CN116015484A - 一种基于数据驱动的sca干扰抑制方法 - Google Patents

一种基于数据驱动的sca干扰抑制方法 Download PDF

Info

Publication number
CN116015484A
CN116015484A CN202211543766.5A CN202211543766A CN116015484A CN 116015484 A CN116015484 A CN 116015484A CN 202211543766 A CN202211543766 A CN 202211543766A CN 116015484 A CN116015484 A CN 116015484A
Authority
CN
China
Prior art keywords
target signal
domain
signal
aliasing
interference
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.)
Pending
Application number
CN202211543766.5A
Other languages
English (en)
Inventor
王翔
邓文
黄知涛
孙丽婷
柯达
赵雨睿
李保国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202211543766.5A priority Critical patent/CN116015484A/zh
Publication of CN116015484A publication Critical patent/CN116015484A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Noise Elimination (AREA)

Abstract

本发明公开一种基于数据驱动的SCA干扰抑制方法，包括：构建异步非平稳干扰信道模型，得到接收节点的混叠观测；对混叠观测进行稀疏变换，使目标信号在变换域内具备稀疏性；在变换域内完成目标信号的表示矩阵估计，得到表示矩阵估计结果；基于表示矩阵估计结果，在变换域内完成目标信号的恢复，得到恢复结果；通过逆变换将恢复结果转换至时域，完成干扰抑制。本发明分别实现了目标信号稀疏变换域的自适应选择、变换域内目标信号的表示矩阵的自适应学习以及目标信号的自动恢复，突破了对混叠观测先验的限制，实用性更强。

