干扰对齐窄带干扰抑制算法。

背景技术

以指挥调度为核心业务的专网通信作为无线通信的重要组成部分，在全球范围内正在迅猛发展。行业用户迫切需要专网提供高速数据、图像、视频等宽带业务，专网通信系统的宽带化势在必行、刻不容缓。近年来，基于4G核心技术OFDM的宽带专网系统的研究得到了广泛关注。群组业务是宽带专网系统的核心业务，提高群组业务的性能对促进宽带专网系统的发展具有重要的理论意义及应用价值。

正交频分复用(OFDM)具有抗频率选择性衰落及高频谱利用率等特点，在4G宽带系统得到了广泛的应用。但是，OFDM宽带系统对窄带干扰(NBI)非常敏感，少量的带内NBI即可对OFDM宽带系统的性能造成很大的损失。例如：蓝牙设备产生的NBI会影响基于802.11a/g协议的无线局域网的性能；短波无线电的射频干扰(RFI)也是一种NBI，对电力线(PLC)通信系统会产生影响；在军事通信领域的信息对抗中，人为的NBI会使OFDM宽带战术电台无法正常工作；尤其，近年作为5G技术之一的窄带物联网(NB-IoT)，具有覆盖范围大等特点，对现有4G宽带系统引入了NBI，如何减轻NB-IoT对宽带系统的影响是5G发展的重要问题之一。近年，国内外学者对如何有效地抑制NBI，提高窄带干扰场景下OFDM宽带系统的性能进行了很多研究。但多数NBI抑制的研究均针对公网宽带系统的点对点业务，尚未见针对宽带专网系统的点对多点群组业务的报道。

窄带干扰抑制算法可分为时域法及频域法，时域法在接收端的FFT之前进行干扰抑制，可有效避免NBI的频谱泄漏，但时域法存在实时性较差的问题，主要有加窗、预测滤波等方法；频域法的实时性较好，缺点是不可避免地引入了NBI的频谱泄漏，NBI的频率估计及减少NBI频谱泄漏是频域法的核心研究问题。

频域法的经典方法是频域置零干扰抑制法，但该方法会损失大量的有用信息。文献I.H.Kim and T.Pande,SINR Analysis of a Narrowband Interference CancellationScheme in OFDM Communication Systems[C]//2015IEEE Global CommunicationsConference(GLOBECOM),San Diego,CA:IEEE,2015:1-6.在假定准确已知单音干扰频率的条件下，提出一种干扰对齐(IA)的最小化NBI频谱泄漏的干扰抑制算法。文献T.Pande,I.H.Kim and A.Batra,A method for narrowband interference mitigation in OFDMby minimizing spectral leakage[C]//2015IEEE International Symposium on PowerLine Communications and Its Applications(ISPLC),Austin,TX:IEEE 2015：19-23.进一步提出一种结合查表法(LT)和干扰对齐(IA)的干扰抑制算法(LT-IA)，但文中没有考虑干扰频率估计偏差对SINR及干扰抑制性能的影响。郝黎宏,刘伟.一种改进的单音干扰下OFDM系统盲信道估计算法[J].电讯技术,2013,53(04):498-503.针对单音干扰给出一种基于FFT方式干扰频率估计的干扰抑制算法，但干扰频率估计精度较低，需要基于微调步长进行多次迭代更新。近年，部分文献研究了基于压缩感知的窄带干扰抑制，但是该方法存在抗噪性差、恢复算法复杂度高等问题。上述文献中干扰频率估计算法的估计精度较低且误差分布不均匀，导致经过干扰对齐后仍有较大的频谱泄漏。

宽带专网系统的群组业务不同于公网的点对点业务，群组业务需保证群组内所有用户的QoS，其整体性能往往由群组内受窄带干扰影响的性能最差的用户决定，因此，对群组内受窄带干扰影响的群组用户提出了更苛刻的窄带干扰抑制的要求，需要应用更高精度的窄带干扰抑制算法。

发明内容

本发明为解决上述问题，提供了一种宽带专网系统高精度的干扰对齐窄带干扰抑制算法，本发明提供了以下技术方案：

一种宽带专网系统高精度的干扰对齐窄带干扰抑制算法，包括以下步骤：

步骤一：利用FFT对带内频谱进行窄带信号干扰簇的检测，从低频开始检测，将存在干扰的干扰簇筛选出来，若无干扰，则对接收信号进行传统OFDM系统的基带处理；

步骤二：将窄带干扰的形式建模为单音干扰，所有的干扰簇对应多个单音干扰，将每个干扰簇中的单音干扰进行对干扰簇中的窄带干扰信号的频率定位，将干扰簇中|Y(j)|的最大值对应的j记作m′，根据单音干扰在频域的能量集中且远大于信号的能量，以及OFDM系统FFT的频率分辨率为Δf_FFT＝Δf，将干扰簇中的单音干扰定位在标号为m′-1和m′+1的两子载波之间。

