CN116016085B - 一种基于快速哈里斯鹰优化的otfs单音干扰抑制方法 - Google Patents
一种基于快速哈里斯鹰优化的otfs单音干扰抑制方法 Download PDFInfo
- Publication number
- CN116016085B CN116016085B CN202310008646.3A CN202310008646A CN116016085B CN 116016085 B CN116016085 B CN 116016085B CN 202310008646 A CN202310008646 A CN 202310008646A CN 116016085 B CN116016085 B CN 116016085B
- Authority
- CN
- China
- Prior art keywords
- interference
- otfs
- population
- tone
- tone 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000001629 suppression Effects 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000013519 translation Methods 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000000750 progressive effect Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 230000009189 diving Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000013256 coordination polymer Substances 0.000 claims 8
- 238000004891 communication Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 230000002401 inhibitory effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 16
- 238000004088 simulation Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- Position Fixing By Use Of Radio Waves (AREA)
- Noise Elimination (AREA)
Abstract
一种基于快速哈里斯鹰优化的OTFS单音干扰抑制方法，涉及无线通讯技术领域。本发明是为了解决现有单音干扰抑制方法还存在对单音干扰的估计不够准确导致单音干扰抑制效果不佳的问题，同时还无法实现OTFS系统中对单音干扰的有效抑制的问题。本发明包括：利用单音干扰数据获得预估干扰中心；利用预估干扰中心初始化种群位置，根据适应度函数计算种群中个体位置适应度值，并将适应度值最小的个体位置作为最优位置利用进行种群位置迭代更新，获得估计干扰中心获取估计干扰中心为时的平移矩阵和获得去除单音干扰后的信号；利用逆平移矩阵和还原去除单音干扰后的信号，获得干扰去除后的OTFS接收的有用信号。本发明用于抑制OTFS单音干扰。
Description
技术领域
本发明涉及无线通讯技术领域，特别涉及一种基于快速哈里斯鹰优化的OTFS单音干扰抑制方法。
背景技术
高速移动通信场景如高速铁路、低轨卫星等被纳入新一代无线系统设计中，对应用场景的覆盖性、链路可靠性以及吞吐量、频谱效率等提出了新的要求。而能够有效克服高速场景下多普勒效应的正交时频空间(Orthogonal Time Frequency Space,OTFS)成为代替传统正交频分复用的多载波技术之一。但是随着频谱资源的匮乏，与OTFS系统使用相同频段的其他应用如窄带物联网、蓝牙、业余无线电以及非同源卫星系统都会因通信频段重叠而形成窄带干扰，严重影响OTFS系统的通信可靠性。单音干扰作为窄带干扰的一种，具有单一的中心频率和较大的能量。在OTFS解调时，由于辛傅里叶变换(Symplectic FiniteFourier Transform,SFFT)将信号从频率-时间域变换到延迟-多普勒(Delay-Doppler,DD)域时存在泄漏效应，致使单音干扰的能量扩散至整个DD域，对OTFS数据块形成巨大影响。