Description

一种基于数据驱动的SCA干扰抑制方法
技术领域
本发明涉及异步非平稳干扰抑制技术领域，特别涉及一种基于数据驱动的SCA干扰抑制方法。
背景技术
干扰是合作/非合作通信系统中亟需解决的问题，减轻和抑制干扰对合作/非合作通信系统提升效能具有重要意义。在多用户无线通信系统中，发射机通常使用同一媒介将消息发送给相应的接收者，故而每个用户的期望信号之间难以避免相互影响，导致接收机最终收到的是一种时频混叠观测。接收信号包含期望信号和干扰两种成分，这里的干扰是指除期望信号之外的其他信号成分。现有的干扰抑制工作中，通常假设期望信号和干扰同时到达每个接收者。但实际中各发送节点一般独立工作，同时其工作时长、所发送信号类型以及到达各接收节点的传输时延均可能不同，故在某一接收节点的混叠观测中不同信号的存在时间区间一般将存在差异(信号在某一时间区间内存在是指其在该区间内具有非零功率)。在本发明中，异步非平稳性是指当前干扰信号的数量、种类以及到达接收节点时间动态变化。此外，对干扰抑制技术的研究还应考虑实际系统接收条件，受限于体积、成本等多方面因素，搭载于卫星、飞机等平台的通信系统接收模块大多是单通道。因此，在单通道观测条件下对干扰抑制技术的研究将更具有实际意义。
现有单通道观测条件下干扰抑制的方法主要包括基于广义谱维纳滤波的算法与基于信号子空间投影的算法，通过对混叠观测的不同频移分量的滤波结果进行加权求和，以在增强目标信号的频移分量成分的同时减弱干扰信号的频移分量成分。但LCL-FRESH滤波器要求已知目标信号循环频率甚至信号波形，这在相当程度上限制了其实用性。为降低FRESH滤波器对训练信号的要求，现有技术中直接以混叠观测的某一频移分量取代目标信号本身作为训练信号，因而相较FRESH滤波器而言，实用性显著提升。然而，BA-FRESH滤波器仍要求对目标信号循环频率族的精确先验知识，其性能在循环频率存在误差时将显著下降，同时其在分离性能上较标准的FRESH滤波器存在一定的差距。
除上述基于广义谱维纳滤波的方法外，另一类重要的单信号波形分离技术思路为信号子空间投影。其基本原理为首先构建子空间基底集，使得目标信号与干扰信号在该基底集张成的子空间内尽可能正交，最终通过将混叠观测投影至该信号子空间实现单信号波形分离。针对通信抗同信道干扰问题，基于目标信号符号速率信息确定合适的小波基底；随后将混叠观测投影至该小波基底，并基于干扰信号脉冲成型函数先验信息获取干扰信号估计，最终通过将干扰信号估计结果从混叠观测中抵消，实现目标信号波形分离。该方法要求目标信号为基带信号，且目标信号与干扰信号符号速率差异极小，对一般的时频混叠数字通信信号适用性不强。现有的假设混叠观测中，存在目标信号单信号区域(singlesignalregion,SSR)，以SSR检测结果为模板构建目标信号子空间基底，以此减少对目标信号的先验要求。然而，若不存在SSR区域，其性能将显著下降，甚至失效。
此外，与上述基于对目标信号、信道等预先建立的数学模型的算法不同，将单通道混叠观测直接输入解调器，以网络分类层输出作为信号符号序列估计结果，但其易受干扰信号的功率影响，且不能恢复所需信号的波形，因此，在频谱监控、特定信号检测等应用中实用性并不强。
发明内容
为解决上述现有技术中所存在的问题，本发明提供一种基于数据驱动的SCA干扰抑制方法，提出“稀疏域编码-稀疏域表示估计-稀疏域解码”的干扰抑制框架，通过稀疏域编码对时域混叠观测进行稀疏变换；而后，在稀疏域中完成目标信号表示的估计及分离恢复；最后，通过稀疏域解码将稀疏域中的目标信号转换至时域，从而完成目标信号的恢复。突破了对混叠观测先验的限制，实用性更强。
为了实现上述技术目的，本发明提供了一种基于数据驱动的SCA干扰抑制方法，包括：
构建异步非平稳干扰信道模型，得到接收节点的混叠观测；
对所述混叠观测进行稀疏变换，使目标信号在变换域内具备稀疏性；
在所述变换域内完成所述目标信号的表示矩阵估计，得到表示矩阵估计结果；
基于所述表示矩阵估计结果，在所述变换域内完成所述目标信号的恢复，得到恢复结果；
通过逆变换将所述恢复结果转换至时域，完成干扰抑制。
可选地，所述混叠观测为：
Figure BDA0003976861140000041
式中，aii为发送节点i(i＝1,2,…,N)与接收节点i(i＝1,2,…,N)间的信道增益；si(n-mi)为传输时延为mi个采样间隔的第i个发送节点所传输的信号；aji为发送节点j(j＝1,2,…,N)与接收节点i(i＝1,2,…,N)间的信道增益；sj(n-mj)表示传输时延为mj个采样间隔的第j个发送节点所传输的信号；vi(n)表示接收节点i处的加性高斯白噪声；T为总采样点数。
可选地，所述稀疏变换的计算公式为：
Wi＝fEncoder(Xi)
其中：
Xi＝AiSi+Vi
式中，
Figure BDA0003976861140000042
表示接收节点i处的混叠观测；
Figure BDA0003976861140000043
表示混叠矩阵，其中每列表示发送节点j与接收节点i间的信道系数；
Figure BDA0003976861140000044
表示信号矩阵，每一行表示接收节点i处收到的发送节点j所传输的信号；
