CN109787676A - 一种高动态下的零陷展宽方法 - Google Patents

Abstract

本发明一种高动态下的零陷展宽方法，包括：获取阵列天线接收信号采样数据，进行带通滤波、Hilbert变换以及幅相校正对所获取采样数据等间隔抽取后分两路输出，其中一路输入FIFO模块存储，及另一路进行等间隔抽取后送入QR分解单元进行协方差矩阵估计，输出得到更新的协方差矩阵；进行中间变量的前向迭代更新，根据更新的协方差矩阵和中间变量进行后向迭代计算，得到更新的最优权值；将FIFO模块所存储估计协方差矩阵的采样数据，并与更新的最优权值进行乘加运算后滤波输出。本发明等效扩展了干扰零陷，增强了滤波的稳定性，并进行了FPGA实现，增强了滤波的稳定性。

Description

一种高动态下的零陷展宽方法

技术领域

本发明属于卫星通信技术领域，涉及一种高动态下的零陷展宽方法。

背景技术

随着卫星通信技术的发展与应用，其接收机面临的窄带或宽带压制式干扰问题也日益突出。基于阵列信号处理技术的接收机可以通过调整各接收阵元的加权复系数来自适应地消除这些干扰。工程实现中，较常采用LMS算法及SMI算法进行自适应滤波，LMS算法实现简单且计算量小，较早的进行了工程实现，但算法的收敛性能受相关矩阵的特征值分布影响较大，因此抑制强干扰的能力有限。SMI算法是开环结构，并不受特征值分散影响，具有较好的干扰抑制效果，目前工程实现中更多的采用SMI算。

当卫星通信系统应用于高动态场景时，SMI的滤波性能会严重降低，基于高动态环境的抗干扰研究也逐渐受到重视。文献《卫星导航系统中平台运动对天线阵列性能的影响分析》分析了平台运动对自适应阵列抗干扰性能的影响，文献《高动态条件下统计空时零陷加宽方法》根据弹载导航接收机的特点，提出了一种基于统计的空时零陷加宽方法，但是该方法需要在原协方差矩阵的基础上点乘一个扩张矩阵，实现过程复杂。文献《一种小快拍时对角加载的快速算法》将对角加载与数据矩阵的QR分解结合起来，进行权矢量的实时更新。

发明内容

发明所要解决的课题是，克服现有技术的不足，在QRD-SMI算法基础上，结合高动态环境的特点，提出抽取式QRD-SMI滤波方法，等效扩展了干扰零陷，增强了滤波的稳定性，方法实现过程简单，利于FPGA实现。

QRD-SMI算法在传统SMI算法基础上通过对接收端的数据阵进行QR分解估计协方差矩阵，避免了直接矩阵求逆，进而简化了最优权求解过程，可对数据矩阵X进行QR分解，假设存在L×L的酉矩阵Q满足QX^H＝R，其中R为M×M维的非奇异上三角阵。由此可得：XX^H＝(R^HQ)(Q^HR)＝R^HR，最优权估计则通过下式中的前后向代入得到：

本发明在QRD-SMI算法基础上，用等间隔抽取式数据块代替连续数据块估计协方差矩阵。

为了解决上述课题，本发明提出一种高动态下的零陷展宽方法，包括以下步骤：

步骤1、获取AD采集的阵列天线信号数据，对经阵列天线信号数据进行进行带通滤波、Hilbert变换以及幅相校正后进入步骤2；

步骤2、对采样数据等间隔抽取后分两路输出，其中一路输入FIFO模块存储，及另一路进行等间隔抽取后送入QR分解单元进行协方差矩阵估计，输出得到更新的协方差矩阵R；

步骤3、根据更新的协方差矩阵R代入式R^HV＝La(θ_d)中进行中间变量V的前向迭代更新，得到更新的中间变量V，其中a(θd₎为角度θ_d对应的导向矢量；L为采样次数；

步骤4、根据更新的协方差矩阵R和中间变量V进行后向迭代计算，得到更新的最优权值W_opt；

步骤5、将FIFO模块所存储采样数据，并与更新的最优权值W_opt进行乘加运算后滤波输出。

进一步地，作为本发明的一种优选技术方案，具体为：

每间隔T时刻抽取一次采样快拍，并连续操作N次；

获取第i组NT时段快拍的入射角θ_i，得到接收信号模型为，及其对应的协方差矩，根据该协方差矩阵矩阵求逆引理，得到加权矢量的最优近似解。

进一步地，作为本发明的一种优选技术方案，所述步骤2中QR分解单元进行QR分解，由N次Givens旋转进行输入数据消元实现，抽取间隔T_d大于一次Givens旋转时间，协方差估计样本数N取值大于2M，M为接收阵元数。

进一步地，作为本发明的一种优选技术方案，所述步骤2中QR分解单元进行QR分解具体为：

将所获取估计协方差矩阵的采样数据经过延迟处理分别依次延迟一个脉动间隔t，在第t_i个脉动时刻，第一排数据x₁(t₁)进入脉动结构，经过边界单元计算后得出旋转因子c₁/s₁，该边界单元计算对角元素r_ii和产生内部单元所需要的Givens的旋转因子c和s，其中使用两次CORDIC旋转，第一次使用CORDIC旋转来实现输入数据的求模运算得到输入数据的模值|x_in|和旋转角θ，第二次使用CORDIC旋转来实现对角元素r_ii和旋转角更新；计算旋转角θ和的正余弦值，更新得到旋转因子c和s；

在第t_i+1个脉动时刻，第二排数据x₂(t₁)进入脉动结构，经过内部单元的一次计算，得出经过一次Givens的旋转因子c₁/s₁的上三角矩阵R的非对角元素r₁₂和经过变换后待消元元素x_out12；

在第t_i+2个脉动时刻，第三排数据x₃(t₁)经过内部单元的一次计算，得出经过一次Givens的旋转因子c₁/s₁的上三角矩阵R的非对角元素r₁₃和经过变换后待消元元素x_out13，依次类推，每经过一次边界单元消元一个元素，采用流水线结构经过7个脉动周期便可以将新进的元素消元，完成更新后的上三角矩阵，及在t＝t_i+7时刻输出更新的协方差矩阵R。

进一步地，作为本发明的一种优选技术方案所述步骤4得到更新的最优权值W_opt采用公式：RW_opt＝V。

发明效果

本发明针对高动态环境下阵列信号接收建立了近似模型，为高动态情况下阵列信号处理提供了理论基础，并利用近似模型从理论上推导验证了本发明的正确性。

本发明通过等间隔抽取接收数据作为协方差矩阵的估计基本元素，相同的采样数据量包括更多的方位信息，高动态环境下具有更精确的协方差估计，可以达到零陷展宽的效果。本发明中以等间隔抽取代替传统连续抽取，抵消了协方差矩阵的更新延迟，可以实现信号的实时滤波。

本发明的零陷展宽方法进行FPGA实现时，只需在传统QRD-SMI结构基础上增加一个FIFO实现数据暂存，无需增加额外的硬件结构，相比其他零陷展宽方法实现简单，易于与高性能FPGA相结合。

因此，本发明在QRD-SMI算法基础上，结合高动态环境的特点，提出抽取式QRD-SMI滤波方法，等效扩展了干扰零陷，增强了滤波的稳定性，并进行了FPGA实现。

附图说明

图1为本发明方法的流程图；

图2为本发明等间隔抽取GR-TSA结构示意图；

图3为本发明边界单元FPGA实现结构图；

图4为本发明内部单元FPGA实现结构图；

图5为本发明中间变量V的FPGA实现结构图；

图6为本发明权值W的FPGA实现结构图。

具体实施方式

以下，基于附图针对本发明进行详细地说明。

如图1所示，本发明设计了一种高动态下的零陷展宽方法，该方法是等间隔抽取式的改进QRD-SMI方法，高动态环境下，可以有效增强滤波稳健性。所述改进QRD-SMI方法包括输入数据延迟寄存，数据抽取，QR分解和实时滤波，具体包括以下步骤：

步骤1、获取接收信号的估计协方差矩阵的采样数据，对估计协方差矩阵的采样数据进行带通滤波、Hilbert变换以及幅相校正后进入步骤2；

步骤2、对所获取估计协方差矩阵的采样数据等间隔抽取后分两路输出，其中一路输入FIFO模块存储，等待权值更新后进行滤波处理；及另一路进行等间隔抽取后送入QR分解单元进行协方差矩阵估计，输出得到更新的协方差矩阵R，其中QR分解由N次Givens旋转进行输入数据消元实现，抽取间隔T_d需大于一次Givens旋转时间，协方差估计样本数N取值应大于2M，M为接收阵元数。

首先，本方法进行等间隔抽取过程为：

假设干扰入射角度随时间连续变化，对估计协方差矩阵R_xx的采样数据做如下处理，每间隔T时刻抽取一次采样快拍，并连续操作N次。当NT持续时间较短时，N次快拍的入射角可近似认为相等，这里用θ₁表示。在下一个NT时段等间隔抽取N次快拍，其入射角用θ₂表示。依次类推，第i组NT时段的入射角则看做θ_i。由此接收信号模型可近似修改为：其对应的协方差矩阵可表示为：其中σ²为高斯白噪声的功率；A_J＝[a(θ₁) a(θ₂) … a(θ_L)]；R_J＝diag(δ₁,δ₁,…δ_L)为干扰信号功率。最终得到的加权矢量的最优解近似为：

根据矩阵求逆引理：最终得到加权矢量的最优近似解为其中是一个常数，不影响干扰抑制性能。由最优权矢量的表达式可知其最优解近似正交于L个干扰组成的子空间，等效进行了零陷扩展。

然后，等间隔抽取送入QR分解单元进行协方差矩阵估计，进行QR分解滤波的具体操作步骤如下具体如下：

将所获取估计协方差矩阵的采样数据经过延迟处理分别依次延迟一个脉动间隔t，在第t_i个脉动时刻，第一排数据x₁(t₁)进入脉动结构，经过边界单元计算后得出旋转因子c₁/s₁，该边界单元计算对角元素r_ii和产生内部单元所需要的Givens的旋转因子c和s，其中使用两次CORDIC旋转，第一次使用CORDIC旋转来实现输入数据的求模运算得到输入数据的模值|x_in|和旋转角θ，第二次使用CORDIC旋转来实现对角元素r_ii和旋转角更新；计算旋转角θ和的正余弦值，更新得到旋转因子c和s；

在第t_i+1个脉动时刻，第二排数据x₂(t₁)进入脉动结构，经过内部单元的一次计算，得出经过一次Givens的旋转因子c₁/s₁的上三角矩阵R的非对角元素r₁₂和经过变换后待消元元素x_out12；

在第t_i+2个脉动时刻，第三排数据x₃(t₁)经过内部单元的一次计算，得出经过一次Givens的旋转因子c₁/s₁的上三角矩阵R的非对角元素r₁₃和经过变换后待消元元素x_out13，依次类推，每经过一次边界单元消元一个元素，采用流水线结构经过7个脉动周期便可以将新进的元素消元，完成更新后的上三角矩阵，及在t＝t_i+7时刻输出更新的协方差矩阵R。

步骤3、N次旋转后根据更新的协方差矩阵R代入式R^HV＝La(θ_d)中进行中间变量V的前向迭代更新，得到更新的中间变量V，其中a(θ_d)为角度θ_d对应的导向矢量；L为采样次数。

步骤4、根据更新的协方差矩阵R和中间变量V进行后向迭代计算，采用公式RW_opt＝V得到更新的最优权值W_opt；

步骤5、将FIFO模块所存储估计协方差矩阵的采样数据，并与更新的最优权值W_opt进行乘加运算后滤波输出，实现数据的实时滤波。

为了验证本发明方法能够在高动态环境下具有更精确的协方差估计，可以达到零陷展宽的效果，特举一个验证例进行说明。

验证例1

本验证例的方法，涉及高动态应用环境下阵列信号的稳健自适应滤波领域。针对高动态应用环境，提供了一种高动态下的零陷展宽方法，可以与高性能FPGA结合的稳健滤波，具有较强的可操作性。具体发明应用于由4阵元组成的圆形阵列，详细步骤如下：

(1)对采样的四路AD信号进行带通滤波，Hilbert变换以及幅相校正后进入步骤(2)；

(2)对步骤(1)中的接收数据分两路输出，一路进入FIFO模块存储，等待权值更新后进行滤波处理，一路进行等间隔抽取后送入QR分解单元，进行协方差矩阵估计，然进入步骤(3)；

QR分解的脉动阵结构GR-TSA如图2所示，四路数据为了满足脉动阵的时序结构经过延迟处理分别依次延迟一个脉动间隔t，在第t_i个脉动时刻，第一排数据进入脉动结构，x₁(t₁)经过边界单元计算后得出旋转因子c₁/s₁，边界单元的过程如图3所示，主要用来计算对角元素r_ii和产生内部单元所需要的Givens旋转因子c和s，若x_in＝0，则c＝1，s＝0，r_ii＝r_ii；若x_in≠0，则为了避开除法运算，当x_in≠0时，边界单元的运算可以改写为：其中使用两次CORDIC旋转，第一次使用CORDIC旋转来实现输入数据的求模运算得到输入数据的模值|x_in|和旋转角θ，第二次使用CORDIC旋转来实现对角元素更新和旋转角根据更新后旋转角θ和调用FPGA中的直接数字频率合成器DDS IP核，计算出sinθ、cosθ，调用乘法器，根据公式更新旋转因子c和s，进入步骤(3)；

(3)内部单元主要作用是根据边界单元传递过来的Givens变换因子进行旋转消元，消元求出非对角元素r_ij。内部单元中计算非对角元素r′_ij＝s^*x_in+cr_ij，经过一次Givens变换后的待消元元素x_out＝cx_in-sr_ij，根据边界单元计算的c和s，结合非对角元素r_ij，x_in为阵列天线信号输入数据(第二次Givens变换时输入的x_in是第一次Givens变换后计算出的输出数据x_out)，由于变换因子s、非对角元素r_ij、信号输入数据x_in均为复数，内部单元FPGA实现如图4所示，执行两次复数乘法和四次实数乘法求出一次Givens变换x_out和r′_ij。

在第t_i+1个脉动时刻，第二排数据进入脉动结构，此时x₂(t₁)经过内部单元的一次计算，得出经过一次Givens的旋转因子c₁/s₁的上三角矩阵R的非对角元素r₁₂和经过变换后待消元元素x_out12，在第t_i+2个脉动时刻，x₃(t₁)经过内部单元的一次计算，得出经过一次Givens的旋转因子c₁/s₁的上三角矩阵R的非对角元素r₁₃和经过变换后待消元元素x_out13，依次类推，每经过一次边界单元消元一个元素，采用流水线结构经过7个脉动周期便可以将新进的元素消元，完成更新后的上三角矩阵，在t＝t_i+7时刻输出R。进入步骤(4)；

(4)中间变量V计算中数除法器处理延迟t_d，其原理如图5所示，在t₀时刻计算并输出，在t₀+t_d时刻计算并输出，依次类推依次得到经过4次除法完成中间变量V的更新，进入步骤(5)；

(5)权值W计算中，其原理如图6所示，在t₀时刻计算并输出，在t₀+t_d计算并输出，以此类推，经过4次除法完成权值W更新，进入步骤(6)；

(6)FIFO模块将存储的数据输出，并与权值W乘加后滤波输出。

综上，本发明方法在QRD-SMI算法基础上，结合高动态环境的特点，提出抽取式QRD-SMI滤波方法，等效扩展了干扰零陷，增强了滤波的稳定性，并进行了FPGA实现。

需要说明的是，以上说明仅是本发明的优选实施方式，应当理解，对于本领域技术人员来说，在不脱离本发明技术构思的前提下还可以做出若干改变和改进，这些都包括在本发明的保护范围内。

Claims (5)

1.一种高动态下的零陷展宽方法，其特征在于，包括以下步骤：

步骤1、获取AD采集的阵列天线信号数据，对经阵列天线信号数据进行带通滤波、Hilbert变换以及幅相校正后进入步骤2；

步骤2、对采样数据等间隔抽取后分两路输出，其中一路输入FIFO模块存储，及另一路进行等间隔抽取后送入QR分解单元进行协方差矩阵估计，输出得到更新的协方差矩阵R；

步骤3、根据更新的协方差矩阵R代入式R^HV＝La(θ_d)中进行中间变量V的前向迭代更新，得到更新的中间变量V，其中a(θ_d)为角度θ_d对应的导向矢量；L为采样次数；

步骤4、根据更新的协方差矩阵R和中间变量V进行后向迭代计算，得到更新的最优权值W_opt；

步骤5、将FIFO模块所存储估计协方差矩阵的采样数据，并与更新的最优权值W_opt进行乘加运算后滤波输出。

2.根据权利要求1所述高动态下的零陷展宽方法，其特征在于，所述步骤2中对所获取估计协方差矩阵的采样数据等间隔抽取，具体为：

每间隔T时刻抽取一次采样快拍，并连续操作N次；

获取第i组NT时段快拍的入射角θ_i，得到接收信号模型为，及其对应的协方差矩，根据该协方差矩阵矩阵求逆引理，得到加权矢量的最优近似解。

3.根据权利要求1所述高动态下的零陷展宽方法，其特征在于，所述步骤2中QR分解单元进行QR分解，由N次Givens旋转进行输入数据消元实现，抽取间隔T_d大于一次Givens旋转时间，协方差估计样本数N取值大于2M，M为接收阵元数。

4.根据权利要求3所述高动态下的零陷展宽方法，其特征在于，所述步骤2中QR分解单元进行QR分解具体为：

将所获取估计协方差矩阵的采样数据经过延迟处理分别依次延迟一个脉动间隔t，在第t_i个脉动时刻，第一排数据x₁(t₁)进入脉动结构，经过边界单元计算后得出旋转因子c₁/s₁，该边界单元计算对角元素r_ii和产生内部单元所需要的Givens的旋转因子c和s，其中使用两次CORDIC旋转，第一次使用CORDIC旋转来实现输入数据的求模运算得到输入数据的模值|x_in|和旋转角θ，第二次使用CORDIC旋转来实现对角元素r_ii和旋转角更新；计算旋转角θ和的正余弦值，更新得到旋转因子c和s；

在第t_i+1个脉动时刻，第二排数据x₂(t₁)进入脉动结构，经过内部单元的一次计算，得出经过一次Givens的旋转因子c₁/s₁的上三角矩阵R的非对角元素r₁₂和经过变换后待消元元素x_out12；

在第t_i+2个脉动时刻，第三排数据x₃(t₁)经过内部单元的一次计算，得出经过一次Givens的旋转因子c₁/s₁的上三角矩阵R的非对角元素r₁₃和经过变换后待消元元素x_out13，依次类推，每经过一次边界单元消元一个元素，采用流水线结构经过7个脉动周期便可以将新进的元素消元，完成更新后的上三角矩阵，及在t＝t_i+7时刻输出更新的协方差矩阵R。

5.根据权利要求1所述高动态下的零陷展宽方法，其特征在于，所述步骤4得到更新的最优权值W_opt采用公式：RW_opt＝V。