異步非平穩(wěn)干擾抑制方法*

鄧 文,黃知濤,2,王 翔,戴定川,陳梁棟

(1. 國防科技大學 電子科學學院, 湖南 長沙 410073; 2. 國防科技大學 電子對抗學院, 安徽 合肥 230037; 3. 中國人民解放軍95438部隊, 四川 眉山 620860)

干擾是合作/非合作通信系統(tǒng)中亟須解決的問題,減輕和抑制干擾對合作/非合作通信系統(tǒng)提升效能具有重要意義[1-2]。在多用戶無線通信系統(tǒng)中,發(fā)射機通常使用同一媒介將消息發(fā)送給相應的接收者,故而每個用戶的期望信號之間難以避免相互影響,這導致接收機最終收到的是一種時頻混疊觀測。接收信號包含期望信號和干擾兩種成分,這里的干擾是指除期望信號之外的其他信號成分?，F(xiàn)有的干擾抑制工作中,通常假設期望信號和干擾同時到達每個接收者。但實際中各發(fā)送節(jié)點一般獨立工作,同時其工作時長、所發(fā)送信號類型以及到達各接收節(jié)點的傳輸時延均可能不同。故在某一接收節(jié)點的混疊觀測中,不同信號的存在時間區(qū)間一般將存在差異(信號在某一時間區(qū)間內(nèi)存在是指其在該區(qū)間內(nèi)具有非零功率)。在本文中,異步非平穩(wěn)性是指當前干擾信號的數(shù)量、種類以及到達接收節(jié)點時間動態(tài)變化。此外,對干擾抑制技術的研究還應考慮實際系統(tǒng)接收條件,受限于體積、成本等多方面因素,搭載于衛(wèi)星、飛機等平臺的通信系統(tǒng)接收模塊大多是單通道。因此,在單通道觀測條件下對干擾抑制技術的研究將更具有實際意義。

現(xiàn)有單通道觀測條件下干擾抑制的方法主要包括基于廣義譜維納濾波的算法與基于信號子空間投影的算法。前者包括文獻[3]中提出的線性共軛線性-頻移(linear-conjugate-linear frequency shift, LCL-FRESH)濾波器,其通過對混疊觀測的不同頻移分量的濾波結(jié)果進行加權(quán)求和,以在增強目標信號的頻移分量成分的同時減弱干擾信號的頻移分量成分。但LCL-FRESH濾波器要求已知目標信號循環(huán)頻率甚至信號波形,這在相當程度上限制了其實用性。為降低FRESH濾波器對訓練信號的要求,文獻[4]中提出了一種盲自適應FRESH(blind adaptive FRESH, BA-FRESH)濾波器,其直接以混疊觀測的某一頻移分量取代目標信號本身作為訓練信號,因而相較FRESH濾波器而言,實用性顯著提升。然而,BA-FRESH濾波器仍要求對目標信號循環(huán)頻率族的精確先驗知識,其性能在循環(huán)頻率存在誤差時將顯著下降,同時其在分離性能上較標準的FRESH濾波器存在一定的差距。

除上述基于廣義譜維納濾波的方法外,另一類重要的單信號波形分離技術思路為信號子空間投影。其基本原理為首先構(gòu)建子空間基底集,使得目標信號與干擾信號在該基底集張成的子空間內(nèi)盡可能正交,最終通過將混疊觀測投影至該信號子空間實現(xiàn)單信號波形分離。針對抗同信道干擾問題,文獻[5]提出基于目標信號符號速率信息確定合適的小波基底,隨后將混疊觀測投影至該小波基底,并基于干擾信號脈沖成型函數(shù)先驗信息獲取干擾信號估計,最終通過將干擾信號估計結(jié)果從混疊觀測中抵消,實現(xiàn)目標信號波形分離。該方法要求目標信號為基帶信號,且目標信號與干擾信號符號速率差異極小,對一般的時頻混疊數(shù)字通信信號適用性不強。文獻[6-7]假設混疊觀測中,存在目標信號單信號區(qū)域(single signal region, SSR),以SSR檢測結(jié)果為模板構(gòu)建目標信號子空間基底,以此減少對目標信號的先驗要求。然而,若不存在SSR區(qū)域,其性能將顯著下降,甚至失效。