Figure BDA0003976861140000045
表示接收节点i处的AWGN；
Figure BDA0003976861140000046
为时域混叠混测Xi的深度高维表征，K为编码器滤波器数量，L为单个滤波器的输出长度；fEncoder(·)表示编码器的映射函数。
可选地，在稀疏域中恢复所述目标信号的计算公式为：
Figure BDA0003976861140000051
式中，
Figure BDA0003976861140000052
为稀疏域中目标信号的估计；
Figure BDA0003976861140000053
为时域混叠混测Xi的深度高维表征；
Figure BDA0003976861140000054
为目标信号在稀疏域中的表示矩阵，由分离器完成估计；
Figure BDA0003976861140000055
表示矩阵点乘操作。
可选地，所述逆变换的计算公式为：
Figure BDA0003976861140000056
Figure BDA0003976861140000057
为时域内恢复后的目标信号的估计；fDecoder(·)表示解码器的映射函数；
Figure BDA0003976861140000058
为稀疏域中目标信号的估计。
可选地，所述异步非平稳干扰信道模型包括N条主通信链路和N(N-1)条干扰链路。
可选地，对恢复结果进行性能评估，包括恢复后的目标信号的波形相似度和恢复后的目标信号的解调误符号率。
可选地，所述波形相似度的计算公式为：
Figure BDA0003976861140000059
式中，||·||表示2范数；
当
Figure BDA00039768611400000510
时，
Figure BDA00039768611400000511
c为非零常数；当
Figure BDA00039768611400000512
与aiisii正交时，
Figure BDA00039768611400000513
Figure BDA00039768611400000514
越接近于1，波形
Figure BDA00039768611400000515
的恢复质量越高，误差越小。
可选地，所述解调误符号率的计算公式为：
Figure BDA00039768611400000516
式中，
Figure BDA00039768611400000517
为恢复前或恢复后将该目标信号进行解调所得符号序列中与真实符号序列不一致的符号数；Qi为该目标信号符号序列总数。
本发明具有如下技术效果：
1.本发明在不同干扰类型和干扰强度下具有高质量恢复目标信号的能力，且对干扰与信号功率水平差异较大的强干扰情况具有很好的适应能力。在不同SNR及SIR下，恢复后平均波形相似度幅度提升达57.189％，误符号率平均降低了3个数量级；
2.本发明相比现有方法更具普适性，无需混叠观测的先验要求，能在与干扰时频混叠严重的情况下实现对目标信号的高质量恢复，且适用于单通道接收系统；
3.本发明对SNR以及干扰信号持续时间等干扰参数的变化具有较强的适应能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于数据驱动的SCA干扰抑制方法的流程框图；
图2为本发明实施例N用户干扰信道示意图；
图3为本发明实施例混叠观测示意图；
图4为本发明实施例干扰抑制方法框架图；
图5为本发明实施例扰抑制方法网络结构示意图；
图6为本发明实施例Conv1DBlock结构示意图；
图7为本发明实施例现有方法在不同SIR下的测试WS；
图8为本发明实施例现有方法在不同SIR下的测试SER；
图9为本发明实施例仿真实验3在泛化测试条件下的WS和SER。
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。
如图1所示，本发明公开异步非平稳干扰抑制方法，包括：
构建异步非平稳干扰信道模型，得到接收节点的混叠观测；
在多用户通信系统中，由于无线信道的广播特性，接收机除了接收到期望发射机的信息，也会接收到其他发射机的干扰信息，这类通信信道可建模为多用户干扰信道。本发明构建异步非平稳干扰信道模型，包含N对“发送-接收”多用户干扰信道(即N条主通信链路及N(N-1)条干扰链路)，其结构示意如图1所示，图2中实线表示“主通信链路”，指的是某一发射机与其期望的接收机通信形成的链路；虚线表示“干扰链路”，指的是某一接收节点接收与非期望发射机通信形成的链路，其中的每个通信节点均使用单个天线，则在接收节点i(i＝1,2,…,N)处的混叠观测为：
Figure BDA0003976861140000081
式中，aii为发送节点i(i＝1,2,…,N)与接收节点i(i＝1,2,…,N)间的信道增益；si(n-mi)为传输时延为mi个采样间隔的第i个发送节点所传输的信号；aji为发送节点j(j＝1,2,…,N)与接收节点i(i＝1,2,…,N)间的信道增益；sj(n-mj)表示传输时延为mj个采样间隔的第j个发送节点所传输的信号；vi(n)表示接收节点i处的加性高斯白噪声(additivewhite gaussiannoise,AWGN)，T为总采样点数。
