一种基于多任务压缩感知的多样化干扰估计和抑制方法与流程

[0001]
本发明涉及干扰抑制技术领域，具体涉及一种基于多任务压缩感知的多样化干扰估计和抑制方法。


背景技术：

[0002]
车载通信系统以其宽带、高速的传输能力，能够支持车联网实现智能感知、控制、行驶等应用。为了提高通信系统的抗干扰能力和频率利用率，认知无线通信逐渐凸显其技术优势，它不同于传统仅在接收端进行干扰处理的方式，通过主动的方式实现同时在发射端和接收端进行干扰抑制，能够规避被干扰源或干扰机“污染”的频带。作为车联网通信中的一种典型认知无线电应用，变换域车载通信以其低截获和低探测性能的波形设计，能够提供在复杂电磁环境下可靠的通信链路，因而成为未来一种非常有前景的车联网通信范例。
[0003]
当前车联网之间的通信极易遭受电磁干扰的影响，严重制约了其通信的有效性和可靠性。可见，确保通信过程的低截获概率和干扰敏感性，对于维持车联网间的安全可靠通信具有重要意义。为了消除各类恶意干扰对通信系统的严重影响，现有的干扰处理方法主要包括时域的干扰滤波和变换域的干扰消除，能够实现在常见已知干扰(如窄带干扰和脉冲干扰等)的干扰抑制效果，然而由于干扰参数和形式的多样化，现有大多数传统方法只能消除特定干扰的影响，严重制约了通信系统抗干扰性能的有效性和鲁棒性。
[0004]
随着通信系统传输速率提高和带宽扩展，对信号的采样、存储、传输和处理能力提出了更高的要求，基于压缩感知理论的稀疏信号恢复方法能够估计重构多种稀疏干扰，但只针对于特殊的几类稀疏干扰，如在时域或频域具有连续的块状稀疏特性脉冲干扰和窄带干扰等，忽略了其他离散和稀疏多变的干扰类型，如梳状谱干扰、线性调频干扰等；同时，现有方法只关注于单一的观测向量，没有将多个响应向量包含的信息合并处理，然而，多个响应向量能够收集到干扰在空域或时域的不同位置或变换，能够拓展其在多样化干扰形式的应用。
[0005]
目前，在真实干扰信号分析过程中存在另外一种典型的稀疏干扰形式-结构化稀疏或聚簇稀疏信号，其中稀疏系数向量中的非零元素呈现出行稀疏和元素稀疏部分；进而多任务压缩感知方法提供针对大量不同类型的群稀疏或聚簇稀疏信号的解决方案，因此基于多任务压缩感知的干扰估计和抑制方法更适合于不同类型的多样化干扰。


技术实现要素：

[0006]
为解决认知变换域车载通信面临的各类干扰抑制问题，且要求该方法能够适应认知通信和压缩频谱感知的特点，实现干扰和信号的同时恢复重构与时域消除，本发明提供一种基于多任务压缩感知的多样化干扰估计和抑制方法，具体包括下列步骤：
[0007]
(1)根据接收到的电磁信息y
k
，获得随机观测矩阵φ
k
和正交字典ψ
tk
、ψ
jk
，并初始化最大迭代次数t
max
和重构精度：
[0008]
在多任务压缩感知中，当前接收到的电磁信息y
rk
可以分成通信信号s
k
，干扰j
k
和环境噪声n
k
三部分，具体可表示为：
[0009]
y
rk
＝s
k
+j
k
+n
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0010]
其中，通信信号s
k
与接收端其他时刻信号s
x
存在内部相关关系，x≠k，j
k
具有对应干扰类型的某种稀疏特性，并且j
k
和n
k
分别独立于信号s
k
；k为当前任务标识，k＝1，2，...，k，k为任务数量。
[0011]
根据获得的多样化干扰字典，具有类噪声性能的通信信号在多任务压缩感知频谱估计下表示为：
[0012][0013]
其中，φ
k
为共同的观测矩阵，ψ
jk
为干扰字典，对应的稀疏系数为θ
jk
，a
jk
为干扰测量矩阵字典，n