此外,與上述基于對目標信號、信道等預先建立的數(shù)學模型的算法不同,文獻[8]提出了一種直接基于多層深度卷積神經(jīng)網(wǎng)絡(convolutional neural network, CNN)的信號解調(diào)器。該方法將單通道混疊觀測直接輸入解調(diào)器,以網(wǎng)絡分類層輸出作為信號符號序列估計結(jié)果,但其易受干擾信號的功率影響,且不能恢復所需信號的波形。因此,在頻譜監(jiān)控、特定信號檢測等應用中實用性并不強。

為更好地完成強干擾條件下的信號恢復任務,避免現(xiàn)有干擾抑制算法中存在的不足,本文提出了一種基于數(shù)據(jù)驅(qū)動的稀疏分量分析(sparse component analysis, SCA)干擾抑制方法。基于CNN對數(shù)據(jù)間強大的建模能力,設計了一個“稀疏域編碼-稀疏域表示估計-稀疏域解碼”的干擾抑制框架,通過稀疏域編碼對時域混疊觀測進行稀疏變換。在稀疏域中完成目標信號表示的估計及分離恢復,通過稀疏域解碼將稀疏域中的目標信號轉(zhuǎn)換至時域,從而完成目標信號的恢復。與現(xiàn)有基于模型的信號恢復算法不同,本文所提方法基于CNN自適應建立信號恢復模型,突破了對混疊觀測先驗的限制,實用性更強。

1 異步非平穩(wěn)干擾信道模型

在多用戶通信系統(tǒng)中,由于無線信道的廣播特性,接收機除了接收到期望發(fā)射機的信息,也會接收到其他發(fā)射機的干擾信息,這類通信信道可建模為多用戶干擾信道[7,9-10]。這里,考慮包含N對“發(fā)送-接收”多用戶干擾信道(即其中包含N條主通信鏈路及N(N-1)條干擾鏈路),其結(jié)構(gòu)示意如圖1所示(實線表示“主通信鏈路”,指的是某一發(fā)射機與其期望的接收機通信形成的鏈路;虛線表示“干擾鏈路”,指的是某一接收節(jié)點接收與非期望發(fā)射機通信形成的鏈路)。

圖1中的每個通信節(jié)點均使用單個天線,則在接收節(jié)點i(i=1,2,…,N)處的混疊觀測可表示為:

vi(n),n∈[1,T]

(1)

式中,aji表示發(fā)送節(jié)點j(j=1,2,…,N)與接收節(jié)點i(i=1,2,…,N)間的信道增益,sj(n-mj)表示傳輸時延為mj個采樣間隔的第j個發(fā)送節(jié)點所傳輸?shù)男盘?vi(n)表示接收節(jié)點i處的加性高斯白噪聲(additive white Gaussian noise, AWGN),T為總采樣點數(shù)。此處考慮各信號傳輸時延的差異,這主要是由于實際中各目標信號到達接收天線的路徑一般不同。具體而言,本文所考慮的數(shù)字通信信號si(n)(i=1,2,…,N)可表示為:

(2)

Xi=AiSi+Vi

(3)

式中:Xi∈T×1表示接收節(jié)點i處的混疊觀測;Ai=[a1i,a2i,…,aji,…,aNi]∈1×N表示混疊矩陣,其中每列表示發(fā)送節(jié)點j與接收節(jié)點i間的信道系數(shù);Si=[s1i,s2i,…,sji,…,sNi]T∈N×T表示信號矩陣,每一行表示接收節(jié)點i處收到的發(fā)送節(jié)點j所傳輸?shù)男盘?Vi∈T×1表示接收節(jié)點i處的AWGN。

單天線干擾抑制的目的即實現(xiàn)對Xi中包含的主通信鏈路成分的波形恢復。圖2為混疊觀測示意。可以看到,出于對實際應用場景的充分考慮,混疊觀測中不存在目標信號SSR。

圖2 混疊觀測示意Fig.2 Schematics of received signal time-frequency overlapped

2 基于數(shù)據(jù)驅(qū)動的SCA干擾抑制方法

本文干擾抑制方法受基于信號稀疏性假設實現(xiàn)信號分離的SCA技術[11-14]啟發(fā)。SCA的基本思路為:第一步,對混疊觀測進行某種稀疏變換,使目標信號在變換域內(nèi)具備稀疏性(這是由于在一般應用中,目標信號的稀疏性不能在時域內(nèi)直接成立)。這里的稀疏性,指的是信號在時域或某一變換域內(nèi),僅少數(shù)樣點取值遠離零,而大部分樣點取值接近于零。第二步,在變換域內(nèi)完成混疊矩陣估計。第三步,基于混疊矩陣估計結(jié)果,在變換域內(nèi)完成目標信號的恢復。第四步,通過逆變換將目標信號恢復結(jié)果重新轉(zhuǎn)換至時域。從上述基本步驟可以看到,SCA中的三個核心問題為:稀疏變換域的選擇、變換域內(nèi)混疊矩陣的估計及混疊矩陣已知條件下目標信號的恢復。其中,稀疏變換域與信號適配程度決定了信號稀疏性假設的成立程度,即稀疏域中的信號表示基的過完備性決定了后續(xù)信號分離的性能。然而,對于通信信號,目前尚未提出具有較好普適性的稀疏變換域,尤其是在單通道觀測中包含多個時頻混疊信號的情況下。基于此,提出基于數(shù)據(jù)驅(qū)動的SCA干擾抑制方法,以實現(xiàn)目標信號稀疏變換域的自適應選擇、變換域內(nèi)混疊矩陣的自適應學習以及目標信號的自動恢復。本節(jié)后續(xù)內(nèi)容將詳細介紹所提算法,具體包括干擾抑制方法框架、網(wǎng)絡模型設計以及優(yōu)化目標。

2.1 干擾抑制方法框架

所提干擾抑制方法的框架如圖3所示?；跀?shù)據(jù)驅(qū)動的SCA干擾抑制方法包含稀疏域編碼、稀疏域表示估計及稀疏域解碼三部分。其中,稀疏域編碼用于對時域混疊觀測進行稀疏變換;稀疏域表示估計用于完成混疊矩陣估計;稀疏域解碼用于將目標信號恢復結(jié)果重新轉(zhuǎn)換至時域。首先通過稀疏域編碼器將混疊觀測轉(zhuǎn)換到稀疏空間中的相應的表示;然后用這種表示來估計目標信號在稀疏域中的稀疏表示矩陣,以此實現(xiàn)稀疏空間中目標源信號的恢復;最后通過稀疏域解碼器將稀疏域中恢復的目標信號重構(gòu)為時域上最終的目標信號。

圖3 干擾抑制方法框架Fig.3 Schematics of the interference mitigation method

具體而言,本干擾抑制方法的網(wǎng)絡框架采用“編碼器-分離器-解碼器”[15-16]結(jié)構(gòu)。

首先,編碼器將時域混疊觀測Xi輸入轉(zhuǎn)換為稀疏域表示W(wǎng)i(此處稀疏域是指在該變換域內(nèi)存在某區(qū)域僅目標信號占據(jù)主導地位,即僅目標信號具有非零功率),其轉(zhuǎn)換過程定義如下:

Wi=fEncoder(Xi)

(4)

式中,Wi∈K×L為時域混疊混測Xi的深度高維表征,K為編碼器濾波器數(shù)量,L為單個濾波器的輸出長度,fEncoder(·)表示編碼器的映射函數(shù)。

其次,分離器完成稀疏域中目標信號的表示矩陣Mi∈K×L估計,而后,Mi與Wi相乘得到稀疏域中目標信號的估計K×L,其轉(zhuǎn)換過程定義如下:

(5)

式中,?表示矩陣點乘操作。

(6)

其中,fDecoder(·)表示解碼器的映射函數(shù)。

2.2 網(wǎng)絡模型設計

基于數(shù)據(jù)驅(qū)動的SCA干擾抑制方法的網(wǎng)絡結(jié)構(gòu)如圖4所示,本文干擾抑制算法框架受文獻[15]中提出的端到端音頻恢復框架ConvTasNet啟發(fā),網(wǎng)絡模型包括稀疏域編碼器、稀疏域表示估計器和稀疏域解碼器三個部分,分別對應ConvTasNet中的編碼器、分離器和解碼器,其中,網(wǎng)絡模型的具體實現(xiàn)是基于文獻[15]中性能最優(yōu)情形下的網(wǎng)絡結(jié)構(gòu)和參數(shù)。

圖4 干擾抑制方法網(wǎng)絡結(jié)構(gòu)Fig.4 Network structure of the interference mitigation method

1)稀疏域編碼器:目標信號稀疏變換域的自適應選擇由單個一維卷積層和一個激活函數(shù)參數(shù)線性修正單元[17](parametric rectified linear unit,PReLU)完成。PReLU定義如下:

(7)

其中,α∈為可訓練參數(shù)。

2)稀疏域表示估計器:如圖4所示,變換域內(nèi)混疊矩陣的自適應學習主要由三個結(jié)構(gòu)相同的卷積堆疊塊完成,其中,前一個卷積堆疊塊的輸出是后一個卷積堆疊塊的輸入,設計此結(jié)構(gòu)的目的是通過加深網(wǎng)絡深度提取輸入的深度表征,而后,卷積堆疊塊的輸出依次通過一個卷積大小為1的卷積層和一個Sigmoid激活函數(shù),從而完成目標信號在稀疏域中的稀疏表示估計。此外,為減小數(shù)據(jù)變化對稀疏域表示估計模塊穩(wěn)定性的影響,在稀疏域編碼器的輸出Wi輸入稀疏域表示估計器前,首先要對Wi執(zhí)行層歸一化[18](layer normalization, LN)操作。LN操作之后的卷積層用于控制輸入卷積堆疊塊的通道數(shù)。具體而言,一個卷積堆疊塊由8個一維卷積塊(Conv1D Block)組成,Conv1D Block結(jié)構(gòu)如圖5所示,每個Conv1D Block中的膨脹因子呈指數(shù)增長,以此保證網(wǎng)絡有足夠大的感受野對信號序列長時依賴性建模。其中,第m(m=1,2,…,8)個Conv1D Block中的膨脹因子為2m-1,此外,為減少網(wǎng)絡參數(shù)量,深度可分離卷積網(wǎng)絡[19]被用來替代標準的卷積。LN定義如下:

圖5 Conv1D Block結(jié)構(gòu)Fig.5 Structure of Conv1D Block

(8)

(9)

(10)

其中:γ∈K×1和β∈K×1為可訓練參數(shù);ε為常量(默認ε=10-5)。

3)稀疏域解碼器:目標信號的自動恢復由單個一維轉(zhuǎn)置卷積層完成。

2.3 優(yōu)化目標

本文所提干擾抑制系統(tǒng)用于恢復目標信號的波形,而評估波形恢復質(zhì)量的一個很好的標準是估計信號與目標信號之間的相關系數(shù)[20],即波形相似度(similarity of waveform, WS),其定義為:

(11)