此处考虑各信号传输时延的差异，这主要是由于实际中各目标信号到达接收天线的路径一般不同。本发明的数字通信信号si(n)(i＝1,2,…,N)为：
Figure BDA0003976861140000082
其中，
Figure BDA0003976861140000083
为信号功率，Aiq对应第i个信号的第q个调制符号；gi(·)为持续Nci个采样点的脉冲成型函数，Nci为符号过采样点数；采样间隔为Ts，fci与Qi分别表示第i个源信号的载频与总符号数。此外，由于各目标信号一般发射自不同通信系统，故在频谱存在重叠的情况下其载频仍较可能具有一定的差异。本发明考虑接收节点处的混合模型为线性时延瞬时混合模型，暂不考虑各发送节点所传输的信号在接收节点处的多径效应，因此，式(1)也可用矢量表示为：
Xi＝AiSi+Vi      (3)
其中，
Figure BDA0003976861140000091
表示接收节点i处的混叠观测；
Figure BDA0003976861140000092
表示混叠矩阵，其中每列表示发送节点j与接收节点i间的信道系数；
Figure BDA0003976861140000093
表示信号矩阵，每一行表示接收节点i处收到的发送节点j所传输的信号；
Figure BDA0003976861140000094
表示接收节点i处的AWGN。
本发明单天线干扰抑制的目的即为实现对Xi中包含的主通信链路成分(即目标信号aiisii)的波形恢复。图3为本发明的混叠观测示意图，出于对实际应用场景的充分考虑，混叠观测中不存在目标信号SSR。
对混叠观测进行稀疏变换，使目标信号在变换域内具备稀疏性，稀疏性指的是信号在时域或某一变换域内，仅少数样点取值远离零，而大部分样点取值接近于零；在变换域内完成目标信号的表示矩阵估计，得到表示矩阵估计结果；基于表示矩阵估计结果，在变换域内完成目标信号的恢复，得到恢复结果；通过逆变换将恢复结果转换至时域，完成干扰抑制。
具体地，上述SCA中的三个核心问题为：稀疏变换域的选择、变换域内混叠矩阵的估计及混叠矩阵已知条件下目标信号的恢复。其中，稀疏变换域与信号适配程度决定了信号稀疏性假设的成立程度，即稀疏域中的信号表示基的过完备性决定了后续信号分离的性能。然而，对于通信信号，目前尚未提出具有较好普适性的稀疏变换域，尤其是在单通道观测中包含多个时频混叠信号的情况下。基于此，本发明提出干扰抑制方法框架如图4所示，包含稀疏域编码、稀疏域表示估计及稀疏域解码三部分，其中，稀疏域编码用于对时域混叠观测进行稀疏变换；稀疏域表示估计用于完成混叠矩阵估计；稀疏域解码用于将目标信号恢复结果重新转换至时域。首先通过稀疏域编码器将混叠观测转换到稀疏空间中相应的表示，然后用这种表示来估计目标信号在稀疏域中稀疏表示矩阵，以此实现稀疏空间中目标源信号的恢复，最后通过稀疏域解码器将稀疏域中恢复的目标信号重构为时域上最终的目标信号。
具体地，首先，编码器将时域混叠观测Xi输入转换为稀疏域表示Wi(此处稀疏域是指在该变换域内存在某区域仅目标信号占据主导地位，即仅目标信号具有非零功率功率)，其转换过程为：
Wi＝fEncoder(Xi)      (4)
式中，
Figure BDA0003976861140000101
为时域混叠混测Xi的深度高维表征，K为编码器滤波器数量，L为单个滤波器的输出长度；fEncoder(·)表示编码器的映射函数。
其次，
Figure BDA0003976861140000102
为目标信号在稀疏域中的表示矩阵，由分离器完成估计，而后，Mi与Wi相乘得到稀疏域中目标信号的估计
Figure BDA0003976861140000103
目标信号的表示矩阵估计的计算公式为：
Figure BDA0003976861140000104
其中，
Figure BDA0003976861140000105
表示矩阵点乘操作。
最后，解码器将
Figure BDA0003976861140000106
转换至时域得到恢复后的目标信号的估计
Figure BDA0003976861140000107
其转换过程为：
Figure BDA0003976861140000111
Figure BDA0003976861140000112
为时域内恢复后的目标信号的估计；fDecoder(·)表示解码器的映射函数；
Figure BDA0003976861140000113
为稀疏域中目标信号的估计。
具体地，本发明提出干扰抑制方法的网络结构如图5所示，网络结构包括稀疏域编码器、稀疏域表示估计器和稀疏域解码器三个部分，分别对应ConvTasNet中的编码器、分离器和解码器：
(1)稀疏域编码器：目标信号稀疏变换域的自适应选择由单个一维卷积层和一个非线性激活函数(parametric rectified linear unit，PReLU)完成，PReLU定义为：
Figure BDA0003976861140000114
其中，
Figure BDA0003976861140000115
为可训练参数。
