一种知识数据双驱动的地空通信系统干扰抑制方法

本发明属于无线通信，针对机场干扰场景下高时效性和抗干扰性的需求，具体涉及一种知识数据双驱动的地空通信系统干扰抑制方法。

背景技术：

1、由于地空无线通信的广播特性容易受到各种形式的干扰，例如l波段数字航空通信系统(l-band digital aeronautical communications system, ldacs)嵌入在960mhz-1164 mhz频段距离测量设备(distance measurement equipment, dme)系统之间，造成同信道干扰。由于随机dme脉冲的带外辐射，在典型的航路场景下，ldacs接收机的信号干扰功率比可达-3.8 db。这种干扰会导致ldacs传输的频谱效率和可靠性显著降低。目前，多输入多输出（multiple-input multiple-output, mimo）技术利用定向波束，自适应保护通信系统免受干扰，但在快速变化的机场场面通信信道条件下，mimo抗干扰处理仍然是一个具有挑战性的问题：首先，需要将干扰信号投影到无信号空间，避免与期望信号混合，产生无法承受的导频开销且降低通信效率。其次，波束赋形矩阵应随着相干时间决定的信道变化而更新，这就要求在相对较低的计算复杂度下实现抗干扰波束赋形技术。因此，设计高时效性的mimo抗干扰方案以提高快速信道变化环境下的传输可靠性至关重要。

2、目前，mimo抗干扰技术主要包括干扰估计和干扰抑制两方面。对于干扰估计算法，现有的方法是将接收到的样本信号的某个特定子集部署在时域、频域或空域对干扰特性(如协方差矩阵)的估计，这将导致大的导频开销和计算复杂度。在干扰估计的基础上，可利用mimo混合波束赋形（hybrid beamforming, hbf）技术进行干扰抑制，以同时滤除干扰并增强所需的信号强度。然而，现有的大多数基于迭代优化的抗干扰hbf设计都存在计算复杂度高的问题，基于深度学习的抗干扰hbf设计存在可解释性差和收敛速度慢的问题。因此，不适合快速变化的信道。尽管知识数据双驱动（knowledge data dual driven, k3d）网络被应用在mimo波束赋形技术中，通过将通信领域知识与深度学习相结合，减少对计算资源和训练时间的需求。但目前缺乏对存在干扰的知识数据双驱动的抗干扰（抗干扰混合波束赋形模型k3d hbf）方法的研究。

技术实现思路

1、鉴于上述问题，本发明提供了一种知识数据双驱动的地空通信系统干扰抑制方法，通过抗干扰k3d hbf的抗干扰混合波束赋形模型，将干扰加噪声(interference-plus-noise, ipn)协方差矩阵和合法收发器信道作为输入，自适应映射到hbf权重矩阵并作为输出。提高了预测精度，提出的抗干扰k3d hbf的抗干扰混合波束赋形模型实现了较低的均方误差（mean square error, mse），显著降低了干扰抑制的复杂度。

2、本发明提供了一种知识数据双驱动的地空通信系统干扰抑制方法，具体步骤如下：

3、步骤1.构建均方误差mse模型；基于均方误差mse模型构建机场干扰场景接收信号最小均方误差问题的优化问题；

4、步骤2.构建3dconvtransformer模型；使用3dconvtransformer模型获得预测干扰加噪声ipn协方差矩阵；由预测干扰加噪声ipn协方差矩阵获得子载波的观测ipn协方差矩阵；

5、步骤3.基于子载波的观测ipn协方差矩阵，构建基于k3d hbf的抗干扰混合波束赋形模型；

6、步骤4，使用抗干扰混合波束赋形模型获得干扰抑制矩阵。

7、可选地，步骤1中构建均方误差mse模型的表达式为：

8、

9、其中，表示第个子载波的均方误差；表示均方值；表示在第个子载波上传输的信号矢量；表示第个子载波上给定发射功率和噪声功率下的缩放因子；表示在第个子载波上的接收信号矢量；表示对矩阵求迹；表示第个子载波的地空信道矩阵；和分别表示lgs端的预编码矩阵和ac端的组合矩阵；表示在第个子载波上天线域接收的ipn协方差矩阵； h表示共轭转置；表示维度为的单位矩阵。

10、可选地，，，表示lgs端的第个子载波的基带预编码矩阵，表示lgs端的射频预编码矩阵，表示ac端的第个子载波的基带组合矩阵，表示ac端的射频组合矩阵。

11、可选地，机场干扰场景接收信号最小均方误差问题的优化问题的表达式为：

12、

13、

14、

15、

16、其中，表示lgs端射频预编码矩阵的恒模约束，分别表示lgs端射频预编码矩阵第行第列元素的索引；表示ac端射频组合矩阵的恒模约束，分别表示ac端射频组合矩阵第行、第列元素的索引； x表示子载波的总个数。

17、可选地，步骤2中构建3dconvtransformer模型的具体步骤为：

18、获得采样ipn协方差矩阵；

19、获得采样ipn协方差矩阵的子载波采样ipn协方差矩阵；

20、基于子载波采样ipn协方差矩阵获得帧采样ipn协方差矩阵；

21、获得仿真ipn协方差矩阵；

22、基于仿真ipn协方差矩阵和采样ipn协方差矩阵训练获得3dconvtransformer模型。

23、可选地，3dconvtransformer模型包括3d卷积神经网络和transformer网络。

24、可选地，3d卷积神经网络包括3d卷积神经网络编码器、3d卷积神经网络解码器。

25、可选地，transformer网络包括嵌入模块、transformer编码器和transformer解码器。

26、与现有技术相比，本发明至少具有现如下有益效果：

27、（1）本发明的干扰抑制方法所提出的 3dconvtransformer 的ipn协方差矩阵预测法，在获得历史采样干扰协方差后，能够降低采样误差并提高未来多个帧长的ipn协方差矩阵预测精度；

28、（2）本发明的干扰抑制方法所提出的抗干扰波束赋形方案采用抗干扰 k3d hbf法，以较低迭代的次数实现了收发联合混合波束赋形，适用于快速信道变化的干扰场景；

29、（3）本发明的干扰抑制方法所提出的抗干扰波束赋形方案采用抗干扰 k3d hbf法，将传统迭代收敛得到梯度下降的步长代替为可学习的步长，降低了复杂度且具有可解释性。

技术特征：

1.一种知识数据双驱动的地空通信系统干扰抑制方法，其特征在于，具体步骤如下：

2.根据权利要求1所述的地空通信系统干扰抑制方法，其特征在于，步骤1中构建均方误差mse模型的表达式为：

3.根据权利要求2所述的地空通信系统干扰抑制方法，其特征在于，，，表示lgs端的第个子载波的基带预编码矩阵，表示lgs端的射频预编码矩阵，表示ac端的第个子载波的基带组合矩阵，表示ac端的射频组合矩阵。

4.根据权利要求3所述的地空通信系统干扰抑制方法，其特征在于，机场干扰场景接收信号最小均方误差问题的优化问题的表达式为：

5.根据权利要求1所述的地空通信系统干扰抑制方法，其特征在于，步骤2中构建3dconvtransformer模型的具体步骤为：

6.根据权利要求5所述的地空通信系统干扰抑制方法，其特征在于，3dconvtransformer模型包括3d卷积神经网络和transformer网络。

7.根据权利要求6所述的地空通信系统干扰抑制方法，其特征在于，3d卷积神经网络包括3d卷积神经网络编码器、3d卷积神经网络解码器。

8.根据权利要求6所述的地空通信系统干扰抑制方法，其特征在于，transformer网络包括嵌入模块、transformer编码器和transformer解码器。

技术总结
本发明涉及一种知识数据双驱动的地空通信系统干扰抑制方法，属于无线通信技术领域，本发明的方法包括：步骤1.构建机场干扰场景接收信号最小均方误差问题的优化问题；步骤2.构建3DConvTransformer模型；使用3DConvTransformer模型获得预测干扰加噪声IPN协方差矩阵；由预测干扰加噪声IPN协方差矩阵获得子载波的观测IPN协方差矩阵；步骤3.基于子载波的观测IPN协方差矩阵，构建基于K3D HBF的抗干扰混合波束赋形模型；步骤4.使用抗干扰混合波束赋形模型获得干扰抑制矩阵，提高了预测精度，实现了较低的均方误差，显著降低了干扰抑制的复杂度。

技术研发人员：蔡开泉,赵晶晶,苏晶,朱衍波,周全
受保护的技术使用者：北京航空航天大学
技术研发日：
技术公布日：2025/1/9