步骤三：基于CZT的高精度窄带干扰频率估计，对OFDM时域接收信号在标号为m′-1和m′+1的两子载波间的频段进行M点的CZT运算，求取干扰频率的估计值；

步骤四：计算干扰频率的整数因子及分数因子的估计值；

步骤五：对时域接收信号进行基于干扰对齐的窄带干扰抑制；

步骤六：对消除窄带干扰后的接收信号进行传统OFDM系统的基带处理。

优选地，所述步骤一具体为：

第一步：对一个OFDM符号周期的时域接收信号y进行FFT运算，得到频域信号Y(j)，0≤j≤N-1，其中j为子载波标号，N为子载波数量。将频域信号Y(j)分为q段，则每段长为N′＝N/q。通过每一段平均能量的最小值来计算初始低门限，通过下式计算初始低门限TH₀：

TH₀＝L_low×min{E₁,E₂,...,E_q} (1)

其中，TH₀为初始低门限，E_i为每段的平均能量，i为每段的序号，L_low代表低门限参数；

第二步：将每个频点的能量与TH₀比较，将低于TH₀的频点置于集合A(k)中，将大于TH₀的频点置于集合B(k)中；通过迭代计算低门限值TH_low和高门限值TH_high，将集合B(k)中频点小于TH_low的频点置于集合A(k)，重复迭代计算低门限值TH_low和高门限值TH_high，更新低门限值TH_low、高门限值TH_high及集合A(k)和B(k)，直至B(k)中无低于TH_low的频点，得到最终的低门限值TH_low和最终的高门限值TH_high，通过下式迭代计算低门限值TH_low和高门限值TH_high：

其中TH_low和TH_high分别为低门限值和高门限值，L_high表示高门限参数，N_A为集合A(k)中元素的个数；

第三步：从低频开始检测，在检测到第一个高于低门限值TH_low的频点开始，直到最后一个高于低门限的频点为止，则视为一个存在干扰信号的干扰可疑簇；待将全部频点检测完成后，将存在干扰信号的干扰可疑簇中子载波能量的最大值分别与TH_high比较；

第四步：当存在干扰信号的干扰可疑簇中子载波能量的最大值大于TH_high时，则认定大于TH_high所在的簇为窄带干扰簇，若无干扰存在，则对接收信号进行传统OFDM系统的基带处理。

优选地，所述步骤三具体为：

第一步：对OFDM时域接收信号在标号为m′-1和m′+1的两子载间的频段进行M点的CZT变换，CZT变换后的频域信号Y_k(CZT)如下式所示：

f₁＝(m′-1)·Δf(6)

其中，Y_k(CZT)为CZT变换后的频域信号，M为细化频谱的点数，θ₁表示起始采样点对应的相角，f₁为对应的起始频率，令f₁＝(m′-1)·Δf，A₁表示起始采样点对应的半径，令A₁＝1，WΔ为采样线的伸展率，令WΔ＝1，表示相邻采样点间的角频率间隔，Δf为OFDM的子载波间隔，fΔ为相邻采样点间的频率间隔；

第二步：通过下式计算OFDM子载波间隔和子载波频率：

Δf＝f_s/N,f_n＝n·Δf (8)

其中，f_s是采样频率，n是子载波标号，0≤n≤N-1

第三步：根据f_Δ＝2Δf/M，则此时CZT的频率分辨率为Δf_CZT＝f_Δ＝2Δf/M，将|Y_k(CZT)|的最大值对应的k记作k′，取k′对应的频率作为干扰频率的估计值通过下式计算干扰频率的估计值

优选地，所述步骤四具体为：

通过下式表示单音干扰的时域形式：

通过下式表达单音干扰的频率f_i：

f_i＝(m+a)·Δf,0≤m≤N-1,|a|≤0.5(11)

其中，A₀、f_i和θ₀分别为单音干扰的幅度、频率和相位，m为整数因子，对应OFDM的子载波编号m，a为分数因子；a表征了单音干扰相对OFDM子载波m的频率偏移程度，t_s为时域采样间隔；