(2)稀疏域表示估计器：如图5所示，变换域内目标信号在稀疏域中稀疏表示矩阵的自适应学习主要由三个结构相同的卷积堆叠块完成，其中，前一个卷积堆叠块的输出是后一个卷积堆叠块的输入，目的是通过加深网络深度提取输入的深度表征，而后，卷积堆叠块的输出依次通过一个卷积大小为1的卷积层和一个Sigmoid激活函数，从而完成目标信号在稀疏域中稀疏表示矩阵的估计。此外，为减小数据变化对稀疏域表示估计模块稳定性的影响，在稀疏域编码器的输出Wi输入稀疏域表示估计器前，首先要对Wi执行层归一化操作。LN层之后的卷积层用于控制输入卷积堆叠块的通道数。具体而言，一个卷积堆叠块由八个一维卷积块(图5中Conv1D Block)组成，Conv1D Block结构如图6所示，每个Conv1D Block块中的膨胀因子呈指数增长，以此保证网络有足够大的感受野对信号序列长时依赖性建模，其中，第m(m＝1,2,...,8)个Conv1D Block中的膨胀因子为2m-1，此外，为减少网络参数量，深度可分离卷积网络(图中D-conv)被用来替代标准的卷积。LN为：
Figure BDA0003976861140000121
Figure BDA0003976861140000122
Figure BDA0003976861140000123
其中，
Figure BDA0003976861140000124
和
Figure BDA0003976861140000125
为可训练参数；ε为常量(默认ε＝10-5)。
(3)稀疏域解码器：目标信号的自动恢复由单个一维转置卷积层完成。
进一步地，本发明用了两类性能指标对信号恢复性能进行评估。一是从目标信号的波形恢复质量角度出发，采用恢复后的目标信号的波形相似度作为性能评估指标，计算公式为：
Figure BDA0003976861140000126
式中，||·||表示2范数；当
Figure BDA0003976861140000127
时，
Figure BDA0003976861140000128
c为非零常数；当
Figure BDA0003976861140000129
与aiisii正交时，
Figure BDA00039768611400001210
Figure BDA00039768611400001211
越接近于1，波形
Figure BDA00039768611400001212
的恢复质量越高，误差越小。
二是从通信传递信息精确度的角度出发，采用恢复后目标信号的解调误符号率(Symbol Error Rate，SER)作为性能评估指标。第i个目标信号对应的SER计算公式为：
Figure BDA0003976861140000131
式中，
Figure BDA0003976861140000132
为恢复前或恢复后将该目标信号进行解调所得符号序列中与真实符号序列不一致的符号数；Qi为该目标信号符号序列总数。
另一方面，由于在对某一目标信号波形进行恢复时，误差主要源自于混叠的其他干扰信号及环境噪声的扰动，因而本发明实施例设计了仿真试验，仿真试验重点考察了本发明在不同环境噪声水平及干扰信号强度下的性能，并以混叠观测中的信噪比(signal-to-noise ratio,SNR)和信干比(signal-to-interference ratio,SIR)作为扰动强度的衡量指标。对于目标信号i(i∈[1,N])，其在混叠观测中的SNR和SIR定义为：
Figure BDA0003976861140000133
Figure BDA0003976861140000134
仿真试验：
基本训练参数及设置如下：模型基于Python 3.8.13/Pytorch1.11.0/cuda11.6环境实现，训练/验证及测试数据基于Matlab R2021a在Intel(R)Core(TM)i7-8700U CPU@3.20GHz处理器上生成。训练优化器及学习率分别被设置为Adam及0.001，批大小设为10，训练轮数为100。
仿真实验1：本发明在不同环境噪声水平及干扰信号强度下的性能测试与分析
在本实验1中考虑N＝4的多用户干扰信道中接收节点1处的混叠观测。该混叠观测由目标信号及3个干扰信号组成。目标信号调制样式为BPSK，3个干扰信号调制样式分别为8PSK、PAM8及16QAM。混叠观测采样时长为10ms，总采样点数为30270，其中，目标信号存在时间区间为0-10ms，目标信号载频为100KHz，干扰信号存在的时间区间分别为0-5ms、4-8ms、6-10ms，三个干扰信号的载频分别在101KHz-103KHz、97KHz-99KHz、104KHz-106KHz三个区间随机取值，目标信号载频和三个干扰信号的载频分别为100KHZ，103KHz，97KHz，106KHz。模型的训练/验证/测试分别基于单个SNR或SIR下的训练/验证/测试样本数分别为3×103/5×102/1×104个样本完成，单个目标信号样本包含320个符号，目标信号与干扰信号的符号速率均为31.25KB(Baud)。