传统的单音干扰抑制方法主要分为非参数估计和参数估计两种。非参数估计方法主要在时域中对干扰进行抑制，如利用最小均方误差来抑制单音干扰以及将信号转换至本征域来去除干扰。尽管时域抑制方法可以避免单音干扰的泄露效应引起的能量扩散，但是在实际干扰抑制时会失去部分有用信号。而参数估计方法主要在频域中对干扰进行去除。其中较为简单的方法是通过细化频谱来提高单音干扰中心频率的估计准确度，但是该方法复杂度较高。此外，利用单音干扰在频域上的稀疏性，稀疏机器学习和压缩感知等框架也被用于干扰抑制。然而当干扰强度较大时稀疏性并不明显，导致对单音干扰的估计不够准确，干扰抑制效果不佳。而在OTFS系统中，数据被调制到DD域中，接收端单音干扰形式发生改变。传统算法并未利用单音干扰在DD域中的特性，难以实现OTFS系统中对单音干扰的有效抑制。
发明内容
本发明目的是为了解决现有单音干扰抑制方法还存在对单音干扰的估计不够准确导致难以实现OTFS系统中对单音干扰的有效抑制的问题，而提出了一种基于快速哈里斯鹰优化(Fast Harris Hawk Optimization，FHHO)的OTFS单音干扰抑制方法。
一种基于快速哈里斯鹰优化的OTFS单音干扰抑制方法具体过程为：
步骤一、提取单音干扰数据，并利用单音干扰数据获得预估干扰中心
步骤二、利用步骤一获得的预估干扰中心初始化种群位置/>根据适应度函数计算种群中个体位置适应度值，并将适应度值最小的个体位置作为最优位置/>
步骤三、利用步骤二获得的进行种群位置迭代更新，获得估计干扰中心/>
步骤四、获取估计干扰中心为时的平移矩阵/>和/>然后对置零点(1,1)置零来去除干扰，获得去除单音干扰后的信号；
步骤五、利用逆平移矩阵和/>还原步骤四获得的去除单音干扰后的信号，获得干扰去除后的OTFS接收的有用信号。
进一步地，所述步骤一中的提取单音干扰数据，并利用单音干扰数据获得预估干扰中心包括以下步骤：
步骤一一、提取单音干扰数据：
其中，为单音干扰数据，/>表示OTFS中CP部分长度为G的接收数据，/>表示OTFS中CP复制部分，N为接收OTFS数据块多普勒域长度，L为信道长度，NCP为CP部分长度；
步骤一二、利用步骤一一获取的单音干扰数据获得预估干扰中心
其中，kDelay为斜率集合，为斜率集合中的元素，Phase(·)和mean(·)分别为计算相位函数和求平均值函数，m′＝1,…,G为/>延迟域指数，G是/>延迟域最大指数，nmax为/>中幅度最大的单音干扰数据对应的多普勒指数，M为接收OTFS数据块延迟域长度，/>为预估计干扰中心，[·]T表示向量的转置。
进一步地，所述步骤二中的利用步骤一获得的预估干扰中心初始化种群位置根据适应度函数计算种群中个体位置适应度值，并将适应度值最小的个体位置作为最优位置/>包括以下步骤：
步骤二一、利用步骤一获得的预估干扰中心初始化种群位置/>
其中，为第p个初始个体位置，p＝1,…P，P为种群数量，rand(R0)为以R0为半径，0为中心的随机数，R0是为大于0的常数；
步骤二二、根据适应度函数计算种群中个体位置适应度值：
其中，为/>对应的适应度函数值，/>为第i次迭代中第p个个体的位置，为个体位置为/>时置零点(1,1)处的幅度，YDD为不含CP的接收OTFS数据块，/>和/>分别表示个体位置为/>时的延迟域和多普勒域平移矩阵，FN和/>是大小为N×N的离散傅里叶变换矩阵和反离散傅里叶变换矩阵，/>是大小为M×M的反离散傅里叶变换矩阵，diag{·}为对角化矩阵，NCP为CP长度；
步骤二三、将步骤二二获得的个体位置适应度值最小值对应的个体位置作为最优位置
进一步地，所述步骤三中的利用步骤二获得的进行种群位置迭代更新，获得估计干扰中心/>包括以下步骤：
步骤三一、获取自适应逃逸能量Ei，并判断|Ei|＞1是否满足，如果满足则进入探索阶段即执行步骤三二，否则进入开发阶段即执行步骤三三；
步骤三二、利用步骤二获得的按照探索阶段更新公式进行种群位置更新，并执行步骤三四；