ek
为强度未知的高斯噪声；
[0014]
(2)更新干扰的感知矩阵a
jk(new)
，ψ
jk
→
a
jk(new)
；
[0015]
(3)根据式(7)在y
k
约束下，计算t时刻的干扰最优解j
k(t)
，y
k
→
j
k(t)
：
[0016]
基于干扰的稀疏分散特性，利用稀疏逼近实现干扰的恢复重构，具体表示为：
[0017][0018]
其中，υ
k
表示为特定干扰的稀疏度，表示l2范数，||
·
||0表示l0范数；
[0019]
利用稀疏分布实现干扰的分解，从而克服基于结构化逼近的稀疏限制，更加适应于不同干扰的分析处理；因此，稀疏系数θ
jk
包括互为补充的两部分：行稀疏矩阵θ
rk
和元素稀疏矩阵θ
ek
，多样化的矩阵形式构造可以利用l0范数和l0行范数进一步放松对目标干扰的稀疏约束，从而使其不必强制共享相同的支撑集，具体描述为：
[0020][0021]
其中，权重参数η1＞0、η2＞0，||
·
||
0，row
表示l0行范数，用于调整行稀疏矩阵和元素稀疏矩阵分布，以达到平衡状态；虽然目标函数的非凸性难以处理，利用凸函数l1范数和l
1，2
范数来逼近该多目标优化问题：
[0022][0023]
其中，||
·
||1表示l1范数，||
·
||
1，2
表示l
1，2
范数；
[0024]
通过对式(10)进行子问题分解，并利用循环迭代优化来逼近最优解，表示为：
[0025][0026]
其中，θ
*rk
、θ
*ek
分别为行稀疏矩阵和元素稀疏矩阵对应的最优解，arg min表示问题最优解；
[0027]
(4)暂时固定j
k(t)
，并计算t时刻稀疏度约束下的最优系数θ
tk(t)
，j
k(t)
→
θ
tk(t)
：
[0028]
对于适应每个测量样本y
k
的临时稀疏系数θ
tk(t)
，获得当前的最优解θ
*ek
，然后临时固定得到最优系数通过利用临时解的有效性来获得相应干扰的稀疏最优解，如此循
环迭代直至整体恢复性能收敛到可接受的范围，从而求解多变量组合优化问题的次优解；最终，通过时域干扰消除实现通信信号的重构；
[0029]
(5)更新信号的新感知矩阵a
tk(new)
：ψ
tk
→
a
tk(new)
；
[0030]
(6)获得当前t时刻的电磁信息y
k
的整体重构性能r
k(t)
：j
k(t)
，θ
tk(t)
→
r
k(t)
；
[0031]
(7)判断t时刻重构约束条件是否满足整体重构性能r
k(t)
≤，为重构精度：如果是，执行下一步；反之回溯干扰最优解j
k
：j
k
←
j
k(t-1)
，j
k(t-1)
为前t-1时刻的干扰最优解；
[0032]
(8)更新t时刻系数向量θ
tk
：θ
tk
←
θ
tk(t)
，以及迭代次数：t＝t+1；
[0033]
(9)计算稀疏约束下的t时刻干扰最优解j
k(t)
：θ
tk(t)
→
j
k(t)
；
[0034]
(10)返回执行步骤(6)，直至满足迭代终止条件：t＞t
max
，t
max
为最大迭代次数；
[0035]
(11)获得最终最优解的系数向量θ
tk
和干扰j
k
。
[0036]
能够实现对观测干扰的多重贝叶斯学习估计；还利用结构化稀疏方法实现干扰的同步恢复和抑制。
[0037]
本发明将适应于认知变换域车载通信所需的多任务压缩感知用于干扰抑制领域，能够实现多样化干扰估计和消除。本发明既能很好地保留和应用多任务压缩感知在分布式联合估计的特性优势，又可以基于贝叶斯估计框架的更新优化加速学习收敛过程，有利于快速精确地实现多样化干扰估计和重构，从而提升车联网通信系统在不同电磁环境下的抗干扰性能。
附图说明
[0038]
图1为本发明中认知变换域车载通信系统的发射机原理图；
[0039]
图2为本发明中多任务压缩感知干扰抑制基本流程图；
[0040]
图3为本发明中原始含干扰和噪声的电磁频谱图；
[0041]
图4本发明中接收机独立恢复的信号与原始信号之间的关系图；
[0042]
图5为本发明中干扰重构性能与迭代次数之间的关系图；
[0043]
图6为本发明中不同干扰重构误差与干噪比之间的关系图；
[0044]
图7为本发明在时域干扰消除下系统解调误码率与干噪比之间的关系图。
具体实施方式
[0045]
为使本发明的目的、技术方案以及优势更加明晰，下面结合附图和实施例，对本发明进行进一步详细说明。
[0046]
1.认知变换域车载通信系统概述
[0047]
与传统的直接序列扩频通信系统的干扰抑制原理不同，本发明所采用的认知变换域车载通信系统能够在发射端敏捷地生成自适应波形，以达到规避干扰的目的，其中的发射序列具有良好的自相关和互相关性能，用于实现低截获和正交性。该认知变换域车载通信系统发射机包含恶意干扰探测和认知变换分析模块，其原理如图1所示，频谱映射结果m
t
(w)由幅度谱成型和变换分析所决定，t为干扰消除的最优变换域；多重相位向量由一个独特的伪随机码m序列产生，并与频谱映射结果一一对应，为多重相位向量，其中，φ
i
为频谱映射序列，φ
i
∈{2
1-p
π，2
2-p
π，
…
，2π}，i＝1，2，
…
，n，p为m序列的长度，n为相位向量的长度；同时，利用成对分配给每个用户的不同的m序列实现多址接入，从而保证映射
结果b(w)具有类噪声性能。
[0048][0049]
其中m
i
为幅度谱向量对应的幅值大小。
[0050]
根据功率均峰比的限制条件，相应的能量被均匀或差异化地注入到频谱空穴中，以达到扩展幅度的目的，然后对能量注入波形b
h
(w)进行合适的逆变换t-1
，例如傅里叶变换或小波变换等，用于生成缓存的基函数时域波形b
n
(t)：
[0051][0052]
其中h
i
、b
i
、l分别表示能量调整因子、时域幅度谱和离散化采样。
[0053]
通常，采用csk调制方式对认知变换域车载通信系统进行调制编码，经能量标准化调整后，射频发射波形s
n
(t)为：
[0054][0055]
其中ξ、r
i
分别表示能量调整因子和调制编码参数。
[0056]
发射的信号经过空间信道的传播，会受到噪声和外部干扰的影响，从而在接收信号产生不同的叠加效果；加之视距传输过程中路径损耗、多径衰落以及多普勒频移的影响，都会对信号频谱产生不同程度的影响
[0057][0058]
其中，s(t)为接收信号，κ为衰落因子，多普勒频移量。
[0059]
在宽带认知变换域车载通信系统中，由于其信号自身的高度稀疏和类噪声性能，接收端频谱探测过程将不会受到压缩感知的影响，令“有干扰”事件为假设h0，反之为假设h1，该探测结果y
r
可以利用假设检验方法表示：
[0060][0061]
其中，y
r
为接收到的电磁信息集，s为认知变换域车载通信信号集，j为干扰集(如果存在干扰)，n为环境噪声集，整个探测结果根据最终得到的拒绝域来判断干扰是否存在。
[0062]
一旦假设h0为真，考虑到多样化干扰形式的存在，如窄带干扰和多音干扰等，这就需要解决不同条件下各类干扰类型的抑制问题，因此，本发明提出一种基于多任务压缩感知的自适应干扰抑制方法，以有效应对各类干扰的影响，同时确保观测过程的鲁棒性。
[0063]
2.多任务压缩感知干扰抑制
[0064]
在多任务压缩感知中，当前接收到的电磁信息y
rk
可以分成三部分：通信信号s
k
，干扰j
k
和环境噪声n
k
，k为当前任务标识，k＝1，2，...，k，k为任务数量，具体可表示为：
[0065]
y
rk
＝s
k
+j
k
+n
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0066]
其中，通信信号s
k
与接收端其他时刻信号s
x
(x≠k)存在内部相关关系，j
k
具有对应干扰类型的某种稀疏特性，并且j
k
和n
k
分别独立于信号s
k
。
[0067]
当认知变换域车载通信系统工作于复杂电磁环境时，其发射机和接收机将会处于不同的频谱状态。由于发射机和接收机部署位置比较接近或者遭受的干扰类型已知，因而处于类似的电磁环境，在这种场景下，首先可以利用接收机的共轭基函数实现抗干扰性能，
并通过接收端对频谱感知获得的干扰字典实现干扰的恢复重构，从而进一步提升抗干扰能力，基本思路如图2所示。
[0068]
基于上述原理性说明，本发明所提出的收发电磁频谱一致条件下多任务压缩感知干扰抑制方法具体主要包括下列步骤：
[0069]
(1)根据接收到的电磁信息y
k
，获得随机观测矩阵φ
k
和正交字典ψ
tk
、ψ
jk
，并初始化最大迭代次数t
max
和重构精度：
[0070]
根据获得的多样化干扰字典，具有类噪声性能的通信信号在多任务压缩感知频谱估计下可表示为：
[0071][0072]
其中，φ
k
为共同的观测矩阵，ψ
jk
为干扰字典，对应的稀疏系数为θ
jk
，a
jk
为干扰测量矩阵字典，n
ek
为强度未知的高斯噪声；
[0073]
(2)更新干扰的感知矩阵a
jk(new)
，ψ
jk
→
a
jk(new)
；
[0074]
(3)根据式(7)在y
k
约束下，计算t时刻的干扰最优解j
k(t)
，y
k
→
j
k(t)
：
[0075]
基于干扰的稀疏分散特性，可以利用稀疏逼近实现干扰的恢复重构，具体表示为：
[0076][0077]
其中，υ
k
表示为特定干扰的稀疏度，表示l2范数，||
·
||0表示l0范数。
[0078]
利用稀疏分布可以实现干扰的分解，从而克服基于结构化逼近的稀疏限制，更加适应于不同干扰的分析处理。因此，稀疏系数θ
jk
包括互为补充的两部分：行稀疏矩阵θ
rk
和元素稀疏矩阵θ
ek
，多样化的矩阵形式构造可以利用l0范数和l0行范数进一步放松对目标干扰的稀疏约束，从而使其不必强制共享相同的支撑集，具体描述为：
[0079][0080]
其中，权重参数η1＞0、η2＞0，||
·
||
0，row
表示l0行范数，用于调整行稀疏矩阵和元素稀疏矩阵分布，以达到平衡状态。虽然目标函数的非凸性难以处理，可以利用凸函数l1范数和l
1，2
范数来逼近该多目标优化问题：
[0081][0082]
其中，||
·
||1表示l1范数，||
·
||
1，2
表示l
1，2
范数。
[0083]
通过对式(10)进行子问题分解，并利用循环迭代优化来逼近最优解，可表示为：
[0084][0085]
其中，θ
*rk
、θ
*ek
分别为行稀疏矩阵和元素稀疏矩阵对应的最优解，arg min表示问题最优解。
[0086]
(4)暂时固定j
k(t)
，并计算t时刻稀疏度约束下的最优系数θ
tk(t)
，j
k(t)
→
θ
tk(t)
：
[0087]
对于适应每个测量样本y
k
的临时稀疏系数θ
tk(t)
，可以获得当前的最优解然后临时固定得到最优系数通过利用临时解的有效性来获得相应干扰的稀疏最优解，如此循
环迭代直至整体恢复性能收敛到可接受的范围，从而求解多变量组合优化问题的次优解。最终，通过时域干扰消除实现通信信号的重构。
[0088]
(5)更新信号的新感知矩阵a
tk(new)
：ψ
tk
→
a
tk(new)
；
[0089]
(6)获得当前t时刻的电磁信息y
k
的整体重构性能r
k(t)
：j
k(t)
，θ
tk(t)
→
r
k(t)
；
[0090]
(7)判断t时刻重构约束条件是否满足整体重构性能r
k(t)
≤，为重构精度：如果是，执行下一步；反之回溯干扰最优解j
k
：j
k
←
j
k(t-1)
，j
k(t-1)
为前t-1时刻的干扰最优解；
[0091]
(8)更新t时刻系数向量θ
tk
：θ
tk
←
θ
tk(t)
，以及迭代次数：t＝t+1；
[0092]
(9)计算稀疏约束下的t时刻干扰最优解j
k(t)
：θ
tk(t)
→
j
k(t)
；
[0093]
(10)返回执行步骤(6)，直至满足迭代终止条件：t＞t
max
，t
max
为最大迭代次数；
[0094]
(11)获得最终最优解的系数向量θ
tk
和干扰j
k
。
[0095]
在本发明的一个具体实施例中，认知变换域车载通信系统所涉及的参数值如下所示：信息速率为1kbit/s，采样速率为1khz，信息码长为1000，采用bcsk调制样式，m序列长度为1024，初始信噪比设定为3db，采用cost207tux6多径信道模型，信道呈现rician衰落形式，设定bernoulli观测矩阵，发射端干噪比为-3db；对于干扰参数，初始窄带干扰带宽为100khz，频带重叠度为10％；梳状谱干扰载频为250khz，调频参数k＝800；三分量多音干扰频率间隔为25khz。图3和图4展示了收发过程中信号和干扰的传输变化，在电磁频谱环境一致的前提下，信号能够通过时域的干扰抑制实现恢复重构，但信号的恢复精度严重依赖于已知干扰参数等先验知识。
[0096]
通过实验获得的参数对本发明方法进行验证，并给出相应仿真结果：
[0097]
首先，验证作为本发明基础的干扰重构特性。本发明中用规则化的均方差来评估干扰的重构误差，结果如图5所示。发现与现有方法相比，本发明能够有效提高干扰重构精度，并且实现快速收敛；整个迭代优化过程中，重构误差逐渐降低，且本发明的鲁棒性更加突出。
[0098]
其次，测试干扰比变化条件下的干扰重构性能。通过120次蒙特卡罗实验生成不同的干扰数据集，对多音干扰、窄带干扰以及梳状谱干扰三种干扰类型进行测试，如图6所示。结果表明，当干扰类型和参数固定时，重构性能随着干噪比的提高而不断改善，但浮动趋势逐渐变缓；同时，对具有连续聚簇特性的块状稀疏窄带干扰的重构难度明显低于离散元素稀疏的多音干扰和离散块状稀疏的梳状谱干扰，能够提升约1db的性能增益。
[0099]
最后，对通信系统最关心的信号解调性能进行验证。选用较易的窄带干扰数据集进行测试，采用时域干扰消除方法进行重构干扰抑制，如图7所示。结果发现，随着干扰比的增加，误码率均逐渐升高，但本发明较传统方法能够降低重构过程中的累积误差所带来的负面影响，从而有效提高应对高强度干扰的能力。
[0100]
以上仿真实验以及相关的结果分析验证了本发明方法的有效性。
[0101]
为了克服现有技术的不足，本发明提供一种适应于认知变换域车载通信的基于多任务压缩感知的多样化干扰估计和抑制方法，实现了对观测干扰的多重贝叶斯学习估计；还利用结构化稀疏方法实现干扰的同步恢复和抑制。
[0102]
本发明将适应于认知变换域车载通信所需的多任务压缩感知用于干扰抑制领域，实现了多样化干扰估计和消除。本发明既能很好地保留和应用多任务压缩感知在分布式联合估计的特性优势，又可以基于贝叶斯估计框架的更新优化加速学习收敛过程，有利于快
速精确地实现多样化干扰估计和重构，从而提升车联网通信系统在不同电磁环境下的抗干扰性能。