自适应干扰抵消

关键词： 抵消 干扰 全局 算法

自适应干扰抵消（精选六篇）

自适应干扰抵消 篇1

关键词：频率选择,跳频同址干扰,无限脉冲响应,全局收敛,稳定性

同一平台上布置多部跳频电台时各电台的天线间距离相当近,因而发射机和邻近接收机的收发电平相差很大,最高可超过100 dB;受收发信机天线隔离度的限制,本地跳频电台发射机产生的基波强干扰信号的电平一般会超过邻近接收机的动态范围,导致接收机阻塞,造成通信中断,形成同址干扰。车载、舰载和机载通信平台由于其自身是运动平台,因此,反射面的不断变化导致传输信道中多径信号的强度、延时和数量也不停地发生变化,所以跳频同址干扰的传输信道为一个时变多径信道,干扰信号的传播过程中必然会产生多径同址干扰信号[1]。

自适应FIR滤波器需要做到很长的阶数才能应用于长脉冲响应系统,如果采用FIR滤波器进行自适应宽带多径同址干扰的抵消,滤波器的阶数需要做到几百甚至上千,必然导致很大的计算量,不适合应用于实时射频信号的干扰抵消。文献[2]中提出了基于抽头删选的干扰抵消算法,通过比较和删选设定20%的抽头为有效抽头进行干扰抵消,但其计算量依然较大且不能适应运动平台和跳频通信下的自适应同址干扰抵消。文献[3]采用自适应批处理结合计算量较小的频域滤波算法进行宽带多途干扰抵消,其计算量依然很大;批处理方式必须在假定干扰信号和传输信道稳定的前提下才适用,因而该方法无法处理时变信道或者跳频通信下的多径同址干扰抵消。IIR滤波器具有零-极点结构的特点,可以用较少的阶数实现对长脉冲响应系统的精确建模;因此,使用IIR结构滤波器构造长脉冲响应系统的自适应干扰抵消器可以得到较好的干扰抵消性能,但缺点在于系统的收敛性和稳定性得不到保证[4]。文献[5]中采取对输出误差结构的自适应IIR干扰抵消器的误差信号乘以一个1-A(n, z)因子的方法,提出了基于IIR滤波器的自适应滤波E型有源噪声控制算法(FELMS),从而使算法能收敛到全局最小值取得了良好的全局收敛性能;不足之处在于其稳定性问题得不到保证。

针对以上算法的不足,提出一种新的自适应IIR干扰抵消算法,新算法在基本不增加计算量的情况下,具有良好的全局收敛性能和非常接近超稳定滤波器的稳定性,对于频率选择性跳频同址干扰抵消具有很好的效果。

1 频率选择性同址干扰的理论模型

如果忽略同址干扰中的信道传输函数,本地接收机接收到的同址干扰信号就是一纯频的无线信号。但是如果把传输函数看作一个传输网络,这个信道就会使干扰信号的强度和相位同时出现变化。因此,到达受干扰接收机天线的同址干扰信号就是由一个直达信号和多个多径信号分量组成。

过去的几十年里建立了大量时变信道模型,其中最常见的是抽头延迟线模型,每个抽头的系数、时延和相移都可以是时变的。文献[2]分析了超短波同址干扰信道的传输函数,在此基础上,现对跳频电台同址干扰的信号传输信道作如下假设:①对多径传输信道模型在时间上采取离散化;②各多径信号分量的相位变化仅与传输时间相关;③设定信号反射类型为镜面反射,多径信号强度的衰减仅与信号传播的路径长度和反射面的反射系数相关;④综合发射天线、接收天线间的多径环境和鞭状天线的可变性,传输信号的多径时延变化范围采取参考文献[6]中实验数据,为0—23 ns。得到简化的频率选择性衰落信道脉冲响应的表达式为:

$h(n,t)=\delta (n)+{\displaystyle \sum _{i=0}^{{\rm N}-1}a}{}_i\delta (n-n{}_i)\exp [-\text{j}\beta {}_i(t)](1)$

式(1)中,N为多径信号的数量,ni为第i条多径信号的时延,ai为第i条多径信号的幅度,βi(t)为第i条多径信号的相移。

$\beta {}_i(t)=2\text{π}\frac{f{}_{0}v{}_t}{f{}_s\text{c}{}_0}\left[\cos (\phi {}_t-\theta {}_{ti})-\cos \phi {}_t\right]\begin{array}{c}t\end{array}(2)$

式(2)中,f0为干扰载波信号的频率,vt为平台运动速度,θti为多径分量和直达波的夹角,fs为码源的速率,φt为发射机相对于直达波与接收机运动方向之间的夹角,c0=3×108 m/s为光速。

通过计算机模拟得到超短波频段(30～88 MHz)频率选择性衰落信道的脉冲响应如图1所示(采样速率250 MHz)。

图1表明多径同址干扰信道对同址干扰的传输具有频率选择特性,而通常的同址干扰抵消中将这一信道当作线性信道进行研究,因而实际抵消效果受到很大限制[7]。在上面的分析中,假设信道是时不变信道;但在实际信道情况更为复杂,通信系统同址干扰的传输信道在一定程度上必然是时变的。比如天线摇摆、电台附近反射面的移动都会影响信道传输函数;如果通信平台是安装在飞机或者机动的车辆上,那么它们的信道参数都会随时间剧烈地变化而且其变化也是未知的,从而对延迟跟踪算法提出更高的要求。

2 全局收敛的自适应IIR-SHARF干扰抵消器

自适应IIR滤波器是一个具有无限脉冲响应的递归滤波器,由于递归滤波器的非二次型性能曲面,收敛和稳定性问题均属于潜在问题。自适应IIR-SHARF(简化的超稳定自适应递归滤波器)算法可以保持非常接近于稳定性的结构,其在噪声对消和预测中的收敛性已经得到证明[8]。在研究自适应IIR-SHARF算法的基础上推导其方程误差结构在自适应干扰抵消的具体应用形式,提出一种新的全局收敛且稳定的自适应IIR干扰抵消算法。

基于IIR-SHARF算法的自适应干扰抵消器结构如图2所示。

其中,H(z)为同址干扰信道传输函数,x(n)为本地发射机的产生同址干扰信号,s(n)为接收机有用接收信号, d(n)为有用接收信号被干扰后的抵消器输入,e(n)为误差信号、也是整个干扰抵消系统的输出[7]。

n时刻,自适应IIR滤波器A和B的权系数向量分别为:

$\begin{array}{l}A(n)=[a{}_0(n)\begin{array}{c}\end{array}a{}_2(n)\begin{array}{c}\end{array}\begin{array}{c}\cdots \end{array}\begin{array}{c}\end{array}a{}_{{\rm N}-1}(n)]{}^{\text{Τ}}(3)\\ B(n)=[b{}_1(n)\begin{array}{c}\end{array}b{}_2(n)\begin{array}{c}\end{array}\begin{array}{c}\cdots \end{array}\begin{array}{c}\end{array}b{}_{{\rm M}}(n)]{}^{\text{Τ}}(4)\end{array}$

其中N和M分别为滤波器A和B的长度,记为:

$\begin{array}{l}A(\begin{array}{c}n\end{array}\begin{array}{c},\end{array}\begin{array}{c}z\end{array})=a{}_0(n)+a{}_1(n)z{}^{-1}+\cdots +a{}_{{\rm N}-1}(n)z{}^{-({\rm N}-1)}(5)\\ B(\begin{array}{c}n\end{array}\begin{array}{c},\end{array}\begin{array}{c}z\end{array})=b{}_1(n)z{}^{-1}+b{}_2(n)z{}^{-2}+\cdots +b{}_{{\rm M}}(n)z{}^{-{\rm M}}(6)\end{array}$

n时刻,自适应IIR滤波器A和B的信号向量形式如下:

$\begin{array}{l}X(n)=[x(n)\begin{array}{c}\end{array}x(n-1)\begin{array}{c}\end{array}\begin{array}{c}\cdots \end{array}\begin{array}{c}\end{array}x(n-{\rm N}+1)]{}^{\text{Τ}}(7)\\ Y(n)=[y(n-1)\begin{array}{c}\end{array}y(n-2)\begin{array}{c}\end{array}\begin{array}{c}\cdots \end{array}\begin{array}{c}\end{array}y(n-{\rm M})]{}^{\text{Τ}}(8)\end{array}$

为便于表达,将信号和系数矢量总结如下形式:

$\begin{array}{l}\theta (n)=[A{}^{\text{Τ}}(n)\begin{array}{c}\end{array}B{}^{\text{Τ}}(n)]{}^{\text{Τ}}(9)\\ \phi (n)=[X{}^{\text{Τ}}(n)\begin{array}{c}\end{array}Y{}^{\text{Τ}}(n)]{}^{\text{Τ}}(10)\end{array}$

则可以得到滤波器的输出y(n)为:

$y(n)=\phi {}^{{\rm T}}(n)\theta (n)(11)$

则基于IIR-SHARF算法的自适应干扰抵消器为:

e(n)=d(n)-y(n)=d(n)-φT(n)θ(n) (12)

$v(n)={\displaystyle \sum _{l=0}^{L}c}(l)e(n-l)$(c(0)=1) (13)

θ(n+1)=θ(n)+Γφ(n)v(n) (14)

其中:Γ=diag$[\begin{array}{c}\mu {}_0\end{array}\begin{array}{c}\end{array}\begin{array}{c}\mu {}_1\end{array}\begin{array}{c}\cdots \end{array}\begin{array}{c}\mu {}_{{\rm N}-1}\end{array}\begin{array}{c}\end{array}\begin{array}{c}\rho {}_1\end{array}\begin{array}{c}\end{array}\begin{array}{c}\rho {}_2\end{array}\begin{array}{c}\cdots \end{array}\begin{array}{c}\rho {}_{{\rm M}}\end{array}]$

可以看出公式(12)中的e(n)为输出误差结构的自适应IIR滤波器的输出,由其经过平滑得到的v(n)同样可能存在局部最小问题,因而不能保证全局收敛。方程误差结构自适应IIR滤波器的输出e'(n)为二次误差特性曲面表征的,所以不会受到局部最小问题的限制[9]。方程误差结构的自适应IIR滤波器的输出e'(n)和输出误差结构的自适应IIR滤波器的输出e(n)本质上是相关的,其关系如下[9]:

$e\text{'}(n)=e(n)-{\displaystyle \sum _{i=1}^{{\rm M}}b}{}_i(n)e(n-i)(15)$

E'(z)=(1-B(z))E(z) (16)

$V(z)={\displaystyle \sum _{l=0}^{L}c}(l)E(z)z{}^{-l}(17)$

定义方程误差结构自适应IIR-SHARF滤波器的输出为v'(n),则

$v\text{'}(n)={\displaystyle \sum _{l=0}^{L}c}(l)e\text{'}(n-l)(18)$

$V\text{'}(z)={\displaystyle \sum _{l=0}^{L}c}(l)E\text{'}(z)z{}^{-l}={\displaystyle \sum _{l=0}^{L}c}(l)(1-B(z))E(z)z{}^{-l}$=

$[1-B(z)]{\displaystyle \sum _{l=0}^{L}c}(l)E(z)z{}^{-l}$=[1-B(z)]V(z) (19)

$v\text{'}(n)=v(n)-{\displaystyle \sum _{i=1}^{{\rm M}}b}{}_i(n)v(n-i)(20)$

θ(n+1)=θ(n)+Γφ(n)v'(n) (21)

式(12)、式(13)、式(20)和式(21)构成全局收敛的自适应IIR-SHARF算法应用于自适应干扰抵消中的具体形式,算法的结构如图3所示。

方程误差结构IIR-SHARF算法由二次误差特性曲面表征,所以它不会受到局部最小问题的限制,可以确保自适应IIR滤波器的收敛性能达到全局收敛;由于IIR-SHARF算法所具备的非常接近于超稳定性结构的特点,可以很好地保证干扰抵消器的稳定性;新算法相对于IIR-SHARF算法仅仅增加了公式(20)中所显示的M次乘法和M+1次加法,所以其计算量的增加很小。故提出的自适应IIR同址干扰抵消算法同时具有效率高、运算量小、稳定性好和全局收敛的优点。

3 计算机仿真结果

为了验证提出的算法在频率选择性跳频同址干扰抵消中的性能,采用计算机仿真的方法并将结果与基于LMS算法、FELMS算法的自适应跳频同址干扰抵消器的性能进行比较。仿真参数设置:跳频范围30～88 MHz;最小频率间隔200 kHz;采样速率250 MHz。信道模型包含了以正弦曲线形式震荡的延迟多径,最大时延为6个采样点(24 ns)。图4的仿真中取同址干扰信号比目标接收信号强70 dB,自适应IIR滤波器A、B的长度N和M分别为N=10、M=6。仿真结果取30次仿真的平均值,抵消误差的收敛曲线如图4所示。

由于FELMS算法在该仿真中多次出现无法收敛的情况,因而在仿真结果中未列出该算法的收敛曲线。由图4的仿真结果可以看出,新的10阶的自适应IIR干扰抵消器的收敛性能明显优于30阶和10阶的自适应FIR干扰抵消器,可以看出在节省计算量的同时新算法具有更高的效率;同时新算法具有良好的稳定性,没有无法收敛的现象,克服了传统IIR算法存在局部最小问题和稳定性差的缺点。

图5显示了自适应干扰抵消器对不同强度的同址干扰信号抵消后的系统误码率性能仿真结果。

由图5的仿真结果可以看出,新的自适应IIR干扰抵消器使系统保持了较低的误码率,且当干扰信号相比有用信号强100 dB时依然可以获得低于10-3的误码率性能,可以在数据通信中应用;同时,其性能也优于30阶自适应FIR干扰抵消器。而10阶自适应FIR干扰抵消器当干扰信号比用信号强40 dB时其误码率已经达到10-3左右,无法满足通信的正常进行。

综合两个仿真结果可以发现基于方程误差结构IIR-SHARF算法的自适应IIR干扰抵消器以较小的计算量获得了很高的效率,对自适应频率选择性跳频同址干扰具有很好的抵消效果。

4 结论

针对通常自适应FIR算法和IIR算法应用于时变宽带干扰中的不足,提出一种基于方程误差结构IIR-SHARF算法的自适应IIR干扰抵消算法,新算法同时具有计算量小、抵消效率高、全局收敛和稳定性好的优点。仿真结果表明该算法对频率选择性跳频同址干扰的抵消性能非常优异,由于滤波器阶数低、计算量很小,是一种较实用的实时抗时变长脉冲响应干扰方法。

参考文献

[1] Keith Allsebrook,Chris Rhble.VHF cosite interference challengesand solutions for the United States Marine Corps'expeditionaryfighting vehicle program.IEEE Military Communications Conference,2004:548—554

[2] Maxson B D.Optimal Cancellation of Frequency-Selective Cosite In-terference.UNIVERSITY OF CINCINNATI,2002

[3]丛卫华,刘孟庵,惠俊英.自适应宽带多途干扰抵消的实时处理算法.声学与电子工程.1999;(3):1—10

[4] Xu Sun,Guang Meng.Steiglitz–Mcbride type adaptive IIR algo-rithm for active noise control.Journal of Sound and Vibration,2004:441—450

[5]孙旭,陈端石.基于无限脉冲响应滤波器的自适应滤波E型有源噪声控制算法.声学学报.2003;28(2):171—176

[6] Kowalski A M.Wideband co-site interference reduction apparatus.Amecrican:6693971,2004