所述利用步骤二获得的按照探索阶段更新公式进行种群位置更新，如下式：
其中，为i+1次迭代时第p个鹰的位置，/>为当前迭代下种群中随机一个个体的位置，/>为种群的平均位置，/>为当前迭代中猎物位置，r1,r2,r3,r4和q为(0,1)范围内的随机数，LB,UB分别表示干扰中心的下界与上界；
步骤三三、利用步骤二获得的按照开发阶段更新公式进行种群位置更新，并执行步骤三四；
所述利用步骤二获得的按照开发阶段更新公式进行种群位置更新包括以下步骤：
首先在[0,1]范围内随机选取一个数作为逃跑概率r，当r＜0.5表示未逃跑成功，r≥0.5则代表逃跑成功；
当r≥0.5,|Ei|≥0.5时，采用软围捕策略进行种群位置更新，如下式：
其中，为当前位置与最优位置差，V1∈(0,2)间的随机数；
当r≥0.5,|Ei|＜0.5时，采用硬围捕策略进行种群位置更新，如下式：
当r＜0.5,|Ei|≥0.5时，采用软围捕和渐进快速俯冲策略进行种群位置更新，如下式：
Z＝Y+V2LF(1)
其中，V2为(0,1)范围内的随机数，LF(x)为莱维飞行函数，x为问题维度，u,υ为(0,1)范围内的随机数，Y、Z是中间变量；
当r＜0.5,|Ei|＜0.5时，采用硬围捕和渐进快速俯冲的方式进行种群位置更新，如下式：
Z＝Y+V2 LF(1)
步骤三四、将种群位置迭代更新过程中当前迭代的种群个体位置适应度值与适应度阈值比较，若当前迭代的适应度值小于适应度阈值或者达到最大迭代次数，则停止迭代，将最优位置作为估计干扰中心输出否则返回步骤二计算更新后的个体适应度值，且迭代次数加1。
进一步地，所述步骤三一中的自适应逃逸能量Ei，通过以下公式获得：
其中，E′0为初始化自适应逃逸能量，E0为(-1,1)范围内的随机值，Ei为自适应逃逸能量，SIR为信干比，i＝1,…,imax为当前迭代次数，imax为最大迭代次数。
进一步地，
进一步地，
进一步地，
其中，α为常数，Γ(1+α)表示伽马函数，σ是中间变量。
进一步地，所述步骤四中的获取干扰估计中心为时的平移矩阵/>和/>然后对置零点(1,1)置零来去除干扰，获得去除单音干扰后的信号，包括以下步骤：
其中为置零后的信号，YDD为不含CP的接收OTFS数据块，/>和/>为估计干扰中心为/>时的平移矩阵，Zero(·)表示对点(1,1)进行置零。
进一步地，所述步骤五中利用逆平移矩阵和/>还原步骤四获得的去单音干扰后的信号，获得干扰去除后的OTFS接收的有用信号，如下式：
其中，为干扰去除后的OTFS接收的有用信号，(·)H表示求矩阵的共轭转置。
本发明的有益效果为：
第一，本发明利用了DD域中单音干扰的特性，通过OTFS系统中循环前缀(CyclicPrefix，CP)部分提取了干扰的相位特性，建立了预估计模块和自适应逃逸能量因子，加速了优化算法的收敛速度和收敛精度，克服了现有技术收敛速度慢，收敛精度低的问题，使得本发明具有更高的单音干扰参数估计准确度，从而实现了OTFS系统中对单音干扰的有效抑制。
第二，本发明直接对DD域中OTFS接收数据块进行处理，仅利用了单音干扰中心这一个参数，降低了对参数个数的需求，克服了现有技术中多参数估计引起的误差增加和干扰残留，从而使得本发明具有更好的干扰抑制性能，实现了OTFS系统中对单音干扰的有效抑制。
第三，本发明仅对OTFS数据块中一个固定数据点进行置零，克服了现有技术中对整个干扰频点置零导致的数据利用度不够的问题，使得本发明具有较高的数据利用度。
附图说明
图1是本发明去除干扰的流程图；
图2是干扰提取示意图；
图3是本发明干扰中心估计误差与信干比的关系图；
图4是本发明干扰抑制后信干噪比与信噪比的关系图；
图5是本发明干扰抑制后误比特率与信噪比的关系图。
具体实施方式
本发明根据OTFS系统接收端单音干扰的离散DD域表达式，通过OTFS数据块中CP部分提取单音干扰的相位信息建立预估计模块，同时结合信干比建立自适应逃逸能量因子来平衡算法全局与局部搜索能力，并建立以置零点能量大小为标准的适应度函数，使得FHHO算法能够快速定位干扰中心范围，并迭代优化搜索干扰中心，以此解决单音干扰抑制算法参数估计不准确问题。本发明仅以单音干扰中心这一个参数建立DD域平移矩阵，通过平移矩阵将干扰能量集中至一点并置零来消除干扰，避免了因多参数估计产生的误差造成干扰残留。因此提高了本发明的干扰抑制效果，解决了OTFS系统中单音干扰抑制效果不佳的问题。接下来结合具体实施方式说明本发明。
