CN111796263B - 一种基于5g基站信号的低空目标分布式测距方法 - Google Patents

Abstract

本发明提出一种基于5G基站信号的低空目标分布式测距方法，所述方法包括以下步骤：步骤1、利用K‑means聚类算法对参考信道中的直达波进行提纯；步骤2、利用基于最小均方误差准则的自适应滤波器对回波信道进行直达波对消，得到回波信号；步骤3、对纯净的直达波信号与回波信号做互相关处理获取回波信号时延信息，根据方位角以及时延信息得到目标位置信息，从而实现了目标的测距。本发明所述方法对目标的有效探测要求信噪比不小于13.5dB，则在理想接收机的条件下最大探测距离可达409.5m，测距误差小于0.02m。

Description

一种基于5G基站信号的低空目标分布式测距方法

技术领域

本发明属于低空探测技术领域，特别是涉及一种基于5G基站信号的低空目标分布式测距方法。

背景技术

对低小慢目标的有效探测与跟踪是侦察技术中的四大难题之一，近年来，国内外一直在进行相关方面的研究，目前解决低空探测难题的总思路，包括雷达探测，声学探测，光学探测三种方法，但在声学探测的方法中，由于低小慢目标飞行动力主要是电动力，加上飞行速度慢，所以飞行中产生的噪声很小，如果考虑城市环境，该噪声几乎无法识别；对于光学探测，由于低小慢目标发动机体积小，而且普遍采用了红外线吸波材料，使得光学探测格外困难，所以现存技术仍然主要是基于无线电探测的方法进行研究，无线电探测的主要思路有：1、研究现有缺陷的技术抑制方法，2、设计目标优化算法的雷达探测技术(后向反射)，3、应用电磁波的衍射(前向散射)技术。然而现有技术还无法有效解决“低慢小”目标的精准探测和识别。

发明内容

本发明目的是为了解决现有技术中的问题，提出了一种基于5G基站信号的低空目标分布式测距方法。

本发明是通过以下技术方案实现的，本发明提出一种基于5G基站信号的低空目标分布式测距方法，定义5G基站信号的反射信号具有两个信道，一个是参考信道，一个是回波信道；所述方法包括以下步骤：

步骤1、利用K-means聚类算法对参考信道中的直达波进行提纯；

步骤2、利用基于最小均方误差准则的自适应滤波器对回波信道进行直达波对消，得到回波信号；

步骤3、对纯净的直达波信号与回波信号做互相关处理获取回波信号时延信息，根据方位角以及时延信息得到目标位置信息，从而实现了目标的测距。

进一步地，所述步骤1具体为：

首先随机选取K个对象作为初始的聚类点，然后计算每个对象与各个初始聚类点之间的距离，然后把每个对象分配给距离它最近的聚类点，即认为他们是一类，然后对每一类数据集求他们的质心作为第一次处理后的聚类点，然后根据第一次处理后的聚类点，计算每个数据点到第一次处理后的聚类点之间的距离，并将每个数据点分到离他最近的那个聚类点上，作为一类，然后再对每一类的数据点们求其质心，作为第二次处理的聚类点，以此类推进行迭代，当最后发现第N+1次处理后得到的聚类点与第N次处理后得到的聚类点距离小于一定阈值时，即可停止处理，从而得到提纯后的直达波信号。

进一步地，在所述方法中需要利用参考信道中恢复出的直达波对回波信道进行直达波对消。

进一步地，所述步骤2具体为：

通过计算自适应滤波器的实际输出结果与期望输出结果的差值进行参数修改以最终获得期望输出；所述自适应滤波器需要两个信号，分别为输入信号x(n)和期望信号d(n)，在输入信号通过自适应滤波器后产生一个输出信号y(n)，然后将y(n)与期望信号d(n)相比较得到误差信号e(n)，然后根据自适应滤波算法调整抽头系数使e(n)在最小均方误差准则下最小，使输出信号y(n)在最小均方误差准则下尽可能逼近期望信号d(n)。

进一步地，

首先对输入信号用相量表示，即X(n)＝[x(n),x(n-1),...,x(n-L-1)]^T，然后对抽头系数用相量表示，即W(k)＝[w₀(k),w₁(k),...,w_L-1(k)]^T，其中L为自适应滤波器的阶数，W(k)表示自适应滤波器第k次迭代的抽头系数组，由此得到输出信号：

y_k(n)＝W^T(k)X(n)

其中y_k(n)表示第k次迭代的输出信号，通过比较期望信号和输出信号，得到估计误差信号：

e(n)＝d(n)-W^T(k)X(n)

从而得到均方误差为：

J＝E[W^T(n)]＝E[d²(n)]-2E[d(n)W^T(n)X(n)]+E[W^T(n)X(n)X^T(n)W(n)]

在进行抽头系数调整时，为了每一次迭代都最有效地调整系数，采用最速下降算法，即沿着负梯度方向调整自适应滤波器加权向量，所以迭代抽头系数的公式为：

迭代的本质就是每次都进行调整从而使其趋近于一个最佳状态，那么每次调整的程度就是由调整步长决定，在迭代抽头系数的公式中，其中的μ为每一次调整抽头系数的调整长度即调整步长；基于最小均方误差准则的最速下降算法选择利用瞬时间的误差的平方的均值对每个抽头向量求导，能够得到均方误差梯度为：

由此可得，基于最小均方误差准则的最速下降算法抽头系数迭代方程简化为：

W(k+1)＝W(k)+2μe(n)X(n)

于是，在后续操作中就根据迭代抽头系数的公式进行多次迭代，迭代k次之后，当第k次迭代后的结果与第k-1次迭代的抽头系数向量距离小于一定阈值时，迭代结束，此时可以得到一个最终的抽头系数向量W(k)，然后即可得到最终的期望信号的逼近信号：

y_k(n)＝W^T(k)X(n)。

进一步地，所述自适应滤波器为离散时间信号自适应滤波器。

进一步地，所述迭代的次数大于等于多径效应的最大时延并小于回波信号的最小时延。

进一步地，所述调整步长μ的取值具体为：

进一步地，所述互相关处理为两信号的互模糊函数，其数学模型为：

其中，τ为时延，f₀(t)表示纯净的直达波信号的模糊函数，f₁ ^*(t+τ)表示回波信号的模糊函数，t表示时间。

本发明基于K-means聚类算法实现了参考信道中的直达波提纯，利用基于LMS准则的自适应滤波器实现了回波信道中的直达波对消，之后利用了互相关处理的方法实现了回波信号时延信息的提取，从而实现了目标的测距。本发明所述方法对目标的有效探测要求信噪比不小于13.5dB，则在理想接收机的条件下最大探测距离可达409.5m，测距误差小于0.02m。

附图说明

图1为本发明所述的基于5G基站信号的低空目标分布式测距方法的流程图；

图2为K-means迭代聚类算法示意图；

图3为直达波提纯效果图；

图4为一个离散时间信号自适应滤波器系统的信号处理流程图；

图5为直达波对消原理框图；

图6为对消后的波形图；

图7为互相关处理结果示意图；

图8为随信噪比变化测距误差和探测概率的变化特性曲线示意图。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

结合图1，本发明提出一种基于5G基站信号的低空目标分布式测距方法，定义5G基站信号的反射信号具有两个信道，一个是参考信道，一个是回波信道；所述方法包括以下步骤：

步骤1、利用K-means聚类算法对参考信道中的直达波进行提纯；

步骤2、利用基于最小均方误差准则的自适应滤波器对回波信道进行直达波对消，得到回波信号；

步骤3、对纯净的直达波信号与回波信号做互相关处理获取回波信号时延信息，根据方位角以及时延信息得到目标位置信息，从而实现了目标的测距。

所述步骤1具体为：

首先随机选取K个对象作为初始的聚类点，然后计算每个对象与各个初始聚类点之间的距离，然后把每个对象分配给距离它最近的聚类点，即认为他们是一类，然后对每一类数据集求他们的质心作为第一次处理后的聚类点，然后根据第一次处理后的聚类点，计算每个数据点到第一次处理后的聚类点之间的距离，并将每个数据点分到离他最近的那个聚类点上，作为一类，然后再对每一类的数据点们求其质心，作为第二次处理的聚类点，以此类推进行迭代，当最后发现第N+1次处理后得到的聚类点与第N次处理后得到的聚类点距离小于一定阈值时，即可停止处理，从而得到提纯后的直达波信号。

5G技术迅速发展，如今有很多地区已经有了5G基站，5G基站是5G网络的核心设备，它为5G用户提供无线通信信号，实现有线通信网络与无线通信终端之间的信号转换与传输。为了更大的带宽，更快地传输数据所以在频段选择时，5G基站信号应用的频段远高于前几代移动通信网络的频段，一般来说5G信号有两个常用频段，一个为450MHz-6GHz，另一个为24.25GHz-52.6GHz，其中24.25GHz-52.6GHz为微波段，在本发明中不做考虑，本发明进行信号频率选择时，在450MHz-6GHz的范围内进行。由于信号频率越高，趋肤效应越明显，导致信号的穿透能力越差，所以为了在楼宇林立的城市中实现无线通信，5G网络的基站将会布置的非常密集，这给FSR的应用提供了环境。

实际5G信号中，常常使用的码元速率为15kB；对每一路子载波，针对不同的应用场景可以有不同的调制方式，其中QAM是一种典型的常用制式；在实际应用中，5G信号占频带较宽，有几十甚至几百路子载波，但在本发明中，为了后续分析的方便，只选取一个RB(resource block)的信号进行分析，即只包含12路子载波，在本发明中，选取码元速率为15kHz，每路子载波的频差为15kHz，调制方式为16QAM，选取频带的最低子载波频率为600MHz。

在分析5G基站信号的反射信号时，假设出两个信道，一个是参考信道，一个是回波信道，两者都会受到多径效应的影响，但是对两个信道解决这个问题的思路不同，首先要在参考信道中使用直达波提纯技术提取比较纯净的直达波，然后再在回波信道中使用直达波对消技术提取比较纯净的回波信号，本发明提出了一种基于星座图聚类，从而对直达波实现再生的方法。

多径效应会使信号包络产生起伏，仿真受多径效应影响的信号时，需要首先考虑多径延时的范围，所以首先进行了一步近似计算。为了简单起见，先假设只有两路多径信号，对快衰落现象进行分析。假设有两路信号，并且他们有相同的振幅，也即衰减，但是时延不同，当原信号为f(t)时，它途径两条路径传播后，接收端接收到的信号分别为Af(t-τ₀)和Af(t-τ₀-τ)，其中A为传播中造成的衰减，τ₀为第一条路径的时延，τ为两条路径的时延差，然后再来讨论该多径传输信道的传输函数，设原信号f(t)的频谱为F(ω)，则可知：

用式(3)右端与F(ω)相除即可得此多径信道的传输函数H(ω)为：

考虑传输函数的模，可得：

分析传输函数的模值可以发现，在ω＝(2n+1)π/τ处的频率分量为0，也即在该频率分量处产生频率选择性衰减，所以说对于宽带信号来说，多径效应的影响会十分严重，对于双基地雷达来说，面对回波总是要考虑该信号是来源于希望探测的目标还是无效反射物，在本发明中，认为距离5G基站发射机10m以内的反射物为无效反射物，那么可得10m处的目标产生的时延为t_τ＝(10×2)/(3×10⁸)＝6.67×10^-8s因为信号的采样率为4800MHz，则做离散信号分析时，认为时延小于n_τ＝t_τ×f_s＝320的回波为多径干扰杂波，时延大于320的回波则认为是有效目标产生的回波。

聚类是指，对一组数据集将其中在某方面具有相似的特征的数据集中到一起并将其认为是一类的过程，聚类与分类的区别是聚类是一种无监督学习过程，在一开始并不知道每一类的具体的内在联系是什么，这种情况十分符合接收到起伏信号，即既有随机包络，又有随机相位的情况。K-means聚类算法尤其适合已知要把数据集分成几类的情况，即K值已知，因为已知调制方式是16QAM，所以已知K值为16，所以采用K-means聚类算法是十分合适合理的。

K均值聚类算法(k-means clustering algorithm)是一种通过不断迭代去逼近数据集的最佳聚类点的算法，其具体步骤是，当知道希望将数据分为K组后，首先随机选取数据集中的K个对象作为初始的聚类点，然后计算每个对象与各个初始聚类点之间的距离，然后把每个对象分配给距离它最近的聚类点，即认为他们是一类，然后对每一类数据集求他们的质心作为第一次处理后的聚类点，但是如果现在就结束的话，由于只经历了一次迭代，聚类结果必然是不理想的，如图2(d)所示，直观地就可以看出两个颜色的叉的位置并不是合理的聚类点。为了得到最佳的聚类点，还需进行多次处理，即对新的聚类点再计算每个数据点到他们的距离，并将每个数据点分到离他最近的那个聚类点上，作为一类，然后再对每一类的数据点们求其质心，作为第二次处理的聚类点，以此类推进行迭代，当最后发现第N+1次处理后得到的聚类点与第N次处理后得到的聚类点距离小于一定阈值时，即可停止处理，从而得到提纯后的直达波信号。图2为K-means算法经过三次迭代处理实现聚类的示意图。

在外源辐射雷达定位系统中，得到一个准确的源信号是一个关键问题，它将直接关系到系统的后续操作能否顺利进行并最终关系到系统定位的精确度。在外源辐射雷达定位系统中，一般接收端都会收到一个不经过反射直接到达接收端的信号，这种信号一般称之为直达波。所以直达波提取本质上就是研究如何从受多径杂波和加性噪声干扰下恢复原发射信号的问题。在无线通信中，一般采用时域均衡技术对抗多径干扰导致的波形起伏从而恢复原信号。对于恒包络信号，常使用的时域均衡技术称为恒模算法，但是QAM并非是恒包络信号，然而值得注意的是，QAM的同相分量和正交分量在一个码元持续时间内的包络是恒定的，所以可以对QAM信号的每个码元提取其正交分量和同相分量，多径信号干扰的后果是信号星座图出现偏移。对出现偏移的直达波信号利用K-means聚类算法进行直达波提纯，提纯效果图如图3所示，其中图3(a)为原信号，图3(b)为多径杂波和加性噪声干扰下的波形，图3(c)为提纯后的直达波。

从图3可以看出来，恢复出来的直达波极其接近原信号，已经可以满足后续处理的需要，按照该方法对每一路子载波都进行提纯并将它们叠加即可得到原一个RB的5G基站信号，并且由于直达波是再生出来的，可以完全抑制加性噪声的干扰。

结合图5，在恢复出合适的直达波后，即可设计自适应滤波器对回波信道进行直达波对消，消除其直达波和多径传播的影响。

自适应滤波器可以是连续时间信号滤波器或者离散时间信号滤波器。在本发明中，为了方便计算机处理信号，采用离散时间信号自适应滤波器模型，其由一组抽头延迟线、可变加权系数和自动调整系数算法模块组成。图4表示一个离散时间信号自适应滤波器系统的信号处理流程图。该系统需要两个信号，分别为输入信号x(n)和期望信号d(n)，在输入信号通过系统后产生一个输出信号y(n)，然后将y(n)与期望信号d(n)相比较得到误差信号e(n)，然后根据自适应滤波算法调整抽头系数使e(n)在最小均方误差准则下最小，使输出信号y(n)在最小均方误差准则下尽可能逼近期望信号d(n)。

首先对输入信号用相量表示，即X(n)＝[x(n),x(n-1),...,x(n-L-1)]^T，然后对抽头系数用相量表示，即W(k)＝[w₀(k),w₁(k),...,w_L-1(k)]^T，其中L为自适应滤波器的阶数，W(k)表示自适应滤波器第k次迭代的抽头系数组，一般来说，迭代次数越多最后输出信号越接近期望信号，由此得到输出信号：

y_k(n)＝W^T(k)X(n)

其中y_k(n)表示第k次迭代的输出信号，通过比较期望信号和输出信号，得到估计误差信号：

e(n)＝d(n)-W^T(k)X(n)

从而得到均方误差为：

J＝E[W^T(n)]＝E[d²(n)]-2E[d(n)W^T(n)X(n)]+E[W^T(n)X(n)X^T(n)W(n)]

在进行抽头系数调整时，为了每一次迭代都最有效地调整系数，采用最速下降算法，即沿着负梯度方向调整自适应滤波器加权向量，所以迭代抽头系数的公式为：

迭代的本质就是每次都进行调整从而使其趋近于一个最佳状态，那么每次调整的程度就是由调整步长决定，在迭代抽头系数的公式中，其中的μ为每一次调整抽头系数的调整长度即调整步长；基于最小均方误差准则的最速下降算法选择利用瞬时间的误差的平方的均值对每个抽头向量求导，能够得到均方误差梯度为：

由此可得，基于最小均方误差准则的最速下降算法抽头系数迭代方程简化为：

W(k+1)＝W(k)+2μe(n)X(n)

于是，在后续操作中就根据迭代抽头系数的公式进行多次迭代，迭代k次之后，当第k次迭代后的结果与第k-1次迭代的抽头系数向量距离小于一定阈值时，迭代结束，此时可以得到一个最终的抽头系数向量W(k)，然后即可得到最终的期望信号的逼近信号：

y_k(n)＝W^T(k)X(n)。

由于在回波信道中，除了目标反射信号外存在多径干扰和较强的直达波，为了更好的分析回波信号，需要利用参考信道中恢复出的直达波对回波信道进行直达波对消，直达波对消的基本思想就是使用直达波信号逼近多径干扰信号，本发明实现直达波对消主要使用自适应滤波器的思想，即对参考信号进行抽头，并假设一组抽头系数，此时就得到了自适应滤波器的起始状态，然后令信号通过该滤波器，利用滤波后的信号与监视信号进行比对得到一个误差，并根据该误差调整这一组抽头系数进行迭代，误差会随着迭代次数的增加而减小，但同时会带来大计算量，值得注意的是，迭代次数应大于等于多径效应的最大时延并小于回波信号的最小时延，否则将会导致多径效应抑制不完全或回波信号被明显抑制，本发明利用变步长算法为了能在误差较大时，大幅度调整系数使其迅速降低误差，误差较小时，可以进行微调，以达到在迭代次数够多的情况下实现最佳逼近的目的。

所述调整步长μ的取值具体为：

图6为对消后的波形，观察图6发现，直达波对消后，信号幅度下降且在尖头处已经可以隐约看出在噪声覆盖下的回波信号，根据该信号可以进行下一步分析。但是，不得不说的是，该方法对回波信道的信噪比要求比较高，在信噪比大于15dB时，才会有比较好的对消效果。

将回波接收通道的直达波以及多径杂波消除后，由于回波信号的功率非常小，仍无法直接从噪声环境中将其提取出来，由于此时该通道直达波成分已经被消除，所以可以通过对纯净的直达波信号与回波信号做互相关处理。为了简单快速地获取时延信息，可以通过对纯净的直达波信号与回波信号做互相关处理。根据方位角以及时延信息可以得到目标位置信息，互相关处理可以理解为两信号的互模糊函数，其数学模型为：

其中，τ为时延，f₀(t)表示纯净的直达波信号的模糊函数，f₁ ^*(t+τ)表示回波信号的模糊函数，t表示时间。

通过观察图7可以看出在回波位置上出现一个尖峰，通过观察该尖峰的位置，得到时延为1.25×10^-6s，计算得到目标的距离为R＝c×τ/2＝187.5m.距离误差很小，接近于零。上述结果的仿真条件为多径杂波路径数为3，回波信号相对于多径杂波衰减为7dB，接收端信噪比为20dB，为了更好地判断对目标探测的性能，下面将会给出随着信噪比的变化系统探测性能的变化情况。本发明假设测距误差小于5m为有效探测。

通过图8可以看出，随着信噪比的提高，有效探测概率逐渐提高，并且有效探测时的测距误差逐渐降低。根据仿真结果可知，当信噪比大于13.5dB时，探测概率大于90％，满足了一般目标探测系统对探测概率的要求，并且此时测距误差很小，仅为0.0209m，可以满足绝大多数雷达探测场景对测距精度的要求。当控制信噪比为13.5dB不变时，可以发现随着多径干扰路径数的变化，有效探测概率和测距误差并没有明显变化，这可能是由于当信噪比较大时LMS自适应滤波器对多径杂波有比较强的抑制能力。下面将讨论实际5G基站的在此工作模式下的探测距离。

对于理想接收机来说，有：

N_i＝kT₀B

其中，Ni为输入噪声功率，T₀为标准室温，一般认为等于290K(开尔文)，k为玻尔兹曼常数，等于1.38×10^-23J/K，B为接收机带宽，在本发明中B等于单路子载波的带宽，为30kHz，则计算得到接收机的输入噪声功率为1.2006×10^-16w。根据无线电定位原理，最小可检测信号的功率S_imin的表达式为：

由于噪声系数F_n等于1，后端系统要求的最小信噪比为13.5dB，则可计算得到最小可检测信号的功率为2.6878×10^-15w，根据雷达方程的推导，最大探测距离R_max的表达式为：

其中P_t为发射信号功率，因为5G基站发射信号功率谱密度的典型值为2w/MHz，所以可计算得到一个带宽为30kHz的信号发射功率为0.06w；其中G_t和G_r分别为发射基站和接收机的天线增益，一般分布在城市区域中的发射基站天线增益的典型值为15dB，这里为了方便计算，取接收机的天线增益也为15dB；其中λ为信号波长，因为信号频率取为600MHz，所以可得波长为0.5m；其中σ为目标有效反射截面积，小型无人机有效反射截面积一般在0.1m²～0.01m²范围内，本发明计算时取其最小值0.01m²；那么最后，再把计算得到的最小检测信号的功率值代入最大探测距离的表达式中，可计算得到最大探测距离为409.5米。

以上对本发明所提出的一种基于5G基站信号的低空目标分布式测距方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明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。

Claims (7)

1.一种基于5G基站信号的低空目标分布式测距方法，定义5G基站信号的反射信号具有两个信道，一个是参考信道，一个是回波信道；其特征在于：所述方法包括以下步骤：

步骤1、利用K-means聚类算法对参考信道中的直达波进行提纯；

步骤2、利用基于最小均方误差准则的自适应滤波器对回波信道进行直达波对消，得到回波信号；

步骤3、对纯净的直达波信号与回波信号做互相关处理获取回波信号时延信息，根据方位角以及时延信息得到目标位置信息，从而实现了目标的测距；

所述步骤2具体为：

通过计算自适应滤波器的实际输出结果与期望输出结果的差值进行参数修改以最终获得期望输出；所述自适应滤波器需要两个信号，分别为输入信号x(n)和期望信号d(n)，在输入信号通过自适应滤波器后产生一个输出信号y(n)，然后将y(n)与期望信号d(n)相比较得到误差信号e(n)，然后根据自适应滤波算法调整抽头系数使e(n)在最小均方误差准则下最小，使输出信号y(n)在最小均方误差准则下尽可能逼近期望信号d(n)；

首先对输入信号用向量表示，即X(n)＝[x(n),x(n-1),...,x(n-L-1)]^T，然后对抽头系数用向量表示，即W(k)＝[w₀(k),w₁(k),...,w_L-1(k)]^T，其中L为自适应滤波器的阶数，W(k)表示自适应滤波器第k次迭代的抽头系数组，由此得到输出信号：

y_k(n)＝W^T(k)X(n)

其中y_k(n)表示第k次迭代的输出信号，通过比较期望信号和输出信号，得到估计误差信号：

e(n)＝d(n)-W^T(k)X(n)

从而得到均方误差为：

J＝E[W^T(n)]＝E[d²(n)]-2E[d(n)W^T(n)X(n)]+E[W^T(n)X(n)X^T(n)W(n)]

在进行抽头系数调整时，为了每一次迭代都最有效地调整系数，采用最速下降算法，即沿着负梯度方向调整自适应滤波器加权向量，所以迭代抽头系数的公式为：

迭代的本质就是每次都进行调整从而使其趋近于一个最佳状态，那么每次调整的程度就是由调整步长决定，在迭代抽头系数的公式中，其中的μ为每一次调整抽头系数的调整长度即调整步长；基于最小均方误差准则的最速下降算法选择利用瞬时间的误差的平方的均值对每个抽头向量求导，能够得到均方误差梯度为：

由此可得，基于最小均方误差准则的最速下降算法抽头系数迭代方程简化为：

W(k+1)＝W(k)+2μe(n)X(n)

于是，在后续操作中就根据迭代抽头系数的公式进行多次迭代，迭代k次之后，当第k次迭代后的结果与第k-1次迭代的抽头系数向量距离小于一定阈值时，迭代结束，此时可以得到一个最终的抽头系数向量W(k)，然后即可得到最终的期望信号的逼近信号：

y_k(n)＝W^T(k)X(n)。

2.根据权利要求1所述的方法，其特征在于：所述步骤1具体为：

首先随机选取K个对象作为初始的聚类点，然后计算每个对象与各个初始聚类点之间的距离，然后把每个对象分配给距离它最近的聚类点，即认为他们是一类，然后对每一类数据集求他们的质心作为第一次处理后的聚类点，然后根据第一次处理后的聚类点，计算每个数据点到第一次处理后的聚类点之间的距离，并将每个数据点分到离他最近的那个聚类点上，作为一类，然后再对每一类的数据点们求其质心，作为第二次处理的聚类点，以此类推进行迭代，当最后发现第N+1次处理后得到的聚类点与第N次处理后得到的聚类点距离小于一定阈值时，即可停止处理，从而得到提纯后的直达波信号。

3.根据权利要求2所述的方法，其特征在于：在所述方法中需要利用参考信道中恢复出的直达波对回波信道进行直达波对消。

4.根据权利要求3所述的方法，其特征在于：所述自适应滤波器为离散时间信号自适应滤波器。

5.根据权利要求4所述的方法，其特征在于：所述迭代的次数大于等于多径效应的最大时延并小于回波信号的最小时延。

6.根据权利要求5所述的方法，其特征在于：所述调整步长μ的取值具体为：

7.根据权利要求6所述的方法，其特征在于：所述互相关处理为两信号的互模糊函数，其数学模型为：

其中，τ为时延，f₀(t)表示纯净的直达波信号的模糊函数，f₁ ^*(t+τ)表示回波信号的模糊函数，t表示时间。

Images