第二步：通过下式计算单音干扰的频率偏移Δf_i：

Δf_i＝a·Δf,|a|≤0.5 (12)

第二步：根据公式(9)和(11)得到下式：

其中，为整数因子m的估计值， 为分数因子a的估计值，

第三步：根据整数因子和分数因子的取值范围，干扰频率的整数因子和分数因子的估计值通过下式求取：

优选地，所述步骤五具体为：

第一步：一个OFDM符号周期的时域接收信号y通过下式表示：

y＝x+i+w (15)

第二步：通过频率搬移矩阵D实现干扰信号与OFDM子载波的干扰对齐，根据窄带干扰频率的分数因子的估计值通过下式计算频率搬移矩阵D:

第三步：根据窄带干扰频率的整数因子的估计值对OFDM时域接收信号y进行下式的信号处理运算，得到抑制窄带干扰后的接收信号的时域恢复信号y′：

其中，F、F^H分别代表FFT、IFFT变换矩阵；I_N是N阶单位阵，是单位阵的第列；D、D^H分别是频率搬移矩阵、逆搬移矩阵。

本发明具有以下有益效果：

本发明中算法提高了NBI频率估计的精度，减少了NBI频谱泄漏，提高了宽带专网系统频域置零窄带干扰抑制算法的BER性能，对于5G时代NB-IoT窄带网络与宽带专网系统的共存与兼容、提高宽带专网系统对环境的普适性具有重要的理论及应用价值。

本发明利用FFT与CZT的结合对局部频谱实现了NBI频率的精估计；利用频谱搬移实现了NBI与OFDM子载波的干扰对齐，降低了NBI的频谱泄漏；利用高精度的干扰对齐频域置零法实现了干扰抑制。本专利给出了NBI频率、频率估计偏差、干扰频谱泄漏与信干噪比(SINR)的定量关系，提高了受NBI影响的群组用户的NBI频率估计的精度，减少了NBI的频谱泄漏，改善了存在窄带干扰时OFDM宽带专网系统的BER性能。本发明适用于基于OFDM的宽带专网系统群组业务的窄带干扰抑制的优化过程。

附图说明

图1是FFT与CZT结合的干扰频率估计算法的流程图。

图2是基于干扰对齐的窄带干扰抑制算法原理图。

图3是不同分数因子a对应的单音干扰频谱图。

图4是干扰能量集中率R与干扰频率分数因子a的关系图。

图5是CZT算法分数因子a的估计误差ε与其对应的SINR增益。

图6是直接FFT后的频谱和CZT细化后的频谱。

图7是频域置零法与I-IA法的BER对比。

图8是LT-IA算法与本发明的CZT算法的BER对比。

具体实施方式

以下结合具体实施例，对本发明进行了详细说明。

具体实施例一：

根据图1和图2所示，本发明提供一种宽带专网系统高精度的干扰对齐窄带干扰抑制算法，包括以下步骤：

步骤一：利用FFT对带内频谱进行窄带信号干扰簇的检测，从低频开始检测，将存在干扰的干扰簇筛选出来，若无干扰，则对接收信号进行传统OFDM系统的基带处理；

步骤二：将窄带干扰的形式建模为单音干扰，所有的干扰簇对应多个单音干扰，将每个干扰簇中的单音干扰进行对干扰簇中的窄带干扰信号的频率定位，将干扰簇中|Y(j)|的最大值对应的j记作m′，根据单音干扰在频域的能量集中且远大于信号的能量，以及OFDM系统FFT的频率分辨率为Δf_FFT＝Δf，将干扰簇中的单音干扰定位在标号为m′-1和m′+1的两子载波之间。

步骤三：基于CZT的高精度窄带干扰频率估计，对OFDM时域接收信号在标号为m′-1和m′+1的两子载波间的频段进行M点的CZT运算，求取干扰频率的估计值；

步骤四：计算干扰频率的整数因子及分数因子的估计值；

步骤五：对时域接收信号进行基于干扰对齐的窄带干扰抑制；

步骤六：对消除窄带干扰后的接收信号进行传统OFDM系统的基带处理。

首先通过双门限法检测干扰簇及其个数，如果存在，则进行干扰抑制处理，具体为：对于每簇干扰，首先将其定位在OFDM的两个子载波间隔内；对这两个子载波之间的频段进行CZT变换得到干扰频率的估计；进行干扰对齐将干扰置零。