具体实施方式一：如图1所示，本实施方式一种基于快速哈里斯鹰优化的OTFS单音干扰抑制方法具体过程为：
步骤一、提取单音干扰数据，并利用单音干扰数据获得预估干扰中心包括以下步骤：
步骤一一、提取单音干扰数据：
如图2所示，利用OTFS中CP部分和CP复制部分相减来去除数据信号和噪声对干扰提取的影响，获得单音干扰数据：
其中，为分离后的单音干扰数据，/>表示CP部分长度为G的接收数据，/>表示对应的CP复制部分，N为接收OTFS数据块多普勒域长度，L为信道长度，NCP为CP部分长度。
步骤一二、利用步骤一一获取的单音干扰数据获得预估干扰中心
其中kDelay为斜率集合，为斜率集合中的元素，Phase(·)和mean(·)分别为计算相位函数和求平均值函数，m′＝1,……,G为/>延迟域指数，G是/>延迟域最大指数，nmax为/>中幅度最大的单音干扰数据对应的多普勒指数，M为接收OTFS数据块延迟域长度，/>为预估计干扰中心，[·]T表示向量的转置。
步骤二、利用步骤一获得的预估干扰中心初始化种群位置/>根据适应度函数计算种群中个体位置适应度值，并将适应度值最小的个体位置作为最优位置/>包括以下步骤：
步骤二一、初始化种群位置
其中，为第p个初始化鹰的位置，p＝1,…P，P为种群数量，rand(R0)为以R0为半径，0为中心的随机数。通过在预估计干扰中心的邻域内随机选取P个个体来组成初始种群，R0是为大于0的常数。
步骤二二、根据适应度函数计算种群中个体位置适应度值，并将适应度值最小的个体位置作为最优位置
其中，为/>对应的适应度函数值，/>为第i次迭代中第p个个体的位置，为个体位置为/>时置零点(1,1)处的幅度，YDD为不含CP的接收OTFS数据块，/>和/>分别表示个体位置为/>时的延迟域和多普勒域平移矩阵，FN和/>是大小为N×N的离散傅里叶变换矩阵和反离散傅里叶变换矩阵，/>是大小为M×M的反离散傅里叶变换矩阵。diag{·}为对角化矩阵，NCP为CP长度，j为虚数单位，m∈[1,M]，n∈[1,N]，/>是中间矩阵；
适应度大小代表了对干扰能量的集中程度，当适应度越小，对应的干扰集中能量越大，干扰中心估计误差越小。因此在当前迭代中将适应度最小的个体作为猎物。同时，对于每个个体来说，若更新后适应度大于前一次迭代中的适应度，则个体位置不进行更新。即只有在个体适应度小于历史个体最小适应度时才进行更新。因此，更新后的猎物不仅是当前迭代最优位置，也是历史最佳位置。
步骤三、利用步骤二获得的βi rabbit进行种群位置迭代更新，获得估计干扰中心包括以下步骤：
步骤三一、获取自适应逃逸能量Ei，并判断|Ei|＞1是否满足，如果满足则进入探索阶段即执行步骤三二，否则进入开发阶段即执行步骤三三；
所述自适应逃逸能量Ei通过以下公式获得：
其中，E′0为初始化自适应逃逸能量，E0为(-1,1)范围内的随机值，且每次迭代都随机变化，Ei为自适应逃逸能量。SIR为信干比，i＝1,…,imax为当前迭代次数，imax为最大迭代次数。SIR可以由接收端进行粗略估计而得到，在本发明中作为一个已知参数。
步骤三二、利用步骤二获得的按照探索阶段更新公式进行种群位置更新，并执行步骤三四；
所述利用步骤二获得的按照探索阶段更新公式进行种群位置更新，如下式：
其中，为下次迭代时第p个鹰的位置，/>为当前迭代下种群中随机一个个体的位置，/>为种群的平均位置，/>为当前迭代中猎物位置。r1,r2,r3,r4和q为(0,1)范围内的随机数，LB,UB分别表示干扰中心的下界与上界。
步骤三三、利用步骤二获得的按照开发阶段更新公式进行种群位置更新，并执行步骤三四；种群位置更新包括以下步骤：
首先在[0,1]范围内随机选取一个数作为逃跑概率r，当r＜0.5表示未逃跑成功，r≥0.5则代表逃跑成功；
当r≥0.5,|Ei|≥0.5，此时更新策略为软围捕，表示为：
其中，为当前位置与最优位置差，V1∈(0,2)间的随机数表示猎物逃脱步长。
当r≥0.5,|Ei|＜0.5时，更新策略称为硬围捕，描述为：
当r＜0.5,|Ei|≥0.5时，更新策略变为软围捕和渐进快速俯冲来保持更好的位置：
Z＝Y+V2LF(1).
