一种基于深度神经网络的强相关自干扰对消方法与流程

1.本发明属于收发同时系统中强相关自干扰对消领域，具体是一种基于深度神经网络的强相关自干扰对消方法。


背景技术：

2.收发同时系统中的强相关自干扰对消问题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，强相关自干扰信号也日益难以估计，传统的算法很难适应收发同时系统接收信号中强相关自干扰信号的时延效应以及其多变性，有效的消除强相关自干扰信号。
3.随着人们对自适应算法研究的不断深入，自适应算法在收发同时系统中的应用也越来越成熟。同时目前随着人们对神经网络的了解加深，神经网络在语音回声对消领域已经应用的非常成功，因此将神经网络应用到收发同时系统的强相关自干扰对消已是大势所趋。目前应用于消除强相关自干扰信号的主要是一些自适应滤波算法，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，然而自适应滤波对消的方法会存在一个收敛时间，只有在误差信号收敛后才有较好的对消结果，同时在强相关的干扰信号与目标信号叠加后，自适应算法就失去了其有效性。近年，有学者基于基带信号和反馈信号，利用神经网络重构了自干扰信号，再由自适应滤波器对消的方法，该方法实现了对非线性自干扰信号的消除，但是依旧需要使用传统的自适应滤波器。
4.由于深度神经网络可以准确的拟合信号的时域特征，如信号的幅度、相位等等，因此该发明利用深度神经网络直接对强相关自干扰对消系统建模，不同于传统自适应滤波器需要收敛时间以及对干扰信号时延要求，该方法可以从干扰信号中恢复有用信号，神经网络模型一旦训练结束，不需考虑收敛时间和时延的问题，直接就可消除强相关自干扰信号。


