一种基于多任务压缩感知的多样化干扰估计和抑制方法技术

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，具体如下：根据接收到的电磁信息，获得随机观测矩阵和正交字典，并初始化最大迭代次数和重构精度；更新干扰的感知矩阵；计算t时刻的干扰最优解；计算t时刻稀疏度约束下的最优系数；更新信号的新感知矩阵；获得当前t时刻的电磁信息的整体重构性能；判断t时刻重构约束条件是否满足整体重构性能，如果是，执行下一步；反之回溯干扰最优解；更新t时刻系数向量及迭代次数；计算稀疏约束下的t时刻干扰最优解；返回执行步骤(6)，直至满足迭代终止条件；获得最终最优解的系数向量和干扰。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。除。除。

【技术实现步骤摘要】
一种基于多任务压缩感知的多样化干扰估计和抑制方法


[0001]本专利技术涉及干扰抑制
，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。

技术介绍

[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。

技术实现思路

[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，本专利技术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)...

【技术保护点】

【技术特征摘要】
1.一种基于多任务压缩感知的多样化干扰估计和抑制方法，其特征在于，具体包括下列步骤：(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：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：y
rk
＝s
k
+j
k
+n
k
ꢀꢀꢀꢀ
(6)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。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：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；(2)更新干扰的感知矩阵A
Jk(new)
，Ψ
Jk
→
A
Jk(new)
；(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)
：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：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；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：其中，权重参数η1＞0、η2＞0，||
·
||
0，row
表示l0行范...

【专利技术属性】
技术研发人员：王桂胜，王叶群，董淑福，孙启禄，黄国策，杨博，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：