其中，V2为(0,1)范围内的随机数，LF(x)为莱维飞行函数，x为问题维度，Y、Z是中间变量，表示为：
其中，u,υ为(0,1)范围内的随机数，α为大小为1.5的常数，Γ(1+α)表示伽马函数，σ是中间变量。
当r＜0.5,|Ei|＜0.5时，采用硬围捕和渐进快速俯冲的方式进行更新：
Z＝Y+V2 LF(1)
步骤三四、将种群位置迭代更新过程中当前迭代的种群中个体位置适应度值与适应度阈值比较，若当前迭代的适应度值小于适应度阈值或者达到最大迭代次数，若满足条件则停止迭代，将最优位置作为估计干扰中心输出否则返回步骤二计算更新后的个体适应度值，且迭代次数加1。
步骤四、将猎物位置作为估计干扰中心获取估计干扰中心为/>时的平移矩阵和/>然后对置零点(1,1)置零来去除干扰，获得去除单音干扰后的信号，如下式：
其中为置零后的信号，YDD为不含CP的接收OTFS数据块，/>和/>为估计干扰中心为/>时的平移矩阵，Zero(·)表示对点(1,1)进行置零。
步骤五、利用逆平移矩阵和/>还原步骤四获得的去除单音干扰后的信号，获得干扰去除后的OTFS接收的有用信号：
其中，为干扰去除后的接收有用信号，(·)H表示求矩阵的共轭转置。
实施例：
下面对本发明的基于快速哈里斯鹰优化的OTFS单音干扰抑制方法对干扰中心估计和干扰抑制效果进行实验仿真，实验参数选取包括如下：
OTFS数据块中延迟域长度M＝64，多普勒长度N＝16，循环前缀NCP＝15。数据比特调制方式采用QAM调制。信道模型采用LTE中的Vehicular-A场景，信道脉冲响应长度L＝5。信道信息作为已知来实现最小均方误差均衡。FHHO算法的种群规模P＝15，迭代停止标准中阈值为10-6，提取干扰长度G＝10。为了尽可能消除随机误差，所有仿真数据都是在相同条件下重复400次后进行平均的结果。
实验1：对FHHO算法的干扰中心估计误差进行仿真，干扰估计误差表述为：
其中β为实际干扰中心，为估计干扰中心。仿真信噪比为SNR＝20dB，信干比从-30dB至10dB，步长为5dB。仿真结果如图3所示，在不同信干比下本发明所提算法都具有较高的估计精度，并且在信干比小于-20dB时误差估计精度可达10-5数量级。
实验2：对本发明干扰抑制后的信干噪比进行仿真。仿真信干比为-20dB，信噪比从0至35dB，步长为5dB。仿真结果如图4所示，在不同信噪比条件下，本发明干扰抑制后信干噪比更接近无干扰情况，表明本发明具有较好的干扰抑制能力，能够对各强度下的单音干扰进行抑制并使得干扰抑制后与无干扰情况相近。
实验3：对本发明干扰抑制后的信号进行误比特率仿真。仿真信干比为-20dB，信噪比从0至35dB，步长为5dB。仿真结果如图5所示，在不同信噪比条件下，本发明干扰抑制后的误比特率更接近无干扰情况，表明本发明能够在OTFS系统中去除单音干扰，且去除单音干扰后对原始数据影响较小，体现出本发明对OTFS系统中单音干扰抑制的优秀性能。
以上所述仅为本发明的优选方案，并非作为对本发明的进一步限定，凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。
Claims (5)
1.一种基于快速哈里斯鹰优化的OTFS单音干扰抑制方法，其特征在于所述方法具体过程为：
步骤一、提取单音干扰数据，并利用单音干扰数据获得预估干扰中心包括以下步骤：
步骤一一、提取单音干扰数据：
其中，为单音干扰数据，/>表示OTFS中CP部分长度为G的接收数据，/>表示OTFS中CP复制部分，N为接收OTFS数据块多普勒域长度，L为信道长度，NCP为CP部分长度；
步骤一二、利用步骤一一获取的单音干扰数据获得预估干扰中心
其中，kDelay为斜率集合，为斜率集合中的元素，Phase(·)和mean(·)分别为计算相位函数和求平均值函数，m′＝1,…,G，m′为/>延迟域指数，G是/>延迟域最大指数，nmax为/>中幅度最大的单音干扰数据对应的多普勒指数，M为接收OTFS数据块延迟域长度，/>为预估干扰中心，[·]T表示向量的转置；
步骤二、利用步骤一获得的预估干扰中心初始化种群位置/>根据适应度函数计算种群中个体位置适应度值，并将适应度值最小的个体位置作为最优位置/>包括以下步骤：
步骤二一、利用步骤一获得的预估干扰中心初始化种群位置/>
其中，为第p个初始个体位置，p＝1,…P，P为种群数量，rand(R0)为以R0为半径，0为中心的随机数，R0是为大于0的常数；
步骤二二、根据适应度函数计算种群中个体位置适应度值：
