• <code id="cko66"></code>
  • 一种基于深度神经网络的自适应对消方法与流程

    文档序号:26492537发布日期:2021-08-31 23:15
    一种基于深度神经网络的自适应对消方法与流程

    本发明属于雷达干扰机的自干扰对消领域,具体是一种基于深度神经网络的自适应对消的方法。



    背景技术:

    雷达干扰机中的自耦合干扰的消除一直都是关键技术和热点话题,近些年来自适应算法被广泛运用到自耦合干扰的消除。随着电磁环境的日益复杂化,自干扰信号也日益难以估计,传统的算法很难适应雷达干扰机功率放大器产生的非线性信号,有效的消除自干扰信号。

    随着人们对自适应算法研究的不断深入,自适应算法在雷达干扰机中的应用也越来越成熟。目前应用于消除自干扰信号的主要是一些自适应滤波算法,如归一化最小均方误差算法(normalizedleastmeansquareerror,简称nlms)。d.leeandb.min("resultsandtrade-offofself-interferencecancellationinafull-duplexradiofront-end,"2015internationalworkshoponantennatechnology(iwat),seoul,pp.249-251,2015.)证明了随着自适应滤波器权值的自适应变化,误差信号会越来越接近目标值。该方法只针对室内的电磁环境射频对消有较好的实验结果,并没有考虑自干扰信号的非线性。l.sun,y.li,y.zhao,l.huangandz.gao("optimizedadaptivealgorithmofdigitalself-interferencecancellationbasedonimprovedvariablestep,"2015ieee9thinternationalconferenceonanti-counterfeiting,security,andidentification(asid),xiamen,pp.176-179,2015.)提出了一种基于改进变步长的自适应数字自干扰对消优化算法,利用迭代阈值,在阶跃因子和误差信号之间建立了一种新的非线性关系,克服了误差信号趋近于零时变化缓慢的问题,加快了收敛速度。该方法并没有提到雷达干扰机非线性自干扰信号的对消。danikorpi,laurianttila,andmikkovalkama("nonlinearself-interferencecancellationinmimofull-duplextransceiversundercrosstalk."eurasipjournalonwirelesscommunications&networking2017.1(2017).)提出了一种用于带内多输入多输出(mimo)全双工无线电的新型数字自干扰对消器。其详细介绍了全双工的各种模型,包括对自干扰信号的非线性成分的分析,但是并未提出如何消除非线性自干扰信号。综上所述,上面的对消方法都是针对于电磁环境比较简单,生成的自干扰信号为线性时有较好的对消效果,而当由于雷达干扰机功率放大器而产生的非线性自干扰信号时,使用这些方法来实现对消结果不容易取得较好的对消结果。

    由于神经网络可以很好地解决非线性问题,而且最近的有学者研究表明,神经网络可以用于全双工通信中的信道建模,从而使重构的信道信号更加准确。这种方法基于自适应滤波,通过dnn(deepneuralnetwork)估计滤波器的权重,而自适应滤波器本身的非线性性能不是特别好,因此引入dnn来优化自适应滤波器的性能。



    技术实现要素:

    本发明提出了一种基于深度神经网络的自适应对消的方法,用于解决传统的自适应对消算法在处理由于非线性功放形成的自干扰信号时对消效果差的问题。本发明利用大量训练先验信息模拟雷达干扰机功率放大器的非线性特性,解决干扰问题,这种方法直接估计信号的幅度,用大量的数据来减少算法步骤。

    本发明的目的是这样实现的:

    一种基于深度神经网络的自适应对消方法,包括如下步骤:

    步骤1:定义接收天线接收的信号模型,包括发射信号功率pf,功率放大器非线性失真函数g[·]以及载波中心频率fc;

    接收天线的接收到的信号包括目标信号、噪声信号以及自干扰信号;在正常情况中,噪声信号通常为零均值的高斯白噪声,用n(t)表示,其功率为pn(ω),即

    定义接收天线接收的预期的目标信号r(t)为:

    其中,pf是雷达发射信号的功率,g[·]表示功率放大器的非线性失真函数,df(t)表示调制基带波形,fc表示载波的中心频率;

    雷达干扰机中自干扰信号是发射信号的延迟,因此自干扰信号x(t)可设为下式:

    x(t)=r(t-τ1)+r(t-τ2)+······+r(t-τn)(3)

    其中,τ1、τ2与τn是模拟实际情况下的干扰延迟;

    目标信号经过基带调制后,dn(t)由x(t)获得,xpa(t)由功率放大获得;最后由发射天线发出,发射信号将不可避免输入由接收天线形成自干扰信号si(t):

    pn干扰机发射信号的功率,fc代表载波的中心频率,φ代表载波的初始相位,k代表已知系数;

    因此,接收天线实际接收的信号y(t)模型为:

    y(t)=r(t)+si(t)+n(t)(5)

    步骤2:定义非线性功率放大器的模型;

    造成功率放大器非线性失真的原因主要是am/am失真,am/am失真是指输入信号的幅度变化引起输出信号的幅度的失真;采用的功率放大器为行波管放大器,其非线性失真可以用萨利赫模型来描述,萨利赫模型的am/am与am/pm的特征函数为:

    其中,r是输入信号的幅度;αa、βa、αφ和βφ是模型参数;通过调整四个参数得到合适的固定模型;萨利赫模型的非线性特征包括信号通过萨利赫模型后的幅度和相位变化;

    对公式(6)求导数,得到当输入信号达到放大器模型的输入饱和幅度时,输入信号幅度为:

    该模型获得最大输出信号幅度:

    f(a)max=αaasat/2(9)

    功率放大器的最大输出值决定了线性化可以校正的最大值;如果功率放大器的输入幅度值对应的线性输出值大于功率放大器的最大输出幅度值,则非线性失真无法补偿;

    步骤3:将目标信号进行非线性建模,使用大量数据对dnn网络进行训练;

    3a)训练数据分别以两种信号的形式:线性调频(lfm)信号和bpsk信号作为目标信号;对于这两个信号,分别制作了两个数据集,每个数据集包含10000个样本;每个lfm样本是脉冲宽度为3μs的脉冲信号,每个bpsk样本包含13个码元,每个码元在采样频率下的采样点数为70个点;对于lfm信号,定义lfm信号采样频率fs=300mhz,载波频率为100mhz,带宽为20mhz,信号的幅度为20;定义bpsk信号的采样频率为fs=300mhz,幅度为20,载波频率为50mhz;

    3b)3a中产生的目标信号是通过步骤2中的萨利赫模型得到训练样本的标签(模型的饱和输出幅度为80);其中,萨利赫模型的参数设置如下αa=2,αφ=π/3,βa=1.5625e-5,βφ=1;生成的目标信号作为dnn网络的训练信号,通过萨利赫模型的信号作为训练数据的标签;经过非线性放大后,数据在时域和频域都发生了明显的变化;

    3c)dnn网络的输入层为x(t),隐藏层的节点数分别放大和减少,输出层的最终节点数与输入层相同,得到非线性放大后的输出信号xap(t);在实验中,隐藏层使用relu(rectifiedlinearunits)激活函数,深度神经网络的隐藏层数分别是num,1024,2048,…,1024,num;其中num是每个样本的点数,具体层数可以调整;神经网络中的损失二次成本函数为:

    loss=mean(square(x-xap))(10)

    dnn网络每个节点的输出是应用其输入的非线性激活函数;神经网络中层与层之间的权重通过大量的学习来优化,并且学习包含已知输入的训练样本的预期输出;

    步骤4:把原参考信号通过训练好的网络后生成的信号作为新参考信号输入自适应滤波器;

    接收机接收信号包括目标信号、噪声信号以及自干扰信号,这些信号的总和即为我们对消前的信号,公式(5)中自干扰信号si(t)是要消除的目标;

    4a)以lfm信号为例,接收的信号经过去噪采样后信号变为y(n),y(n)为输入自适应滤波器的对消信号,持续时间为3μs,

    4b)把第一步中的y(n)信号延迟0.5μs后用步骤2中的萨利赫模型进行非线性处理来模拟功率放大器的非线性特性,将处理后的作为自干扰信号si(n),将si(n)与y(n)以及高斯白噪声相加作为目标对消信号;

    4c)将第二步延迟0.5μs后的y(n)信号输入dnn神经网络作为训练的样本,将经过萨利赫模型非线性处理后的信号作为标签,经过深度神经网络估算出来的信号xap(n)作为自适应滤波器的参考信号;

    4d)步骤4b与4c生成的信号输入lms算法的自适应滤波器,得到自适应滤波器对消后的输出信号x(n),达到lfm信号对消的结果;

    把上述步骤中的lfm信号变为bpsk信号也能达到对消结果。

    与现有技术相比,本发明的有益效果是:

    本发明提出了一种基于深度神经网络的干扰机信号干扰消除方法。在现有干扰消除理论的基础上,考虑了雷达干扰机功率放大器的非线性特性,并将非线性引入干扰信号的建模中。经过实验仿真得到,如果采取的训练数据足够丰富,采样频率不高,就可以消除干扰机中接收到的由功率放大器非线性特性产生的自干扰信号中的非线性成分。

    附图说明

    图1是是基于dnn的自干扰抵消系统模型。

    图2是萨利赫模型的非线性特征。

    图3是非线性放大前后的lfm信号

    图4是非线性放大前后的bpsk信号。

    图5是dnn网络模型的结构图。

    图6是基于dnn方法的lfm信号对消结果。

    图7是基于dnn方法的bpsk信号对消结果。

    图8是传统方法的lfm信号对消结果。

    具体实施方式

    下面结合附图与具体实施方式对本发明作进一步详细描述。

    本次发明的技术方案是一种基于dnn的自适应对消算法,该发明包括如下步骤:

    1)定义接收天线接收的信号模型,包括发射信号功率pf,功率放大器非线性失真函数g[·]以及载波中心频率fc。

    2)定义非线性功率放大器的模型。

    3)将目标信号进行非线性建模,使用大量数据对dnn网络进行训练。

    4)把原参考信号通过训练好的网络后生成的信号作为新参考信号输入自适应滤波器。

    5)对比自适应滤波器对消前后的信号。

    步骤1:定义接收天线接收的信号模型,包括发射信号功率pf,功率放大器非线性失真函数g[·]以及载波中心频率fc。

    接收天线的接收到的信号包括目标信号、噪声信号以及自干扰信号。在正常情况中,噪声信号通常为零均值的高斯白噪声,用n(t)表示,其功率为pn(ω),即

    定义接收天线接收的预期的目标信号r(t)为:

    其中,pf是雷达发射信号的功率,g[·]表示功率放大器的非线性失真函数,df(t)表示调制基带波形,fc表示载波的中心频率。

    雷达干扰机中自干扰信号是发射信号的延迟,因此自干扰信号x(t)可设为下式:

    x(t)=r(t-τ1)+r(t-τ2)+······+r(t-τn)(3)

    其中,τ1、τ2与τn是模拟实际情况下的干扰延迟。

    目标信号经过基带调制后,dn(t)由x(t)获得,xpa(t)由功率放大获得。最后由发射天线发出,发射信号将不可避免输入由接收天线形成自干扰信号si(t):

    pn干扰机发射信号的功率,fc代表载波的中心频率,φ代表载波的初始相位,k代表已知系数。

    因此,接收天线实际接收的信号y(t)模型为:

    y(t)=r(t)+si(t)+n(t)(5)

    步骤2:定义非线性功率放大器的模型。

    造成功率放大器非线性失真的原因主要是am/am失真,am/am失真是指输入信号的幅度变化引起输出信号的幅度的失真。本发明采用的功率放大器为行波管放大器,其非线性失真可以用萨利赫模型来描述,萨利赫模型的am/am与am/pm的特征函数为:

    其中,r是输入信号的幅度。αa、βa、αφ和βφ是模型参数。通过调整四个参数可以得到合适的固定模型。图2显示了萨利赫模型的非线性特征,它包括信号通过萨利赫模型后的幅度和相位变化。

    对公式(6)求导数,可以得到当输入信号达到放大器模型的输入饱和幅度时,输入信号幅度为:

    该模型获得最大输出信号幅度:

    f(a)max=αaasat/2(9)

    功率放大器的最大输出值决定了线性化可以校正的最大值。如果功率放大器的输入幅度值对应的线性输出值大于功率放大器的最大输出幅度值,则非线性失真无法补偿。

    步骤3:将目标信号进行非线性建模,使用大量数据对dnn网络进行训练。

    3a)训练数据分别以两种信号的形式:线性调频(lfm)信号和bpsk信号作为目标信号。对于这两个信号,分别制作了两个数据集,每个数据集包含10000个样本。每个lfm样本是脉冲宽度为3μs的脉冲信号,每个bpsk样本包含13个码元,每个码元在采样频率下的采样点数为70个点。对于lfm信号,定义lfm信号采样频率fs=300mhz,载波频率为100mhz,带宽为20mhz,信号的幅度为20;定义bpsk信号的采样频率为fs=300mhz,幅度为20,载波频率为50mhz。

    3b)3a中产生的目标信号是通过步骤2中的萨利赫模型得到训练样本的标签(模型的饱和输出幅度为80)。其中,萨利赫模型的参数设置如下αa=2,αφ=π/3,βa=1.5625e-5,βφ=1。生成的目标信号作为dnn网络的训练信号,通过萨利赫模型的信号作为训练数据的标签。如图3与图4所示,经过非线性放大后,数据在时域和频域都发生了明显的变化。

    3c)图5为dnn网络模型的结构图,dnn网络的输入层为x(t),隐藏层的节点数分别放大和减少,输出层的最终节点数与输入层相同,得到非线性放大后的输出信号xap(t)。在实验中,隐藏层使用relu(rectifiedlinearunits)激活函数,深度神经网络的隐藏层数分别是num,1024,2048,…,1024,num。其中num是每个样本的点数,具体层数可以调整。神经网络中的损失二次成本函数为:

    loss=mean(square(x-xap))(10)

    dnn网络每个节点的输出是应用其输入的非线性激活函数。神经网络中层与层之间的权重通过大量的学习来优化,并且学习包含已知输入的训练样本的预期输出。

    步骤4:把原参考信号通过训练好的网络后生成的信号作为新参考信号输入自适应滤波器。

    图1为自适应滤波器系统的实现框图,接收机接收信号包括目标信号、噪声信号以及自干扰信号,这些信号的总和即为我们对消前的信号,如公式(5),其中自干扰信号si(t)是要消除的目标。

    4a)以lfm信号为例,接收的信号经过去噪采样后信号变为y(n),如图所示,y(n)为输入自适应滤波器的对消信号,持续时间为3μs,

    4b)把第一步中的y(n)信号延迟0.5μs后用步骤2中的萨利赫模型进行非线性处理来模拟功率放大器的非线性特性,将处理后的作为自干扰信号si(n),将si(n)与y(n)以及高斯白噪声相加作为目标对消信号。

    4c)将第二步延迟0.5μs后的y(n)信号输入dnn神经网络作为训练的样本,将经过萨利赫模型非线性处理后的信号作为标签,经过深度神经网络估算出来的信号xap(n)作为自适应滤波器的参考信号。

    4d)步骤4b与4c生成的信号输入lms算法的自适应滤波器,得到自适应滤波器对消后的输出信号x(n),lfm信号对消的结果如图6。

    同理,把上述步骤中的lfm信号变为bpsk信号,对消结果如图7。

    步骤5:与传统的自适应方法对比。

    图6是lfm信号使用新方法的对消结果,图8是现有的lms算法的对消结果,通过对比可以明显看到基于dnn的方法对自干扰信号有更好的消除效果。经过与传统自适应算法对比发现采用新方法来消除自干扰信号,bpsk信号与lfm信号有类似的对消结果。

    再多了解一些
    当前第1页1 2 
    网友询问留言 已有0条留言
    • 还没有人留言评论。精彩留言会获得点赞!
    1