[7]袁小刚,黄国策,刘剑,等.用Laguerre滤波器实现自适应跳频同址干扰抵消.计算机科学,2009;36(11):93—96

[8] John J.shynk.Adaptive IIR filtering.IEEE ASP Magazine.1989;(4):4—21

水下天线自适应噪声抵消系统仿真 篇2

用于接收水下信号的磁性天线工作时, 会受到来自周围海洋环境和自身天线振动等多方面因素的噪声影响, 在接收机的输入端, 微弱的通信信号经常淹没在很强的背景噪声之中。普通的接收机若只采用传统的信号处理的方法很难从中检测和提取出有用信号, 不仅会影响信号的正常解调, 而且容易造成误码率的上升, 从而大大降低通信的可靠性。因此必须采用现代信号处理的新方法, 消除这些噪声, 将有用信号直接分离出来, 送至接收机进行处理, 提高通信质量。

自适应噪声抵消系统 (Adaptive Noise Cancellation, ANC) , 就是将自适应滤波器应用于噪声消除的延伸和拓展。自从第一个自适应噪声抵消系统于1959年在美国斯坦福大学建成以来, 40多年的时间, 自适应噪声抵消系统在许多领域得到了广泛应用。其主要用途包括:天线旁瓣干扰的对消, 语音信号传输中的噪声抵消, 以及生物医学信号检测中的干扰对消等, 尤其对于强背景噪声中的弱信号检测与恢复, 有着传统滤波方法所不能比拟的优越性。

1 自适应噪声抵消原理

自适应噪声抵消系统的核心部分是自适应滤波器和合适的滤波算法, 自适应噪声抵消系统的原理与自适应滤波器相似。在自适应噪声抵消系统中, 自适应滤波器有两路输入, 一路为原始输入, 另一路为参考输入, 不存在期望响应信号。将被噪声污染的有用信号接到原始输入端, 从噪声源提取的噪声接到参考输入端, 这样自适应滤波器就根据参考输入的噪声估计出混合信号里的噪声, 再和原始输入端的信号进行抵消, 从而恢复出有用信号, 达到滤除噪声的目的[1]。一个典型的自适应噪声抵消系统原理框图如图1所示[2]。

原始输入x由有用信号s和加性噪声n1构成, 参考输入信号n2是与n1相关的噪声, n′1是自适应滤波器W (z) 根据n2而估计出的噪声。假设s、n1、n2的均值都为0, 且s与n1、n2都不相关, 这样, 自适应噪声抵消系统的输出为y=s+n1-n′1, 且如式 (1) :

若能调整滤波器的系数使得E[y2]最小, 因为有用信号的功率是固定的, 和滤波器无关, 所以E[ (n1-n′1) 2]必须最小。而y-s=n1-n′1, 此时E[ (y-s) 2]最小[3]。理想情况下, n1=n′1, y=s, 原始输入中的噪声被完全抵消掉, 系统的输出为有用信号。自适应噪声抵消系统能够有效工作, 必须满足一个条件, 即参考输入信号必须与被抵消的信号 (现为噪声) 相关。考虑极端情况, 参考输入n2与n1完全不相干, 则n′1与n1也完全无关, 根据式 (2) :

可得若要满足输出最小均方的准则, 需E[n1′2]=0, 即所有滤波器系数为0, 此时滤波器没有意义, 原始信号中的噪声一点也没有得到消除。如果n2不仅与n1相关, 还包含有s的分量, 即与s相关, 那经过滤波器的输出n′1也和s相关, 此时, 要使E[y2]最小, 不仅噪声n1需要全部抵消, s中的一部分信息也会被清除[4]。

总之, 为使自适应噪声抵消系统性能达到最佳, 合适的参考输入信号的选取是个关键的问题, 要求其与原始输入中的噪声有较大相关性, 而与有用信号完全不相关。一般来说, 在应用中最好保证系统的原始输入通道和参考输入通道之间相互隔离。

2 自适应噪声抵消系统仿真

文章设计的水下磁性天线采用正交的天线形式接收信号, 如图2所示。天线A用来接收水下的超低频信号与噪声, 天线B用来接收自适应抵消系统的参考噪声, 当电波传播方向与天线A轴向之间的夹角θ=90°时, 自适应抵消系统有最好的输出信噪比。但在实际操作中很难保证时刻满足θ=90°的条件, 当θ≠90°时, 电波在B天线上产生的信号分量cosθ会对A天线上的信号分量sinθ产生抵消效果, 导致天线输出信号衰减[5]。

为说明这种影响, 随着入射角θ从90°到45°变化过程中, A天线上的信号与B天线上的信号的比值仿真如图3所示。从图中可以看出, 随着角度从90°到45°的变化, A天线与B天线上的信号之比从80dB开始减小, 当θ=45°时该比值减小至0dB, 此时A天线与B天线上的信号相等, B天线上的信号会把A天线上的信号完全抵消掉, 系统输出信噪比最差。

2.1 入射角度仿真

为研究入射角对接收性能的影响, 本研究仿真了不同入射角度下的自适应抵消系统的接收效果, 仿真时采用MSK调制信号作为输入信号, 信号载波fc=80Hz, 系统的采样率fs=1 000Hz, 噪声采用均值为0、方差为2的高斯白噪声, 为研究工频干扰对抵消性能的影响, 加入了50Hz的单频正弦信号作为单频干扰噪声。仿真同时研究了线性带通滤波器噪声的抑制能力[6], 结果如图4至图6所示。

图4、图5、图6分别仿真了入射角θ分别等于80°、60°、50°时的自适应噪声抵消系统对噪声的抑制能力。由图中对比可以看出, 随着入射角θ不断变小, 噪声抵消系统的性能不断变差。这是因为信号在B天线上的分量不断变大, 对A天线上的信号分量抵消能力不断加强而导致的, 当θ=50°时自适应抵消系统已经基本无法工作[7]。仿真中加入了50Hz的工频干扰, 结果表明, 当θ>60°时, 自适应抵消系统可以很好地实现对工频干扰的抵消。同时, 通过仿真可以看出, 窄带线性滤波对噪声的抑制效果也明显不如自适应噪声抵消系统。

2.2 水下系统噪声抵消仿真

为研究在实际的水下噪声环境下自适应抵消算法的性能, 本研究设计了如下的仿真试验, 输入信号为MSK调制信号, 载波90Hz, 信号的速率为1bit/s, 系统采样率1 000Hz[8]。噪声通过软件模拟真实噪声, 采用RLS算法实现自适应噪声抵消, 天线的入射角度为65°。仿真的结果如图7所示。

由图7可以看出, 尽管信号受背景噪声干扰较强, 但通过自适应噪声抵消算法处理后, 噪声能够得到明显的抑制, 处理后的信噪比明显增强[9]。但此时作为参考的天线B上的噪声与天线A上的噪声完全相同, 显然这一点与实际情况不相符, 天线B与天线A的噪声不会相同而应该是高度相关的。更改天线B的噪声, 使天线B的噪声与天线A的噪声相关系数达到0.92, 重新仿真可以得到图8所示的结果。

图8所示为入射角为65°时, 天线A与B上的噪声相关系数为0.92的情况下, 自适应抵消的效果。尽管此时天线A与B上的噪声不再相同, 但只要能够保证二者的噪声高度相关就能达到比较好的抵消效果。

3 结束语

文章对相应的自适应噪声处理技术进行仿真研究, 结果表明, 自适应噪声抵消系统在假设信道中的噪声为高斯白噪声的条件下, 可以将有用信号从很强的背景噪声中成功能够提取出来, 甚至当参考输入信号也包含部分有用信号的情况下, 系统仍然具有很好的消噪效果。但实际中的通信系统往往面对的并不是高斯白噪声, 如何将这些仿真结果与实际系统相结合, 还需要开展许多研究工作。

参考文献

[1]褚嵘.基于DSP的自适应噪声抵消器设计[D].武汉:武汉理工大学, 2005.