其中，为/>对应的适应度函数值，/>为第i次迭代中第p个个体的位置，为个体位置为/>时置零点(1,1)处的幅度，YDD为不含CP的接收OTFS数据块，/>和/>分别表示个体位置为/>时的延迟域和多普勒域平移矩阵，FN和/>是大小为N×N的离散傅里叶变换矩阵和反离散傅里叶变换矩阵，/>是大小为M×M的反离散傅里叶变换矩阵，diag{·}为对角化矩阵，NCP为CP长度；
步骤二三、将步骤二二获得的个体位置适应度值最小值对应的个体位置作为最优位置
步骤三、利用步骤二获得的进行种群位置迭代更新，获得估计干扰中心/>包括以下步骤：
步骤三一、获取自适应逃逸能量Ei，并判断|Ei|＞1是否满足，如果满足则进入探索阶段即执行步骤三二，否则进入开发阶段即执行步骤三三；
步骤三二、利用步骤二获得的按照探索阶段更新公式进行种群位置更新，并执行步骤三四；
所述利用步骤二获得的按照探索阶段更新公式进行种群位置更新，如下式：
其中，为i+1次迭代时第p个鹰的位置，/>为当前迭代下种群中随机一个个体的位置，/>为种群的平均位置，/>为当前迭代中猎物位置，r1,r2,r3,r4和q为(0,1)范围内的随机数，LB,UB分别表示干扰中心的下界与上界；
步骤三三、利用步骤二获得的按照开发阶段更新公式进行种群位置更新，并执行步骤三四；
所述利用步骤二获得的按照开发阶段更新公式进行种群位置更新包括以下步骤：
首先在[0,1]范围内随机选取一个数作为逃跑概率r，当r＜0.5表示未逃跑成功，r≥0.5则代表逃跑成功；
当r≥0.5,|Ei|≥0.5时，采用软围捕策略进行种群位置更新，如下式：
其中，为当前位置与最优位置差，V1∈(0,2)间的随机数；
当r≥0.5,|Ei|＜0.5时，采用硬围捕策略进行种群位置更新，如下式：
当r＜0.5,|Ei|≥0.5时，采用软围捕和渐进快速俯冲策略进行种群位置更新，如下式：
Z＝Y+V2LF(1)
其中，V2为(0,1)范围内的随机数，LF(x)为莱维飞行函数，x为问题维度，Y、Z是中间变量；
当r＜0.5,|Ei|＜0.5时，采用硬围捕和渐进快速俯冲的方式进行种群位置更新，如下式：
Z＝Y+V2 LF(1)
步骤三四、将种群位置迭代更新过程中当前迭代的种群个体位置适应度值与适应度阈值比较，若当前迭代的适应度值小于适应度阈值或者达到最大迭代次数，则停止迭代，将最优位置作为估计干扰中心输出否则返回步骤二计算更新后的个体适应度值，且迭代次数加1；
步骤四、获取估计干扰中心为时的平移矩阵/>和/>然后对置零点(1,1)置零来去除干扰，获得去除单音干扰后的信号，包括以下步骤：
其中为置零后的信号，YDD为不含CP的接收OTFS数据块，/>和/>为估计干扰中心为时的平移矩阵，Zero(·)表示对点(1,1)进行置零；
步骤五、利用逆平移矩阵和/>还原步骤四获得的去除单音干扰后的信号，获得干扰去除后的OTFS接收的有用信号，如下式：
其中，为干扰去除后的OTFS接收的有用信号，(·)H表示求矩阵的共轭转置。
2.根据权利要求1所述的一种基于快速哈里斯鹰优化的OTFS单音干扰抑制方法，其特征在于：所述步骤三一中的自适应逃逸能量Ei，通过以下公式获得：
其中，E0′为初始化自适应逃逸能量，E0为(-1,1)范围内的随机值，Ei为自适应逃逸能量，SIR为信干比，i＝1,…,imax为当前迭代次数，imax为最大迭代次数。
3.根据权利要求2所述的一种基于快速哈里斯鹰优化的OTFS单音干扰抑制方法，其特征在于：
4.根据权利要求3所述的一种基于快速哈里斯鹰优化的OTFS单音干扰抑制方法，其特征在于：所述受到如下约束：
5.根据权利要求4所述的一种基于快速哈里斯鹰优化的OTFS单音干扰抑制方法，其特征在于：
其中，α为常数，Γ(1+α)表示伽马函数，σ是中间变量，u,υ为(0,1)范围内的随机数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310008646.3A CN116016085B (zh) | 2023-01-04 | 2023-01-04 | 一种基于快速哈里斯鹰优化的otfs单音干扰抑制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310008646.3A CN116016085B (zh) | 2023-01-04 | 2023-01-04 | 一种基于快速哈里斯鹰优化的otfs单音干扰抑制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116016085A CN116016085A (zh) | 2023-04-25 |