不同环境噪声干扰强度SNR下所恢复目标信号的质量如表1所示，混叠观测中的SIR设置为-4.77dB。表2展示了在不同干扰信号强度SIR下所恢复目标信号的质量，混叠观测中的SNR设置为20dB。其中，SERP与SERE分别表示恢复前与恢复后的信号解调SER，WSP与WSE分别表示恢复前与恢复后的波形相似度，此处WSP为直接基于混叠观测对目标信号进行计算的波形相似度，SERP为直接基于混叠观测对目标信号进行解调的SER。
表1
Figure BDA0003976861140000151
表2
Figure BDA0003976861140000152
从表1可以看到，目标信号的波形得到有效恢复，恢复后波形质量显著提升，在SNR>＝5dB的情况下，恢复后平均WS(WSE)等于99.483％。相较于恢复前WS(WSP)为67.517％而言，提升幅度达到了31.966％，在SNR＝0时，提升幅度更是达到了42.3％为。从信号解调误符号率的角度而言，可以看到，恢复前由于干扰信号的存在，导致对目标信号进行解调的SER极高，通信质量极差。经过本发明恢复后，其信号解调SER(SERE)得到显著改善。在SNR＝0,5时，恢复后SER(SERE)分别降低至3.749×10-3和1.2022×10-3，相较初始SER(SERP)降低了两个数量级，在SNR>＝10的情况下，SER更是降低了三个数量级。
从表2可以看到，在不同干扰信号强度SIR下，本发明依然能够保证目标信号波形得到高质量的恢复，恢复后目标信号的平均波形相似度达到了99.958％，相较于恢复前平均波形相似度的42.769％，幅度提升达57.189％。从信号解调误符号率的角度出发，可以发现，随着干扰强度的增大，恢复后目标信号的解调误符号率SER(SERE)有所增长，但依旧能保持在10-4数量级的SER，相比恢复前的SER(SERP)，平均降低了3个数量级。
本仿真实验1验证了所提方法在不同环境噪声水平及干扰信号强度下的干扰抑制能力。实验结果表明，本发明在不同SNR及SIR下，依旧能保持良好的干扰抑制性能。此外，为测试所提方法对干扰类型变化的适应能力，将干扰信号变为QPSK、PAM4、2FSK，该实验与上述结果相似，在此不进行重复展示。
仿真实验2：本发明与现有干扰抑制方法性能对比分析
在本仿真实验2中，将本发明所提方法与现有干扰抑制方法性能进行了比较。参与比较的现有方法包括：m.基于稀疏编码及模板匹配的单个信号恢复算法，n.基于字典学习及约束条件下稀疏编码的单个信号恢复算法，验数据及参数设置与仿真实验1相同。图7和图8展示不同方法在不同干扰信号强度下的测试BER和WS，其中，SERA和WSA表示方法m性能，SERB和WSB表示方法n性能。
从图7和图8可以看到，现有方法m和n是基于存在SSR的假设前提下提出的，其性能在混叠观测中不存在目标信号SSR时急剧恶化，并随着干扰信号强度的增长，其逐渐失去干扰抑制的能力。主要原因是因为方法m和n是基于完全干净的目标信号SSR建立的目标信号子空间基地，若不存在目标信号SSR，其所构建的基地将无法表征目标信号。此外，方法n在干扰信号强度较低时，性能略优于方法m，这是因为方法n引入了目标信号的特性作为约束条件，在干扰信号强度较低时，能够提取到部分目标信号的信息，但随着干扰强度的增长，目标信号在混叠观测中的功率将逐渐减小，最终导致算法失效。相比之下，本发明在低SIR场景下依然能够保持稳健的干扰抑制性能。同时，考虑实际中的干扰信号持续实际大都不可控，存在完全干净的SSR可能性较低，本发明所应对的通信场景更贴合现实，应用前景更广。
仿真实验3：本发明的泛化能力测试与分析
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，在此对本发明应对泛化测试条件的能力进行进一步测试。本仿真实验3的训练数据参数与仿真实验1设置相同，而测试数据设置两种改变：一是考虑干扰信号的持续时间不同，三个干扰信号的持续时间设置为0-4.5ms、4-7.5ms、5.5-10ms；二是考虑环境噪声干扰强度的变化改变，初始SNR设置为15dB。除所述参数改变外，其余参数与仿真实验1中的设置相同。
图9展示了本发明所在上述泛化条件下的测试性能，其中，WS1E和SER1E表示在持续时间改变的场景下的测试性能，WS2E和SER2E表示在SNR＝15dB下的测试性能，WS1P、SER1P、WS2P及SER2P分别表示其对应的原始数据直接计算的性能。通过与闭集测试(即测试数据集的参数与训练数据集一致的测试)的结果进行对比可以看到，本发明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构建目标信号稀疏域的方法，其基于数据驱动自适应构建的稀疏域的方式使得目标信号在上充分稀疏，因此本发明对干扰参数的变化具有较强的适应能力。同时应当指出的是，若在训练时即考虑不同的SNR，则本发明所提干扰抑制方法在较低测试SNR下的性能将可以预见地提升。这仅需通过在更广范围的SNR下生成训练数据即可实现。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种基于数据驱动的SCA干扰抑制方法，其特征在于，包括以下步骤：
构建异步非平稳干扰信道模型，得到接收节点的混叠观测；