步骤一：利用FFT对带内频谱进行窄带信号干扰簇的检测；

A、计算初始门限TH₀

对一个OFDM符号周期的时域接收信号y进行FFT运算，得到频域信号Y(j),(0≤j≤N-1)，j为子载波标号，N为子载波数量。将频域信号Y(j)均匀分成q段，分别为Y₁(j),Y₂(j),…Y_q(j)，则每段长为N′＝N/q，合理的选取q可以保证必有未被干扰的分段。初始门限TH₀可由公式(1)求得。

TH₀＝L_low×min{E₁,E₂,...,E_q} (1)

其中L_low代表低门限参数，一般取1.95，i为每段的序号，E_i为每分段的平均能量，通过下式计算E_i：

将每个频点的能量与TH₀比较，将低于该门限的频点置于集合A(k)中，其余的置于集合B(k)中。

B、迭代计算低门限值TH_low、高门限值TH_high

由下式计算低门限值TH_low、高门限值TH_high：

其中L_high代表高门限参数，一般取2.97，N_A为集合A(k)中元素的个数。

将B(k)中每个频点的能量与TH_low比较，将低于该门限的所有频点置于集合A(k)中并从集合B(k)中删除。重复上述B过程，更新低门限值TH_low、高门限值TH_high及集合A(k)、B(k)，直到B(k)中没有低于TH_low的频点。迭代完成后，可得到最终的低门限值TH_low、高门限值TH_high。

C、基于高、低门限值的干扰簇检测

从低频开始检索，检测到第一个高于低门限TH_low的频点开始一直到最后一个高于低门限的频点为止，视为一个可能存在干扰信号的干扰可疑簇。在全部频点检索完成后，可以得到所有的干扰可疑簇，然后分别将这些干扰可疑簇中子载波能量的最大值与高门限比较，如果高于高门限则该干扰可疑簇被认定为干扰簇。

该双门限干扰簇检测方法有两个优势，一是避免了将个别能量较高的信号子载波簇错判为干扰簇，二是通过干扰簇的数量就可得到窄带干扰的数量，对每个干扰簇分别进行相同的窄带干扰抑制就可实现对所有窄带干扰的抑制。

本发明将窄带干扰的形式建模为单音干扰，即每个干扰簇中包含一个单音干扰，所有的干扰簇对应多个单音干扰，即多音干扰。对检测到的每个干扰簇中的单音干扰分别执行步骤二至步骤五即可实现对所有窄带干扰的抑制。若未检测到干扰簇，则转到步骤六进行基带处理。

步骤二：干扰簇中的窄带干扰信号的频率定位；

将干扰簇中|Y(j)|的最大值对应的j记作m′，由于单音干扰在频域的能量集中且远大于信号的能量，以及OFDM系统FFT的频率分辨率为Δf_FFT＝Δf(Δf为OFDM的子载波间隔)，所以干扰簇中的单音干扰可以定位在标号为m′-1和m′+1的两子载波之间。OFDM子载波标号与FFT的频点一一对应。

步骤三：基于CZT的高精度窄带干扰频率估计；

对OFDM时域接收信号在标号为m′-1和m′+1(在步骤二中求得)的两子载波间的频段进行M点的CZT运算，M的物理意义是细化频谱的点数，可以根据需要选取。CZT变换后的频域信号Y_k(CZT)如下所示：

其中：θ₁表示起始采样点对应的相角，f₁为对应的起始频率，取f₁＝(m′-1)·Δf，A₁表示起始采样点对应的半径，取W_Δ称为采样线的伸展率，取W_Δ＝1，表示相邻采样点间的角频率间隔，f_Δ为相邻采样点间的频率间隔。

OFDM子载波间隔及子载波频率分别为：

Δf＝f_s/N,f_n＝n·Δf (5)

其中，f_s是采样频率，n是子载波标号，0≤n≤N-1。

所以，f_Δ＝2Δf/M，此时CZT的频率分辨率为Δf_CZT＝f_Δ＝2Δf/M。

将|Y_k(CZT)|的最大值对应的k记作k′，取k′对应的频率作为干扰频率的估计值即：

步骤四：计算干扰频率的整数因子及分数因子的估计值；

单音干扰的时域形式为：

其中A₀，f_i，θ₀分别为单音干扰的幅度、频率和相位。

单音干扰的频率f_i可表示为：

f_i＝(m+a)·Δf,0≤m≤N-1,|a|≤0.5 (8)

其中，m为整数因子，对应OFDM的子载波标号m；a为分数因子，a表征了单音干扰相对整数因子m的频率偏移程度，Δf为OFDM的子载波间隔，单音干扰的频率偏移Δf_i可表示为：