| CN116016085B true CN116016085B (zh) | 2023-10-10 |
Family
ID=86020761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310008646.3A Active CN116016085B (zh) | 2023-01-04 | 2023-01-04 | 一种基于快速哈里斯鹰优化的otfs单音干扰抑制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116016085B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104410590A (zh) * | 2014-12-29 | 2015-03-11 | 重庆邮电大学 | 一种基于压缩感知的短波ofdm抑制干扰联合信道估计方法 |
| CN113381441A (zh) * | 2021-05-19 | 2021-09-10 | 南昌大学 | 一种基于哈里斯鹰算法的三相并网逆变器控制参数整定方法 |
| CN114155722A (zh) * | 2021-12-02 | 2022-03-08 | 山东建筑大学 | 一种基于改进哈里斯鹰算法的交通信号配时优化方法 |
| CN114167347A (zh) * | 2021-11-26 | 2022-03-11 | 哈尔滨工程大学 | 冲击噪声环境下互质阵列的幅相误差校正和测向方法 |
| WO2022248446A1 (en) * | 2021-05-28 | 2022-12-01 | Continental Automotive Gmbh | Transmitter and receiver for and method of transmitting and receiving symbols over an orthogonal time frequency space communication channel subject to doppler spread and multipath |
| CN115426223A (zh) * | 2022-08-10 | 2022-12-02 | 华中科技大学 | 一种低轨卫星信道估计和符号检测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111919394B (zh) * | 2017-11-01 | 2022-05-27 | 凝聚技术公司 | 使用正交时频空分复用的无线系统中的预编码 |
-
2023
- 2023-01-04 CN CN202310008646.3A patent/CN116016085B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104410590A (zh) * | 2014-12-29 | 2015-03-11 | 重庆邮电大学 | 一种基于压缩感知的短波ofdm抑制干扰联合信道估计方法 |
| CN113381441A (zh) * | 2021-05-19 | 2021-09-10 | 南昌大学 | 一种基于哈里斯鹰算法的三相并网逆变器控制参数整定方法 |
| WO2022248446A1 (en) * | 2021-05-28 | 2022-12-01 | Continental Automotive Gmbh | Transmitter and receiver for and method of transmitting and receiving symbols over an orthogonal time frequency space communication channel subject to doppler spread and multipath |
| CN114167347A (zh) * | 2021-11-26 | 2022-03-11 | 哈尔滨工程大学 | 冲击噪声环境下互质阵列的幅相误差校正和测向方法 |
| CN114155722A (zh) * | 2021-12-02 | 2022-03-08 | 山东建筑大学 | 一种基于改进哈里斯鹰算法的交通信号配时优化方法 |