技术实现要素：

5.本发明通过对收发同时系统的工作模型进行分析，建立了基于dnn(deep neural network)的强相关自干扰对消系统模型，提出了一种基于dnn的自干扰对消方法。该方法摒弃了传统的自适应算法，通过训练好的dnn网络模型，该系统模型可以实现对强相关自干扰信号的有效消除，从而可以更准确的从强相关自干扰信号中恢复出目标信号。
6.本发明的目的是这样实现的：本发明将dnn神经网络引入到收发同时系统强相关自干扰对消系统中，采用dnn神经网络拟合自适应对消系统模型，替代传统的自适应滤波算法，提出了基于dnn的强相关自干扰对消方法。该发明包括如下步骤：
7.步骤一：构建接收天线接收信号以及发射天线发射信号的模型，接收端接收到的信号包括目标信号s(t)、自干扰信号si(t)以及噪声信号n(t)；发射端发射的信号是i(t)；
8.步骤二：构建基于dnn的强相关自干扰对消系统，收发同时系统强相关自干扰对消模块中，接收天线将接收到的信号经过带通滤波、ad模数转换转换后送入到训练好的神经网络模型中，神经网络对信号处理后输出目标信号s(n)；
9.步骤三：制作数据集，包括训练集和测试集，制作lfm信号以及bpsk信号的数据集；
10.步骤四：设置dnn的网络训练参数，采用有监督学习的神经网络，dnn神经网络激活函数使用leakyrelu；使用三层神经网络，包括输入层、隐藏层和输出层，用步骤三中生成的数据集训练dnn神经网络，保存训练好的模型；
11.步骤五：调用步骤四中训练好的模型，输入测试集信号，测试集信号包括lfm信号，bpsk信号，输出拟合结果；
12.步骤六：对拟合结果进行分析，分析其拟合结果的时域、频域以及残差对消比，评估其对消效果。
13.本发明还包括这样一些结构特征：
14.1.步骤一种的接收天线接收的预期目标信号s(t)为：
[0015][0016]
其中，是发射天线发射信号的功率，d
f
(t)表示基带调制信号波形，f
c
是目标信号的中心频率，代表目标信号的初相；
[0017]
自干扰信号si(t)为：
[0018][0019]
其中k是功率放大器的系数；
[0020]
同时设接收到的噪声为零均值的高斯白噪声，用n(t)表示，其功率为p
n
(ω)，则有：其中n0代表噪声的单边功率谱密度；
[0021]
则接收天线接收信号为：
[0022]
y(t)＝s(t) si(t) n(t)。
[0023]
2.步骤四具体包括：
[0024]
4a)将步骤三中生成的数据集训练dnn神经网络，dnn神经网络的输入包括两部分，接收天线接收的信号以及参考信号，其中模拟接收天线的接收信号是由目标信号与延迟的干扰信号及噪声叠加在一起，标签的设置是对应点数的目标信号；
[0025]
4b)初始化网络参数，定义损失函数，损失函数使用最小均方误差；计算实际的标签信号与网络输出的拟合信号的最小均方误差，使网络模型以该误差函数为准则梯度下降，如下式：
[0026][0027]
其中，y_pred是神经网络的预测值，y_true是标签的真实值，n是每个样本中的总点数；
[0028]
4c)在网络训练过程中，数据集分为训练集和验证集，训练集用来训练网络模型，验证集用来测试模型效果；采用最小均方误差作为损失函数来监督网络学习的效果，当loss值下降到一个较低点时，后续训练的30次都比当前loss值大时，停止训练，保存当前的模型，用于后续测试网络的效果。
[0029]
与现有技术相比，本发明的有益效果是：本发明旨在提供一种新的收发同时系统中强相关自耦合干扰信号对消模型以及基于dnn的强相关自干扰对消方法，该方法摆脱了传统自适应算法中参考信号的选取对时延要求较高的问题，极大的提高了自干扰对消后的信干比，可以有效消除收发同时系统接收端干扰信号和目标信号叠加信号中的强相关自耦合干扰信号，以便于更精准的提取目标信号。神经网络模型一经训练完成，传统的自适应算法的矩阵计算将被抛弃，可以提高自干扰对消系统的对消速度。
附图说明
[0030]
图1是dnn对消系统总体流程图；
[0031]
图2是收发同时系统原理框图；
[0032]
图3是基于dnn的自干扰对消系统框图；
[0033]
图4是dnn网络模型图；
[0034]
图5是dnn网络训练loss值下降曲线；
[0035]
图6是bpsk信号自干扰对消仿真图；
[0036]
图7是lfm信号自干扰对消仿真图；
[0037]
图8是bpsk信号自干扰对消前后频域对比仿真图；
[0038]
图9是lfm信号自干扰对消前后频域对比仿真图。
具体实施方式
[0039]
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。
[0040]
步骤1：构建接收天线接收信号以及发射天线发射信号的模型，收发同时系统接收端接收到的信号包括目标信号s(t)、自干扰信号si(t)以及噪声信号n(t)；发射端发射的信号是i(t)。
[0041]
接收天线接收的预期目标信号s(t)为：
[0042][0043]
其中，是发射天线发射信号的功率，d
f
(t)表示基带调制信号波形，f
c
是目标信号的中心频率，代表目标信号的初相。
[0044]
自干扰信号si(t)为：
[0045][0046]
其中k是功率放大器的系数。
[0047]
同时设接收到的噪声为零均值的高斯白噪声，用n(t)表示，其功率为p
n
(ω)，则：
[0048][0049]
其中n0代表噪声的单边功率谱密度。
[0050]
因此，可以知道接收天线接收信号为：
[0051]
y(t)＝s(t) si(t) n(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0052]
步骤2：构建基于dnn的自干扰对消系统。收发同时系统如图2所示，其自干扰对消
模块如图3所示，接收天线将接收到的信号经过带通滤波器、低噪声放大器、ad(模数转换)转换后送入到训练好的神经网络模型中，神经网络对信号处理后输出目标信号s(n)。发射端信号通过da(数模转换)转换，功率放大器以及带通滤波器，最后由发射天线发射。对于未在训练集中的数据，我们可以将其导入dnn神经网络进行训练，以增强网络的适应性。
[0053]
步骤3：制作数据集，包括训练集和测试集，分别制作lfm信号与bpsk信号的数据集，用该数据集训练dnn神经网络，保存训练好的模型。
[0054]
针对收发同时系统，制作了lfm信号和bpsk信号的数据集，该数据包括100000个样本信号。定义lfm信号和bpsk信号的采样频率为f
s
＝2.5ghz，载波频率范围是f
c
＝100mhz～1000mhz，每两个频率之间的间隔是50mhz，一共有19个频点，信号的幅度范围为10～20之间的任意值，信号的初相为0～2π之间的任意值，lfm信号的带宽为10m～30m之间的任意值。干扰信号的定义是与目标信号强相关的自干扰信号。用相同的参数生成测试集数据，用于后续的网络模型的测试。
[0055]
步骤4：设置dnn的网络训练参数，采用有监督学习的神经网络，dnn神经网络激活函数使用leakyrelu。使用的dnn网络模型如图4所示。
[0056]
4a)将步骤3中生成的数据集训练dnn神经网络，dnn神经网络的输入包括两部分，接收天线接收的信号以及参考信号，其中模拟接收天线的接收信号是由目标信号与延迟的干扰信号及噪声叠加在一起，两种信号的采样点数均是1500。标签的设置是对应点数的目标信号。
[0057]
4b)初始化网络参数，定义损失函数，损失函数使用最小均方误差。计算实际的标签信号与网络输出的拟合信号的最小均方误差，使网络模型以该误差函数为准则梯度下降，如下式：
[0058][0059]
其中，y_pred是神经网络的预测值，y_true是标签的真实值，n是每个样本中的总点数。
[0060]
4c)在网络训练过程中，数据集分为训练集和验证集，训练集用来训练网络模型，验证集用来测试模型效果。采用最小均方误差作为损失函数来监督网络学习的效果，当loss值下降到一个较低点时，后续训练的30次都比当前loss值大时，停止训练，保存当前的模型，用于后续测试网络的效果，loss值的下降曲线如图5所示。
[0061]
步骤5：调用步骤4中训练好的模型，输入测试集信号，测试集信号包括lfm信号和bpsk信号，输出拟合结果如图6和图7所示。
[0062]
步骤6：对拟合结果进行分析，分析拟合结果的时域、频域以及对消比，评估其对消效果。强相关自干扰对消的频域分析如图8和图9所示。对消前后的对消比计算公式如下：
[0063]
r
io
＝10
×
log
10
(p
i
‑
p
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0064]
其中p
i
是输入的干扰信号的功率，p
o
是拟合后残留的干扰信号的功率。
[0065]
对消结果分析：
[0066]
由图8和图9中bpsk信号与lfm对消前后频域对比可以看出，输出信号的频谱幅度明显低于接收信号的频谱幅度，即强相关自干扰信号所带来的频谱增益明显被压制掉了。
由实验仿真，当信干比为0db时，两种信号的对消比可达到43db，当信干比增大时，由于干扰信号的能量增大，而对消后的干扰信号的能量依然较小，所以对消比会增大，即该方法可以有效的从强相关自干扰信号中恢复出目标信号。由图6和图7可以看到，该方法不同于传统自适应算法中对信号时延的严格要求以及需要收敛时间的问题，具有较好的鲁棒性。