3 仿真實驗及性能分析

本節(jié)首先介紹了仿真實驗中采用的信號恢復性能衡量指標及主要測試條件指標。隨后對本文方法的性能進行了測試,并與現(xiàn)有干擾抑制算法進行了比較。其中,仿真實驗1對本文方法在不同環(huán)境噪聲水平及干擾信號強度下的性能進行了測試,仿真實驗2將本文方法與現(xiàn)有算法進行了性能比較,仿真實驗3測試了本文方法的泛化性。

3.1 參數(shù)設置及性能指標

本文方法的基本訓練參數(shù)及設置如下:方法模型基于Python 3.8.13/Pytorch 1.11.0/cuda 11.6環(huán)境實現(xiàn),訓練、驗證、測試數(shù)據(jù)基于MATLAB R2021a在Intel(R) Core(TM)i7-8700U CPU @3.20 GHz處理器上生成。訓練優(yōu)化器及學習率分別被設置為 Adam 及 0.001,批大小設為10,訓練輪數(shù)為100。

（1）采用強度等級為32.5＃的普通硅酸鹽水泥。水泥的質(zhì)量應滿足GB175—1999《硅酸鹽水泥、普通硅酸鹽水泥》要求。經(jīng)過80um篩孔后，水泥的細度不應超過5%。水泥出廠時間不超過2個月。

本小節(jié)后續(xù)仿真實驗中,在對信號恢復性能進行評估時,采用了兩類性能指標。一是從目標信號的波形恢復質(zhì)量角度出發(fā),采用恢復后的目標信號的波形相似度作為性能評估指標,其定義見式(11)。二是從通信傳遞信息精確度的角度出發(fā),采用恢復后目標信號的解調(diào)誤符號率(symbol error rate,SER)作為性能評估指標。第i個目標信號對應的SER可定義為:

(12)

由于在對某一目標信號波形進行恢復時,誤差主要源自混疊的其他干擾信號及環(huán)境噪聲的擾動,因而在本節(jié)仿真實驗中重點考察了本文方法在不同環(huán)境噪聲水平及干擾信號強度下的性能,并以混疊觀測中的信噪比(signal-to-noise ratio, SNR)和信干比(signal-to-interference ratio, SIR)作為擾動強度的衡量指標。對于目標信號i(i∈[1,N]),其在混疊觀測中的SNR和SIR被定義為:

(13)

(14)

3.2 仿真實驗1

仿真實驗1:本文所提干擾抑制方法在不同環(huán)境噪聲水平及干擾信號強度下的性能測試與分析。

在本實驗中考慮N=4的多用戶干擾信道中接收節(jié)點1處的混疊觀測。該混疊觀測由目標信號及3個干擾信號組成。目標信號調(diào)制樣式為BPSK,3個干擾信號調(diào)制樣式分別為8PSK、PAM8及16QAM。混疊觀測采樣時長為10 ms,總采樣點數(shù)為30 720,其中,目標信號存在的時間區(qū)間為[0,10]ms,目標信號載頻為100 kHz,干擾信號存在的時間區(qū)間分別為[0,5]ms、[4,8] ms、[6,10] ms,三個干擾信號的載頻分別在[101,103]kHz、[97,99]kHz、[104,106]kHz三個區(qū)間隨機取值(考慮[-0.5,0.5]kHz的隨機載頻偏移),混疊觀測的頻譜示意如圖6所示(目標信號載頻和三個干擾信號的載頻分別為100 kHz,103 kHz,97 kHz,106 kHz)。模型的訓練、驗證、測試分別基于單個SNR或SIR下的訓練、驗證、測試樣本數(shù)分別為6×106、5×105、6×106的樣本完成,單個目標信號樣本包含320個符號,目標信號與干擾信號的符號速率均為31.25 kBd(Baud)。

表1展示了在不同環(huán)境噪聲干擾強度SNR下所恢復目標信號的質(zhì)量,混疊觀測中的SIR設置為-4.77 dB。表2展示了在不同干擾信號強度SIR下所恢復目標信號的質(zhì)量,混疊觀測中的SNR設置為20 dB。其中,SERP與SERE分別表示恢復前與恢復后的信號解調(diào)誤符合率,WSP與WSE分別表示恢復前與恢復后的波形相似度,此處WSP為直接基于混疊觀測對目標信號進行計算的波形相似度,SERP為直接基于混疊觀測對目標信號進行解調(diào)的誤符號率。

表1 不同SNR下的SER及WSTab.1 SER and WS under different SNR

從表1可以看到,目標信號的波形得到有效恢復,恢復后波形質(zhì)量顯著提升,在SNR≥5 dB的情況下,WSE等于99.419%。相較于WSP為67.971%而言,提升幅度達到了33.448%,在SNR=0 dB時,提升幅度更是達到了42.3%。從信號解調(diào)誤符號率的角度而言,可以看到,恢復前由于干擾信號的存在,對目標信號進行解調(diào)的SER極高,通信質(zhì)量極差。經(jīng)過所提方法恢復后,其SERE得到顯著改善。在SNR=0 dB,5 dB時,SERE分別降低至3.749 0×10-3和1.202 2×10-3,相較SERP降低了2個數(shù)量級,在SNR≥10 dB的情況下,SER更是降低了3個數(shù)量級。

從表2可以看到,在不同干擾信號強度SIR下,所提方法依然能夠保證目標信號波形得到高質(zhì)量的恢復,恢復后目標信號的平均波形相似度達到了99.959%,相較于恢復前平均波形相似度的42.769%,幅度提升了57.19%。從信號解調(diào)誤符號率的角度出發(fā),可以發(fā)現(xiàn),隨著干擾強度的增大,SERE有所增長,但依舊能保持在10-4數(shù)量級,相比SERP,平均降低了3個數(shù)量級。

本仿真實驗結(jié)果驗證了所提方法在不同環(huán)境噪聲水平及干擾信號強度下的干擾抑制能力。實驗結(jié)果表明,所提方法在不同SNR及SIR下,依舊能保持良好的干擾抑制性能。

此外,為測試所提方法對干擾類型變化的適應能力,將干擾信號變?yōu)镼PSK、PAM4、2FSK,該實驗與上述結(jié)果相似,在此未重復展示。

3.3 仿真實驗2

仿真實驗2:本文所提干擾抑制方法與現(xiàn)有干擾抑制算法性能對比分析。

參與比較的現(xiàn)有算法包括:文獻[4]中提出的基于稀疏編碼及模板匹配的單個信號恢復算法,以及文獻[5]中提出的基于字典學習及約束條件下稀疏編碼的單個信號恢復算法。在此,所用于對比的算法的參數(shù)均與其原文保持一致。其中,文獻[5]中的算法的信號特性權(quán)重系數(shù)設為50。實驗數(shù)據(jù)及參數(shù)設置與仿真實驗1相同。圖7和圖8展示不同算法在不同干擾信號強度下的測試WS和SER,其中,WSA和SERA表示文獻[4]中方法的性能,WSB和SERB表示文獻[5]中方法的性能。

(a) WS

(b) WSE圖7 不同SIR下的WSFig.7 WS under different SIR

(a) SER

(b) SERE圖8 不同SIR下的SERFig.8 SER under different SIR

從圖7和圖8可以看到,由于文獻[4]和文獻[5]中的算法是基于存在SSR的假設下提出的,其性能在混疊觀測中不存在目標信號SSR時急劇惡化,并隨著干擾信號強度的增長,其逐漸失去干擾抑制的能力。主要原因是文獻[4]和文獻[5]中的算法是基于完全干凈的目標信號SSR建立的目標信號子空間基地,若不存在目標信號SSR,其所構(gòu)建的基地將無法表征目標信號。此外,文獻[5]中的算法在干擾信號強度較低時,性能略優(yōu)于文獻[4]中的算法,這是因為文獻[5]引入了目標信號的特性作為約束條件,在干擾信號強度較低時,能夠提取到部分目標信號的信息,但隨著干擾強度的增長,目標信號在混疊觀測中的功率將逐漸減小,最終導致算法失效。相比之下,本文所提方法在低SIR場景下依然能夠保持穩(wěn)定的干擾抑制性能。同時,考慮實際中的干擾信號持續(xù)時間大都不可控,存在完全干凈的SSR可能性較低,本文所提方法所應對的通信場景更貼合現(xiàn)實,應用前景更廣。

