CN115580340A - 基于神经网络的数字卫星抑制同频干扰的方法 - Google Patents

基于神经网络的数字卫星抑制同频干扰的方法 Download PDF

Info

Publication number
CN115580340A
CN115580340A CN202211253844.8A CN202211253844A CN115580340A CN 115580340 A CN115580340 A CN 115580340A CN 202211253844 A CN202211253844 A CN 202211253844A CN 115580340 A CN115580340 A CN 115580340A
Authority
CN
China
Prior art keywords
layer
output
neuron
neural network
neurons
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211253844.8A
Other languages
English (en)
Other versions
CN115580340B (zh
Inventor
肖绵合
罗淑文
盛均峰
梁骏
叶丰
彭一洵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Nationalchip Science & Technology Co ltd
Original Assignee
Hangzhou Nationalchip Science & Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Nationalchip Science & Technology Co ltd filed Critical Hangzhou Nationalchip Science & Technology Co ltd
Priority to CN202211253844.8A priority Critical patent/CN115580340B/zh
Publication of CN115580340A publication Critical patent/CN115580340A/zh
Application granted granted Critical
Publication of CN115580340B publication Critical patent/CN115580340B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/1851—Systems using a satellite or space-based relay
    • H04B7/18513—Transmission in a satellite or space-based system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/20—Adaptations for transmission via a GHz frequency band, e.g. via satellite

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于神经网络的数字卫星抑制同频干扰的方法。本发明包括神经网络预训练部分和在线运行部分。神经网络预训练部分首先对生成的标准信号添加随机高斯白噪声，生成随机同频干扰信号，得到接收模拟信号；提取每个时刻的接收模拟信号的实部数据和虚部数据送入输入层神经网络，得到输出层神经元的输出，进行判决和迭代，获得一组神经网络系数保存在芯片的寄存器中。在线运行部分首先将IQ信号输入神经网络，得到输出层神经元的输出，进行判决和迭代，每个时刻神经网络的输出即为抑制同频干扰后的输出。本发明方法将系数预置到芯片中，在芯片正常工作时，依据预先训练的系数以抵抗同频干扰的影响，同时还可以实时自适应地适应当前信道状态。

Description

基于神经网络的数字卫星抑制同频干扰的方法
技术领域
本发明属于数字***广播技术领域，具体涉及一种基于神经网络的数字卫星抑制同频干扰的方法，抵抗同一频段的卫星广播信号由于极化方向的伪正交性导致的同频干扰。
背景技术
在数字***广播技术领域中，一些低质量的卫星接收天线由于没有很好地对齐电磁波的极化方向，导致两个原本同频段正交的电磁波信号发生了相互干扰的现象，这种现象称之为同频干扰(Co-Channel interference，CCI)，如图1所示。同频干扰的产生还有许多可能的原因，例如不同的卫星占用了同一频段，也会出现同频干扰现象。同频干扰问题严重影响接收机接收目标信号质量，同频干扰信号越强，接收目标信号的信干噪比越低。对于数字卫星广播技术领域中，同频干扰强到一定程度时，会导致接收电视节目出现马赛克现象，甚至无法正常接收目标信号。
目前技术上解决同频干扰问题一般分为一下几种方法：
重构抵消：根据某些已知信息，重构干扰信号，并使用减法器消除干扰信号。例如专利CN104253775A使用的就是这个思路。
发端规避信道干扰：当发射机感知到频带上有干扰信号的时，智能地跳过当前频带，不在干扰频段上发射信号。例如WiFi7的前导码打孔技术、专利CN106569235A使用的就是这种方法。
通过特殊的编码，构建窄带干扰下的最优时频联合交织：例如专利CN108737029B使用的就是这个方法。
判决反馈均衡技术：通过采用部分已知训练数据来调整信道均衡器系数，以达到抵消干扰信号的目的。例如专利CN101340206B使用的就是这种方法。
但对于数字卫星广播应用来说，以上方法都不适合用。由于接收机没有参考信号，所以重构抵消方法不能应用；对于方法2、3均需要调整发射端，相关方法也不能使用。对于部分卫星数字电视广播信号而言，不存在可利用的训练数据的情况下，应用判决反馈方法解决同频干扰问题并不能取得很好效果。
专利CN106569235B提出使用外置的射频开关调整天线位置来抑制同频干扰，但是对于民用的数字卫星机顶盒来说，无疑是增加了额外成本，难以应用到民用市场中。专利CN104253775B专用于TD-SCMDA通信制式的接收机中，它采用了干扰信号判定重构相抵消的方法来抑制同频干扰，但数字卫星接收机由于只有一根接收天线，使得没有可提供用于参考的信号，导致干扰信号无法很好地重构，也就无法使用CN104253775A描述的重构抵消方法。专利CN104049242B对发端信号做了参差时序处理，额外地叠加干扰以及滑动窗从而实现同步干扰异步化，但对于数字***广播应用场景中，无法对发端信号进行调整，因此无法应用到数字***广播场景中。专利CN111245454B使用了多个发送信号以及热备冗余来抵抗突发的同频干扰信号，很显然，在民用数字广播电视***中，多发射机以及多接收机冗余难以在市场中广泛应用。
目前人工智能(AI)技术被广泛应用于各个领域，AI技术的核心技术为人工神经网络(ANN)。ANN有多个神经元结构组成，神经元结构如附图2所示。ANN可用于拟合某种函数，在其系数训练得当的情况下，可以使用ANN虚拟重构同频干扰信号，从而直接恢复出目标信号。基于这样的思路，提出本文所述之发明。
发明内容
本发明的目的是提供一种基于神经网络的数字卫星抑制同频干扰的方法，完全不同于现有解决同频干扰问题的实现路径，利用人工神经网络的可塑性，根据同频干扰场景，训练一组网络系数预置于芯片内的ANN中。在芯片运行阶段，还根据实时解调数据，动态更新网络系数。
本发明包括神经网络预训练部分和在线运行部分。
所述的神经网络预训练部分具体是：
步骤(1)根据数字***广播信号生成长度为L的标准信号，标准信号为QPSK、8PSK、16APSK、32APSK、64APSK、128APSK、256APSK中的一种；在标准信号的理论门限处添加随机高斯白噪声；将标准信号与随机高斯白噪声的和作为标签信号S1＝[s1，1，s1，2，...，s1，L]，s1，l为第l个标签信号，l＝1，2，...，L，s1，l为复数。
步骤(2)生成随机长度为L的同频干扰信号S2，S2＝[s2，1，s2，2，...，s2，L]，s2，l为第l个同频干扰信号，l＝1，2，...，L，s2，l为复数；
将S2添加到S1，得到接收模拟信号S3＝S1+S2，S3＝[s1，1+s2，1，s1，2+s2，2，..，s1，L+s2，L]。
步骤(3)将S3的实部和虚部分别送入两组独立的作为信息提取层的移位寄存器中；在t1时刻提取S3的第1到第K个数据，在t2时刻提取S3的第2到第K+1个数据，按时间顺序依次操作，共提取L-K个时刻的数据，K＜＜L；每个时刻提取的数据包括实部数据Ix＝[xI，1，xI，2，...，xI，K]和虚部数据Qx＝[xQ，1，xQ，2，...，xQ，K]。
步骤(4)提取移位寄存器上的数据送入输入层神经网络，在输入层的2K个神经元中，计算每个神经元的输出F(x)＝x+tanh(x)，tanh(.)为双曲正切函数，输入变量x对应每个时刻提取的数据Ix＝[xI，1，xI，2，...，xI，K]和Qx＝[xQ，1，xQ，2，...，xQ，K]；
输入层神经网络的输出包括I路输出FIL0和Q路输出FQL0：
Figure BDA0003888771890000031
fIL0，k为I路第k个神经元输出，
Figure BDA0003888771890000032
fQL0，k为Q路第k个神经元输出，k＝1，2，...，K；
Figure BDA0003888771890000033
表示将a定义为b。
步骤(5)计算隐含层的第一层神经元的输出，隐含层的第一层神经元分为I、Q两路网络，其输出包括I路的神经单元输出FIL1和Q路的神经单元输出FQL1；FIL1＝[fIL1，1，fIL1，2，...，fIL1，J]，fIL1，j表示隐含层第一层I路第j个神经元输出，FQL1＝[fQL1，1，fQL1，2，...，fQL1，J]，fQL1，j表示隐含层第一层Q路第j个神经元输出，j＝1，2，...，J，J为隐含层的第一层神经元数量；
隐含层第一层单个神经元的输出
Figure BDA0003888771890000034
m表示当前通道I或Q，wm，k，j为隐含层第一层中第j个神经元连接输入层的第k个神经元的系数值，初始值全为1。
步骤(6)计算隐含层的第二层神经元的输出，隐含层的第二层神经元分为I、Q两路网络，第二层神经元数量与第一层神经元数量J相等，其输出包括I路的神经单元输出FIL2和Q路的神经单元输出FQL2；FIL2＝[fIL2，1，fIL2，2，...，fIL2，J]，fIL2，j表示隐含层第二层I路第j个神经元输出，FQL2＝[fQL2，1，fQL2，2，...，fQL2，J]，fQL2，j表示隐含层第二层Q路第j个神经元输出，j＝1，2，...，J；
隐含层第二层单个神经元的输出
Figure BDA0003888771890000035
m表示当前通道I或Q，wm，k，j为隐含层第二层中第j个神经元连接隐含层第一层的第k个神经元的系数值，初始值全为1。
步骤(7)计算隐含层的第三层神经元的输出，隐含层的第三层神经元分为I、Q两路网络，第三层神经元数量与第一层神经元数量J相等，其输出包括I路的神经单元输出FIL3和Q路的神经单元输出FQL3；FIL3＝[fIL3，1，fIL3，2，...，fIL3，J]，fIL3，j表示隐含层第三层I路第j个神经元输出，FQL3＝[fQL3，1，fQL3，2，...，fQL3，J]，fQL3，j表示隐含层第三层Q路第j个神经元输出，j＝1，2，...，J；
隐含层第三层单个神经元的输出
Figure BDA0003888771890000041
m表示当前通道I或Q，wm，k，j为隐含层第三层中第j个神经元连接隐含层第二层的第k个神经元的系数值，初始值全为1。
步骤(8)计算输出层神经元的输出
Figure BDA0003888771890000042
m表示当前通道I或Q，wm，k为输出层中m路输出连接隐含层第三层的第k个神经元的系数值，初始值全为1，即得到当前时刻神经网络的输出fI和fQ。
步骤(9)将输出fI和fQ组成一个复数信号fI+fQi送入判决器中，
Figure BDA0003888771890000043
表示虚数。将当前t时刻的标签信号s1，t作为当前输出fI+fQi的判决值，计算出误差值e＝s1，t-(fI+fQi)。
步骤(10)迭代控制；
在迭代控制单元中，根据当前误差值e以及当前神经网络系数wm，k，j(t)计算神经网络下一个时刻的系数wm，k，j(t+1)＝wm，k，j(t)+Δefmk，j，m表示当前通道I或Q，Δ表示固定的迭代步长，fmk，j表示wm，k，j连接的神经元的输出。
步骤(11)重复步骤(3)～(10)，直到仿真迭代完步骤(2)生成的所有数据，获得一组神经网络系数wm，k，j，保存于芯片内部的寄存器中。
所述的在线运行部分具体是：
步骤(a)天线接收受到同频干扰的目标信号，经变频操作、模数转换、解调操作，接收到IQ信号。
步骤(b)将IQ信号分别送入时延长度为K的移位寄存器中，提取移位寄存器上的数据送入输入层神经网络，在输入层的2K个神经元中，计算每个神经元的的输出F(y)＝y+tanh(y)，输入IQ信号的随机变量y对应I路的K个移位寄存器的数据Iy＝[yI，1，yI，2，...，yI，K]和Q路的K个移位寄存器的数据Qy＝[yQ，1，yQ，2，...，yQ，K]；
输入层神经网络的I路输出
Figure BDA0003888771890000044
Q路输出
Figure BDA0003888771890000051
fIL0，k为I路第k个神经元输出，fQL0，k为Q路第k个神经元输出，k＝1，2，...，K。
步骤(c)计算隐含层的第一层神经元的输出，隐含层的第一层神经元分为I、Q两路网络，其输出包括I路的神经单元输出FIL1和Q路的神经单元输出FQL1；FIL1＝[fIL1，1，fIL1，2，...，fIL1，J]，fIL1，j表示隐含层第一层I路第j个神经元输出，FQL1＝[fQL1，1，fQL1，2，...，fQL1，J]，fQL1，j表示隐含层第一层Q路第j个神经元输出，j＝1，2，...，J，J为隐含层的第一层神经元数量；
隐含层第一层单个神经元的输出
Figure BDA0003888771890000052
m表示当前通道I或Q，wm，k，j为隐含层第一层中第j个神经元连接输入层的第k个神经元的系数值，初始值为步骤(11)确定的神经网络系数wm，k，j。
步骤(d)计算隐含层的第二层神经元的输出，隐含层的第二层神经元分为I、Q两路网络，第二层神经元数量与第一层神经元数量J相等，其输出包括I路的神经单元输出FIL2和Q路的神经单元输出FQL2；FIL2＝[fIL2，1，fIL2，2，...，fIL2，J]，fIL2，j表示隐含层第二层I路第j个神经元输出，FQL2＝[fQL2，1，fQL2，2，...，fQL2，J]，fQL2，j表示隐含层第二层Q路第j个神经元输出，j＝1，2，...，J；
隐含层第二层单个神经元的输出
Figure BDA0003888771890000053
m表示当前通道I或Q，wm，k，j为隐含层第二层中第j个神经元连接隐含层第一层的第k个神经元的系数值，初始值为步骤(11)确定的神经网络系数wm，k，j。
步骤(e)计算隐含层的第三层神经元的输出，隐含层的第三层神经元分为I、Q两路网络，第三层神经元数量与第一层神经元数量J相等，其输出包括I路的神经单元输出FIL3和Q路的神经单元输出FQL3；FIL3＝[fIL3，1，fIL3，2，...，fIL3，J]，fIL3，j表示隐含层第三层I路第j个神经元输出，FQL3＝[fQL3，1，fQL3，2，...，fQL3，J]，fQL3，j表示隐含层第三层Q路第j个神经元输出，j＝1，2，...，J；
隐含层第三层单个神经元的输出
Figure BDA0003888771890000054
m表示当前通道I或Q，wm，k，j为隐含层第三层中第j个神经元连接隐含层第二层的第k个神经元的系数值，初始值为步骤(11)确定的神经网络系数wm，k，j。
步骤(f)计算输出层神经元的输出
Figure BDA0003888771890000061
m表示当前通道I或Q，wm，k为输出层中m路输出连援隐含层第三层的第k个神经元的系数值，初始值为步骤(11)确定的神经网络系数wm，k，j，即得到当前时刻神经网络的输出fI和fQ。
步骤(g)将输出fI和fQ组成一个复数信号fI+fQi送入判决器中，根据当前星座模式的标准星座点位置判定fI+fQi对应最近的星座点sstd，星座模式为QPSK、8PSK、16APSK、32APSK、64APSK、128APSK、256APSK中的一种，计算星座点sstd与复数信号fI+fQi误差e′＝sstd-(fI+fQi)。
步骤(h)迭代控制；
在迭代控制单元中，根据当前误差值e′以及当前神经网络系数wm，k，j(t)计算神经网络下一个时刻的系数
Figure BDA0003888771890000062
m表示当前通道I或Q，Δ表示固定的迭代步长，fmk，j表示wm，k，j连接的神经元的输出。
步骤(i)对每一个持续输入的IQ信号执行步骤(b)～(h)，每个时刻神经网络的输出fI和fQ即为抑制同频干扰后的输出。
本发明方法通过预先训练一组能够抵抗同频干扰的神经网络系数，将系数预置到芯片中，在芯片正常工作时，依据预先训练的系数以抵抗同频干扰的影响，同时还可以实时自适应地适应当前信道状态。当信道发生改变时，根据星座特性，能够跟踪上信道的变化。不同于传统的抵抗同频干扰的方法，诸如重构抵消，规避信道干扰又或者特殊编码等方式，无需修改发端信息标准，就能将同频干扰噪声平铺到整个频频能量中，有效减少突发误码的情况发生。
附图说明
图1为本发明中信道干扰模型；
图2为本发明中单个神经元结构示意图；
图3为本发明方法流程图；
图4为本发明方法中神经网络结构图；
图5为本发明方法在线运行部分示意图；
图6为本发明方法中的解调链路示意图。
具体实施方式
应该理解的是上述实例只是对本发明的说明，而不是对本发明的限制，任何不超出本发明实质精神范围内的发明创造，均落入本发明的保护范围之内。
如图3所示，基于神经网络的数字卫星抑制同频干扰的方法，包括神经网络预训练部分和在线运行部分。
神经网络预训练部分具体是：
步骤(1)根据数字***广播信号生成长度为L的标准信号，标准信号为QPSK、8PSK、16APSK、32APSK、64APSK、128APSK、256APSK中的一种；在标准信号的理论门限处添加随机高斯白噪声；将标准信号与随机高斯白噪声的和作为标签信号S1＝[s1，1，s1，2，...，s1，L]，s1，l为第l个标签信号，l＝1，2，...，L，s1，l为复数。
步骤(2)生成随机长度为L的同频干扰信号S2，S2＝[s2，1，s2，2，...，s2，L]，s2，l为第l个同频干扰信号，l＝1，2，...，L，s2，l为复数。
将S2添加到S1，得到接收模拟信号S3＝S1+S2，S3＝[s1，1+s2，1，s1，2+s2，2，..，s1，L+s2，L]。
步骤(3)将S3的实部和虚部分别送入两组独立的作为信息提取层的移位寄存器中；在t1时刻提取S3的第1到第K个数据，在t2时刻提取S3的第2到第K+1个数据，按时间顺序依次操作，共提取L-K个时刻的数据，K＜＜L；每个时刻提取的数据包括实部数据Ix＝[xI，1，xI，2，...，xI，K]和虚部数据Qx＝[xQ，1，xQ，2，...，xQ，K]；
将上述操作定义为输入数据的延迟移位操作。在接下来的步骤中，每做一次信号处理计算，都将输入数据进行一次延迟移位。
步骤(4)如图4所示，提取移位寄存器上的数据送入输入层神经网络，在输入层的2K个神经元中，计算每个神经元的输出F(x)＝x+tanh(x)，tanh(·)为双曲正切函数，输入变量x对应每个时刻提取的数据Ix＝[xI，1，xI，2，...，xI，K]和Qx＝[xQ，1，xQ，2，...，xQ，K]；
输入层神经网络的输出包括I路输出FIL0和Q路输出FQL0：
Figure BDA0003888771890000071
fIL0，k为I路第k个神经元输出，
Figure BDA0003888771890000081
fQL0，k为Q路第k个神经元输出，k＝1，2，...，K；
Figure BDA0003888771890000082
表示将a定义为b。
步骤(5)计算隐含层的第一层神经元的输出，隐含层的第一层神经元分为I、Q两路网络，其输出包括I路的神经单元输出FIL1和Q路的神经单元输出FQL1；FIL1＝[fIL1，1，fIL1，2，...，fIL1，J]，fIL1，j表示隐含层第一层I路第j个神经元输出，FQL1＝[fQL1，1，fQL1，2，...，fQL1，J]，fQL1，j表示隐含层第一层Q路第j个神经元输出，j＝1，2，...，J，J为隐含层的第一层神经元数量；
隐含层第一层单个神经元的输出
Figure BDA0003888771890000083
m表示当前通道I或Q，wm，k，j为隐含层第一层中第j个神经元连接输入层的第k个神经元的系数值，初始值全为1。
步骤(6)计算隐含层的第二层神经元的输出，隐含层的第二层神经元分为I、Q两路网络，第二层神经元数量与第一层神经元数量J相等，其输出包括I路的神经单元输出FIL2和Q路的神经单元输出FQL2；FIL2＝[fIL2，1，fIL2，2，...，fIL2，J]，fIL2，j表示隐含层第二层I路第j个神经元输出，FQL2＝[fQL2，1，fQL2，2，...，fQL2，J]，fQL2，j表示隐含层第二层Q路第j个神经元输出，j＝1，2，...，J；
隐含层第二层单个神经元的输出
Figure BDA0003888771890000084
m表示当前通道I或Q，wm，k，j为隐含层第二层中第j个神经元连接隐含层第一层的第k个神经元的系数值，初始值全为1。
步骤(7)计算隐含层的第三层神经元的输出，隐含层的第三层神经元分为I、Q两路网络，第三层神经元数量与第一层神经元数量J相等，其输出包括I路的神经单元输出FIL3和Q路的神经单元输出FQL3；FIL3＝[fIL3，1，fIL3，2，...，fIL3，J]，fIL3，j表示隐含层第三层I路第j个神经元输出，FQL3＝[fQL3，1，fQL3，2，...，fQL3，J]，fQL3，j表示隐含层第三层Q路第j个神经元输出，j＝1，2，...，J；
隐含层第三层单个神经元的输出
Figure BDA0003888771890000085
m表示当前通道I或Q，wm，k，j为隐含层第三层中第j个神经元连接隐含层第二层的第k个神经元的系数值，初始值全为1。
步骤(8)计算输出层神经元的输出
Figure BDA0003888771890000091
m表示当前通道I或Q，wm，k为输出层中m路输出连接隐含层第三层的第k个神经元的系数值，初始值全为1，即得到当前时刻神经网络的输出fI和fQ。
步骤(9)将输出fI和fQ组成一个复数信号fI+fQi送入判决器中，
Figure BDA0003888771890000092
表示虚数。将当前t时刻的标签信号s1，t作为当前输出fI+fQi的判决值，计算出误差值e＝s1，t-(fI+fQi)。
步骤(10)迭代控制；
在迭代控制单元中，根据当前误差值e以及当前神经网络系数wm，k，j(t)计算神经网络下一个时刻的系数wm，k，j(t+1)＝wm，k，j(t)+Δefmk，j，m表示当前通道I或Q，Δ表示固定的迭代步长，fmk，j表示wm，k，j连接的神经元的输出。
步骤(11)重复步骤(3)～(10)，直到仿真迭代完步骤(2)生成的所有数据，获得一组神经网络系数wm，k，j，保存于芯片内部的寄存器中。
如图5所示，在线运行部分具体是：
步骤(a)天线接收受到同频干扰的目标信号，经变频操作、模数转换、解调操作，接收到IQ信号，如图6所示，。
步骤(b)将IQ信号分别送入时延长度为K的移位寄存器中，提取移位寄存器上的数据送入输入层神经网络，在输入层的2K个神经元中，计算每个神经元的的输出F(y)＝y+tanh(y)，输入IQ信号的随机变量y对应I路的K个移位寄存器的数据Iy＝[yI，1，yI，2，...，yI，K]和Q路的K个移位寄存器的数据Qy＝[yQ，1，yQ，2，...，yQ，K]；
输入层神经网络的I路输出
Figure BDA0003888771890000093
Q路输出
Figure BDA0003888771890000094
fIL0，k为I路第k个神经元输出，fQL0，k为Q路第k个神经元输出，k＝1，2，...，K。
步骤(c)计算隐含层的第一层神经元的输出，隐含层的第一层神经元分为I、Q两路网络，其输出包括I路的神经单元输出FIL1和Q路的神经单元输出FQL1；FIL1＝[fIL1，1，fIL1，2，...，fIL1，J]，fIL1，j表示隐含层第一层I路第j个神经元输出，FQL1＝[fQL1，1，fQL1，2，...，fQL1，J]，fQL1，j表示隐含层第一层Q路第j个神经元输出，j＝1，2，...，J，J为隐含层的第一层神经元数量；
隐含层第一层单个神经元的输出
Figure BDA0003888771890000101
m表示当前通道I或Q，wm，k，j为隐含层第一层中第j个神经元连接输入层的第k个神经元的系数值，初始值为步骤(11)确定的神经网络系数wm，k，j。
步骤(d)计算隐含层的第二层神经元的输出，隐含层的第二层神经元分为I、Q两路网络，第二层神经元数量与第一层神经元数量J相等，其输出包括I路的神经单元输出FIL2和Q路的神经单元输出FQL2；FIN2＝[fIL2，1，fIL2，2，...，fIL2，J]，fIL2，j表示隐含层第二层I路第j个神经元输出，FQL2＝[fQL2，1，fQL2，2，...，fQL2，J]，fQL2，j表示隐含层第二层Q路第j个神经元输出，j＝1，2，...，J；
隐含层第二层单个神经元的输出
Figure BDA0003888771890000102
m表示当前通道I或Q，wm，k，j为隐含层第二层中第j个神经元连接隐含层第一层的第k个神经元的系数值，初始值为步骤(11)确定的神经网络系数wm，k，j。
步骤(e)计算隐含层的第三层神经元的输出，隐含层的第三层神经元分为I、Q两路网络，第三层神经元数量与第一层神经元数量J相等，其输出包括I路的神经单元输出FIL3和Q路的神经单元输出FQL3；FIL3＝[fIL3，1，fIL3，2，...，fIL3，J]，fIL3，j表示隐含层第三层I路第j个神经元输出，FQL3＝[fQL3，1，fQL3，2，...，fQL3，J]，fQL3，j表示隐含层第三层Q路第j个神经元输出，j＝1，2，...，J；
隐含层第三层单个神经元的输出
Figure BDA0003888771890000103
m表示当前通道I或Q，wm，k，j为隐含层第三层中第j个神经元连接隐含层第二层的第k个神经元的系数值，初始值为步骤(11)确定的神经网络系数wm，k，j。
步骤(f)计算输出层神经元的输出
Figure BDA0003888771890000104
m表示当前通道I或Q，wm，k为输出层中m路输出连接隐含层第三层的第k个神经元的系数值，初始值为步骤(11)确定的神经网络系数wm，k，j，即得到当前时刻神经网络的输出fI和fQ。
步骤(g)将输出fI和fQ组成一个复数信号fI+fQi送入判决器中，根据当前星座模式的标准星座点位置判定fI+fQi对应最近的星座点sstd，星座模式为QPSK、8PSK、16APSK、32APSK、64APSK、128APSK、256APSK中的一种，计算星座点sstd与复数信号fI+fQi误差e′＝sstd-(fI+fQi)。
步骤(h)迭代控制；
在迭代控制单元中，根据当前误差值e′以及当前神经网络系数wm，k，j(t)计算神经网络下一个时刻的系数
Figure BDA0003888771890000111
m表示当前通道I或Q，Δ表示固定的迭代步长，fmk，j表示wm，k，j连接的神经元的输出。
步骤(i)对每一个持续输入的IQ信号执行步骤(b)～(h)，每个时刻神经网络的输出fI和fQ即为抑制同频干扰后的输出。

Claims (2)

1.基于神经网络的数字卫星抑制同频干扰的方法，包括神经网络预训练部分和在线运行部分；其特征在于：
所述的神经网络预训练部分具体是：
步骤(1)根据数字***广播信号生成长度为L的标准信号；在标准信号的理论门限处添加随机高斯白噪声；将标准信号与随机高斯白噪声的和作为标签信号S1＝[s1,1,s1,2,...,s1,L]，s1,l为第l个标签信号，l＝1,2,…,L，s1,l为复数；
步骤(2)生成随机长度为L的同频干扰信号S2，S2＝[s2,1,s2,2,...,s2,L]，s2,l为第l个同频干扰信号，l＝1,2,…,L，s2,l为复数；
将S2添加到S1，得到接收模拟信号S3＝S1+S2，S3＝[s1,1+s2,1,s1,2+s2,2,..,s1,L+s2,L]；
步骤(3)将S3的实部和虚部分别送入两组独立的作为信息提取层的移位寄存器中；在t1时刻提取S3的第1到第K个数据，在t2时刻提取S3的第2到第K+1个数据，按时间顺序依次操作，共提取L-K个时刻的数据，K＜＜L；每个时刻提取的数据包括实部数据Ix＝[xI,1,xI,2,…,xI,K]和虚部数据Qx＝[xQ,1,xQ,2,…,xQ,K]；
步骤(4)提取移位寄存器上的数据送入输入层神经网络，在输入层的2K个神经元中，计算每个神经元的输出F(x)＝x+tanh(x)，tanh(·)为双曲正切函数，输入变量x对应每个时刻提取的数据Ix＝[xI,1,xI,2,…,xI,K]和Qx＝[xQ,1,xQ,2,…,xQ,K]；
输入层神经网络的输出包括I路输出FIL0和Q路输出FQL0：
Figure FDA0003888771880000011
fIL0,k为I路第k个神经元输出，
Figure FDA0003888771880000012
fQL0,k为Q路第k个神经元输出，k＝1,2,…,K；
Figure FDA0003888771880000013
表示将a定义为b；
步骤(5)计算隐含层的第一层神经元的输出，隐含层的第一层神经元分为I、Q两路网络，其输出包括I路的神经单元输出FIL1和Q路的神经单元输出FQL1；FIL1＝[fIL1,1,fIL1,2,...,fIL1,J]，fIL1,j表示隐含层第一层I路第j个神经元输出，FQL1＝[fQL1,1,fQL1,2,...,fQL1,J]，fQL1,j表示隐含层第一层Q路第j个神经元输出，j＝1,2,…,J，J为隐含层的第一层神经元数量；
隐含层第一层单个神经元的输出
Figure FDA0003888771880000021
m表示当前通道I或Q，wm,k,j为隐含层第一层中第j个神经元连接输入层的第k个神经元的系数值，初始值全为1；
步骤(6)计算隐含层的第二层神经元的输出，隐含层的第二层神经元分为I、Q两路网络，第二层神经元数量与第一层神经元数量J相等，其输出包括I路的神经单元输出FIL2和Q路的神经单元输出FQL2；FIL2＝[fIL2,1,fIL2,2,...,fIL2,J]，fIL2,j表示隐含层第二层I路第j个神经元输出，FQL2＝[fQL2,1,fQL2,2,...,fQL2,J]，fQL2,j表示隐含层第二层Q路第j个神经元输出，j＝1,2,…,J；
隐含层第二层单个神经元的输出
Figure FDA0003888771880000022
m表示当前通道I或Q，wm,k,j为隐含层第二层中第j个神经元连接隐含层第一层的第k个神经元的系数值，初始值全为1；
步骤(7)计算隐含层的第三层神经元的输出，隐含层的第三层神经元分为I、Q两路网络，第三层神经元数量与第一层神经元数量J相等，其输出包括I路的神经单元输出FIL3和Q路的神经单元输出FQL3；FIL3＝[fIL3,1,fIL3,2,...,fIL3,J]，fIL3,j表示隐含层第三层I路第j个神经元输出，FQL3＝[fQL3,1,fQL3,2,...,fQL3,J]，fQL3,j表示隐含层第三层Q路第j个神经元输出，j＝1,2,…,J；
隐含层第三层单个神经元的输出
Figure FDA0003888771880000023
m表示当前通道I或Q，wm,k,j为隐含层第三层中第j个神经元连接隐含层第二层的第k个神经元的系数值，初始值全为1；
步骤(8)计算输出层神经元的输出
Figure FDA0003888771880000024
m表示当前通道I或Q，wm,k为输出层中m路输出连接隐含层第三层的第k个神经元的系数值，初始值全为1，即得到当前时刻神经网络的输出fI和fQ；
步骤(9)将输出fI和fQ组成一个复数信号fI+fQi送入判决器中，
Figure FDA0003888771880000025
表示虚数；将当前t时刻的标签信号s1,t作为当前输出fI+fQi的判决值，计算出误差值e＝s1,t-(fI+fQi)；
步骤(10)迭代控制；
在迭代控制单元中，根据当前误差值e以及当前神经网络系数wm,k,j(t)计算神经网络下一个时刻的系数wm,k,j(t+1)＝wm,k,j(t)+Δefmk,j，m表示当前通道I或Q，Δ表示固定的迭代步长，fmk,j表示wm,k,j连接的神经元的输出；
步骤(11)重复步骤(3)～(10)，直到仿真迭代完步骤(2)生成的所有数据，获得一组神经网络系数wm,k,j，保存于芯片内部的寄存器中；
所述的在线运行部分具体是：
步骤(a)天线接收受到同频干扰的目标信号，经变频操作、模数转换、解调操作，接收到IQ信号；
步骤(b)将IQ信号分别送入时延长度为K的移位寄存器中，提取移位寄存器上的数据送入输入层神经网络，在输入层的2K个神经元中，计算每个神经元的的输出F(y)＝y+tanh(y)，输入IQ信号的随机变量y对应I路的K个移位寄存器的数据Iy＝[yI,1,yI,2,…,yI,K]和Q路的K个移位寄存器的数据Qy＝[yQ,1,yQ,2,…,yQ,K]；
输入层神经网络的I路输出
Figure FDA0003888771880000031
Q路输出
Figure FDA0003888771880000032
fIL0,k为I路第k个神经元输出，fQL0,k为Q路第k个神经元输出，k＝1,2,…,K；
步骤(c)计算隐含层的第一层神经元的输出，隐含层的第一层神经元分为I、Q两路网络，其输出包括I路的神经单元输出FIL1和Q路的神经单元输出FQL1；FIL1＝[fIL1,1,fIL1,2,...,fIL1,J]，fIL1,j表示隐含层第一层I路第j个神经元输出，FQL1＝[fQL1,1,fQL1,2,...,fQL1,J]，fQL1,j表示隐含层第一层Q路第j个神经元输出，j＝1,2,…,J，J为隐含层的第一层神经元数量；
隐含层第一层单个神经元的输出
Figure FDA0003888771880000033
m表示当前通道I或Q，wm,k,j为隐含层第一层中第j个神经元连接输入层的第k个神经元的系数值，初始值为步骤(11)确定的神经网络系数wm,k,j；
步骤(d)计算隐含层的第二层神经元的输出，隐含层的第二层神经元分为I、Q两路网络，第二层神经元数量与第一层神经元数量J相等，其输出包括I路的神经单元输出FIL2和Q路的神经单元输出FQL2；FIL2＝[fIL2,1,fIL2,2,...,fIL2,J]，fIL2,j表示隐含层第二层I路第j个神经元输出，FQL2＝[fQL2,1,fQL2,2,...,fQL2,J]，fQL2,j表示隐含层第二层Q路第j个神经元输出，j＝1,2,…,J；
隐含层第二层单个神经元的输出
Figure FDA0003888771880000041
m表示当前通道I或Q，wm,k,j为隐含层第二层中第j个神经元连接隐含层第一层的第k个神经元的系数值，初始值为步骤(11)确定的神经网络系数wm,k,j；
步骤(e)计算隐含层的第三层神经元的输出，隐含层的第三层神经元分为I、Q两路网络，第三层神经元数量与第一层神经元数量J相等，其输出包括I路的神经单元输出FIL3和Q路的神经单元输出FQL3；FIL3＝[fIL3,1,fIL3,2,...,fIL3,J]，fIL3,j表示隐含层第三层I路第j个神经元输出，FQL3＝[fQL3,1,fQL3,2,...,fQL3,J]，fQL3,j表示隐含层第三层Q路第j个神经元输出，j＝1,2,…,J；
隐含层第三层单个神经元的输出
Figure FDA0003888771880000042
m表示当前通道I或Q，wm,k,j为隐含层第三层中第j个神经元连接隐含层第二层的第k个神经元的系数值，初始值为步骤(11)确定的神经网络系数wm,k,j；
步骤(f)计算输出层神经元的输出
Figure FDA0003888771880000043
m表示当前通道I或Q，wm,k为输出层中m路输出连接隐含层第三层的第k个神经元的系数值，初始值为步骤(11)确定的神经网络系数wm,k,j，即得到当前时刻神经网络的输出fI和fQ；
步骤(g)将输出fI和fQ组成一个复数信号fI+fQi送入判决器中，根据当前星座模式的标准星座点位置判定fI+fQi对应最近的星座点sstd，计算星座点sstd与复数信号fI+fQi误差e′＝sstd-(fI+fQi)；
步骤(h)迭代控制；
在迭代控制单元中，根据当前误差值e′以及当前神经网络系数wm,k,j(t)计算神经网络下一个时刻的系数
Figure FDA0003888771880000051
m表示当前通道I或Q，Δ表示固定的迭代步长，fmk,j表示wm,k,j连接的神经元的输出；
步骤(i)对每一个持续输入的IQ信号执行步骤(b)～(h)，每个时刻神经网络的输出fI和fQ即为抑制同频干扰后的输出。
2.如权利要求1所述的基于神经网络的数字卫星抑制同频干扰的方法，其特征在于：所述的标准信号和星座模式为QPSK、8PSK、16APSK、32APSK、64APSK、128APSK、256APSK中的一种。
CN202211253844.8A 2022-10-13 2022-10-13 基于神经网络的数字卫星抑制同频干扰的方法 Active CN115580340B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211253844.8A CN115580340B (zh) 2022-10-13 2022-10-13 基于神经网络的数字卫星抑制同频干扰的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211253844.8A CN115580340B (zh) 2022-10-13 2022-10-13 基于神经网络的数字卫星抑制同频干扰的方法

Publications (2)

Publication Number Publication Date
CN115580340A true CN115580340A (zh) 2023-01-06
CN115580340B CN115580340B (zh) 2024-07-23

Family

ID=84585780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211253844.8A Active CN115580340B (zh) 2022-10-13 2022-10-13 基于神经网络的数字卫星抑制同频干扰的方法

Country Status (1)

Country Link
CN (1) CN115580340B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116260547A (zh) * 2023-05-11 2023-06-13 武汉能钠智能装备技术股份有限公司四川省成都市分公司 一种抑制同频干扰的***及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102571659A (zh) * 2010-12-15 2012-07-11 中兴通讯股份有限公司 一种干扰噪声估计和干扰抑制方法及相应***
CN110601777A (zh) * 2019-08-29 2019-12-20 浙江大学 一种低轨移动卫星星座下星地下行链路同频干扰估计方法
CN111126562A (zh) * 2019-11-22 2020-05-08 上海交通大学 基于神经网络的目标算法拟合方法、终端以及应用
WO2021113314A1 (en) * 2019-12-04 2021-06-10 Massachusetts Institute Of Technology Methods and apparatus for analog canceler tuning using neural networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102571659A (zh) * 2010-12-15 2012-07-11 中兴通讯股份有限公司 一种干扰噪声估计和干扰抑制方法及相应***
CN110601777A (zh) * 2019-08-29 2019-12-20 浙江大学 一种低轨移动卫星星座下星地下行链路同频干扰估计方法
CN111126562A (zh) * 2019-11-22 2020-05-08 上海交通大学 基于神经网络的目标算法拟合方法、终端以及应用
WO2021113314A1 (en) * 2019-12-04 2021-06-10 Massachusetts Institute Of Technology Methods and apparatus for analog canceler tuning using neural networks

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116260547A (zh) * 2023-05-11 2023-06-13 武汉能钠智能装备技术股份有限公司四川省成都市分公司 一种抑制同频干扰的***及方法
CN116260547B (zh) * 2023-05-11 2023-09-22 武汉能钠智能装备技术股份有限公司四川省成都市分公司 一种抑制同频干扰的***及方法

Also Published As

Publication number Publication date
CN115580340B (zh) 2024-07-23

Similar Documents

Publication Publication Date Title
Hamazumi et al. A study of a loop interference canceller for the relay stations in an SFN for digital terrestrial broadcasting
DE69609525T2 (de) Verfahren und anordnung zur verminderung von nachbarinterferenz unter verwendung von diversity-signalen eines antennenfeldes
CN101558570B (zh) 提高通信网络中的接收机性能
DE69329893T2 (de) Verfahren und Einrichtung zur Kompensation von Mehrwegeschwund und von Gleichwellenstörungen in einem Funksignal
US8238820B2 (en) On-channel repeater and on-channel repeating method
US7187726B2 (en) Method for demodulating a digital signal based on a generated error signal, and an associated receiver
US20070191071A1 (en) Method for isofrequency transmission of a digital signal with echo suppression and corresponding retransmission device
AU2009288957A1 (en) Channel estimation and equalization for hard-limited signals
DE60131243T2 (de) Adaptives Entzerrungsverfahren sowie adaptiver Entzerrer
CN115580340A (zh) 基于神经网络的数字卫星抑制同频干扰的方法
CN113325375B (zh) 一种基于深度神经网络的自适应对消方法
CN104410593B (zh) 基于判决反馈模型的数字符号非线性误差修正均衡方法
Muranov et al. On deep learning assisted self-interference estimation in a full-duplex relay link
US6985523B2 (en) Method and system for adaptive equalization for receivers in a wide-band satellite communications system
WO2020209093A1 (ja) 無線通信システム、無線通信方法、送信局装置および受信局装置
CN105429924B (zh) 一种应用于卫星信道的混合级联ofdm信道估计方法
Bilbao et al. Ai-based inter-tower communication networks: Challenges and benefits
CN116132236B (zh) 应用于5g nr***的单符号自适应频偏估计与补偿方法
CN114697183A (zh) 一种基于深度学习的信道同步方法
US20070217554A1 (en) Noise Canceling in Equalized Signals
Wei et al. Single-channel demodulation algorithm for non-cooperative PCMA signals based on neural network
Laot et al. Experimental results on adaptive MMSE turbo equalization in shallow underwater acoustic communication
CN116938656A (zh) 一种基于深度学习的fm解调方法
CN114884783B (zh) 一种利用神经网络进行电力线系信道估计的方法
CN116260686A (zh) 用于解码转发协作通信***的多分支加权合并与均衡检测器联合实现方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: 310012 5-6 / F, block a, East Software Park Innovation Building, 90 Wensan Road, Hangzhou City, Zhejiang Province

Applicant after: Hangzhou Guoxin Microelectronics Co.,Ltd.

Address before: 310012 5-6 / F, block a, East Software Park Innovation Building, 90 Wensan Road, Hangzhou City, Zhejiang Province

Applicant before: HANGZHOU NATIONALCHIP SCIENCE & TECHNOLOGY Co.,Ltd.

Country or region before: China

GR01 Patent grant