对所述混叠观测进行稀疏变换，使目标信号在变换域内具备稀疏性；
在所述变换域内完成所述目标信号的表示矩阵估计，得到表示矩阵估计结果；
基于所述表示矩阵估计结果，在所述变换域内完成所述目标信号的恢复，得到恢复结果；
通过逆变换将所述恢复结果转换至时域，完成干扰抑制。
2.根据权利要求1所述的基于数据驱动的SCA干扰抑制方法，其特征在于，所述混叠观测为：
Figure FDA0003976861130000011
式中，aii为发送节点i(i＝1,2,…,N)与接收节点i(i＝1,2,…,N)间的信道增益；si(n-mi)为传输时延为mi个采样间隔的第i个发送节点所传输的信号；aji为发送节点j(j＝1,2,…,N)与接收节点i(i＝1,2,…,N)间的信道增益；sj(n-mj)表示传输时延为mj个采样间隔的第j个发送节点所传输的信号；vi(n)表示接收节点i处的加性高斯白噪声；T为总采样点数。
3.根据权利要求1所述的基于数据驱动的SCA干扰抑制方法，其特征在于，所述稀疏变换的计算公式为：
Wi＝fEncoder(Xi)
其中：
Xi＝AiSi+Vi
式中，
Figure FDA0003976861130000021
表示接收节点i处的混叠观测；
Figure FDA0003976861130000022
表示混叠矩阵，其中每列表示发送节点j与接收节点i间的信道系数；
Figure FDA0003976861130000023
表示信号矩阵，每一行表示接收节点i处收到的发送节点j所传输的信号；
Figure FDA0003976861130000024
表示接收节点i处的AWGN；
Figure FDA0003976861130000025
为时域混叠混测Xi的深度高维表征，K为编码器滤波器数量，L为单个滤波器的输出长度；fEncoder(·)表示编码器的映射函数。
4.根据权利要求1所述的基于数据驱动的SCA干扰抑制方法，其特征在于，在稀疏域中恢复所述目标信号的计算公式为：
Figure FDA0003976861130000026
式中，
Figure FDA0003976861130000027
为稀疏域中目标信号的估计；
Figure FDA0003976861130000028
为时域混叠混测Xi的深度高维表征；
Figure FDA0003976861130000029
为目标信号在稀疏域中的表示矩阵，由分离器完成估计；
Figure FDA00039768611300000210
表示矩阵点乘操作。
5.根据权利要求1所述的基于数据驱动的SCA干扰抑制方法，其特征在于，所述逆变换的计算公式为：
Figure FDA00039768611300000211
Figure FDA00039768611300000212
为时域内恢复后的目标信号的估计；fDecoder(·)表示解码器的映射函数；
Figure FDA00039768611300000213
为稀疏域中目标信号的估计。
6.根据权利要求1所述的基于数据驱动的SCA干扰抑制方法，其特征在于，所述异步非平稳干扰信道模型包括N条主通信链路和N(N-1)条干扰链路。
7.根据权利要求1所述的基于数据驱动的SCA干扰抑制方法，其特征在于，对恢复结果进行性能评估，包括恢复后的目标信号的波形相似度和恢复后的目标信号的解调误符号率。
8.根据权利要求7所述的基于数据驱动的SCA干扰抑制方法，其特征在于，所述波形相似度的计算公式为：
Figure FDA0003976861130000031
式中，·表示2范数；
当
Figure FDA0003976861130000032
时，
Figure FDA0003976861130000033
c为非零常数；当
Figure FDA0003976861130000034
与aiisii正交时，
Figure FDA0003976861130000035
越接近于1，波形
Figure FDA0003976861130000036
的恢复质量越高，误差越小。
9.根据权利要求7所述的基于数据驱动的SCA干扰抑制方法，其特征在于，所述解调误符号率的计算公式为：
Figure FDA0003976861130000037
式中，
Figure FDA0003976861130000038
为恢复前或恢复后将该目标信号进行解调所得符号序列中与真实符号序列不一致的符号数；Qi为该目标信号符号序列总数。
CN202211543766.5A 2022-12-02 2022-12-02 一种基于数据驱动的sca干扰抑制方法 Pending CN116015484A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211543766.5A CN116015484A (zh) 2022-12-02 2022-12-02 一种基于数据驱动的sca干扰抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211543766.5A CN116015484A (zh) 2022-12-02 2022-12-02 一种基于数据驱动的sca干扰抑制方法