3.4 仿真實驗3

仿真實驗3:本文所提干擾抑制方法泛化能力測試與分析。

由于在實際中,干擾信號及信道環(huán)境的參數(shù)可能是未知且變化的,在此對所提干擾抑制方法應對泛化測試條件的能力進行進一步測試。本實驗的訓練數(shù)據(jù)參數(shù)與仿真實驗1設置相同,而測試數(shù)據(jù)設置兩種改變:一是考慮干擾信號的持續(xù)時間不同,3個干擾信號的持續(xù)時間設置為[0,4.5]ms、[4,7.5]ms、[5.5,10]ms;二是考慮環(huán)境噪聲干擾強度的變化改變,初始SNR設置為15 dB。除所述參數(shù)改變外,其余參數(shù)與仿真實驗1中的設置相同。

圖9展示了本文所提干擾抑制方法在上述泛化條件下的測試性能,其中,WS1E和SER1E表示在持續(xù)時間改變的場景下的測試性能,WS2E和SER2E表示在SNR=15 dB下的測試性能,WS1P、SER1P、WS2P及SER2P分別表示其對應的原始數(shù)據(jù)直接計算的性能。通過與閉集測試(即測試數(shù)據(jù)集的參數(shù)與訓練數(shù)據(jù)集一致的測試)的結(jié)果進行對比可以看到,所提方法模型較好地應對了上述泛化條件。這一優(yōu)異的泛化能力主要可以歸功于構(gòu)建目標信號稀疏域的方法,其基于數(shù)據(jù)驅(qū)動自適應構(gòu)建的稀疏域的方式使得目標信號充分稀疏。同時應當指出的是,若在訓練時即考慮不同的SNR,則本文所提干擾抑制方法在較低測試SNR下的性能將可以預見地提升。這僅需通過在更廣范圍的SNR下生成訓練數(shù)據(jù)即可實現(xiàn)。

(a) WS

(b) WSE,WS1E,WS2E

(c) SER

(d) SERE,SER1E,SER2E圖9 泛化測試條件下的WS和SERFig.9 WS and SER under generalization test conditions

4 結(jié)論

本文針對多用戶無線通信系統(tǒng)中單通道觀測條件下的異步非平穩(wěn)干擾抑制問題,提出了一種基于數(shù)據(jù)驅(qū)動的SCA干擾抑制方法,利用深度神經(jīng)網(wǎng)絡強大的數(shù)據(jù)關系建模能力,突破了現(xiàn)有基于模型的算法對混疊觀測先驗的限制,分別實現(xiàn)了目標信號稀疏變換域的自適應選擇、變換域內(nèi)混疊矩陣的自適應學習以及目標信號的自動恢復。仿真實驗結(jié)果表明:①所提干擾抑制方法具有在不同干擾類型和干擾強度下高質(zhì)量恢復目標信號的能力,且對干擾與信號功率水平差異較大的強干擾情況具有很好的適應能力。在不同SNR及SIR下,恢復后平均波形相似度幅度提升了57.19%,誤符號率平均降低了3個數(shù)量級。②所提基于數(shù)據(jù)驅(qū)動的SCA干擾抑制方法相比現(xiàn)有算法更具普適性,不需要混疊觀測的先驗要求,能在與干擾時頻混疊嚴重的情況下實現(xiàn)對目標信號的高質(zhì)量恢復,且適用于單通道接收系統(tǒng)。③所提算法對SNR以及干擾信號持續(xù)時間等干擾參數(shù)的變化具有較強的適應能力。