[2]田玉静, 左红伟.自适应噪声抵消的应用研究[J].青岛建筑工程学院学报, 2005 (1) :77-80.

[3]夏道明.基于神经网络的自适应噪声抵消的研究[D].武汉:武汉理工大学, 2002.

[4]曹斌芳.自适应噪声抵消技术的研究[D].长沙:湖南大学, 2007.

[5]雷银照.时谐电磁场解析方法[M].北京:科学出版社, 2000.

[6]王琦, 徐式蕴, 赵睿涛, 等.MATLAB基础与应用实例精粹[M].北京:人民邮电出版社, 2007.

[7]张璞, 黄瑞光.自适应噪声抵消系统的算法讨论与DSP实现研究[J].电声技术, 2003 (3) :59-62.

[8]王秀红.自适应滤波算法研究与改进[D].济南:山东大学, 2006.

自适应干扰抵消 篇3

随着通信技术的发展,通信的种类和应用领域不断扩大。通信就是通过通信介质和通信信道,将需要传输的声音、文字、数据、图像等电信号调制在无线电波上,实现数据传输。根据频率和波长的差异,通信大致可分为长波通信、中波通信、短波通信、超短波通信和微波通信。作为一种新型的技术实现过程,无线传感器网络通信是利用传感器技术,通过数据调制滤波和节点,经空间和地面传至对方的通信方式。并且,无线传感器网络通信借助无线电波具有的波动传递信息的功能,在设计上省去了敷设导线的环节,实现更加自由、更加快捷的通信,因此,无线传感器网络通信将在军事、民用等各个领域展现较好的应用价值[1,2,3]。

而今,无线传感网络通信获得了不断深入发展,无线传感器网络通信技术也正日趋广泛地应用在物联网近场通信、水声通信等重要领域,相应地无线传感网络通信信道则将受到多途干扰,导致信道失衡,为此即需要进行信道均衡模型设计[4]。传统方法中,对无线传感网络通信的信道均衡设计技术主要有基于最小均方误差的自适应均衡算法、基于直接序列扩频的信道均衡算法和基于最小二乘(RLS)准则的无线传感网络信道自适应算法[5,6,7,8,9],通过构建无线传感网络通信信道的线性和非线性均衡器,包括线性横向均衡器、线性格型均衡器等,实现无线传感网络通信的信道均衡,取得了一定的研究成果。但是,在通信信道受到大量的码间干扰和多途干扰的时候,传统的信道均衡算法执行产生的通信传输的质量并不好,信道均衡性能也不高,无线传感器网络信道随即更复杂许多,且在时间、频率、空间上又呈现明显的多变性,因而传统的信道均衡技术难以满足无线传感器网络信道均衡设计的技术指标,需要关注研究算法改进设计[10,11,12]。

针对上述问题,本文提出一种基于自适应噪声抵消的无线传感器网络通信信道优化技术,首先构建了无线传感网络通信的信道模型,对无线传感器网络信道传播过程中衰减损失和各条路径的信号进行重组,采用自适应噪声抵消算法进行信道的多途干扰滤波,结合最小二乘(RLS)准则算法进行无线传感器网络通信信道均衡设计。最后通过仿真实验进行性能测试,仿真结果表明,采用该通信信道均衡技术能有效提高无线传感器网络通信的信道质量,降低通信传输失真和误比特率,实现信道自适应均衡,提高通信的抗干扰能力,得出有效性结论。

1 无线传感网络通信的信道模型和信号重组

1.1 无线传感网络通信的信道模型

为了实现对无线传感器网络通信信道的优化设计,首先给出无线传感器网络通信系统的系统模型和信道模型,无线传感器网络通信系统的多径信道模型采用BPSK调制码元的分布设计。无线传感器网络信道是一种时变多径衰落无线信道,具有多径干扰强、传输时延大、相位偏移严重的特性,无线传感器网络信道传播过程中遇到各种非期望反射体,如物体的上下表面、水中物体、非均匀水团等,引起反射和散射,得到无线传感网络通信的信道传输的信噪比损失为:

式中,SL为无线传感器网络信道中的发射能力级(dB),NL为干扰光程谱级(dB/Hz),DI为无线传感器网络信道的空间指向性增益(dB),W为系统带宽(Hz),根据时间-空间-频率变化特性,得到无线传感器网络通信电磁波吸收系数a与频率f(KHz)之间的经验公式为:

根据上述公式,得到无线传感器网络通信信道模型中吸收系数与频率的关系如图1所示。

从图可见,无线传感器网络通信系统由发射换能器和接收换能器组成,发射换能器和接收换能器之间的传播路径主要由界面反射和直达路径组成,由此构建无线传感网络通信的信道模型如图2所示。

在上述构建的无线传感网络通信的信道模型基础上,进行通信信号分析,实现信道均衡和优化设计。

1.2 无线传感网络通信信号分析

在无线传感器网络通信系统中,当传输信号为窄带信号,采用QAM调制,对输入的比特流进行串并转换和调制,在QAM调制信道模型中,无线传感网络通信阵列单元接收到的无线传感器网络通信数据信号模型为:

结合多径信道的脉冲响应,得到时域扩展和多普勒扩展:

其中,s0(t)为无线传感器网络通信时变衰落特征信号,s1(t),s2(t),…,sp(t)是无线传感器网络通信的特征干扰,A(θ)是无线传感器网络通信的时变非平稳系数,在长距离通信中,通过反射和散射的自适应迭代,实现信号空间重组,迭代过程为:

其中

为了提高无线传感器网络通信中信道波束指向性,令输出包络特征系数为:

然后通过自适应噪声抵消,在保持高数据率的前提下,尽量降低传输的误码率,设计无线传感网络通信的作用距离与通信速率关系为:

通过给出的无线传感网络通信信号分析,结合相干通信接收机或已知或估计出发射机的载频频率进行调制解调,发射机载频和相位信息,进行信道优化设计。

2 自适应噪声抵消及无线传感器网络通信信道优化实现

2.1 问题的提出和自适应噪声抵消器设计

在已经讨论了无线传感网络通信的信道模型和信号分析的基础上,即需进行无线传感器网络通信信道优化,本文提出一种基于自适应噪声抵消的无线传感器网络通信信道优化技术,结合上述构建的无线传感网络通信的信道模型,对无线传感器网络信道传播过程中衰减损失和各条路径的信号采取重组设计,并利用自适应噪声抵消算法进行信道的多途干扰滤波,自适应噪声抵消器如图3所示。

无线传感网络通信在自适应噪声抵消器输入端的信号总输入表示为netj,接收的脉冲之间产生叠加,引起码间干扰,由此得到无线传感网络通信信号带宽为:

令yk+、yk-表示无线传感网络通信信道接收端接收的正信号和翻转负信号,由于多径波的强度、传播时间的影响,通过噪声抵消,使得接收信号很小或接近匹配值,得到调制脉冲如下:

根据上式求得的接收机输入端的信噪比,进一步求得加权系数b'v,减少衰落信道损失,要用2个或多个接收天线得到输出通信信号的噪声功率谱密度为:

2.2 无线传感网络信道优化实现

在自适应噪声抵消器设计进程发生后,需采用最大比合并方法改善接收信噪比能力,在通信误码率为es范围内,得到无线传感器网络通信信道的负载开销W(es)为:

可以用无向图G(V,E)来表示无线传感器网络通信信道的信道竞争,其中无线传感器网络通信信道判决反馈均衡后的输出信号为:

式中,W(es)代表、线性均衡的链路集,并依据判决反馈滤波器部署节点位置,实现信道能量均衡,此时输出的前馈支路信号为:

由此构建无线传感网络通信的信道的解析模型:

在信道的解析模型中分解为多个窄带信号,得到无线传感网络的输出信号特征为:

其中,θ(t)表示高频分量,a(t)和θ(t)为空间分集干扰幅值和相位。通过上述处理,结合最小二乘(RLS)准则算法进行无线传感器网络通信信道均衡设计,得到无线传感器网络通信信道均衡判决模型如图4所示,根据图4中展示的模型框图,进行算法优化设计,实现无线传感器网络通信信道均衡。

3 仿真实验与性能分析

为了测试本文设计的基于自适应噪声抵消的无线传感网络信道均衡算法的应用性能,进行仿真实验。仿真条件为:信号采用BPSK信号,码元速率为1 kB aud,载波频率为3 kH z,采样频率是信号载波频率的10倍,信噪比为0 dB。判决反馈均衡器中前馈滤波器阶数为24,反馈均衡器的阶数为3,迭代步长均为0.01。根据上述仿真环境和参数设定,进行无线传感器网络通信信道均衡仿真分析,首先给出经过多径信道和噪声污染后的无线传感器网络通信系统输入端的信号波形如图5所示。

图5可见,原始的通信信号波形受到多径信道和噪声污染,通信质量不好,采用自适应噪声抵消算法进行信道的多途干扰滤波,结合最小二乘(RLS)准则算法进行无线传感器网络通信信道均衡,为了对比性能,采用均衡输出信号和标准信号而展开结果比较,得到自适应噪声抵消和信道均衡处理后均衡无线传感网络输出信号和标准信号如图6所示。

从图可见,经过自适应噪声抵消和信道均衡处理后输出信号具有较好的信号跟踪和降噪性能,提高了输出信噪比,对于解调信号用自适应噪声抵消算法进行信道均衡处理后,分别在码元1/3和2/3处进行抽样,前馈滤波器阶数为24,得到学习曲线如图7所示。

从图可见,采用本文算法进行无线传感网络通信信道均衡设计,具有较好的学习性能,收敛性较好。为了定量对比算法对无线传感网络通信传输的改善能力,以均衡器处理后的误比特性能为测试指标,如图8所示,从图可见,采用本文方法进行通信的误码元为5码元,误码率为0.92%,与传统方法相比,呈现出大幅降低态势,展示了算法的实效优越性。

4 结束语

本文研究了无线传感器网络信道优化问题,无线传感器网络通信技术广泛应用在物联网近场通信、水声通信等领域,无线传感网络通信信道受到多途干扰,导致信道失衡,需要进行信道均衡模型设计。本文提出一种基于自适应噪声抵消的无线传感器网络通信信道优化技术,首先构建了无线传感网络通信的信道模型,对无线传感器网络信道传播过程中衰减损失和各条路径的信号进行重组,采用自适应噪声抵消算法进行信道的多途干扰滤波,结合最小二乘准则算法研发推进了无线传感器网络通信信道均衡设计。研究表明,采用该通信信道均衡技术能有效提高无线传感器网络通信的信道质量,降低通信传输失真和误比特率,实现信道自适应均衡,提高通信的抗干扰能力,展示了较高的应用价值。

摘要：无线传感器网络通信技术广泛应用在物联网近场通信、水声通信等领域。无线传感网络通信信道受到多途干扰,导致信道失衡,需要进行信道均衡模型设计。提出一种基于自适应噪声抵消的无线传感器网络通信信道优化技术,首先构建了无线传感器网络通信的信道模型,对无线传感器网络信道传播过程中衰减损失和各条路径的信号进行重组,采用自适应噪声抵消算法进行信道的多途干扰滤波,结合最小二乘(RLS)准则算法进行无线传感器网络通信信道均衡设计。仿真结果表明,采用该通信信道均衡技术能有效提高无线传感器网络通信的信道质量,降低通信传输失真和误比特率,实现信道自适应均衡,提高通信的抗干扰能力。

关键词：自适应噪声抵消,无线传感网络,通信信道,均衡

参考文献

[1]周勇,甘新年,胡光波,等.鱼雷制导控制系统多通道控制加权算法设计[J].现代电子技术,2014,37(19):14-17.

[2]赵威.强海水混响背景下水中兵器攻击目标检测研究[J].智能计算机与应用,2016,6(2):51-54.

[3]邸珩烨.基于多径码间干扰滤波的短波通信优化[J].物联网技术,2015,5(10):47-48,52.

[4]孔英秀,柯熙政,杨媛.空间相干光通信中本振光功率对信噪比的影响[J].红外与激光工程,2016,45(2):0222002(6).

[5]刘韵,赵尚弘,杨生胜,等.基于光探测器空间辐射效应的卫星光通信系统误码率特性[J].光子学报,2014,43(S1):0106024(5).

[6]谭营军,王俊平.基于MEACO的无线传感器网络路由光通信算法研究[J].激光杂志,2016,37(2):131-133.

[7]程德芳,徐小华,于娜.相干光通信链路外差接收技术研究[J].激光杂志,2016,37(2):125-127.

[8]El-MEZOUAR M C,KPALMA K,TALEB N,et al.A pansharpening based on the non-subsampled contourlet transform:Application to worldview-2 imagery[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2014,7(5):1806-1815.

[9]YANG Shuyuan,WANG Min,JIAO Licheng.Fusion of multispectral and panchromatic images based on support value transform and adaptive principal component analysis[J].Information Fusion,2012,13(3):177-184.

[10]ST-CHARLES P,BILODEAU G,BERGEVIN R.Su BSENSE:A universal change detection method with local adaptive sensitivity[J].IEEE Transactions on Image Processing,2015,24(1):359-373.

[11]MOGHADAM A A,KUMAR M,RADHA H.Common and innovative visuals:a sparsity modeling framework for video[J].IEEE Transactions on Image Processing,2014,23(9):4055-4069.

自适应干扰抵消 篇4

自适应滤波器就是利用前一时刻已获得的滤波器参数的结果,自动地调节当前时刻的滤波器参数,以适应信号和噪声未知或随时间变化的统计特性,从而实现最优滤波。由于具有这种特性,自适应滤波器在实际工程的众多领域中得到了广泛的应用。

自适应滤波器的原理框图如图1所示:其中x(k)表示k时刻的输入信号,y(k)为自适应滤波器的输出信号,d(k)为期望信号,误差信号e(k)为期望信号与输出信号之差。自适应滤波器的滤波参数受误差信号e(k)的控制,为了确定滤波器参数的适当更新方式,利用误差信号构造一个自适应算法所需的性能函数(或目标函数)。性能函数的最小化意味着在某种意义上,自适应滤波器的输出信号与期望信号实现了匹配。

自适应滤波器主要有两种结构,即有限长冲激响应(FIR,Finite-duration Impulse Response)滤波器和无限长冲激响应(I-IR,Infinite-duration Impulse Response)滤波器。FIR滤波器通常利用非递归结构来实现,而IIR滤波器则利用递归结构来实现[1]。

2 设计基本思想

当信号源中混有多种干扰噪声时,可以通过自适应滤波器的组合来抵消。

组合设计是指把各种类型的自适应滤波器组合起来形成滤波器组,来完成某些实际需要的功能[2,3]。假设滤波器组是由N个独立自适应滤波器F1,F2,…FN组成,每个滤波器可以根据实际需要使用不同算法,设置不同参数,也可以使用相同算法,设置不同参数。组合设计的原理框图如图2所示。

由自适应滤波器组合设计的原理框图,可以得到自适应滤波器组合设计的基本思想:如果信号源中含有几种不同类型或不同强度的加性噪声时,滤波器组可以根据噪声的类型和强度分别给每个滤波器设置不同的滤波参数,使得每一个滤波器适用于信号源中的某一种噪声,之后把这些滤波器按照某种方式组合起来,只要选取适当的组合系数,滤波器组合能够得到良好的滤波效果;如果信号源中只含有单一种类的噪声,采用组合滤波,组合滤波器可以对信号局部使用不同的加权系数进行自适应滤波,在抵消噪声的同时可以保留信号中的细节。因此滤波器组合可以得到比单个滤波器更好的滤波效果。