Δf_i＝a·Δf,|a|≤0.5 (9)

由公式(6)和(8)可得：

其中，为整数因子m的估计值， 为分数因子a的估计值，

基于公式(10)及分数因子的取值范围，干扰频率的整数因子及分数因子的估计值可由下式求得：

步骤五：对时域接收信号进行基于干扰对齐的窄带干扰抑制

一个OFDM符号周期的时域接收信号y可表示为：

y＝x+i+w (12)

其中，y＝[y₀,…,y_N-1]^T是长度为N的时域抽样，x＝[x₀,…,x_N-1]^T是发射信号，E[xx^H]＝E_s·I_N；i＝[i₀,…,i_N-1]^T是单音干扰；w＝[w₀,…,w_N-1]^T是加性高斯白噪声，E[ww^H]＝σ²·I_N。

基于步骤四所得的窄带干扰频率的整数因子和分数因子的估计值及对OFDM时域接收信号y进行如下数字信号处理运算，可以得到抑制窄带干扰后的接收信号的时域恢复信号y′。

其中，F、F^H分别代表FFT、IFFT变换矩阵；I_N是N阶单位阵，是单位阵的第列；D、D^H是频率搬移、逆搬移矩阵，D用于实现干扰信号与OFDM子载波的正交，即干扰对齐。其中：

如果所有干扰簇处理完成，则进行步骤六，否则返回步骤二处理下一个干扰簇。

步骤六：对消除窄带干扰后的接收信号y′进行传统OFDM系统的基带处理。

具体实施例二：

根据图6至图8，针对应用本发明的基于OFDM的宽带专网系统群组业务中，提高NBI频率估计精度，减少NBI频谱泄漏的窄带干扰抑制问题，进行了Monte Carlo仿真验证，相关仿真参数设置如表1。

表1

为了比较CZT的频率估计精度，图6给出m＝100，a＝0.3，A₀＝4时，接收信号FFT后干扰频率附近的频谱以及经过CZT细化后的频谱。由图可见，相比直接FFT得到的频谱，经过CZT细化后的频谱峰值更接近实际干扰频率，基于CZT的干扰频率估计具有更高的精度。

为了比较不同分数因子a对系统性能的影响，图7给出频域置零法与已知a的理想干扰对齐法(I-IA)的BER曲线。由图可见，随Eb/N0的增加I-IA的BER性能均得到改进，且不随分数因子的改变而改变；频域置零法在a≤0.005时性能与I-IA接近，但随着a的增大其性能迅速下降，这是因为a较大时频谱泄漏严重，频域置零法需要置零多个子载波才能达到有效的干扰抑制，该过程损失了大量有用信号，从而导致BER性能下降。

为了比较所提算法的NBI频率估计精度及其对系统性能的影响，图8给出文献S.H.Muller-Weinfurtner,Optimum Nyquistwindowing in OFDM receivers[J].IEEETransactions on Communications,2001,49(3):417-420.采用的LT-IA算法与本文提出的CZT-IA算法在不同分数因子a时的BER性能。由图可见，LT-IA算法整体性能明显低于本文的CZT-IA算法，且不同a时，其性能差异较大，这是由于查表法的估计偏差受信号和噪声功率以及干扰位置的影响较大，估计精度和稳定性存在不足。本文所提CZT-IA算法在不同a时性能相近，均具有较理想的干扰抑制性能，这也说明了该算法对a的估计具有较高的准确度和稳定性，可以提高存在窄带干扰时OFDM系统的BER性能。

具体实施例三：

接收端一个OFDM符号周期的NBI时域抽样表示为：

其中，t_s为时域采样间隔。

NBI经过FFT后，第k个子载波位置的频域干扰可表示为：

进一步推得：

当a＝0时，

此时，单音干扰与OFDM子载波正交，干扰仅影响标号为m的子载波，对其它子载波没有影响。对子载波m采用频域置零干扰抑制法就可以获得很好的效果。

当a≠0时，

可见，单音干扰对邻近多个子载波产生频谱泄漏。以干扰幅度A₀＝4，干扰频率整数因子m＝100的单音干扰为例，不同分数因子a对应的单音干扰频谱及子载波标号为[95，105]范围内的局部频谱分别如图3左、右所示。