| CN115426223A (zh) * | 2022-08-10 | 2022-12-02 | 华中科技大学 | 一种低轨卫星信道估计和符号检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 王桁瑶 ; 张晓瀛 ; 王杉 ; .单音干扰下OFDM系统中频域迭代干扰消除算法.信号处理.2016,(10),1169-1177. * |
| 王桁瑶 ; 张晓瀛 ; 王杉 ; .单音干扰下OFDM系统中频域迭代干扰消除算法.信号处理.2016,(第10期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116016085A (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111464465B (zh) | 一种基于集成神经网络模型的信道估计方法 | |
| US20240243952A1 (en) | Data processing for automatic modulation classification of wireless signals | |
| CN109474388B (zh) | 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 | |
| CN108616314B (zh) | 一种基于ofdm的水声通信系统脉冲噪声抑制方法 | |
| CN111147407B (zh) | 基于信道预测的tmsbl水声ofdm时变信道估计方法 | |
| CN111683024A (zh) | 一种基于深度学习的时变ofdm系统信道估计方法 | |
| CN110048972B (zh) | 一种水声正交频分复用信道估计方法及系统 | |
| CN110380994B (zh) | 快速贝叶斯匹配追踪海上稀疏信道估计方法 | |
| CN113259298B (zh) | Otfs信号处理方法、装置、设备及存储介质 | |
| CN114826832B (zh) | 信道估计方法、神经网络的训练方法及装置、设备 | |
| Kari et al. | Robust adaptive algorithms for underwater acoustic channel estimation and their performance analysis | |
| CN107359906A (zh) | 低压电力线通信系统中脉冲噪声的抑制方法 | |
| JP2013168853A (ja) | 受信装置、受信方法および受信プログラム | |
| CN104079520B (zh) | 一种ofdm系统的脉冲干扰抑制方法 | |
| Bai et al. | Impulsive noise mitigation with interleaving based on MUSIC in power line communication | |
| CN111131108A (zh) | 一种非合作水声ofdm子载波调制方式识别方法 | |
| KR20140096559A (ko) | 무선 통신 시스템에서 주파수-직각 진폭 변조된 신호의 복호 매트릭 생성 방법 및 장치 | |
| CN108566227B (zh) | 一种多用户检测方法 | |
| CN116016085B (zh) | 一种基于快速哈里斯鹰优化的otfs单音干扰抑制方法 | |
| CN111726309B (zh) | 用于移动正交频分复用系统的信道估计方法及其估计装置 | |
| CN115065578B (zh) | 一种基于改进自适应阈值的dft信道估计方法 | |
| Chakraborty et al. | Domain knowledge aided neural network for wireless channel estimation | |
| CN102111203B (zh) | Td-lte系统中基于时频域预处理的特征波束形成方法 | |
| CN114978254B (zh) | 基于ofdm系统的机器学习辅助低复杂度鲁棒预编码算法 | |
| CN110808937B (zh) | 水声通信系统中脉冲噪声与多普勒频偏联合抑制方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |