模型与数据双驱动的干扰抑制方法

技术领域

本发明属于通信抗干扰技术领域，具体涉及模型与数据双驱动的干扰抑制方法。

背景技术

在宽带无线通信与导航系统中，期望信号经常受到有意和无意的干扰信号的干扰，这些干扰信号可以是单音干扰、多音干扰、窄带干扰、宽带干扰等。在这些干扰形式中，由于非平稳干扰采用频率调制或多项式相位信号波形并且覆盖整个工作频带，因此对于接收机来说消除非平稳干扰的影响具有挑战性且尤为重要。基于压缩感知方法可用来消除非平稳干扰。

传统的抗干扰方法，如频域滤波、时域滤波、自适应滤波等，都不能有效地处理非平稳干扰。当干扰源和发射机之间没有传播方向差异时，空域滤波不能消除非平稳干扰。基于模糊函数(AF)和瞬时自相关函数(IAF)之间的关系，利用压缩感知(CS)方法可重构非平稳干扰，之后基于子空间投影的干扰抑制技术可抑制非平稳干扰恢复期望信号。天线阵列技术可提高干扰信号重建的精度。但以上方法仅使用基于模型的信号处理理论来减轻干扰，没有利用隐藏在数据中的信息，稀疏重构得到的干扰的时频特征不够准确，干扰抑制的效果不够好。

发明内容

本发明的目的在于提供模型与数据双驱动的干扰抑制方法，解决了现有的抗干扰方法中未充分利用隐藏在数据中的信息，稀疏重构得到的干扰的时频特征不够准确的问题。

本发明所采用的技术方案是：模型与数据双驱动的干扰抑制方法，包括以下步骤：

步骤1、生成两个非平稳的调频干扰；步骤2、分别生成单个干扰和两个干扰情况下接收机接收的缺失样本的信号；步骤3、计算模糊函数，通过自适应最优核实现模糊函数的平滑，将平滑之后的模糊函数转换为自适应最优核处理后的自相关函数；步骤4、使用正交匹配追踪算法稀疏重构干扰，得到干扰的瞬时频率；步骤5、利用支持向量回归修正干扰的瞬时频率；步骤6、使用得到的瞬时频率恢复出干扰波形，利用子空间正交投影法去除干扰。

本发明的特点还在于，

步骤1得到的调频干扰的瞬时频率表示为：

式(1)中，T为干扰时间长度，t为时间，t＝1,2,...T。

步骤3具体为：单个调频干扰f

步骤3具体包括以下步骤：

步骤3.1、在步骤2中两种情况下分别按下式计算接收信号的瞬时自相关函数，基于瞬时自相关函数计算模糊函数与WVD分布：

瞬时自相关函数：

模糊函数：

WVD分布：

步骤3.2、使用自适应最优核实现模糊函数的平滑，即滤除交叉项和噪声伪影：

A

自适应最优核时频核通过求解以下优化问题求出：

式(6)中，α为核容量；

步骤3.3、将平滑之后的模糊函数A

式(7)中，A

步骤4具体为：经过自适应最优核之后的具体时间t处所有延迟τ的自相关函数的一维向量记为：

c

自相关函数与TF域的一维傅里叶变化关系具体表示如下：

式(9)中，G

步骤5具体为：将步骤4所得稀疏重构干扰的瞬时频率利用支持向量回归找到第一条瞬时频率回归曲线，将第一条瞬时频率回归曲线上距离原瞬时频率f

步骤6具体包括以下步骤：

步骤6.1、干扰的瞬时频率为：

式(12)中，Q为干扰数；

瞬时相位为：

所以干扰信号表示为d

步骤6.2、第j个干扰的时间特征表示为：

采用子空间正交投影法将接收信号中的干扰信号投影到其波形正交空间，实现干扰抑制；具体为：

将接收信号X投影到干扰子空间生成的V投影矩阵P中：

P＝I-V(V

式(16)中，

抑制接收信号中的干扰，得到子空间投影后的信号Y：

Y＝PX (17)。

本发明的有益效果是：本发明的模型与数据双驱动的干扰抑制方法，采用模型与数据双驱动算法，基于压缩感知(CS)和支持向量回归(SVR)技术来重建非平稳干扰，以减轻非平稳干扰。使用支持向量回归(SVR)修正了稀疏重构得到的不准确的非平稳干扰时频特征，同时使用迭代方法剔除不完美的瞬时频率，充分利用了隐藏在数据中的信息，将模型驱动和数据驱动相结合达到非平稳干扰抑制和消除的目的。在观测数据丢失的情况下，本发明也能准确地重构非平稳干扰，并能有效地抑制和消除非平稳干扰，具有一定的现实意义和良好的应用前景。

附图说明

图1是本发明的模型与数据双驱动的干扰抑制方法的流程示意图；

图2是本发明的模型与数据双驱动的干扰抑制方法中单个干扰加信号的WVD分布的示意图；

图3是本发明的模型与数据双驱动的干扰抑制方法中单个干扰接收信号经过AOK时频核处理的示意图；

图4是本发明的模型与数据双驱动的干扰抑制方法中单个干扰使用本发明恢复的干扰波形的WVD分布示意图；

图5是本发明的模型与数据双驱动的干扰抑制方法中单个干扰经本发明方法后得到干扰抑制后的WVD分布的示意图；

图6是本发明的模型与数据双驱动的干扰抑制方法中两个干扰加信号的WVD分布的示意图；

图7是本发明的模型与数据双驱动的干扰抑制方法中两个干扰加信号经过AOK时频核处理的示意图；

图8是本发明的模型与数据双驱动的干扰抑制方法中两个干扰使用本发明恢复的干扰波形的WVD分布示意图；

图9是本发明的模型与数据双驱动的干扰抑制方法中两个干扰经本发明方法后得到干扰抑制后的WVD分布的示意图；

图10是本发明的模型与数据双驱动的干扰抑制方法中不丢失样本时不同干信比(JSR)下三种不同算法估计的瞬时频率(IF)的均方根误差(RMSE)对比示意图；

图11是本发明的模型与数据双驱动的干扰抑制方法中接收信号中存在不同比例缺失样本时均方根误差(RMSE)与干信比(JSR)的关系示意图；

图12是本发明的模型与数据双驱动的干扰抑制方法中三种方法的信干噪比(SJNR)干扰抑制效果对比示意图；

图13是本发明的模型与数据双驱动的干扰抑制方法中不同比例缺失样本对干扰抑制的影响的示意图。

具体实施方式

下面结合附图以及具体实施方式对本发明进行详细说明。

实施例1

本发明提供了模型与数据双驱动的干扰抑制方法，如图1所示：

步骤1，生成两个非平稳频率调制(FM)干扰机。

调频干扰机的瞬时频率表示为：

式(1)中，T为干扰时间长度，t为时间，t＝1,2,...T。

步骤2，分别生成单个干扰和两个干扰情况下接收机接收的缺失样本的信号。

单个FM干扰f

两个FM干扰f

步骤3，两种情况下分别按下式计算接收信号的瞬时自相关函数、模糊函数与WVD分布。

瞬时自相关函数：

模糊函数：

WVD分布：

步骤4，使用自适应最优核(AOK)实现AF平滑。消除因缺失样本而产生的伪影，同时抑制非期望的时频交叉分量，得到A

A

AOK时频核可以通过以下优化问题求出。

其中，α为核容量。

步骤5，将平滑之后的模糊函数A

步骤6，使用正交匹配追踪算法(OMP)稀疏重构干扰。

经过AOK核之后的自相关函数记为c

其中，G

步骤7，通过稀疏重构得到的d

步骤8，利用支持向量回归(SVR)修正干扰的瞬时频率。

得到的瞬时频率存在误差，利用支持向量回归(SVR)修正稀疏重构得到的不准确的非平稳干扰时频特征，同时使用迭代方法剔除不完美的瞬时频率。

支持向量回归(SVR)原理如下，设给定的训练样本为：

{(x

首先用一个非线性映射

其中，w为回归函数的权重向量，b为偏置。

基于支持向量机的最优回归函数是指满足结构风险最小化原理，即极小化优化问题是最优化下面函数：

其中，上式中

修正瞬时频率的具体步骤是将干扰的瞬时频率利用支持向量回归找到第一条瞬时频率曲线，将距离这条曲线最远的n个点去掉，循环迭代多次，找到最优的拟合曲线。

使用SVR重构IF算法具体为：

输入：迭代次数L，丢弃点数n，干扰瞬时频率f

输出：修正的干扰瞬时频率

具体步骤为：使用SVR回归得到修正第一次的瞬时频率回归曲线，将此曲线上距离原瞬时频率f

步骤9，使用得到的瞬时频率恢复出干扰波形。

干扰的瞬时频率为：

其中，Q为干扰数。

瞬时相位为：

所以干扰信号可以表示为d

步骤10，投影去除干扰。

第j个干扰的时间特征可以表示为：

采用子空间正交投影法将接收信号中的干扰信号投影到其波形正交空间，最终实现干扰抑制。

子空间正交投影法原理如下：

在接收到的信号中，干扰的功率远大于信号功率，因此接收信号中，干扰信号占据接收信号空间中的主导向量空间V，信号占据剩余的子空间Q，干扰的子空间与信号的子空间可以近似看为正交的。当得到接收信号的投影矩阵后，将接收信号投影到其向量空间的非主导向量子空间中，即可认为将接收信号中的主导干扰信号进行了抑制。

将接收信号X投影到干扰子空间生成的V投影矩阵P中：

P＝I-V(V

其中

抑制接收信号中的干扰，得到子空间投影后的信号Y：

Y＝PX (17)

步骤11，在两个干扰情况下，使用仿真算法在不同干噪比(JSR)下的干扰均方根误差(RMSE)以及信干噪比(SJNR)，并和只使用正交匹配追踪算法(OMP)和多项式回归拟合方法性能对比。

通过上述方式，本发明模型与数据双驱动的干扰抑制方法，利用支持向量回归(SVR)修正了稀疏重构得到的不准确的非平稳干扰时频特征，同时使用迭代方法剔除不完美的瞬时频率，充分利用了数据信息，将模型驱动和数据驱动相结合，进而实现非平稳干扰抑制和消除，具有一定的适用性。

实施例2(仿真图)

1、仿真条件

MATLAB

2、仿真内容

单个干扰信号下仿真结果：

单个干扰信号下仿真结果如附图2-5所示，图2为丢失50％信息的干扰加信号的WVD分布，可以明显看到因丢失信息所产生的伪影。接收信号经过AOK时频核处理，伪影得到明显消除，如图3。由于瞬时自相关函数与时频分布存在傅里叶变换关系，而且干扰在时频分布中具有稀疏性可以通过正交匹配追踪算法(OMP)将干扰的瞬时频率恢复出来，如图4。最后，使用支持向量机回归得到更准确的瞬时频率，恢复干扰波形，通过投影的方法，将接收信号投影到与干扰正交的子空间，得到干扰抑制后的WVD分布，如图5。相比图2，干扰得到明显消除。

两个干扰信号下仿真结果：

两个干扰信号下仿真结果如附图6-9所示，图6为丢失50％信息的两个干扰加信号的WVD分布，可以明显看到因丢失信息所产生的伪影。将接收信号经过AOK时频核处理，伪影得到明显消除，如图7。由于瞬时自相关函数与时频分布存在一维傅里叶变换关系，而且干扰在时频分布中具有稀疏性可以通过正交匹配追踪算法(OMP)将干扰的瞬时频率准确恢复出来，如图8。最后，通过投影的方法，将接收信号投影到与干扰正交的子空间，得到干扰抑制后的WVD分布，如图9所示。与图6相比，干扰得到明显消除。

实施例3(性能分析图)

图10显示了干信比(JSR)变化时三种不同算法估计的瞬时频率(IF)的均方根误差(RMSE)。随着干信比(JSR)的增加，所有算法的平均均方根误差(RMSE)都在下降。这是因为当干扰比信号大得多时，它可以容易且准确地重建。本发明提出的支持向量回归(SVR)方法优于正交匹配追踪算法(OMP)和多项式回归算法。因为本发明使用支持向量回归(SVR)来发现隐藏在数据中的潜在信息。通过数据分析，“坏点”被丢弃，并用新的估计值代替。因此可以更精确地重建非平稳频率调制(FM)干扰。

图11显示了接收信号中存在缺失样本时均方根误差(RMSE)随干信比(JSR)变化的关系。当缺失样本的比例增加时，均方根误差(RMSE)变得更大，并且干扰的IF估计变得越来越不准确。因此，丢失的样本严重地降低了干扰重建准确性。可知在实践中，重要的是保持接收信号的完整性。当缺失样本的比例小于10％时，均方根误差(RMSE)约为10

图12显示出了三种不同方法在信号干扰噪声比(SJNR)方面的干扰抑制效果。本发明方法与单纯的正交匹配追踪算法(OMP)算法相比可以显着提高干扰抑制性能。此外由于本发明方法进行迭代来消除“坏点”，本发明方法在干扰抑制方面优于多项式回归算法。

图13显示出了缺失样本对干扰抑制的影响。随着缺失样本的增加，即使干信比(JSR)较低，干扰抑制的性能也会下降。说明完整地接收整个信号至关重要。当缺失样本百分比大于30％时，抑制性能显著下降。这是因为在这种情况下，稀疏恢复能力是有限的。