Publications (1)

Publication Number Publication Date
CN116015484A true CN116015484A (zh) 2023-04-25

Family

ID=86022028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211543766.5A Pending CN116015484A (zh) 2022-12-02 2022-12-02 一种基于数据驱动的sca干扰抑制方法

Country Status (1)

Country Link
CN (1) CN116015484A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116962126A (zh) * 2023-06-02 2023-10-27 中国人民解放军国防科技大学 多用户调制分类方法、装置及系统和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116962126A (zh) * 2023-06-02 2023-10-27 中国人民解放军国防科技大学 多用户调制分类方法、装置及系统和存储介质
CN116962126B (zh) * 2023-06-02 2024-04-16 中国人民解放军国防科技大学 多用户调制分类方法、装置及系统和存储介质

Similar Documents

Publication Publication Date Title
Zemen et al. Adaptive reduced-rank estimation of nonstationary time-variant channels using subspace selection
CN100395975C (zh) 多载波扩频信号的接收
Zhao et al. Deep Learning-Based channel estimation with SRGAN in OFDM Systems
CN112215335B (zh) 一种基于深度学习的系统检测方法
Zemen et al. Minimum-energy band-limited predictor with dynamic subspace selection for time-variant flat-fading channels
CN116015484A (zh) 一种基于数据驱动的sca干扰抑制方法
Oltean et al. Wavelet OFDM performance in frequency selective fading channels
US7826342B2 (en) Correlation method for channel estimation for OFDM
Drakshayini et al. A review of wireless channel estimation techniques: challenges and solutions
Bai et al. Impulsive noise mitigation with interleaving based on MUSIC in power line communication
CN106452652A (zh) 一种基于混沌无线通信系统的多径干扰抑制方法
CN109167744B (zh) 一种相位噪声联合估计方法
CN112636855A (zh) 一种ofdm信号检测方法
Liu et al. Ziv–Zakai time-delay estimation bounds for frequency-hopping waveforms under frequency-selective fading
Huang et al. Progressive MIMO-OFDM reception over time-varying underwater acoustic channels
CN111865844A (zh) 大规模mimo全双工中继系统信道估计方法和装置
US20070281640A1 (en) Method For Designing A Digital Reception Filter And Corresponding Receiving Device
Liu et al. RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation
WO2023121659A1 (en) Communication device and method for performing communication signal processing
CN110190908B (zh) 一种最小化isi信道中非相干大规模simo系统误码率的星座图设计方法
De Souza et al. A novel signal detector in MIMO systems based on complex correntropy
Wang et al. Model-based channel estimation framework for MIMO multicarrier communication systems
Zhao et al. Doppler spread estimation by tracking the delay-subspace for OFDM systems in doubly selective fading channels
Sagar et al. Optimal pilot-aided semi blind channel estimation for MIMO-OFDM system
Mhamai et al. An Effective Double Density Dual-Tree Complex Wavelet Transform Based Denoising for MIMO-OFDM.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination