CN115801509A - 干扰条件下单通信信号符号序列直接估计方法 - Google Patents

Abstract

本发明公开了一种干扰条件下单通信信号符号序列直接估计方法，包括：从混叠观测中提取目标信号的抗扰符号序列估计特征IRFSSE序列；将所述抗扰符号序列估计特征输入基于进行离线训练后的循环神经网络构建的符号序列估计器。与现有进行多信号符号序列联合估计的算法不同，本方法对符号序列的估计更具有针对性，可以更好地满足诸如通信抗干扰等应用场合中提取特定目标信号的需求。

Description

干扰条件下单通信信号符号序列直接估计方法

技术领域

本发明属于数字信号处理技术领域，特别是涉及一种干扰条件下单通信信号符号序列直接估计方法。

背景技术

在现有各类合作/非合作通信系统中，单通道接收设备由于在成本、体积等方面所具有的显著优势而得到广泛应用。另一方面，由当前复杂电磁环境下普遍存在的时频混叠数字通信信号带来的有意/无意干扰问题日益凸显，在单通道观测条件下，这一问题将变得尤为严峻及富有挑战性，时频混叠通信信号的普遍存在都对现有信号分析及通信信息提取技术提出了更高的要求。无论是基于信号波形的参数分析还是直接指向符号序列的信息提取，都迫切需要来自能有效应对多信号时频混叠场景的新技术的支撑，这对提升现有各类合作/非合作通信系统对复杂电磁环境的适应能力将具有重大意义。同时，对该类技术的研究还应充分考虑实际系统接收端条件。例如，搭载于卫星、飞机等平台的通信系统由于受体积、成本等方面的限制，实际中较为普遍地采用单通道接收模块，因而在单通道观测条件下对该类技术的研究将更具有实际意义。

单信号符号序列估计是基于混叠观测对其中包含的某一特定数字通信信号的符号序列进行估计的过程。与单信号波形分离类似，这一分离任务主要出现在通信抗干扰等应用场合。现有进行目标信号符号序列估计的单通道盲信号分离(Blind SignalSeparation，BSS)算法多是采用联合估计的方式，即是耦合地同时估计多个目标信号符号序列，尚未存在单独对某一特定目标信号符号序列进行估计的算法。

发明内容

本发明的目的是提供一种干扰条件下单通信信号符号序列直接估计方法，来解决上述问题。

为实现上述目的，本发明提供了一种干扰条件下单通信信号符号序列直接估计方法，包括：

从混叠观测中提取目标信号的抗扰符号序列估计特征IRFSSE序列；

将所述抗扰符号序列估计特征输入基于进行离线训练后的循环神经网络构建的符号序列估计器。

可选的，在提取符号序列估计特征之前，需要构建单通道混叠观测，具体包括：

假设在单天线接收节点处，目标信号d(t)受到一窄带同信道信号i(t)的干扰，则对应的混叠观测表示为

r(t)＝a_dd(t-τ_d)+a_ii(t-τ_i)+n(t)，t∈[0，T] (1)

其中，a_d与a_i分别为目标信号与干扰信号的信道增益系数，τ_d与τ_i分别为目标信号与干扰信号的传输时延，n(t)为加性高斯白噪声，T为观测时长，对于典型幅度/相位调制数字通信信号，d(t)与i(t)进一步被表示为：

其中，

与

分别表示对应于d(t)的第m_d个传输符号的同相及正交支路载波幅度；

与

分别表示对应于i(t)的第m_i个传输符号的同相及正交支路载波幅度，F^c为两信号共同的载频；T_d与T_i分别为目标信号与干扰信号符号持续时间，g_d(t)与g_i(t)为持续时间分别为T_d与T_ii的能量归一化脉冲成型函数，M_d与M_i分别为目标信号与干扰信号的总传输符号数。

可选的，从混叠观测中提取目标信号的抗扰符号序列估计特征包括：

为提取目标信号同相载波支路幅度信息，在特定时刻进行抽取，然后进行差分运算，得到目标信号同相载波支路的对应部分；

为提取目标信号正交载波支路幅度信息，在特定时刻进行抽取，然后进行差分运算，得到目标信号正交载波支路的对应部分。

可选的，提取目标信号同相载波支路幅度信息包括：假设在接收节点处已完成针对目标信号的同步，首先对r(t)在以下时刻进行抽取：

令

表示对应的采样矢量，则由式(1)(2)(3)得R_I的第m_d个元素表示为：

其中，假设

位于i（t)个传输符号持续时间内；

不考虑

的特殊情况，则R_I的一阶差分序列中的第m_d个元素表示为：

其中：

为

的简记形式；式(6)基于下列式获得：

其中，由于

故有：

而由于T_dF^c＝k_d，故有

可选的，提取目标信号正交载波支路幅度信息包括：

对r(t)在下列时刻进行抽取：

经过一阶差分运算，可获取目标信号正交载波支路的对应部分如下：

其中，

为：

的简记形式。

可选的，将ΔR_I与ΔR_Q按以下形式组合为属于r(t)中目标信号的IRFSSE序列：

可选的，离线训练包括：IRFSSE序列被在不同参数条件下提取得到，并与对应的已知目标信号符号序列共同组成训练样本；训练过程中，通过最小化输出端损失函数，来不断优化RNN网络参数；对于每一个训练样本，与输入矢量IRFSSE[m_d]对应的标签为目标信号的第m_d个符号。

可选的，在离线训练中，需要事先将IRFSSE序列分割为等长的片段，随后分别送入循环神经网络。

可选的，使用带GZ的相互重叠的窗对IRFSSE序列进行分段：分段窗的总长度为L+2G，窗的两端均有一长度为G的GZ，在一次截取后，分段窗将滑动L个点数。

可选的，在离线训练及在线测试中，都仅仅是每一分段的第[G+1，G+L]个元素被纳入损失函数计算及符号估计的考虑。

本发明的技术效果为：与现有进行多信号符号序列联合估计的算法不同，本方法对符号序列的估计更具有针对性，可以更好地满足诸如通信抗干扰等应用场合中提取特定目标信号的需求。仿真实验结果表明，本方法所提符号序列估计器具有在极强窄带干扰下精确估计目标信号符号序列的能力，其在强干扰条件下的估计性能较现有数据驱动符号序列估计算法及基于模型的单通道BSS算法均有显著提升。在泛化能力测试中，本方法所提数据驱动方法在训练时未见的测试条件下仍展现了良好的估计性能。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是本发明实施例提供的基于RNN的单信号符号序列估计器；

图2是本发明实施例提供的对IRFSSE序列进行分段的过程示意图；

图3是本发明实施例提供的本方法中的符号序列估计器及多种网络结构在不同干扰信号强度下的测试BER图；

图4是本发明实施例提供的符号序列估计器及现有单通道BSS算法在不同干扰信号强度下的测试BER图；

图5是本发明实施例提供的符号序列估计器在泛化测试条件下的BER图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如图1所示，本实施例中提供一种干扰条件下单通信信号符号序列直接估计方法，包括以下步骤：

S1、从混叠观测中提取目标信号抗扰符号序列估计特征IRFSSE序列；

S2、将所述估计特征输入基于RNN构建的符号序列估计器，以进行离线训练与在线测试。

所述符号序列估计器首先在多种参数条件下提取同相/正交支路IRFSSE序列，用以进行离线训练。而在在线测试中，则将当前从混叠观测中提取得到的IRFSSE序列送入已训练的RNN中，此时网络的输出即为目标信号符号序列估计结果。

进一步优化方案，在提取符号序列估计特征前，需要构建单通道混叠观测，具体包括：

假设在单天线接收节点处，目标信号d(t)受到一窄带同信道信号i(t)的干扰，则对应的混叠观测可以表示为

r(t)＝a_dd(t-τ_d)+a_ii(t-τ_i)+n(t)，t∈[0，T] (1)

其中，a_d与a_i分别为目标信号与干扰信号的信道增益系数，τ_d与τ_i分别为目标信号与干扰信号的传输时延。n(t)为加性高斯白噪声，T为观测时长。对于典型幅度/相位调制数字通信信号，d(t)与i(t)可进一步被表示为：

其中，

与

分别表示对应于d(t)的第m_d个传输符号的同相及正交支路载波幅度；

与

分别表示对应于i(t)的第m_i个传输符号的同相及正交支路载波幅度。F^c为两信号共同的载频；T_d与T_i分别为目标信号与干扰信号符号持续时间。g_d(t)与g_i(t)为持续时间分别为T_d与T_ii的能量归一化脉冲成型函数。M_d与M_i分别为目标信号与干扰信号的总传输符号数。

假设在d(t)的一个符号持续时间内包含整数个载波周期，即

同时，由于在此考虑的为实际中常见的窄带干扰信号，故假设有T_d＜＜T_i。

进一步优化方案，从混叠观测中提取目标信号的抗扰符号序列估计特征包括：假设在接收节点处已完成针对目标信号的同步，首先对r(t)在以下时刻进行抽取：

令

表示对应的采样矢量，则由式(1)(2)(3)可得，R_I的第m_d个元素可表示为：

其中，假设

位于i(t)个传输符号持续时间内。式(6.5)的获得是基于以下观察：即由于T_dF^c＝k_d，在

时刻将有

另一方面，由于在此考虑的是窄带干扰，即T_d＜＜T_i，则对于绝大多数

而言，将有

也即，由于目标信号的符号持续时间远小于干扰信号，故在目标信号的绝大多数符号切换时刻，前后对应的干扰信号传输符号都不会发生变化。决定i(r)各采样时刻取值的符号子序列仅在其自身的符号切换时刻发生变化，在其余时刻(如d(t)的符号切换时刻)均不变。

为便于分析，在此暂不考虑

的特殊情况，则R_I的一阶差分序列中的第m_d个元素可表示为：

其中：

的简记形式。式(6)可基于下列式获得：

其中，由于

故有：

而由于T_dF^c＝k_d，故有

注意到式(6)中的第一与第二项分别对应于目标信号与干扰信号。第一项中g_d(T_d/2)为目标信号脉冲成型函数取值最大点；与之不同的是，第二项中的

表示干扰信号脉冲成型函数在相距T_d时刻的两点间的差值。由于T_d＜＜T_i，同时g_d(t)与g_i(t)分别为持续时间等于T_d与T_i的能量归一化脉冲成型函数，故g_d(T_d/2)将远大于

综上可以看到，通过上述抽取与差分运算，所得序列中属于干扰信号的成分相对于属于目标信号的成分实际上得到显著的抑制。

进一步而言，可以通过计算上述抽取差分序列ΔR_I中的SIR(记作

)，相对于混叠观测r(t)中的SIR(记作SIR_r(t))的提升值对这一抑制效果进行定量衡量。需要说明的是，在此处的SIR计算中是将各序列中分别属于目标信号与干扰信号的成分视为广义的“目标信号”与“干扰信号”。具体而言，

s_d(t)为目标信号，s_i(t)为干扰信号项，SIR_r(t)是通过上式中的目标信号与干扰信号项分别设为a_dd(t-τ_d)与a_ii(t-τ_i)计算得到(不包含对数运算)；

则是通过将式(5.11)中的目标信号与干扰信号项分别设为式(6)的第一项与第二项计算得到(不包含对数运算)。经过一定的数学推导过程，可以计算得到

相对于SIR_r(t)的期望提升值：

其中

表示

在m_d∈[1，M_d-1]上的期望值。式(9)表明经过上述抽取及差分运算，达成的SIR提升值主要取决于目标信号与干扰信号符号持续时长之比，以及二者的脉冲成型函数。例如，若T_d/T_i＝10^-2，且g_d(t)与g_i(t)均为滚降系数等于0.5的均方根升余弦函数，则理论上η_I可达40dB。即使将实际中存在的少部分

的情况，SIR的提升值仍达到25dB。由此可见，通过特定的抽取与差分运算，目标信号同相载波支路幅度的信息可以一种具备抗窄带干扰能力的方式提取得到，即式(6)中的第一项。此种信息提取方式具备的抗强窄带干扰能力表现为提取后序列中窄带干扰信号成分的功率相对而言被极大抑制。在上述抽取及差分过程中，以相邻符号间差分的形式(见式(6)第一项)对目标信号同相载波支路幅度信息进行了提取。

另一方面，为提取目标信号正交载波支路幅度信息，还可以对r(t)在下列时刻进行抽取：

经过一阶差分运算，可获取目标信号正交载波支路的对应部分如下：

其中，

为：

的简记形式。与ΔR_I相同，通过对特征提取后相对于混叠观测中的SIR提升值进行分析发现，ΔR_Q中干扰信号的功率也得到了显著的抑制。

最终，可以将ΔR_I与ΔR_Q按以下形式组合为属于r(t)中目标信号的IRFSSE序列：

进一步优化方案，序列标注问题的输入空间

由所有可能的IRFSSE序列组成；而输出空间

为目标信号所有可能的符号序列。在离线训练中，IRFSSE序列被在不同参数条件下提取得到，并与对应的已知目标信号符号序列共同组成训练样本。在基于上述训练样本的训练过程中，通过最小化输出端损失函数，来不断优化RNN网络参数。损失函数的表达式如下：

其中，p(z)与q(z)分别表示真实标签与网络实际输出标签的分布。

对于每一个训练样本，与输入矢量IRFSSE[m_d]对应的标签为目标信号的第m_d个符号。在在线测试中，则将从当前混叠观测中提取的IRFSSE序列送入已经过训练的RNN网络，然后将网络此时的输出作为对目标信号符号序列的估计结果。所提符号序列估计器中的多层RNN网络包括两层BLSTM隐含层。BLSTM同时采用了LSTM及双向RNN结构。一层线性全连接层，并在输出端采用Softmax作为激活函数。线性全连接层的输出维度则取决于目标信号的调制阶数。

进一步的，在BLSTM结构的网络中，各隐含层中包括成对的前向及后向LSTM节点，相邻层间由tanh激活函数连接。下列式描述了在每一时刻隐含层中的前向LSTM节点进行的运算：

s_t＝g_t⊙i_t+s_t-1⊙f_t

其中，

与

分别表示各前向节点在t-1与t时刻的输出；g_t，i_t，f_t，o_t分别为t时刻输入节点，输入门，遗忘门及输出门对应的激活函数值；s_t-1与s_t分别为t-1及t时刻的记忆元胞状态；W^gx，W^ix，W^fx，W^ox分别为输入与各对应单元间的传统权重矩阵；W^gh，W^ih，W^fh，W^oh分别为前向隐含层节点与自身在相邻时刻间的“循环”权重矩阵；b_g，b_i，b_f，b_o为各单元偏置矢量；φ(·)与⊙分别表示tanh函数与点乘运算。在此，矢量表示的是整个隐含层中的所有前向节点对应部分的取值。例如，s即由整个隐含层中所有前向节点记忆元胞的状态值组成。

而对于BLSTM的后向隐含层节点而言，除了循环连接的方向反转之外，其余的计算是类似的。具体而言，要计算各后向节点在t时刻的输出，需要基于t时刻的输入及后向节点在t+1时刻的元胞状态。同一对BLSTM隐含层共享输入，二者输出则在整合后送入下一网络层。

采用时间反向传播技术BPTT或其变种形式，即截断时间反向传播技术TBPTT。与标准反向传播技术不同的是，在基于BPTT进行训练时，是假设单个RNN层在时间上展开，将其视为在不同时间步之间共享参数的多层网络，并同时考虑了梯度在相邻网络层间的纵向传播及在相邻时间步上的横向传播，在两个方向上对网络参数进行优化。而在TBPTT中，为了提高对较长序列的处理效率，对反向传播的时间步数进行了一定的限制。通过包含足够迭代次数的训练，当在训练集上的损失函数值低于某一门限或序列标注的错误率低于某一水平，则可视为网络训练完成。在序列标注的在线测试中，直接将输入序列送入已训练网络，网络输出即为当前测试样本的序列标注结果。

进一步优化方案，在离线训练及在线测试中，都需要事先将IRFSSE序列分割为等长的片段，随后分别送入网络。但在实际中发现，若简单采用相互不重叠的分段窗对IRFSSE序列进行连续分割，则将显著影响BLSTM层对各输入片段中位于边缘位置的元素进行建模。由于此类元素位于输入片段边缘，因此，其上文或者下文的信息将是不存在的，这使得BLSTM无法充分发挥其可以对上下文信息同时进行利用的优势。为了克服这一问题，使用带GZ的相互重叠的窗对IRFSSE序列进行分段。如图2所示，分段窗的总长度为L+2G，窗的两端均有一长度为G的GZ。在一次截取后，分段窗将滑动L个点数。同时需要说明的是，在离线训练及在线测试中，都仅仅是每一分段的第[G+1，G+L]个元素被纳入损失函数计算及符号估计的考虑，也即，与GZ对应的输出部分不被考虑。以上增设的分段GZ将确保每一个输出元素在建模时都被提供了充分的上文及下文信息。

对所提单信号符号序列估计器在不同测试条件下的性能进行了测试，包括训练时未见的泛化测试条件，并与现有单通道BSS算法进行了比较。其中，仿真实验1对所提序列估计器在不同干扰信号强度下的性能进行了测试，并比较了不同网络结构的性能。仿真实验2将本方法所提符号序列估计器与现有数据驱动的符号序列估计算法及基于模型的单通道BSS算法进行了性能比较。仿真实验3测试了离线训练后的本方法序列估计器在多种泛化测试条件下的性能。

性能及测试条件指标

对目标信号的符号序列估计结果质量进行衡量时，采用其BER作为指标。具体而言是将估计的符号序列根据目标信号调制样式转换为比特序列后，与实际比特序列进行比较。

其中，

为将估计所得符号序列转换为对应比特序列后，与实际比特序列不一致的比特数；B_i为该目标信号比特序列总长度。

由于本方法中考虑的是通信抗干扰场景，故在仿真实验中重点考察了所提符号序列估计器在不同干扰信号强度下的性能，并以混叠观测中的信干比SIR作为其衡量指标。

信干比(SIR)定义如下：

其中，s_d(t)为目标信号，s_i(t)为干扰信号项。

仿真实验

表1列出了本方法仿真实验所基于的基本参数设置。若无特殊说明，后续仿真实验均是采用表中参数设置。

仿真实验1：本方法所提单信号符号序列估计器在不同干扰信号强度下的性能测试与分析。

在本实验中，首先在不同的干扰信号强度下对已在表1所列参数设置下经过离线训练的本方法所提符号序列估计器进行了在线测试。另一方面，为展示具有BLSTM结构的RNN网络在解决当前序列标注问题上的优势，本实验中还将本方法所提符号序列估计器与具备其他网络结构的深度神经网络进行了性能比较。具体而言，参与比较的其他网络包括：LSTM网络，BPRNN网络，CNN网络，HCR网络及FC网络。各网络的构建方式及组成如下所述：LSTM网络，BPRNN网络及FC网络分别通过将图2中所展示的RNN网络中的两BLSTM层均替换为具有相同神经元个数的LSTM层，双向原始(BidirectionalPrimitive)RNN层]，全连接(FullyConnected，FC)层进行构建；CNN网络是通过将图2所展示的RNN网络中的两BLSTM层替换为卷积核数目分别为128及64的两卷积神经网络层构建；HCR网络(即HybridConvolutionalRecurrent，混合卷积/循环神经网络)则是通过将图2所展示的RNN网络的第一层BLSTM层替换为卷积核数目为128的卷积神经网络层，第二层BLSTM层保持不变构建。为保证比较的公平性，各参与比较的网络均是在表1所列相同的条件及设置下进行的离线训练与在线测试。注意到表1中设置GZ长度为5，在本实验中，为了展示在训练/测试数据导入中加入GZ的做法的有效性，本实验还对GZ长度设为0时(即传统的不包含GZ的数据导入方式)的符号序列估计性能进行了测试(对应结果简记为NGZ)。

表1基本仿真实验参数设置

如图3所示，本方法中的提序列估计器(BLSTM)在不同干扰信号强度下均实现了对目标信号符号序列的精确估计(BER≤10^-3)，即使是在极强干扰下(SIR≤-20dB)。这主要归因于本方法所提取作为网络输入的IRFSSE序列，其使得在当前目标信号及干扰信号参数下，网络输入序列中干扰信号成分得到显著地抑制，因而序列估计结果对干扰信号强度不敏感。此外，可以看到本方法所提序列估计器相较LSTM网络及BPRNN网络均具有一定的性能优势，尤其是相对LSTM网络而言。这表明双向结构及长-短时记忆结构的引入对基于RNN解决当前序列标注问题均是有助益的。这主要是由于IRFSSE序列提取中的差分操作，导致对输入序列中的双向上下文信息及长时结构信息的利用成为必要。可以看到，本方法所提序列估计器性能亦优于CNN网络及HCR网络。这表明，相较于卷积神经网络结构而言，循环神经网络结构可能更适合用于解决当前序列标注问题，因为后者可以更有效地对输入/输出序列中的复杂时序结构进行建模。由于FC网络无法处理具有上下文结构的输入，其在测试中未能很好地完成对目标信号符号序列的估计，因而其对应结果在此未予展示。注意到在未加入GZ时，所提符号序列估计器几乎失效，这验证了本方法所提出的网络数据输入时引入GZ的必要性与有效性。

仿真实验2：本方法所提符号序列估计器与现有单通道BSS算法性能比较与分析。

在本实验中，将本方法所提符号序列估计器与现有数据驱动的符号序列估计算法及基于模型的单通道BSS算法性能进行了比较。如图4所示，由于深度卷积网络解调器DCND网络是直接将混叠观测作为网络输入，没有事先进行具有干扰抑制能力的预处理，其性能在干扰信号强度较高(SIR≤-20dB)时发生了恶化。类似的，对于FRESH滤波器及NF，也可以看到其性能在SIR低于-15dB时发生了较为明显的下降。相较而言，本方法所提序列估计器在低SIR下性能仍然较为稳健。这主要得益于本文所进行的IRFSSE提取及所采用的网络中所具有的联接相邻时刻的RNN节点。在理想情况下即

时，所提取的IRFSSE序列中的干扰信号成分已经得到极大抑制，故所提序列估计器的性能将在很大程度上取决于IRFSSE序列中的非理想点即

处，此时干扰信号成分将不能直接忽略。在RNN节点的帮助下，网络在每一时刻的输出将不仅取决于当前时刻的输入，还可以将上下文的输入考虑在内。因此，如果网络在训练中学会如何区分理想与非理想条件下的网络输入，则当在测试时遇到当前时刻的输入为非理想输入时，网络会自动调整权重值，以更多地依靠上下文输入来决定当前输出，避免符号序列估计结果被高强度干扰所影响。同时还注意到，所提符号序列估计器BER在SIR＝-10dB处达到最高，而非SIR＝-30dB处。经分析发现，这主要是由于SIR极低时，非理想情况下的输入与理想情况下的输入之间的区分度更高，此时网络能更好的识别前者而进行调整。而对于中等强度的

非理想输入与理想输入反而不好区分，因此容易导致网络错误将前者视为后者而不进行相应的参数调整。

仿真实验3：本方法所提符号序列估计器泛化性能测试与分析。

对于数据驱动类算法而言，其实际中面临着泛化能力(即是否具备应对训练时未见条件的能力)的考验。由于在实际中，干扰信号及信道环境的参数可能是未知及变化的，在此对所提符号序列估计器应对泛化测试条件的能力进行进一步测试。具体而言，干扰信号的个数(“干扰信号数＝2，3”)，干扰信号符号持续时间(“T_i＝()5us，5us”)及其调制样式(“调制样式BPSK”)均在泛化测试中被分别改变。另一方面，SNR变化(“SNR＝15dB，25dB”)或目标信号信道增益a_d被随机扰动

对应于图中

结果)的情况也得到了测试。如图5所示，通过与闭集测试的结果进行对比可以看到，所提估计器较好地应对了所有上述泛化条件。这一优异的泛化能力主要可以归功于IRFSSE的提取，其使得所提估计器对干扰信号参数不敏感。同时，注意到随着干扰信号数目的增加或者Ti的减小，BER有一定程度的上升。这主要是因为，在此情况下，非理想IRFSSE点的数目随之增加了。

本方法发先利用数字通信信号符号跳变特性，提取了目标信号IRFSSE，为在强干扰条件下对目标信号符号序列进行估计提供了基础。随后将符号序列估计问题建模为序列标注问题，基于具有BLSTM结构的RNN网络实现序列标注，并以提取的目标信号IRFSSE作为网络输入。在对符号序列估计器进行离线训练后，即可以在线测试的形式对单通道混叠观测中包含的特定目标信号符号序列进行估计。仿真实验验证了本方法所提符号序列估计器在不同干扰信号强度及泛化测试条件下的有效性。其对符号序列估计的正确率显著优于现有数据驱动符号序列估计算法及基于模型的单通道BSS算法，尤其是在强干扰条件下。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种干扰条件下单通信信号符号序列直接估计方法，其特征在于，包括：

从混叠观测中提取目标信号的抗扰符号序列估计特征IRFSSE序列；

将所述抗扰符号序列估计特征输入基于进行离线训练后的循环神经网络构建的符号序列估计器。

2.根据权利要求1所述的方法，其特征在于，在提取符号序列估计特征之前，需要构建单通道混叠观测，具体包括：

假设在单天线接收节点处，目标信号d(t)受到一窄带同信道信号i(t)的干扰，则对应的混叠观测表示为

其中，a_d与a_i分别为目标信号与干扰信号的信道增益系数，

与

分别为目标信号与干扰信号的传输时延，n(t)为加性高斯白噪声，T为观测时长，对于典型幅度/相位调制数字通信信号，d(t)与i(t)进一步被表示为：

其中，

与

分别表示对应于d(t)的第m_d个传输符号的同相及正交支路载波幅度；

与

分别表示对应于i(t)的第m_i个传输符号的同相及正交支路载波幅度，F^c为两信号共同的载频；T_d与T_i分别为目标信号与干扰信号符号持续时间，g_d(t)与g_i(t)为持续时间分别为T_d与T_ii的能量归一化脉冲成型函数，M_d与M_i分别为目标信号与干扰信号的总传输符号数。

3.根据权利要求2所述的方法，其特征在于，从混叠观测中提取目标信号的抗扰符号序列估计特征包括：

为提取目标信号同相载波支路幅度信息，在特定时刻进行抽取，然后进行差分运算，得到目标信号同相载波支路的对应部分；

为提取目标信号正交载波支路幅度信息，在特定时刻进行抽取，然后进行差分运算，得到目标信号正交载波支路的对应部分。

4.根据权利要求3所述的方法，其特征在于，提取目标信号同相载波支路幅度信息包括：假设在接收节点处已完成针对目标信号的同步，首先对r(t)在以下时刻进行抽取：

令

表示对应的采样矢量，则由式(1)(2)(3)得R_I的第m_d个元素表示为：

其中，假设

位于i(t)个传输符号持续时间内；

不考虑

的特殊情况，则R_I的一阶差分序列中的第m_d个元素表示为：

其中：

的简记形式；式(6)基于下列式获得：

其中，由于

故有：

而由于T_dF^c＝k_d，故有

5.根据权利要求4所述的方法，其特征在于，提取目标信号正交载波支路幅度信息包括：

对r(t)在下列时刻进行抽取：

经过一阶差分运算，可获取目标信号正交载波支路的对应部分如下：

其中，

为：

的简记形式。

6.根据权利要求5所述的方法，其特征在于，将ΔR_I与ΔR_Q按以下形式组合为属于r(t)中目标信号的IRFSSE序列：

7.根据权利要求1所述的方法，其特征在于，离线训练包括：IRFSSE序列被在不同参数条件下提取得到，并与对应的已知目标信号符号序列共同组成训练样本；训练过程中，通过最小化输出端损失函数，来不断优化RNN网络参数；对于每一个训练样本，与输入矢量IRFSSE[m_d]对应的标签为目标信号的第m_d个符号。

8.根据权利要求7所述的方法，其特征在于，在离线训练中，需要事先将IRFSSE序列分割为等长的片段，随后分别送入循环神经网络。

9.根据权利要求8所述的方法，其特征在于，使用带GZ的相互重叠的窗对IRFSSE序列进行分段：分段窗的总长度为L+2G，窗的两端均有一长度为G的GZ，在一次截取后，分段窗将滑动L个点数。

10.根据权利要求9所述的方法，其特征在于，在离线训练及在线测试中，都仅仅是每一分段的第[G+1，G+L]个元素被纳入损失函数计算及符号估计的考虑。

Images