CN117978593A - 一种基于空时二维处理的抗干扰同步方法及其*** - Google Patents

Abstract

本申请涉及一种基于空时二维处理的抗干扰同步方法及其***，包括：将接收端收到的盲采信号按照多通道顺序进行拼接，再将每个通道的时域数据按照时域滤波器抽头的位置进行拼接得到包含空域和时域的二维数据，并求出所述二维数据的自相关矩阵；对所述自相关矩阵进行特征值分解，将分解后的特征值按从大到小的顺序排成两个对角阵∑_M和∑_N，以及∑_M对应的大特征值子空间U_s与∑_N对应的小特征值子空间U_N；其中∑_M为大特征值对角阵，∑_N为小特征值对角阵；根据干扰强度不同，选择大特征值子空间U_s或小特征值子空间U_N中的特征向量作为权值对所述二维数据的每个通道的数据进行加权合并得到滤波后的数据，能够提高无线通信的抗干扰能力。

Description

一种基于空时二维处理的抗干扰同步方法及其***

技术领域

本申请涉及无线通信技术领域，具体涉及一种基于空时二维处理的抗干扰同步方法及其***。

背景技术

无线通信利用电磁波在空间中传播，不同无线设备可能在相同频率上进行通信，造成同频干扰，加剧通信质量问题，还有来自其他无线设备、恶意干扰设备、电磁干扰源以及天气和建筑物等因素的外部干扰，进一步加剧了通信设备的受干扰程度。在通信***接收机中，接收端需要进行信号的定时同步即帧检测，它是通信***接收机实现的基础，没有准确的同步就无法对信号实现可靠的恢复。在实际通信***中，有时会存在干扰，传统的帧检测方案在信干比低于一定值后无法正常工作，从而造成数据帧的丢失。

空时自适应抗干扰技术不仅可以在抗干扰领域发挥作用，在信道均衡方面也有较强的贡献，传统通信收发机提出先空域后时域，对信号进行级联处理，但是，其仅仅适用于通信条件较好的环境，对于具有多径时延以及角度扩展的非视距环境则容易失效。

发明内容

本申请的目的在于提出一种基于空时二维处理的抗干扰同步方法，以提高无线通信的抗干扰能力。

为实现上述目的，本申请的第一方面提出一种基于空时二维处理的抗干扰同步方法，假设当前有N个阵元，且远场处存在M个相互独立的干扰信号，N>M，在每个空域通道***时域滤波器，所述空域通道指的是每个发射天线到接收天线的路径；

所述方法包括：

步骤S1，将接收端收到的盲采信号按照多通道顺序进行拼接，再将每个通道的时域数据按照时域滤波器抽头的位置进行拼接得到包含空域和时域的二维数据，并求出所述二维数据的自相关矩阵；

步骤S2，对所述自相关矩阵进行特征值分解，将分解后的特征值按从大到小的顺序排成两个对角阵∑_M和∑_N，以及∑_M对应的大特征值子空间U_s与∑_N对应的小特征值子空间U_N；其中∑_M为大特征值对角阵，∑_N为小特征值对角阵；

步骤S3，根据干扰强度不同，选择所述大特征值子空间U_s或所述小特征值子空间U_N中的特征向量作为权值对所述二维数据的每个通道的数据进行加权合并得到滤波后的数据。

进一步地，所述步骤S1包括：

假设当前接收端收到的盲采信号为按照多通道顺序进行拼接，构成：

再将每个通道的时域数据按照时域滤波器抽头的位置进行拼接，构成：

X＝[X_-L X_-L+1 ... X_-1 X₀ X₁ ... X_L-1 X_L]

其中，-L≤l≤L表示时域滤波器的阶数，1≤m≤N表示天线数，接收信号自相关阵可以表示为R_XX＝X^HX。

进一步地，所述步骤S2包括：

对R_XX进行特征值分解可以得到：

R_XX＝U∑U^H

∑_M＝diag(λ₁,λ₂，…,λ_M)，

∑_N＝diag(λ_M+1，λ_M+2，…,λ_N)＝σ²I_(N-M)×(N-M)

其中，∑＝diag(λ₁,λ₂,…,λ_N),λ_i为其特征值，i∈{1,2,…,N}，满足λ₁≥λ₂≥…≥λ_M>λ_M+1＝…＝λ_N＝σ²，U＝(u₁,u₂,...,u_N)为特征向量矩阵，u_i为第i个特征值对应的特征向量，且其满足酉矩阵特性U^HU＝UU^H＝I。

进一步地，所述步骤S3包括：

在干扰强度较大的情况下，选择所述小特征值子空间U_N中的特征向量作为权值对所述二维数据的每个通道的数据进行加权合并得到滤波后的数据。

进一步地，所述步骤S3包括：

在干扰强度较小的情况下，选择所述大特征值子空间U_s中的特征向量作为权值对所述二维数据的每个通道的数据进行加权合并得到滤波后的数据。

本申请的第一方面提出一种用于实现上述基于空时二维处理的抗干扰同步方法的***，所述***包括：

接收模块，用于将接收端收到的盲采信号按照多通道顺序进行拼接，再将每个通道的时域数据按照时域滤波器抽头的位置进行拼接得到包含空域和时域的二维数据，并求出所述二维数据的自相关矩阵；

特征值分解模块，用于对所述自相关矩阵进行特征值分解，将分解后的特征值按从大到小的顺序排成两个对角阵∑_M和∑_N，以及∑_M对应的大特征值子空间U_s与Σ_N对应的小特征值子空间U_N；其中Σ_M为大特征值对角阵，Σ_N为小特征值对角阵；

加权合并模块，用于根据干扰强度不同，选择所述大特征值子空间U_s或所述小特征值子空间U_N中的特征向量作为权值对所述二维数据的每个通道的数据进行加权合并得到滤波后的数据。

相对于现有技术而言，本申请具有以下有益效果：

与传统空域抗干扰算法相比，当干扰与信号是多径信号，仅仅只有空域维度就无法区分干扰和信号，抗干扰能力较差；本申请所提方法引入了另一个维度，从时频域角度进行二维空时抗干扰处理，使得当干扰和信号即使只存在较小的角度差，甚至从同一角度入射，都可以较好的区分出干扰与信号；与传统空时域抗干扰方法相比，传统通信收发机提出先空域后时域，对信号进行级联处理，这种处理结构虽然简单，但仅仅适用于通信条件较好的环境，对于有多径时延以及角度扩展的非视距信道，级联式处理器会将空域和时域割裂处理，导致接收机没有良好的接收性能；而本申请所提出的方法将在每个空域通道***时域滤波器，在每个通道进行空时联合滤波并进行合并；此种空时滤波结构将每个通道权系数从1阶变为了T阶，即每个通道信号到来后，先进行各自T阶的时域滤波，再进行空域合并，可以较好的克服传统滤波所面临的问题，达到空时自适应抗干扰的效果。

本申请的其它特征和优点将在随后的说明书中阐述。

附图说明

为了更清楚地说明本申请实施例的技术方案，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例中采用的空时联合滤波过程示意图。

图2为本申请实施例中空时二维处理抗干扰同步误报率图。

图3为本申请实施例中固定***SNR＝20dB下空域抗干扰同步漏报率图。

图4为本申请实施例中空域及空时二维处理抗干扰同步漏报率对比图。

具体实施方式

附图的详细说明意在作为本申请的当前优选实施例的说明，而非意在代表本申请能够得以实现的仅有形式。应理解的是，相同或等同的功能可以由意在包含于本申请的精神和范围之内的不同实施例完成。

本申请的一实施例提出一种基于空时二维处理的抗干扰同步方法，在本实施例的非视距***模型中，收发两端均采用多天线收发，其中假设发端为基站，收端为用户终端；信号在多径环境中传输，移动终端收到的信号可能包含恶意干扰源的干扰信号，同时基站发的信号也经过了一定的衰落。因此在移动端通过多天线进行空域和时域联合滤波处理并进行合并，达到较好的抗干扰同步效果，本实施例方法采用的空时联合滤波结构见图1，假设当前收端有N根接收天线，每个通道时域滤波器抽头个数为T，因此，当前***共引入了N×T个分集。

在本实施例中，假设当前有N个阵元，且远场处存在M个相互独立的干扰信号，N>M，在每个空域通道***时域滤波器，所述空域通道指的是每个发射天线到接收天线的路径；

本实施例的方法包括以下步骤：

步骤S1，将接收端收到的盲采信号按照多通道顺序进行拼接，再将每个通道的时域数据按照时域滤波器抽头的位置进行拼接得到包含空域和时域的二维数据，并求出所述二维数据的自相关矩阵；

步骤S2，对所述自相关矩阵进行特征值分解，将分解后的特征值按从大到小的顺序排成两个对角阵∑_M和∑_N，以及∑_M对应的大特征值子空间U_s与∑_N对应的小特征值子空间U_N；其中∑_M为大特征值对角阵，∑_N为小特征值对角阵；

步骤S3，根据干扰强度不同，选择所述大特征值子空间U_s或所述小特征值子空间U_N中的特征向量作为权值对所述二维数据的每个通道的数据进行加权合并得到滤波后的数据。

进一步地，所述步骤S1包括：

假设当前接收端收到的盲采信号为按照多通道顺序进行拼接，构成：

再将每个通道的时域数据按照时域滤波器抽头的位置进行拼接，构成：

X＝[X_-L X_-L+1 ... X_-1 X₀ X₁ ... X_L-1 X_L]

其中，-L≤l≤L表示时域滤波器的阶数，1≤m≤N表示天线数，接收信号自相关阵可以表示为R_XX＝X^HX。

进一步地，所述步骤S2包括：

对R_XX进行特征值分解可以得到：

R_XX＝U∑U^H

其中，∑＝diag(λ₁,λ₂,…,λ_N),λ_i为其特征值，i∈{1,2,…,N}，满足λ₁≥λ₂≥…≥λ_M>λ_M+1＝…＝λ_N＝σ²，u＝(u₁,u₂,...,u_N)为特征向量矩阵，u_i为第i个特征值对应的特征向量，且其满足酉矩阵特性U^HU＝UU^H＝I。

为了后续叙述方便，本实施例中定义如下对角阵，其中，Σ_M为大特征值对角阵，Σ_N为小特征值对角阵。

Σ_M＝diag(λ₁,λ₂,…,λ_M),

Σ_N＝diag(λ_M+1,λ_M+2,…,λ_N)＝σ²I_(N-M)×(N-M)

进一步地，所述步骤S3包括：

在干扰强度较大的情况下，选择所述小特征值子空间U_N中的特征向量作为权值对所述二维数据的每个通道的数据进行加权合并得到滤波后的数据。

在干扰强度较小的情况下，选择所述大特征值子空间U_S中的特征向量作为权值对所述二维数据的每个通道的数据进行加权合并得到滤波后的数据。

具体而言，在干扰很大的情况下，可以得到两种子空间，一种是大特征值对应的干扰子空间U_s＝(u₁,u₂,...,u_M)，另一种是小特征值对应的信号以及噪声子空间U_N＝(u_M+1,u_M+2,...,u_N)。得到下式：

由于不同特征值对应的特征向量是相互正交的，即u_i⊥u_j,1≤i≤M<j≤N。当信号中存在强干扰时，选用小特征值对应的特征向量W_j＝u_i(i＝M+1,...,N)来对数据进行加权合并，得到抗干扰后的数据，当前数据中只是存在噪声和有用信号，可有效降低干扰。

若上述场景更改为无干扰环境，即远场处存在M个相互独立的信号，对接收信号R_XX进行特征值分解，同样可以得到两种子空间，一种是大特征值对应的信号子空间U_s＝(u₁,u₂,...,u_M)，另一种是小特征值对应的噪声子空间U_N＝(u_M+1,u_M+2,...,u_N)，选用大特征值对应的特征向量W_s＝u_q(j＝1,...,M)来对数据进行加权合并，得到抗噪声后的数据：

其中，每个u_q可得到对应一个独立的信号，且得到的信号中含有少量噪声。

本实施例在有干扰情况下，模拟入射信号经历莱斯因子为-10dB的多径Rician信道，多径个数为20个；干扰经历的信道为-100dB的多径Rician信道，多径个数为80个；干扰和信号经历多径Rician信道入射角度均为0度，且角度扩展均为180度，收发方向之间存在10个障碍物的情况下仿真得到图2、图3和图4。

图2是空时二维处理抗干扰同步误报率图，随着检测阈值门限的提高，误报率会逐渐降低，当检测阈值达到0.3时，当前实验下未出现误报，因此可选择0.3作为当前复合域抗干扰同步的门限。图3是固定***SNR＝20dB下空域抗干扰同步漏报率图，仿真结果表明随着ISR的提高，***漏报率逐渐增大，当ISR达到40dB时，***漏报率为1，当前***已经完全无法同步。

图4为固定***ISR为20dB，30dB，40dB下空域及复合域抗干扰同步漏报率图，对比同一ISR下，两种算法的漏报率，仿真结果表明随着SNR提高，***漏报率逐渐降低，当SNR达到30dB时，在任何ISR下，***漏报率均达到千分之一的概率，可满足***需求。对比同一SNR下，不同ISR漏报率，30dB和40dB二者性能相差不明显，但是其均好于20dB情况，这是因为在较低干噪比下，特征值分解算法无法很好区分干扰和信号，导致大ISR反而好于低ISR。

本申请的另一个实施例提出一种用于实现上述实施例所述的基于空时二维处理的抗干扰同步方法的***，所述***包括：

接收模块，用于将接收端收到的盲采信号按照多通道顺序进行拼接，再将每个通道的时域数据按照时域滤波器抽头的位置进行拼接得到包含空域和时域的二维数据，并求出所述二维数据的自相关矩阵；

特征值分解模块，用于对所述自相关矩阵进行特征值分解，将分解后的特征值按从大到小的顺序排成两个对角阵∑_M和∑_N，以及Σ_M对应的大特征值子空间U_s与Σ_N对应的小特征值子空间U_N；其中∑_M为大特征值对角阵，∑_N为小特征值对角阵；

加权合并模块，用于根据干扰强度不同，选择所述大特征值子空间U_s或所述小特征值子空间U_N中的特征向量作为权值对所述二维数据的每个通道的数据进行加权合并得到滤波后的数据。

以上所描述的实施例的***仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现实施例的***的方案的目的。

需说明的是，上述实施例的***与上述实施例的基于空时二维处理的抗干扰同步方法对应，因此，上述实施例的***未详述部分可以参阅上述实施例的基于空时二维处理的抗干扰同步方法的内容得到，即上述实施例的基于空时二维处理的抗干扰同步方法记载的具体步骤内容可以理解为上述实施例的***所能够实现的功能，此处不再赘述。

以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (6)

1.一种基于空时二维处理的抗干扰同步方法，其特征在于，假设当前有N个阵元，且远场处存在M个相互独立的干扰信号，N>M，在每个空域通道***时域滤波器，所述空域通道指的是每个发射天线到接收天线的路径；

所述方法包括：

步骤S1，将接收端收到的盲采信号按照多通道顺序进行拼接，再将每个通道的时域数据按照时域滤波器抽头的位置进行拼接得到包含空域和时域的二维数据，并求出所述二维数据的自相关矩阵；

步骤S2，对所述自相关矩阵进行特征值分解，将分解后的特征值按从大到小的顺序排成两个对角阵∑_M和∑_N，以及∑_M对应的大特征值子空间U_s与∑_N对应的小特征值子空间U_N；其中∑_M为大特征值对角阵，∑_N为小特征值对角阵；

步骤S3，根据干扰强度不同，选择所述大特征值子空间U_s或所述小特征值子空间U_N中的特征向量作为权值对所述二维数据的每个通道的数据进行加权合并得到滤波后的数据。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：

假设当前接收端收到的盲采信号为按照多通道顺序进行拼接，构成：

再将每个通道的时域数据按照时域滤波器抽头的位置进行拼接，构成：

X＝[X_-L X_-L+1 ... X_-1 X₀ X₁ ... X_L-1 X_L]

其中，-L≤l≤L表示时域滤波器的阶数，1≤m≤N表示天线数，接收信号自相关阵可以表示为R_XX＝X^HX。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：

对R_XX进行特征值分解可以得到：

R_XX＝U∑U^H

Σ_M＝diag(λ₁,λ₂,…,λ_M),

∑_N＝diag(λ_M+1,λ_M+2,…,λ_N)＝σ²I_(N-M)×(N-M)

其中，∑＝diag(λ₁,λ₂,…,λ_N),λ_i为其特征值，i∈{1,2,…,N}，满足λ₁≥λ₂≥…≥λ_M>λ_M+1＝…＝λ_N＝σ²，U＝(u₁,u₂,...,u_N)为特征向量矩阵，u_i为第i个特征值对应的特征向量，且其满足酉矩阵特性U^HU＝UU^H＝I。

4.根据权利要求3所述的方法，其特征在于，所述步骤S3包括：

在干扰强度较大的情况下，选择所述小特征值子空间U_N中的特征向量作为权值对所述二维数据的每个通道的数据进行加权合并得到滤波后的数据。

5.根据权利要求3所述的方法，其特征在于，所述步骤S3包括：

在干扰强度较小的情况下，选择所述大特征值子空间U_s中的特征向量作为权值对所述二维数据的每个通道的数据进行加权合并得到滤波后的数据。

6.一种用于实现权利要求1～5中任一项所述基于空时二维处理的抗干扰同步方法的***，其特征在于，所述***包括：

接收模块，用于将接收端收到的盲采信号按照多通道顺序进行拼接，再将每个通道的时域数据按照时域滤波器抽头的位置进行拼接得到包含空域和时域的二维数据，并求出所述二维数据的自相关矩阵；

特征值分解模块，用于对所述自相关矩阵进行特征值分解，将分解后的特征值按从大到小的顺序排成两个对角阵∑_M和∑_N，以及∑_M对应的大特征值子空间U_s与∑_N对应的小特征值子空间U_N；其中∑_M为大特征值对角阵，∑_N为小特征值对角阵；

加权合并模块，用于根据干扰强度不同，选择所述大特征值子空间U_s或所述小特征值子空间U_N中的特征向量作为权值对所述二维数据的每个通道的数据进行加权合并得到滤波后的数据。