3 线性组合

图2所示的组合结构中,xi(n)表示自适应滤波器的输入量;yi(n)表示第i个自适应滤波器在n时刻的输出;wi(n)表示第i个自适应滤波器的加权矢量;ei(n)表示第i个自适应滤波器的输出误差信号;di(n)表示第i个自适应滤波器的期望信号,i=1,2,…,N。

由图2可以得到滤波器组整体的误差信号:

线性组合时,对滤波器组合的要求是:(1)各自适应滤

波器的长度相同;(2)组合系数是满足

的常数,并且必须满足:

4 多噪声抵消原理

下面在线性组合条件下,以N=2(N为自适应滤波器的个数)为例,证明自适应滤波器组合在LMS(最小均方)算法下,达到最优滤波。

假设期望信号,滤波器i的输入信号为

,并且均为零均值平稳随机过程,则

在n时刻滤波器i输出信号为:,误差信号为,那么系统输出即为各滤波器的组合而得到的,即:

并且式(3)中,,由此得到产生的均方误差为:

当N=2时:

若信号源中含有互不相关的两种噪声,即v(n)=v1(n)+v2(n),设计两个自适应滤波器分别适用于这两种噪音的抵消,滤波器的输入信号V1(n)和V2(n)是分别与v1(n)和v2(n)来自同一噪声源的相关噪声信号,它们之间的相关程度越高,得到的滤波效果越好。在自适应滤波器1中加入v2(n)的相关噪声,在自适应滤波器2中加入v1(n)的相关噪声,使得e1(n)和e2(n)满足下式:

系统的误差信号为:,则均方误差为:

将式(6)和式(7)带入到式(8)中,因为v1(n)和V1(N)来自同一噪声源,高度相关;v2(n)和V2(N)来自同一噪声源,高度相关;而且v1(n),V1(N),v2(n),V2(N)都与期望信号s(n)无关,所以当时,容易证明:

此时,误差信号e(n)即为组合自适应滤波器进行噪声抵消之后得到的增强信号。

5 多噪声抵消仿真实验

为了验证所设计自适应滤波器组合的有效性,把设计的组合滤波器应用于语音信号的多噪声抵消,以LMS算法为例设计自适应滤波器,基于Matlab编程语言进行仿真,分析仿真结果。

在Matlab中利用wavread函数导入一段纯净语音信号,并在语音信号中加入两种不同强度,不同频率的高频余弦噪声

,利用自适应滤波器组合进行去噪处理,利用sound

函数将数据通过声卡转化为声音(wavread函数,sound函数的具体使用方法见参考文献[4]和[5])。具体参数设置如下:语音信号的采样频率

分别为噪声强度,

来自同一噪声源的相关信号,设和是与等,频率相同的时延信号,即:

,作为自适应滤波器的输入。

在Matlab环境下,设;,

;;可以得到语音信号和加

噪后语音信号波形图,以及做1024点傅立叶变换得到的频谱图,如图3和图4所示。

由图3和4可以看出原始语音信号的频谱主要在低频部分,在语音信号中混入高频余弦噪声时,语音信号受到严重污染。设自适应滤波器的长度为m=160(在这里要求两个滤波器的长度必须一样);步长分别为:

迭代矢量的初始值为,,当时,利用自适应滤波器组合对加噪语音信号进行滤波之后得到的语音信号波形及其频谱如图5所示。

对比滤波前后的语音信号及其频谱,从图4与5可以看出,经过滤波之后语音信号中的两种干扰噪声得到了非常有效的抑制,在Matlab中用sound函数播放声音之后,可以听到非常清晰的语音信号。因此,以上仿真结果表明,所设计的自适应滤波器的组合使用能够有效地抵消语音信号中的多种干扰,增强语音信号的质量。

6 结语

提出了自适应滤波器组合结构的设计思想,介绍滤波器组合设计的基本原理,并利用Matlab仿真软件进行了多噪声抵消的仿真实验,结果表明,当信号源中包含多种干扰噪声时,滤波器组合可以有效抵消干扰信号。

摘要：针对一个自适应滤波器不能解决多噪声信号的问题,提出了自适应滤波器的组合设计思想。在线性组合条件及LMS算法下,分析多噪声抵消原理,并进行多噪声语音信号的Matlab仿真实验,可以得到清晰的语音信号。结果表明,自适应滤波器的组合设计可以有效抵消多种干扰信号。

关键词：自适应滤波器,组合设计,多噪声

参考文献

[1]Paulo S.R.Diniz.自适应滤波算法与实现.刘郁林,等,译.北京:电子工业出版社,2004:2-39.

[2]J.Arenas-Garcia,V.Gomez-Verdejo,A.R.Figueiras-Vidal.New Algorithms for Improved Adaptive Convex Combination ofLMS Transversal Filters.IEEE Transactions on Instrumentationand Measurement.2005,54(6):2239-2249.

[3]Y.G.Zhang,J.A.Chambers.Convex Combination of AdaptiveFilters for Variable Tap-length LMS Algorithm.IEEE SignalProcessing Letters.2006,13(10):628-631.

[4]董长虹.Matlab信号处理与应用.北京:国防工业出版社,2005:62-144.

自适应阵列智能天线抗干扰性能研究 篇5

1 自适应阵列智能天线抗干扰原理分析

智能天线主要分为多波束切换型智能天线和自适应阵列智能天线两种[2]。自适应阵列智能天线能够提供更好的性能,但算法复杂,收敛速度慢,系统成本高。自适应阵列智能天线抗干扰的实质是空间滤波技术,智能天线波束具有方向性,可对不同入射角的无线电波区别处理,并可通过调整天线阵的自适应控制器的激励“权值”,使信号的输出满足用户要求,通过实时地对用户到达方向进行估计,并在此方向上形成主波束,一个M元自适应阵列智能天线阵可以提供M倍的天线增益,同时使旁瓣或零陷对准干扰信号方向。其中自适应算法是波束形成的核心。选择什么样的算法进行调整波束方向图的自适应控制很重要,因为自适应控制的算法决定着算法的收敛速度和电路实现的复杂度。自适应算法种类繁多,比较常用的算法有基于时间参考的LMS算法、RLS算法,基于盲处理方式的CMA算法;基于波达方向估计的MUSIC算法。其中基于时间参考的LMS算法,算法简单,运算量小,易于硬件实现和实际应用[3]。本文着重对基于复数LMS算法的自适应阵列智能天线的抗干扰性能进行分析。

2 自适应阵列智能天线的复数LMS算法分析

自适应阵列智能天线如图1所示,主要包括:阵列天线、方向图形成网络和自适应处理器(包括自适应信号处理和控制算法)。其中,方向图形成网络与自适应处理器一起被称为自适应波束形成网络。

2.1 复数LMS算法的推导

WIDROW B和HOFF M E在1960年提出了最小均方误差算法[4],即LMS算法。该算法利用梯度法的思想,用X(n)d*(n)和X(n)XH(n)作为梯度法中互相关矢量rdx和自相关矢量Rxx的瞬时估计,并取单个误差样本的平方e2(n)的梯度作为均方误差梯度的估计。则基于复数LMS算法自适应滤波器的输出信号y(n)为:

y(n)相对期望输出d(n)的误差为:

梯度矢量估计为:

得到式(4)所示的新的权矢量递推式,递推过程如图2所示。

式(4)描述的算法是自适应LMS算法的复数形式。在每一次迭代或时间更新中,这个算法都需要X(n)、W(n)和d(n)最近值的知识。上式对互相关矢量rdx和自相关矢量Rxx进行瞬时估计来完成算法的推导,可能导致LMS算法并不是很好,但是LMS算法在性质上是迭代的,而且在自适应过程中算法自身能够对这些估计进行平均,从而保证了LMS算法性能的可靠性。

2.2 自适应阵列智能天线信号模型

如图1所示的由M个天线阵元组成的均匀线阵[5,6],第m个天线接收的信号为:xm(t)=sm(t)+um(t)+vm(t),m=1,2,…,M。式中:sm(t)为期望信号,um(t)为噪声信号,vm(t)为干扰信号。

假定所有信号均为窄带信号,则对于均匀线阵而言,阵列的导引矢量为[2]:

a(θ,γ)=[1 exp(-j△准)…exp[-j(M-1)△准]T

其中θ为信号入射的俯仰角,γ为信号入射的方位角。经过数字下变频后接收信号矢量为:X(n)=S(n)+U(n)+V(n),其中:S(n)、U(n)、V(n)分别为期望信号、噪声信号和干扰信号矢量。如式(5):

采用复权值对每一个阵元的接收信号进行复相乘最后对各路相乘结果求和,即自适应处理后的阵列天线的期望输出信号,噪声和干扰分量分别为:

其中,W(n)=[w1(n)w2(n)…wM(n)]为自适应阵列中可调整的复权值矢量。其中θ0、θq为相应信号入射的俯仰角,γ0、γq为相应信号入射的方位角。

算法中的参考信号的选取一般为期望信号的副本,即提供的参考信号应尽量近似期望信号或等于期望信号。参考信号的提取是自适应天线阵算法的关键一环,直接影响到算法的收敛和抗干扰性能,很多学者对提取方法进行了深入的研究,在这里不做讨论。

3 自适应阵列智能天线的抗干扰性能仿真与分析

3.1 天线增益仿真与分析

自适应阵列智能天线在实际的处理方法中将信号的传播特性看成是一个平面波的传播[7],即信号的入射俯仰角为90°。假设阵列天线为4阵元等间距阵,间距为λ/2。输入信噪比SNR=0 dB,输入信干比SIR为-10 dB,分别作出当期望信号波达方向为(θ,γ)=(π/2,π/6),干扰信号波达方向分别为(θ,γ)=(π/2,π/2)和(θ,γ)=(π/2,π/4时这两种情况下的仿真。仿真结果如图3所示。

图3中,(a)为干扰信号波达方向(θ,γ)=(π/2,π/2)的仿真结果,(b)为干扰信号波达方向(θ,γ)=(π/2,π/4)的仿真结果。由仿真图可知,在输入信噪比和输入信干比都相同的条件下,当期望信号方向和干扰信号方向相隔较远时,如图3(a)所示,在期望信号方向γ=π/6处,天线增益达到最大,在干扰信号方向γ=π/2处形成的零陷深度较深,而且旁瓣也较小;而当期望信号方向和干扰信号方向比较接近时,如图3(b)所示,方向图主波束在期望信号方向γ=π/6有些偏移,在干扰信号方向γ=π/4形成的零陷深度较浅,而且出现较大的旁瓣;因此自适应天线阵对抗与期望信号同方向或较近方向的干扰信号的能力较差,对抗与期望信号方向相差较远的干扰信号的能力较强[8]。

3.2 误码率仿真和分析

误码率是衡量通信系统优劣的重要指标,这里对基于复数LMS算法的自适应阵列智能天线误码率进行仿真和对比分析[9],假设期望信号波达方向为(θ,γ)=(π/2π/6),输入信噪比的范围为:-10 dB～10 dB,分别计算当阵元数M为4和8时,使用该智能天线和不使用智能天线时统计数据的误码率如图4、图5所示。

由图4、图5可以看出,使用自适应阵列智能天线技术后,在相同信噪比下,接收端的误比特率大大低于未使用智能天线时的误比特率,通信质量明显改善,而且将8阵元的智能天线与4阵元的智能天线相比,接收机的误比特率大大降低,这是由于阵列维数M提高,则分辨率提高,较高的阵列分辨率能提高最大输出SNR,同时分辨率越高,阵列天线方向图的零值点波束越陡峭,由此可见,当存在干扰信号或者在较低信噪比下工作时,使用智能天线技术能够有效降低通信系统误码率,保证了信号传输的有效性。

综上研究了基于复数LMS算法的自适应阵列智能天线,首先对算法进行了详细推导,重点分析了该智能天线的抗干扰性能,经过仿真分析证明该智能天线具有较强的抗干扰能力,尤其是对抗与期望信号来波方向相差较远的干扰信号有很好的效果,当期望信号与干扰方向的来波角差别比较小时,通过提高阵列维数来提高阵列的分辨率,从而提高天线阵对期望信号的增益,有效降低接收机的误码率。

摘要：分析了自适应阵列智能天线的基本原理,给出了基于复数LMS算法的自适应阵列智能天线波束形成方法,同时对该智能天线抗干扰性能进行了Matlab仿真,理论分析和仿真结果表明:自适应阵列智能天线阵能够实时地调整天线方向,使天线的主波束对准期望信号方向,零陷对准干扰方向从而抑制干扰信号,在干扰和低信噪比环境下,接收端使用智能天线可以大大降低误码率,该智能天线具有较强的抗干扰性能。

关键词：自适应阵列,智能天线,复数LMS算法,抗干扰

参考文献

[1]郭莉.Ad-Hoc网络移动终端上的智能天线技术[D].北京:北京邮电大学博士论文,2007.

[2]CHRYSSOMALLIS M.SMART A.IEEE Atennas and prop-agation magazine.2000:42:129-136.

[3]SHUBAIR R M.Robust adaptive beam forming using LMSalgorithm with SMI initialization[C].In,2005 IEEE Anten-nas and Propagation Society International symposium,2005:4A:2-5.

[4]HAYKIN S.Adaptive filter theory[M].4th Edition.北京:电子工业出版社,2002.

[5]项建弘,郭黎利,陈立明.GPS空时自适应抗干扰系统性能研究[J].系统工程与电子技术,2009,31(5):1022-1025.

[6]COMPTON R T,Jr.Adaptive antennas concepts and per-formance[M].Prentice Hall Inc,Englewood Cliffs,NewJersey,1988.

[7]CHAN S C,ZHOU Y.Improved generalized-proportionatestep size LMS algorithms and performance analysis[C].ISCA S,2006:2325-2328.

[8]孙晓昶,皇甫堪,陈强.GPS接收机抗干扰空时自适应滤波方法[J].通信学报,2004,25(8):98-105.

自适应干扰抵消 篇6

在现代军事对抗领域中,为避免被敌方侦察,通常采用DSSS(直接序列扩频)方式进行工作。DSSS是一种将信号频谱进行扩展,从而减小信号功率谱密度,将信号隐藏在噪声中进行传播的工作方式。由于直扩信号的这种特殊功率隐藏特性,使得扩频通信作为一种重要的保密、抗干扰、抗侦收通信方式而被广泛地应用于各种军事通信装备中。

扩频技术因其本身固有的干扰抑制特性得到了迅速发展, DSSS信号的抗干扰能力由其扩频处理增益决定,但处理增益是通过增加带宽实现的。当处理增益不足以对抗强干扰时,特别是强窄带干扰时,问题就变得尤为突出,系统不能无限制地增加扩频码长及带宽,此时,自适应干扰抑制就是解决DSSS信号受强窄带干扰问题的有效方案。

FFT(快速傅里叶变换)在数字信号处理算法的设计和实现中有着很重要的作用。在DSSS扩频通信中,信号占据了很宽的频带,但是信号强度较弱。一般情况下,扩频通信过程中通常存在窄带干扰信号,且窄带干扰很强,传统的频域滤波是首先通过FFT计算出输入信号的频谱,对频域信号进行处理,抑制信号中的窄带干扰,最后进行IFFT(快速傅里叶反变换)。这种方式对在处理受干扰信号时对频率分辨率的要求较高,即要求增加时间序列的长度,从而准确地估计出干扰频率。

本文介绍的干扰抑制方法基于FFT和IFFT,在频域采用N-∑算法自适应确定干扰抑制门限,可有效抑制强窄带干扰信号对DSSS通信系统的影响。

1 基于DFT的窄带干扰抑制

频域干扰抑制处理的一个简化模型如图1所示。

通过FFT先将输入信号变换到频域,然后用一个干扰抑制模块对频谱进行处理以消除窄带干扰,最后通过IFFT将处理过的频域变换到时域。输出信号是由输入信号减去窄带干扰得到的,这一过程应对有用信号的损失很小。

输入信号x(n)=s(n)+e(n),n=0,1,2,…,N-1,由有用信号成分s(n)和窄带干扰信号e(n)两部分组成。对x(n)进行DFT(离散傅里叶变换),其序列长度为N,如下式:

undefined

通过DFT可以准确分辨出N个不同的频率:

undefined

上述处理信号的频谱可能会产生频谱泄漏现象,因此估计出的频谱不是准确的,比如干扰频率会处在DFT的两个离散频点的中间,即fi=(fk+fk+1)/2处。为了减小频谱泄漏的影响,DFT通常采用加窗处理,如图2所示。

图2中,干扰抑制算法的实现是关键,目前针对基于DFT的干扰抑制算法的研究很多,已经提出的比较

成熟的方法有:门限抑制算法、基于相位的频率选择性限制器以及频域自适应滤波法等。

门限抑制算法是现在比较常用的基于DFT的干扰抑制方法,它要求预先设置一个门限值。在设定了门限值之后,又有几种方法可以选择,最常用的一种方法被称为TZ(Threshold Zeroize)算法。TZ算法将经过FFT后的每个频点的幅度值与门限相比,超过该门限的频率点都被置为0,通过这一处理,干扰能量便从接收到的信号频谱中完全去掉了,因此TZ算法在去掉干扰的同时也将干扰点的信号分量完全去掉了。另一种门限算法是将任何幅度超过门限的频率点的幅值置为门限水平值,这种方法虽然保留了信号分量,但也不能完全抑制掉干扰能量。还有一种方法是设置超过门限值的频率点的幅度值到背景噪声水平,有效地白化干扰频谱,这种“门限白化”的方法有助于提供系统的性能,因为超过门限的干扰仅仅被减少到背景噪声的水平,在有效抑制窄带强干扰的同时也保留了绝大部分的信号能量,但其缺点是必须先估计出背景噪声的水平,这样增加了计算的难度。

门限抑制算法的关键是要找到一个合适的门限,N-∑算法是一种简单高效的计算门限的方法。

2 N-∑门限抑制算法

干扰抑制的目标是从宽带信号中去掉窄带干扰,窄带干扰的幅度一般高于FFT的噪声水平,可以利用N-∑算法来计算用于判定干扰的干扰抑制门限。

N-∑算法是一种自适应算法,通过从每一个FFT数据块中去掉一定数量的频率点来达到对窄带干扰进行抑制的目的,被去掉的频谱比例由干扰的数量和幅度决定。该算法自适应的本质是在不影响其他频率成分的前提下消除窄带干扰,其充分利用了扩频信号频谱的分布特性。DSSS信号在没有窄带干扰的情况下频谱特性近似服从高斯分布,当加入了窄带干扰后,信号的频谱分布发生变换,但未受窄带干扰影响的部分仍然服从高斯分布。窄带干扰对DSSS信号频谱分布的影响效果图如图3所示。

图3(a)中表示的是在没有窄带干扰情况下FFT输出的幅度统计特性,图3(b)中表示的是在含有窄带干扰情况下的幅度统计特性,图中横坐标表示FFT输出幅度值的对数10lg |X(k)|。在没有干扰的情况下,可以求得每一块FFT数据的统计特性。假设幅度的均值为μ,方差为σ,设α(k)=10lg |X(k)|,则

undefined

根据σ2可以计算得到标准差undefined。

从图3可看出,绝大多数的信号分布在2σ范围内(见图3(a)),当有强干扰信号后,信号幅度的均值相对于原高斯分布的中心发生了偏移,由μ变到μ′,标准差也由σ变到σ′。同时由于窄带干扰相对于原信号而言有更大的能量,因此,σ′>σ。加入窄带干扰后统计分布的变化要求在用N-∑算法选择门限时,门限值应该更接近μ′。N-∑算法的示意框图见图4,可以看出N-∑算法对FFT数据所进行的处理过程。

以N=512点的FFT为例,对于每一个FFT数据块,有512个复数数据,N-∑算法首先对每一块512个复数求绝对值,并计算出其dB值,然后按照式(3)和式(4)式计算得到该FFT数据块所有数据的均值和标准差,然后得到干扰抑制门限Tth如下:

undefined

式中:M为权重系数,是将求得的σ与4个预定的水平值σ0～σ3相比较得到的,即根据比较结果从5个值M0～M4中选定一个值作为干扰抑制门限的一个M。

σ0～σ3和M0～M4都是由用户根据所处理信号的具体的统计特性确定。如果σ比较大就表明信号中存在窄带干扰,σ越大时选择的权重系数M就越小,以保持门限值刚好超过噪声的水平。计算出干扰抑制门限后,将每一个频率点的幅度值10lg |X(k)|与门限比较,如果幅度值大于门限值,则对应频率点就含有干扰,此时可将干扰点的频谱幅度值置为均值μ或采用TZ方法,将其置为0。

上述对FFT数据块中求对数10lg |X(k)|的目的是为了减小在信号中有窄带干扰和热噪声时进行频谱统计失真,同时降低硬件在对所有|X(k)|值进行系统运算时对数字精度的要求。为了简化N-∑算法的硬件实现,在计算对数及其统计特性参数时使用近似运算。

对于复数r=a+jb,在求其幅度时有如下的近似运算过程:

undefined

此近似计算平均有0.6%的误差,在(π/4,3π/4,5π/4,7π/4)的误差最大,可以达到11.6%。另一个是在求对数时,对数运算可以作如下变换:

undefined

这种对对数的近似运算结果平均有0.5%的误差,最大误差为2.9%。

3 仿真试验

为了验证该频域自适应窄带干扰抑制算法的有效性,进行了仿真试验,仿真原理框图如图5所示。

本仿真实验选取的信息数据为均匀分布的随机信号,速率为32 kbit/s,扩频码采用m序列码,码长为127,码速率为4 Mbit/s。数据调制方式采用BPSK调制,扩频信号的载波频率为70 MHz,窄带干扰为单频连续波干扰,频率在直接扩频信号主瓣带宽范围内,干扰强度为18 dB。

为了更清楚地观察干扰抑制前后宽带信号的频谱,在时间仿真的操作过程中没有加入AWGN(加性高斯白噪声),仿真结果如图6和图7所示。

4 结束语

本文介绍了一种频域自适应窄带干扰抑制的方法,该方法基于DFT技术,适合于DSSS中去除强窄带干扰信号的影响。该算法简单高效,非常适合于数字硬件实现。实验和实测结果表明:当窄带干扰强度在15 dB左右时,利用该抑制算法仍然可以有效地去除窄带干扰对宽带通信系统解调性能的影响。

参考文献

[1]CAPOZZA P T.A single-chip narrow band frequency domainexcisor for a global positioning system(GPS)receiver[J].IEEE Journal of Solid-State Circuits,2000,35(3):401-411.

[2]YOUNG J A,LEHNERTJ S.Analysis of DFT-based frequen-cy excision algorithms for direct-sequence spread-spectrumcommunications[J].IEEE Transactions on Communications,1998,46(8):1076-1087.

[3]缪洪华.基于DSP的DSSS信号中窄带干扰的抑制算法及实现[D].重庆:重庆大学,2003.