由图3可见，当a＝0时，仅有单音干扰中心频率处的子载波m受到干扰，随着a的增加，NBI频谱泄漏越来越大，当a＝0.5时频谱泄漏最严重。分析图3并结合|I_k|的对称性可得，存在某个门限值a_TH，使得当|a|≤a_TH时，仅置零子载波m就可以获得很好的干扰抑制性能。为了推导该门限的值，首先定义一个表征频谱泄漏情况的参数：干扰能量集中率R＝|I_m|²/E_I，其中|I_m|²表示第m个子载波上的干扰能量，E_I表示干扰总能量。R越大，干扰能量越集中，表示频谱泄漏越少。由公式(18)可得：

公式(20)中第二个等号用到了帕萨瓦尔定理。

进而可得：

取N＝512，当|a|＝0.005时，R＝0.9999，仅将第m个子载波的数据置零，就可以抑制99.99％的干扰能量，故可得出结论：取a_TH＝0.005，当|a|≤a_TH时，频域置零法可以实现有效的干扰抑制。

干扰能量集中率R与干扰频率分数因子a的关系如图4所示。

随着|a|的增加，干扰能量越分散，受NBI频谱泄漏影响的子载波越多，频域置零法将损失所有这些子载波上的有用数据，导致系统的BER性能急剧降低。因此，频域置零法要想取得较好的性能，必须采取有效的方法最小化NBI的频谱泄漏。

参考公式(4)，i_n的M点CZT可表示为：

设Δf_i″＝f_i-f₁-f_Δk，因为f₁≤f_i≤f₁+2Δf，所以0≤Δf_i″≤2Δf，又N很大，所以Δf_i″/Δf/N→0，则：

由采样函数的单调性可知，当|I_k(CZT)|取最大值时，Δf_i″→0，即f_i→f₁+f_Δk′。又因为频域干扰功率远大于信号功率，所以|Y_k(CZT)|≈|I_k(CZT)|，因此|Y_k(CZT)|取最大值时的k′对应的频率可作为干扰频率的估计值。

由于干扰频率的最大估计偏差等于CZT频率分辨率的一半，所以，的估计偏差ε满足：

由公式(24)可得，当M＝N＝512时，有|ε|≤0.002＜a_TH＝0.005，因此FFT与CZT结合的干扰频率估计精度可以满足基于干扰对齐的频域置零窄带干扰抑制算法的要求。

具体实施四：

基于干扰对齐的窄带干扰抑制算法原理如图2所示：

对于存在误差时的情况，令ε为估计偏差，那么干扰对齐后的干扰信号i_n′为：

该变换相当于对接收到的NBI进行的频谱搬移。

i_n′经过FFT后，第k个子载波位置的频域干扰可表示为：

进一步推得：

假定ε→0，可得：

由上式可见，经变换后的单音干扰仅影响子载波m，ε→0时可认为没有频谱泄漏。故干扰对齐的优点是即使单音干扰与OFDM子载波不正交，也可以最小化NBI的频谱泄漏。

综合以上分析可得，准确的NBI分数因子的估计值是基于干扰对齐的窄带干扰抑制算法的关键，估计偏差ε的存在将导致干扰对齐后仍残留部分NBI的频谱泄漏。比较公式(16)与公式(27)可见，ε对|I_k′|的影响与a对|I_k|的影响相同，因此，只要|ε|≤a_TH，基于干扰对齐的频域置零窄带干扰抑制算法就可以实现有效的干扰抑制。因此，找到一种适于OFDM系统的高精度NBI频率估计算法是最小化频谱泄漏、保证基于干扰对齐的窄带干扰抑制算法性能的前提。本专利所提的FFT结合CZT的NBI频率估计算法可以很好地满足|ε|≤a_TH。

具体实施例五：

考虑干扰频率估计误差及基于干扰对齐的干扰抑制算法频域置零过程对有用信号和噪声的影响，对所提CZT-IA干扰抑制算法的SINR分析如下：

由公式(13)可得：

其中：

x′＝(I_N-gg^H)x

i′＝(I_N-gg^H)i

w′＝(I_N-gg^H)w

由于有用信号和噪声的能量在频域是近似恒定的，干扰对齐后的能量为：

其中，E_s、σ²分别为信号和噪声的平均能量。

由于NBI的能量在频域比较集中，因此不能采用上述方法进行推导，而采用如下方式：

在存在估计误差的情况下，由公式(27)，干扰对齐后子载波m上的NBI能量为：

公式(20)给出干扰抑制前的干扰总能量为：因此，可以推得干扰置零后残留的NBI能量为：

所以，频域置零前的SINR为：

频域置零后的SINR为：

定义SINR增益为：

图5给出本专利所提CZT-IA算法分数因子a的估计误差ε与其对应的SINR增益的关系图，可见，由于本发明的干扰频率估计准确度很高，即ε很小，所以G很大，使得系统性能越好。

本发明中对NBI频率的估计，提出了FFT结合CZT的频谱细化的干扰频率估计方法，相比某文献提出的基于查表法的干扰对齐(LT-IA)，基于CZT的干扰对齐具有估计精度高、估计偏差分布均匀的特点。在图8是两种方法的BER性能对比，可得出如下结论：对于不同的分数因子a，CZT-IA的性能均优于LT-IA，说明其估计精度较高；此外，对于不同的分数因子，CZT-IA的性能差别不大，而LT-IA性能则出现很大的波动，这是因为LT-IA的性能受到信号和噪声的影响很大，导致其NBI估计偏差分布不均匀，故其算法稳定性较差，而CZT-IA则不会出现这种情况。

具体实施例六：

本发明针对多个单音干扰，采用双门限的干扰簇检测方法，可以避免将个别能量较高的信号子载波簇错判为干扰簇，实现了多个NBI的检测与定位，并且对每个干扰簇分别进行相同的单音干扰抑制就可实现对所有单音干扰的抑制；

本发明针对干扰频率估计的问题，采用了基于Chirp-Z变换的干扰频率估计同干扰对齐结合的干扰抑制方法，大大提高了干扰频率估计的准确度和稳定性；

本发明针对不同位置的干扰存在不同程度频谱泄漏的问题，提出了一个干扰集中率的概念，通过该参数可以明确给出干扰能量泄漏的比例；

本发明对干扰频率存在估计误差时，对干扰抑制算法的SINR增益进行了定量的推导，同时分析了干扰频率估计误差同SINR增益的关系；

本发明将干扰频率估计误差对系统性能的影响进行了定量的分析，对于任何频率的单音干扰，如果干扰频率估计误差为ε，那么应用本发明专利后该误差对系统性能的影响等效于分数因子a＝ε的一个单音干扰对系统的影响。

本发明给出了一个频域置零法获得较好性能的准则，即当干扰分数因子a满足a≤a_TH＝0.005时，只采用频域置零法就可以获得较好的干扰抑制性能；结合(4)的结论，当本发明专利的CZT-IA算法的干扰频率估计误差|ε|≤a_TH时，就能达到较好的干扰抑制性能，并且论证了该算法的频率估计误差能够满足该条件。

以上所述仅是宽带专网系统高精度的干扰对齐窄带干扰抑制算法的优选实施方式，宽带专网系统高精度的干扰对齐窄带干扰抑制算法的保护范围并不仅局限于上述实施例，凡属于思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。

Claims (5)

1.一种宽带专网系统高精度的干扰对齐窄带干扰抑制算法，其特征是：包括以下步骤：

步骤一：利用FFT对带内频谱进行窄带信号干扰簇的检测，从低频开始检测，将存在干扰的干扰簇筛选出来，若无干扰，则对接收信号进行传统OFDM系统的基带处理；

步骤二：将窄带干扰的形式建模为单音干扰，所有的干扰簇对应多个单音干扰，将每个干扰簇中的单音干扰进行对干扰簇中的窄带干扰信号的频率定位，将干扰簇中|Y(j)|的最大值对应的j记作m′，根据单音干扰在频域的能量集中且远大于信号的能量，以及OFDM系统FFT的频率分辨率为Δf_FFT＝Δf，将干扰簇中的单音干扰定位在标号为m′-1和m′+1的两子载波之间。

步骤三：基于CZT的高精度窄带干扰频率估计，对OFDM时域接收信号在标号为m′-1和m′+1的两子载波间的频段进行M点的CZT运算，求取干扰频率的估计值；

步骤四：计算干扰频率的整数因子及分数因子的估计值；

步骤五：对时域接收信号进行基于干扰对齐的窄带干扰抑制；

步骤六：对消除窄带干扰后的接收信号进行传统OFDM系统的基带处理。

2.根据权利要求1所述的一种宽带专网系统高精度的干扰对齐窄带干扰抑制算法，其特征是：所述步骤一具体为：

第一步：对一个OFDM符号周期的时域接收信号y进行FFT运算，得到频域信号Y(j),(0≤j≤N-1)，将频域信号Y(j)分为q段，则每段长为N′＝N/q。通过每一段平均能量的最小值来计算初始低门限，通过下式计算初始低门限TH₀：

TH₀＝L_low×min{E₁,E₂,...,E_q} (1)

其中，TH₀为初始低门限，E_i为每段的平均能量，i为每段的序号，N为子载波数量，j为子载波标号，L_low代表低门限参数；

第二步：将每个频点的能量与TH₀比较，将低于TH₀的频点置于集合A(k)中，将大于TH₀的频点置于集合B(k)中；通过迭代计算低门限值TH_low和高门限值TH_high，将集合B(k)中频点小于TH_low的频点置于集合A(k)，重复迭代计算低门限值TH_low和高门限值TH_high，更新低门限值TH_low、高门限值TH_high及集合A(k)和B(k)，直至B(k)中无低于TH_low的频点，得到最终的低门限值TH_low和最终的高门限值TH_high，通过下式迭代计算低门限值TH_low和高门限值TH_high：

其中TH_low和TH_high分别为低门限值和高门限值，L_high表示高门限参数，N_A为集合A(k)中元素的个数；

第三步：从低频开始检测，在检测到第一个高于低门限值TH_low的频点开始，直到最后一个高于低门限的频点为止，则视为一个存在干扰信号的干扰可疑簇；待将全部频点检测完成后，将存在干扰信号的干扰可疑簇中子载波能量的最大值分别与TH_high比较；

第四步：当存在干扰信号的干扰可疑簇中子载波能量的最大值大于TH_high时，则认定大于TH_high所在的簇为窄带干扰簇，若无干扰存在，则对接收信号进行传统OFDM系统的基带处理。

3.根据权利要求1所述的一种宽带专网系统高精度的干扰对齐窄带干扰抑制算法，其特征是：所述步骤三具体为：

第一步：对OFDM时域接收信号在标号为m′-1和m′+1的两子载间的频段进行M点的CZT变换，CZT变换后的频域信号Y_k(CZT)如下式所示：

f₁＝(m′-1)·Δf (6)

其中，Y_k(CZT)为CZT变换后的频域信号，M为细化频谱的点数，θ₁表示起始采样点对应的相角，f₁为对应的起始频率，令f₁＝(m′-1)·Δf，A₁表示起始采样点对应的半径，令A₁＝1，W_Δ为采样线的伸展率，令W_Δ＝1，表示相邻采样点间的角频率间隔，Δf为OFDM的子载波间隔，fΔ为相邻采样点间的频率间隔；

第二步：通过下式计算OFDM子载波间隔和子载波频率：

Δf＝f_s/N,f_n＝n·Δf (8)

其中，f_s是采样频率，n是子载波标号，0≤n≤N-1

第三步：根据f_Δ＝2Δf/M，则此时CZT的频率分辨率为Δf_CZT＝f_Δ＝2Δf/M，将|Y_k(CZT)|的最大值对应的k记作k′，取k′对应的频率作为干扰频率的估计值通过下式计算干扰频率的估计值

4.根据权利要求1所述的一种宽带专网系统高精度的干扰对齐窄带干扰抑制算法，其特征是：所述步骤四具体为：

通过下式表示单音干扰的时域形式：

通过下式表达单音干扰的频率f_i：

f_i＝(m+a)·Δf,0≤m≤N-1,|a|≤0.5 (11)

其中，A₀、f_i和θ₀分别为单音干扰的幅度、频率和相位，m为整数因子，对应OFDM的子载波编号m，a为分数因子；a表征了单音干扰相对OFDM子载波m的频率偏移程度，t_s为时域采样间隔；

第二步：通过下式计算单音干扰的频率偏移Δf_i：

Δf_i＝a·Δf,|a|≤0.5 (12)

第二步：根据公式(9)和(11)得到下式：

其中，为整数因子m的估计值， 为分数因子a的估计值，

第三步：根据整数因子和分数因子的取值范围，干扰频率的整数因子和分数因子的估计值通过下式求取：

5.根据权利要求1所述的一种宽带专网系统高精度的干扰对齐窄带干扰抑制算法，其特征是：所述步骤五具体为：

第一步：一个OFDM符号周期的时域接收信号y通过下式表示：

y＝x+i+w (15)

第二步：通过频率搬移矩阵D实现干扰信号与OFDM子载波的干扰对齐，根据窄带干扰频率的估计值通过下式计算频率搬移矩阵D:

第三步：根据窄带干扰频率的估计值对OFDM时域接收信号y进行下式的信号处理运算，得到抑制窄带干扰后的接收信号的时域恢复信号y′：

其中，F、F^H分别代表FFT、IFFT变换矩阵；I_N是N阶单位阵，是单位阵的第列；D、D^H分别是频率搬移矩阵、逆搬移矩阵。