一种基于多径预测技术的短波天波干扰抑制方法及系统

技术领域

本发明属于通信技术领域，特别涉及该领域中的一种基于多径预测技术的短波天波干扰抑制方法及系统。

背景技术

在短波通信中，由于环境等因素的影响，天波和地波之间会形成多条路径传输，这种传播方式叫做多径传播。而天波和地波的相互干扰会在接收端产生噪声，降低接收质量。这种现象在短波通信中尤为明显，严重影响了通信质量。目前，短波通信中的干扰抑制主要采用滤波器、干扰抑制算法等方法，但是不够有效。

天波和地波是信息传输的两个主要途径，但短波通信受到天气、地形、干扰等因素的影响较大，容易受到天波干扰和多径效应的影响，导致信号质量下降甚至无法正常通信。天波干扰是由于电离层的变化和太阳活动等原因引起的，它会使信号异常增强或消失，严重影响通信。多径效应是指信号经过多条路径到达接收器，在不同路径上经历了不同的传输损耗和相位差异，最终造成信号的混叠和衰减。

目前，针对短波通信中的天波干扰和多径效应，已经有一些技术和方法用于解决这些问题，比如天线阵列、数字信号处理等，但是他们需要大量的硬件设备和复杂算法支持，实现起来困难，并且存在一定的成本和功耗限制。因此，需要一种简单高效的方法来抑制短波通信中的天波干扰和多径效应。

发明内容

本发明所要解决的技术问题就是提供一种基于多径预测技术的短波天波干扰抑制方法及系统，以有效对抗短波通信中的天波干扰和多径效应，提高信号接收质量。

本发明采用如下技术方案：

一种基于多径预测技术的短波天波干扰抑制方法，其改进之处在于，包括如下步骤：

步骤1，获取有效的多径信道模型：

利用接收机接收到的信号，采用最小二乘法或神经网络方式，对信道进行建模和预测，得到有效的多径信道模型；

步骤2，使用预测技术校正信号的多普勒频移和相位偏移：

基于预测到的多径信道模型，校正信号的多普勒频移和相位偏移；

步骤3，对天波干扰进行分类和识别，并通过训练模型实现自适应控制；

通过对天波干扰的特征进行提取和分析，使用机器学习算法进行分类和识别，将天波干扰与其他干扰区分开来；

步骤4，自适应控制和抑制：

根据分类结果选择相应的天波干扰抑制策略，采用自适应控制方法控制抑制干扰的程度，通过训练模型，实现自适应的干扰抑制。

进一步的，所述的步骤1具体包括：

步骤11，收集一定数量的无线通信信号，并对其进行预处理：

所述的预处理包括去噪、滤波和降采样；

步骤12，对信号进行分析，建立多径信道模型：

假设信道响应为h(t)，

h(t)＝∑a

上式中，a

通过最小二乘法寻找最佳的a

假设接收到的信号为r(t)，经过时域等效后表示为：

r(t)＝s(t)*h(t)+n(t)

上式中，s(t)为发送信号，n(t)为噪声，*为卷积操作；

对于每个接收到的信号r(t)，通过最小二乘法得到最优的a和τ：

a＝[a

τ＝[τ

上式中，N为多径数量，也就是反射、衍射因素的数量；

步骤13，基于步骤12建立的多径信道模型，对信道进行预测和优化：

在预测方面，使用基于多径信道模型的预编码技术，包括垂直波束成形技术和水平波束成形技术；

在优化方面，利用多径信道模型来估计信道容量，并通过增加天线数量或改变传输距离来提高容量。

进一步的，所述的步骤2具体包括：

步骤21，估计多径信道的延迟和幅度：

收集已知信号：发送一个已知的信号或者使用训练序列来收集已知信号；

接收信号：在接收端接收信号，并记录信道中的多普勒频移和相位偏移；

使用最小二乘法估计多径信道：

将接收到的信号y(n)表示为：

y(n)＝h(1)*x(n-1)+h(2)*x(n-2)+...+h(L)*x(n-L)+w(n)

