CN102495414A - 一种gps弱信号的捕获技术 - Google Patents

Abstract

本发明提供的是一种用于GPS***中窄带干扰的技术，它包括自适应A/D转换器、卡尔曼滤波器以及干扰对消技术。由于GPS信号是从20000千米外的中地轨道传输过来，因此接收到的信号功率大约为现10^-6瓦。这个功率同GPS的L1或L2载频上1MHz带宽内包含的噪声功率相差不多。有人为干扰附加到自然噪声上，GPS信号接收将成为十分困难的事情，现有GPS接收技术面临严重的射频干扰问题。通过分析GPS信号中窄带干扰的特点，首先利用自适应A/D转换器提高接收信号的转换增益，然后设计基于自适应回归模型的卡尔曼自适应滤波器，实时削弱窄带干扰信号。本发明使得GPS接收机可以高精度的接收无线电导航与定位信号，不再受窄带干扰的影响，提高GPS定位精度。

Description

一种GPS弱信号的捕获技术

(一)技术领域

本发明涉及的是一种自适应信号处理技术，具体地说是一种GPS信号的窄带干扰抑制技术。 

(二)背景技术

GPS是Navigation Satellite Timingand Ranging/Global Positioning System的缩写词NAVSTAR/GPS的简称。它的含义是，采用导航卫星进行测时和测距构成的全球定位系。GPS从1973年美国国防部正式提出到1993年底建成，历时20年。目前，GPS的应用已深入各个领域。在航海方面，船舶航行、海上交管、海洋测量、石油勘探、远洋捕捞、浮标建立、海底管道和电缆铺设、海岛和暗礁定位、船舶进出港引航等广泛应用。在航空方面，飞机进场着陆、飞行导航、空中加油、空中准确投掷、空中交管等普遍使用。在大地测量方面，由于精密定位的大地测量接收机的出现，给大地测量带来了革命性的变化，成为GPS应用的重要分支。此外，在军事上、在空间技术上、在陆地上、甚至在人们的日常生活中，都无处不在。 

由于GPS信号是从20000千米外的中地轨道传输过来，因此接收到的信号功率大约为现10-6瓦。这个功率同GPS的L1或L2载频上1MHz带宽内包含的噪声功率相差不多。如果有人为干扰附加到自然噪声上，GPS信号接收将成为十分困难的事情。现有GPS接收技术面临严重的射频干扰问题。 

卫星与GPS接收机之间的通信采用直接扩频通信技术，射频前端接收机接收信号功率低于热噪声约20dB的C/A码信号。经低噪声放大器、混频器、滤波器、可变增益放大器和A/D转换器，最后输出数字信号，再由后级数据相关器恢复出信号。集成射频前端接收机芯片的最后一级是一个A/D转换器。通常，在满足***指标的情况下，采用最简单的1位A/D转换电路，以简化电路和降低功耗。但采用最简单的1位A/D转换器时，在高斯噪声***中，经过转换后的信噪比会降低1.96dB，即A/D转换器的转换增益为-1.96dB。 

专利号CN1248322的专利“具有自适应模数转换器的过程控制变送器”，主要是设计过程控制***中的变送器，使用的是一般的数字滤波器，滤波效果不佳。 2004年发表的《自适应Sigma-Delta A/D转换器的设计》对传统的Sigma-DeltaA/D转换器进行了改进，设计了误差自校正电路。但是在与将采样滤波器相乘的过程中会产生新的误差。 

本发明设计的窄带干扰抑制技术，通过自适应A/D转换器以及自适应滤波算法相结合实现对GPS信号中窄带干扰的滤除，可以应用于现有GPS接收机中，提高导航和定位精度。 

(三)发明内容

本发明的目的在于提供一种GPS窄带干扰抑制技术，实现对GPS信号精确的解算。 

本发明的目的是这样实现的： 

它包括自适应A/D转换器、自适应卡尔曼滤波器及状态空间解算算法。利用自适应A/D转换器使得参考电压随输入信号的幅度自动调整，抑制窄带干扰，提高转换增益。利用基于自回归模型的卡尔曼自适应滤波器实现对窄带信号的滤除。 

本发明的工作原理为： 

由于GPS信号能量分布在f_L周围几百兆赫兹的频段内，而窄带干扰的能量集中在f_J处。在GPS的信号处理中，需要对C/A码进行扩频，即GPS接收机把输入信号与复制码进行相关运算，扩展窄带干扰的而频谱，以提高其抗射频干扰的能力。此方法虽然去除了大部分干扰功率，但是基于GPS信号的光滑的频谱，没有考虑短码或C/A码线状谱的因素。进行相关处理之后，GPS的能量集中在一个窄带内，而此时单频的能量就会发散。 

卫星与GPS接收机之间的通信采用直接扩频通信技术，射频前端接收机接收信号功率低于热噪声约20dB的C/A码信号。经低噪声放大器、混频器、滤波器、可变增益放大器和A/D转换器，最后输出数字信号，再由后级数据相关器恢复出信号。集成射频前端接收机芯片的最后一级是一个A/D转换器。通常，在满足***指标的情况下，采用最简单的1位A/D转换电路，以简化电路和降低功耗。但采用最简单的1位A/D转换器时，在高斯噪声***中，经过转换后的信噪比会降低1.96dB，即A/D转换器的转换增益为-1.96dB。在有恒包络连续波(CW)干扰时，性能衰退更加严重。GPS的通信信道非常恶劣，存在各种干扰，如果采用自 适应4位A/D转换器，参考电压可随输入信号的幅度自动调整，可抑制干扰，提高转换增益。 

利用自适应Kalman滤波算法对AR(p)模型参数进行在线估计，因为模型参数随着时间推移而发生变化，因此把参数估计过程看作非平稳过程，引入过程噪声v₁(k)，假定AR模型的状态方程是随机游动模型： 

θ(t+1)＝θ(t)+v(t)            (1) 

其中v(t)是零均值平稳随机过程，相关阵为Q(t)＝E[v(t)v^T(t)]＝qI(q为标量，是v(t)的方差)。显然这里的转移矩阵为单位阵。观测方程为 

x(t)＝X^T(t)θ(t)+ε(t) 

(2) 

其中X^T(i)＝{x(i-1)，x(i-2)，...，x(i-p)}为量测矩阵，ε(t)均值为零，方差为 

其中{v(t)}和{ε(t)}相互独立。 

令 

表示t时x(1)，x(2)...，x(t)所作的p×1参数向量的估计，由Kalman滤波算法的递推公式可得 

$\widehat{\mathrm{\θ}}\left(t\right)=\widehat{\mathrm{\θ}}(t-1)+g\left(t\right)\mathrm{\α}\left(t\right)---\left(3\right)$

$g\left(t\right)=K(t-1)X^T\left(t\right){[X^T\left(t\right)K(t-1)X\left(t\right)-{\mathrm{\σ}}_{\mathrm{\ϵ}}^2]}^{-1}---\left(4\right)$

其中新息过程 

为标量，Kalman增益g(k)是p×1向量。 

设(1)、(2)确立的状态空间模型中状态滤波误差定义为e(t)，状态预报误差相关阵为K(t+1，t)，则卡尔曼滤波器原理可得： 

$e\left(t\right)=\mathrm{\θ}\left(t\right)-\widehat{\mathrm{\θ}}\left(t\right|x_t)---\left(5\right)$

K(t+1，t)＝K(t)+Q(t)              (6) 

其中： 

K(t)＝K(t，t-1)-g(t)X^T(t)K(t，t-1)(7) 

方程(3)、(4)、(5)、(6)、(7)构成了自适应Kalman滤波算法对AR(p)模型参数的状态估计过程。 

(四)附图说明

图1是本发明的结构示意图。 

(五)具体实施方式

下面结合附图举例对本发明做更详细地描述： 

首先将接收信号通过自适应A/D转换器转换为数字信号，使得参考电压可随输入信号的幅度自动调整。然后建立信号的状态空间自回归模型，为卡尔曼滤波器提供输入，利用设计的自适应滤波算法实现对窄带干扰的滤除。算法具体工作原理如下： 

设{X^T(i)，i＝p+1，p+2，...，N}为***输入向量，且 

$\left(\begin{array}{c}X(p+1)\\ X(p+2)\\ M\\ X\left(N\right)\end{array}\right)=\left(\begin{array}{cccc}x\left(p\right)& x(p-1)& L& x\left(1\right)\\ x(p+1)& x\left(p\right)& L& x\left(2\right)\\ L& L& L& L\\ x(N-1)& x(N-1)& L& x(N-p)\end{array}\right)---\left(8\right)$

则对应输入向量X^T(p+1)，X^T(p+2)，...，X^T(N)的希望输出为x(p+1)，x(p+2)，...，x(N)； 

依次令p＝1，2，...，N/3；计算t＝1，2，3...N-1时 

$g\left(t\right)=K(t-1)X^T\left(t\right){[X^T\left(t\right)K(t-1)X\left(t\right)-{\mathrm{\σ}}_{\mathrm{\ϵ}}^2]}^{-1}---\left(9\right)$

$\mathrm{\α}\left(t\right)=x\left(t\right)-X^T\left(t\right)\widehat{\mathrm{\θ}}(t-1)---\left(10\right)$

$\widehat{\mathrm{\θ}}\left(t\right)=\widehat{\mathrm{\θ}}(t-1)+g\left(t\right)\mathrm{\α}\left(t\right)---\left(11\right)$

K(t)＝K(t，t-1)-g(t)X^T(t)K(t，t-1)    (12) 

K(t+1，t)＝K(t)+Q(t)＝K(t)+qI         (13) 

初始条件： 

K(1，0)＝cI(取c＝2)。 

采用AIC准则(Akaike information criterion)确定AR(p)模型阶数p，并求出对应的参数向量 

利用卡尔曼的一步预报公式进行预报。 

利用以上算式可以对非平稳过程{x(t)，t＝1，2，...，N}建立自适应AR模型，它 的参数在某均值附近随机变动。由(9)、(13)式可以看到在该算法过程中需预先假定： 

(1)ε(t)的方差 

(2)v(t)的方差q(取q＝10^-4). 

对于ε(t)的方差 

的求取无法用精确的数学模型求得，在计算g(t)时可以用0.001到0.01乘以{x(t)，t＝p+1，p+2，...，N}的方差作为 

取 

Q(t)＝qK(t)        (14) 

在这种情况下，Kalman滤波算法公式(9)-(13)将化作如下形式： 

g(t)＝K(t-1)X^T(t)[X^T(t)K(t-1)X(t)-ξ_min]^-1 (15) 

$\mathrm{\α}\left(t\right)=x\left(t\right)-X^T\left(t\right)\widehat{\mathrm{\θ}}(t-1)---\left(16\right)$

$\widehat{\mathrm{\θ}}\left(t\right)=\widehat{\mathrm{\θ}}(t-1)+g\left(t\right)\mathrm{\α}\left(t\right)---\left(17\right)$

K(t)＝(1+q)[K(t，t-1)-g(t)X^T(t)K(t，t-1)]  (18) 

${\mathrm{\ξ}}_{\min }=\frac{{\mathrm{\σ}}_{\mathrm{\ϵ}}^2}{(1+q)}---\left(19\right)$

Claims (4)

1.一种GPS窄带干扰自适应抑制技术，利用自适应A/D转换器、自适应卡尔曼滤波器及状态空间解算算法来实现，具体包括以下步骤：

(1)射频前端接收机接收信号由低噪声放大器、混频器、滤波器、可变增益放大器和A/D转换器，所述器件依次连接，输出数字信号；

(2)建立信号的状态空间自回归模型，卡尔曼滤波器提供输入；

(3)利用自适应滤波算法实现对窄带干扰的滤除。

2.如权利要求1所述的一种GPS窄带干扰自适应抑制技术，其特征在于，自适应A/D转换器采用4位A/D转换器，参考电压可随输入信号的幅度自动调整，可抑制干扰，提高转换增益。

3.如权利要求1所述的一种GPS窄带干扰自适应抑制技术，其特征在于，所述自回归模型建立步骤为：

(1)模型参数随着时间推移发生变化，把参数估计过程看作非平稳过程，引入过程噪声v₁(k)，假定AR模型的状态方程是随机游动模型：

θ(t+1)＝θ(t)+v(t)    (1)

其中v(t)是零均值平稳随机过程，相关阵为Q(t)＝E[v(t)v^T(t)]＝qI(q为标量，是v(t)的方差)。显然这里的转移矩阵为单位阵。观测方程为

x(t)＝X^T(t)θ(t)+ε(t)    (2)

其中X^T(i)＝{x(i-1)，x(i-2)，…，x(i-p)}为量测矩阵，ε(t)均值为零，方差为 

其中{v(t)}和{ε(t)}相互独立。

令 

表示t时x(1)，x(2)…，x(t)所作的p×1参数向量的估计，由Kalman滤波算法的递推公式可得

其中新息过程 

为标量，Kalman增益g(k)是p×1向量。

设(1)、(2)确立的状态空间模型中状态滤波误差定义为e(t)，状态预报误差相关阵为K(t+1，t)，则卡尔曼滤波器原理可得：

K(t+1，t)＝K(t)+Q(t)    (6) 

K(t)＝K(t，t-1)-g(t)X^T(t)K(t，t-1)(7)

方程(3)、(4)、(5)、(6)、(7)构成了自适应Kalman滤波算法对AR(p)模型参数的状态估计过程。

4.如权利要求1所述的一种GPS窄带干扰自适应抑制技术，其特征在于，所述的自适应滤波算法包括以下步骤：

设{X^T(i)，i＝p+1，p+2，…，N}为***输入向量，且

则对应输入向量X^T(p+1)，X^T(p+2)，…，X^T(N)的希望输出为x(p+1)，x(p+2)，…，x(N)；

依次令p＝1，2，…，N/3；计算t＝1，2，3…N-1时

K(t)＝K(t，t-1)-g(t)X^T(t)K(t，t-1)    (12)

K(t+1，t)＝K(t)+Q(t)＝K(t)+qI         (13)

初始条件： 

K(1，0)＝cI(取c＝2)。

采用AIC准则(Akaike information criterion)确定AR(p)模型阶数p，并求出对应的参数向量 

利用卡尔曼的一步预报公式进行预报。

利用以上算式可以对非平稳过程{x(t)，t＝1，2，…，N}建立自适应AR模型，它的参数在某均值附近随机变动。由(9)、(13)式可以看到在该算法过程中需预先假定：

(1)ε(t)的方差 

(2)v(t)的方差q(取q＝10^-4).

对于ε(t)的方差 

的求取无法用精确的数学模型求得，在计算g(t)时可以用0.001到0.01乘以{x(t)，t＝p+1，p+2，…，N}的方差作为 

取 

Q(t)＝qK(t)            (14)

在这种情况下，Kalman滤波算法公式(9)-(13)将化作如下形式：

g(t)＝K(t-1)X^T(t)[X^T(t)K(t-1)X(t)-ξ_min]^-1    (15)

K(t)＝(1+q)[K(t，t-1)-g(t)X^T(t)K(t，t-1)]     (18)

Images