上式中，x(n)是发送的信号，h(i)是第i个信道路径上的信道系数，L是信道路径数目，w(n)是噪声项；

为了估计信道系数，需要解决以下最小二乘问题：

上式中，Y是接收到的信号向量，H是信道系数矩阵，X是发送的信号向量，使用矩阵求导方法求解该问题，得到最小二乘估计值：

H

上式中，H

多径信道估计完成后，得到接收端与发送端之间的多径信道特性，包括延迟、幅度、多普勒频移和相位偏移；

步骤22，对接收信号进行信号校正，消除多普勒频移和相位偏移：

去除多普勒频移：

上式中，hat{x}

相位补偿：

上式中，hat{x}

时域均衡：

上式中，hat{x}

频域均衡：

上式中，hat{X}(f)是频域均衡后的信号频谱，Y(f)是接收到的信号的频谱，H(f)是信道的频谱响应。

进一步的，所述的步骤3具体包括：

步骤31，对天波干扰数据进行预处理，以提取特征：

采用时域分析提取干扰信号的波形、幅度和周期特征；采用频域分析提取干扰信号的频谱分布和带宽特征；采用小波变换提取干扰信号的局部频率、幅度和时间特征；

步骤32，采用主成分分析和信息增益方法来选取特征：

主成分分析是将原始特征转换为互相独立的新特征，并保留对分类和识别最有价值的特征；信息增益是基于信息熵的概念，选择对分类和识别最具区分性的特征；

步骤33，根据选定的特征来构建分类器模型：

使用支持向量机SVM作为分类器模型；

步骤34，使用已经处理好的数据集进行模型的训练和测试：

在模型训练过程中，将数据集分为训练集和测试集，通过训练集对模型进行训练，得到最佳的模型参数，并通过测试集对模型进行测试，评估其分类的准确率、精度和召回率。

进一步的，所述的步骤4具体包括：

步骤41，对天波干扰进行分类：

使用深度学习算法训练一个分类器，将输入频谱数据的特征向量作为输入，将其与已知天波干扰类型的标签进行匹配和识别，从而判断干扰的类型，干扰类型包括窄带干扰、宽带干扰和脉冲干扰；

步骤42，干扰抑制策略选择：

根据分类结果，选择相应的干扰抑制策略，策略包括数字滤波、自适应增益控制AGC和频率选择性抑制FSI；

在数字滤波中，通过设置抑制器的参数K1、K2和K3来控制抑制程度；

自适应增益控制AGC根据信号强度的变化来动态调节接收机的放大倍数，以实现对不同强度天波干扰的抑制，通过以下公式实现：

上式中，G(k)为当前时刻的放大倍数，mu为增益调整系数，e(k)为预期输出与实际输出之差，s(k)为输入信号强度；

频率选择性抑制FSI根据干扰频率的位置选择性地抑制信号，通过以下公式实现：

上式中，y(n)为抑制后的输出信号，x(n)为输入信号，h

步骤43，自适应控制方法设计：

使用自适应控制方法来控制干扰的大小，通过训练模型，根据分类结果和输入信号的特征，自动调节抑制器的参数，采用反馈控制的方式，通过以下公式实现：

u(k)＝f(e(k),y(k-1),u(k-1))

上式中，u(k)为当前时刻的抑制器参数，f是非线性函数，e(k)为预期输出与实际输出之差，y(k)为输出信号；

步骤44，训练模型控制抑制器中的参数或权值：

在训练之前，通过仿真和实验获得样本数据，样本数据包括被干扰的信号和抑制后的信号；然后使用监督学习算法训练一个模型，将输入的被干扰信号映射到输出的抑制信号；在训练过程中，使用误差反向传播算法来更新模型中的参数或权值。

一种基于多径预测技术的短波天波干扰抑制系统，适用于上述的方法，其改进之处在于，包括获取单元、校正单元、分类识别单元和自适应控制单元，所述的获取单元用于获取有效的多径信道模型，所述的校正单元使用预测技术校正信号的多普勒频移和相位偏移，所述的分类识别单元用于对天波干扰进行分类和识别，并通过训练模型实现自适应控制，所述的自适应控制单元用于根据分类结果选择相应的天波干扰抑制策略，采用自适应控制方法控制抑制干扰的程度，通过训练模型，实现自适应的干扰抑制。

本发明的有益效果是：

本发明所公开的方法，基于多径预测技术，充分考虑了短波通信中频繁发生的天波干扰和多径效应，有效抑制了这些干扰对信号的影响，提高了信号接收质量，可以满足海上微波传播预测的准确性要求。不需要大量的硬件设备和复杂算法支持，实现简单高效，成本低、功耗小，非常适合于抑制短波通信中的天波干扰和多径效应。采用了自适应控制方法，通过训练模型实现自适应的干扰抑制，能够更好地适应不同环境下的干扰状况，提高了抑制效果。

本发明所公开的系统，专门用于实施本发明方法，运算速度快，准确率高。

附图说明

图1是本发明方法的流程示意图；

图2是本发明方法步骤1的流程示意图；

图3是本发明方法步骤2的流程示意图；

图4是本发明方法步骤3的流程示意图；

图5是本发明方法步骤4的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1，本实施例公开了一种基于多径预测技术的短波天波干扰抑制方法，如图1所示，包括如下步骤：

步骤1，获取有效的多径信道模型：

利用接收机接收到的信号，采用最小二乘法或神经网络等方式，对信道进行建模和预测，得到有效的多径信道模型；

如图2所示，所述的步骤1具体包括：

步骤11，收集一定数量的无线通信信号，并对其进行预处理：

所述的预处理包括去噪、滤波和降采样等操作，以确保数据质量和可用性。针对无线通信系统，常用的采样率为几十MHz到几百MHz，同时需要满足奈奎斯特采样定理，即采样频率应大于等于信号带宽的两倍；

步骤12，对信号进行分析，建立多径信道模型：

由于接收到的信号受到多个反射、衍射等因素的影响，因此需要对其进行分析以建立多径信道模型。最小二乘法是一种常用的数据拟合方法，可以用于对接收到的信号进行建模，假设信道响应为h(t)，符合以下数学表达式：

h(t)＝∑a

上式中，a

通过最小二乘法寻找最佳的a

假设接收到的信号为r(t)，经过时域(time domain)等效后表示为：

r(t)＝s(t)*h(t)+n(t)

上式中，s(t)为发送信号，n(t)为噪声，*为卷积操作；

对于每个接收到的信号r(t)，通过最小二乘法得到最优的a和τ：

a＝[a

τ＝[τ

上式中，N为多径数量，也就是反射、衍射等因素的数量；可以使用迭代算法来求解a和τ的值，常用递推最小二乘法(recursive least square,RLS)。

步骤13，基于步骤12建立的多径信道模型，对信道进行预测和优化：

预测可以用于调整发送信号，以提高通信效率。优化可以通过调整信道参数，例如增加天线数量或改变传输距离等，来提高信号质量和可靠性。

在预测方面，使用基于多径信道模型的预编码技术，包括垂直波束成形(verticalbeamforming)技术和水平波束成形(horisontal beamforming)技术，以提高接收信号的强度和可靠性；

在优化方面，利用多径信道模型来估计信道容量，并通过增加天线数量或改变传输距离等方式来提高容量。

总之，利用最小二乘法建立多径信道模型，可以对无线通信系统进行性能优化。该过程包括数据采集与预处理、信道建模、预测和优化等步骤。

步骤2，使用预测技术校正信号的多普勒频移和相位偏移：

基于预测到的多径信道模型，校正信号的多普勒频移和相位偏移，使信号能够恢复原始状态，并减小多径效应对信号质量的影响；

如图3所示，所述的步骤2具体包括：

步骤21，估计多径信道的延迟和幅度：

多径信道估计是指通过已知的信号和接收器上接收到的信号来估计多径信道的延迟和幅度，可以使用最小二乘法、LMS算法等估计方法。

收集已知信号：发送一个已知的信号或者使用训练序列来收集已知信号；

接收信号：在接收端接收信号，并记录信道中的多普勒频移和相位偏移；

使用最小二乘法估计多径信道：

最小二乘法的主要思想是通过最小化残差平方和来估计模型参数。在多径信道估计中，将接收到的信号y(n)表示为：

y(n)＝h(1)*x(n-1)+h(2)*x(n-2)+...+h(L)*x(n-L)+w(n)

上式中，x(n)是发送的信号，h(i)是第i个信道路径上的信道系数，L是信道路径数目，w(n)是噪声项；

为了估计信道系数，需要解决以下最小二乘问题：

上式中，Y是接收到的信号向量，H是信道系数矩阵，X是发送的信号向量，使用矩阵求导等方法求解该问题，得到最小二乘估计值：

H

上式中，H

估计信道响应：利用多径信道估计结果，可以得到信道的时域响应和频域响应。

多径信道估计完成后，得到接收端与发送端之间的多径信道特性，包括延迟、幅度、多普勒频移和相位偏移等信息；

步骤22，对接收信号进行信号校正，消除多普勒频移和相位偏移：

多径信道校正是指通过多径信道估计结果，对接收信号进行信号校正，以消除多普勒频移和相位偏移等影响，从而还原信号的原始状态。

去除多普勒频移：根据多径信道估计结果，可以得到信道的多普勒频移信息。去除多普勒频移的方法有两种：一种是通过数字信号处理技术来实现，例如使用FFT、FIR滤波器等；另一种是通过硬件电路来实现，例如使用数字直接合成器(DDS)等。

去除多普勒频移的数字信号处理方法：

上式中，hat{x}

相位补偿：根据多径信道估计结果，可以得到信道的相位偏移信息。相位补偿可以通过数字信号处理技术来实现，例如使用相位旋转器等。

相位补偿的数字信号处理方法：

上式中，hat{x}

时域均衡：在多径信道中，不同路径的信号到达时间有差异，导致接收信号出现了时域扩散现象。时域均衡可以通过数字信号处理技术来实现，例如使用均衡器等。

时域均衡的数字信号处理方法：

上式中，hat{x}

频域均衡：在多径信道中，不同路径的信号具有不同的幅度，导致接收信号出现了频域失真现象。频域均衡可以通过数字信号处理技术来实现，例如使用迭代均衡器等。

频域均衡的数字信号处理方法：

上式中，hat{X}(f)是频域均衡后的信号频谱，Y(f)是接收到的信号的频谱，H(f)是信道的频谱响应。

多径信道校正完成后，信号就可以恢复到原始状态，并减小多径效应对信号质量的影响。

基于预测到的多径信道模型的多径信道估计和校正过程可以消除多普勒频移和相位偏移等影响，从而恢复原始信号，并减小多径效应对信号质量的影响。多径信道估计可以通过已知的信号和接收器上接收到的信号来估计多径信道的延迟和幅度。多径信道校正可以通过数字信号处理技术来实现，包括去除多普勒频移、相位补偿、时域均衡和频域均衡等方法。在实际应用中，需要根据具体的场景和要求选择合适的估计方法和校正方法。

步骤3，对天波干扰进行分类和识别，并通过训练模型实现自适应控制；

通过对天波干扰的特征进行提取和分析，使用支持向量机等机器学习算法进行分类和识别，将天波干扰与其他干扰区分开来；

天波干扰指在无线电通信系统中，由于天空电波反射、折射、散射等产生的干扰信号。因为其频率范围广泛，能够影响到多个频段，对通信和雷达系统等具有影响，所以需要对其进行分类和识别。

如图4所示，所述的步骤3具体包括：

步骤31，对天波干扰数据进行预处理，以提取特征：

采用时域分析提取干扰信号的波形、幅度和周期等特征；采用频域分析提取干扰信号的频谱分布和带宽等特征；采用小波变换提取干扰信号的局部频率、幅度和时间等特征；这些特征可以通过数学模型来描述，并用于后面的分类和识别。

步骤32，采用主成分分析和信息增益等方法来选取特征：

特征选择是指从提取到的所有特征中选择对分类和识别最重要的特征。通常，可以采用主成分分析、信息增益等方法来选取特征。其中，主成分分析是将原始特征转换为互相独立的新特征，并保留对分类和识别最有价值的特征；信息增益是基于信息熵的概念，选择对分类和识别最具区分性的特征；

步骤33，根据选定的特征来构建分类器模型：

在特征选择后，需要根据选定的特征来构建分类器模型。使用支持向量机SVM作为分类器模型，因为SVM在处理高维数据时具有较好的分类和泛化能力，对于天波干扰这样复杂的信号处理有一定的优势。SVM的基本思想是通过将数据映射到高维空间中，构建一个最大边距的超平面，使得不同类别的数据能够被清晰地分开；

步骤34，使用已经处理好的数据集进行模型的训练和测试：

在模型训练过程中，将数据集分为训练集和测试集，以避免过拟合。通过训练集对模型进行训练，得到最佳的模型参数，并通过测试集对模型进行测试，评估其分类的准确率、精度和召回率等指标。如果测试结果不理想，可以重新调整模型参数，或采取其他机器学习算法来进行分类和识别步骤。

将天波干扰与其他干扰区分开来需要经过数据预处理、特征选择、模型构建和模型训练和测试等多个步骤。其中，SVM是一种有效的分类器模型，在处理复杂的信号数据时具有一定的优势。

步骤4，自适应控制和抑制：

根据分类结果选择相应的天波干扰抑制策略，采用自适应控制方法控制抑制干扰的程度，通过训练模型，实现自适应的干扰抑制。

如图5所示，所述的步骤4具体包括：

步骤41，对天波干扰进行分类：

使用深度学习算法训练一个分类器，将输入频谱数据的特征向量作为输入，将其与已知天波干扰类型的标签进行匹配和识别，从而判断干扰的类型。天波干扰在通信系统中可以分为多种类型，如窄带干扰、宽带干扰、脉冲干扰等；针对不同类型的干扰，可以采用不同的抑制策略。因此，需要对天波干扰进行分类，以确定抑制策略。

步骤42，干扰抑制策略选择：

针对不同类型的天波干扰，需要采用不同的干扰抑制策略。例如，在窄带干扰的情况下，可以采用滤波器来滤掉干扰信号；在宽带干扰的情况下，可以使用频率扫描技术抑制干扰等。因此，在根据分类结果选择相应的天波干扰抑制策略之前，需要先从一系列可选的干扰抑制策略中选出最适合当前干扰类型的解决方案。

根据分类结果，选择相应的干扰抑制策略，策略包括数字滤波、自适应增益控制AGC和频率选择性抑制FSI等，这些抑制策略都可以通过公式来实现；

数字滤波是一种旋转可调滤波器，可以实现在不同频段的天波干扰抑制。在数字滤波中，通过设置抑制器的参数K1、K2和K3等来控制抑制程度；

自适应增益控制AGC根据信号强度的变化来动态调节接收机的放大倍数，以实现对不同强度天波干扰的抑制，通过以下公式实现：

上式中，G(k)为当前时刻的放大倍数，mu为增益调整系数，e(k)为预期输出与实际输出之差，s(k)为输入信号强度；

频率选择性抑制FSI根据干扰频率的位置选择性地抑制信号，通过以下公式实现：

上式中，y(n)为抑制后的输出信号，x(n)为输入信号，h

步骤43，自适应控制方法设计：

在干扰抑制过程中，往往需要根据实时情况对抑制干扰的程度进行调整。此时，可以使用自适应控制方法来控制干扰的大小。常见的自适应控制方法有LMS(最小均方算法)、RLS(递归最小二乘算法)等，这些算法可以通过反馈机制，不断调整抑制器中的参数或权值，从而使得干扰抑制效果更好。

通过训练模型，根据分类结果和输入信号的特征，自动调节抑制器的参数，采用反馈控制的方式，通过以下公式实现：

u(k)＝f(e(k),y(k-1),u(k-1))

上式中，u(k)为当前时刻的抑制器参数，f是非线性函数，e(k)为预期输出与实际输出之差，y(k)为输出信号，可以根据具体的情况采用不同的函数；

步骤44，训练模型控制抑制器中的参数或权值：

为了实现自适应干扰抑制，需要训练一个模型来控制抑制器中的参数或权值。在训练之前，通过仿真和实验获得样本数据，样本数据包括被干扰的信号和抑制后的信号；然后使用监督学习算法训练一个模型，将输入的被干扰信号映射到输出的抑制信号；在训练过程中，使用误差反向传播算法来更新模型中的参数或权值，使得输出结果与实际结果更加接近。

自适应控制方法可以通过训练模型实现天波干扰的自适应抑制。整个过程包括天波干扰分类、干扰抑制策略选择、自适应控制方法设计和模型训练。这种方法可以提高干扰抑制效果，并且具有较强的通用性和自适应性，适用于多种不同类型的干扰信号。

本实施例还公开了一种基于多径预测技术的短波天波干扰抑制系统，适用于上述的方法，包括获取单元、校正单元、分类识别单元和自适应控制单元，所述的获取单元用于获取有效的多径信道模型，所述的校正单元使用预测技术校正信号的多普勒频移和相位偏移，所述的分类识别单元用于对天波干扰进行分类和识别，并通过训练模型实现自适应控制，所述的自适应控制单元用于根据分类结果选择相应的天波干扰抑制策略，采用自适应控制方法控制抑制干扰的程度，通过训练模型，实现自适应的干扰抑制。

综上所述，本实施例所公开的短波天波干扰抑制方法及系统，通过预测多径效应，可以更加准确地抑制干扰信号。最大优势在于给出了适合短波通信使用者迫切急需的短波天波干扰抑制的方法和流程，可以有效地降低短波天波干扰，提高通信质量和稳定性。在实际应用中支持远距离、高速度等各种复杂电磁环境下的短波天波通信，具有广泛的应用前景。