[發(fā)明專利]一種基于CNN-Bi-LSTM的干擾機(jī)自干擾數(shù)字對消方法

有效

• 申請?zhí)枺?/td>: 202211506619.0
• 申請日: 2022-11-28
• 公開（公告）號(hào): CN115842566B
• 公開（公告）日: 2023-09-15
• 發(fā)明（設(shè)計(jì)）人: 趙忠凱;魯人杰;關(guān)澤越;蔣伊琳
• 申請（專利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類號(hào): H04B1/525
• 分類號(hào): H04B1/525;G06N3/0464;G06N3/0442;G06N3/08;G01S7/38;G01S7/36
• 代理公司: 哈爾濱市松花江專利商標(biāo)事務(wù)所 23109
• 代理人: 時(shí)起磊

一種基于CNN?Bi?LSTM的干擾機(jī)自干擾數(shù)字對消方法，涉及電子偵察與干擾領(lǐng)域。本發(fā)明是為了解決目前的自干擾對消方法沒有考慮時(shí)間記憶維度以外的非線性特征，進(jìn)而導(dǎo)致其應(yīng)用于干擾機(jī)自干擾對消中效果不佳的問題。本發(fā)明具體為：獲取干擾機(jī)發(fā)射的參考信號(hào)和接收到的信號(hào)，將參考信號(hào)輸入到自干擾估計(jì)網(wǎng)絡(luò)中獲得估計(jì)的自干擾，再將干擾機(jī)接收到的信號(hào)與估計(jì)的自干擾相減完成自干擾對消，獲得自干擾對消后的信號(hào)；本發(fā)明提出的自干擾估計(jì)網(wǎng)絡(luò)額外加入了記憶項(xiàng)對應(yīng)的高階非線性項(xiàng)，再結(jié)合Bi?LSTM網(wǎng)絡(luò)對記憶項(xiàng)進(jìn)行時(shí)間依賴關(guān)系的前后雙向擬合，提升了對于時(shí)間記憶維度以外的非線性特征的擬合效果。本發(fā)明用于干擾機(jī)自干擾的對消。

技術(shù)領(lǐng)域

本發(fā)明涉及電子偵察與干擾領(lǐng)域，特別涉及一種基于CNN-Bi-LSTM的干擾機(jī)自干擾數(shù)字對消方法。

背景技術(shù)

電子對抗在現(xiàn)代化戰(zhàn)爭中至關(guān)重要，雷達(dá)干擾機(jī)作為電子對抗的重要部分，在保護(hù)己方設(shè)備與干擾敵方雷達(dá)等方面都發(fā)揮著關(guān)鍵作用。目前常用的間歇采樣轉(zhuǎn)發(fā)干擾機(jī)，其發(fā)射機(jī)和接收機(jī)分時(shí)工作，一方面降低了對目標(biāo)信號(hào)的偵察概率，另一方面降低了干擾性能。若干擾機(jī)可以實(shí)現(xiàn)收發(fā)同時(shí)工作，則系統(tǒng)整體偵察干擾性能將會(huì)有極大的提升。收發(fā)天線之間的自耦合是阻礙收發(fā)同時(shí)的主要因素，特別是對于機(jī)載、彈載等小型化平臺(tái)，因?yàn)槠涫瞻l(fā)天線距離較近，其耦合自干擾遠(yuǎn)強(qiáng)于目標(biāo)信號(hào)。為了解決這一問題，自干擾對消方法應(yīng)用而生，其主要思想是根據(jù)參考信號(hào)估計(jì)出干擾信號(hào)，并將估計(jì)信號(hào)從實(shí)際自干擾信號(hào)中減去，從而有效地抑制進(jìn)入接收機(jī)濾波器通帶中的自干擾。此方法已被廣泛應(yīng)用于移動(dòng)通信、水聲通信及雷達(dá)與電子戰(zhàn)等眾多領(lǐng)域。

目前，同頻全雙工技術(shù)在通信領(lǐng)域已研究多年，利用自適應(yīng)濾波算法來實(shí)現(xiàn)線性自干擾對消是比較容易的，且相關(guān)技術(shù)也比較成熟。但考慮實(shí)際應(yīng)用場景，自干擾信道特性比仿真建模的要更為復(fù)雜，由于功放飽和工作、I/Q不平衡、量化噪聲、相位噪聲等帶來的非線性成分使得線性對消方法性能急劇惡化。干擾機(jī)大帶寬特點(diǎn)使其信號(hào)記憶性明顯，考慮記憶非線性成分的對消方法是非常必要的。目前常用以記憶多項(xiàng)式(MemoryPolynomial,MP)為代表的一系列級(jí)數(shù)模型、雙盒模型建模非線性，再解算模型系數(shù)的方法。而此類方法的弊端在于過于依賴前期建模的準(zhǔn)確性，在非線性程度較強(qiáng)、成分較復(fù)雜時(shí)固定模型的擬合能力將大幅降低。非線性自干擾對消的根本目標(biāo)就是由參考信號(hào)準(zhǔn)確估計(jì)出接收的非線性自干擾，可以歸屬為深度學(xué)習(xí)中序列到序列的回歸問題。基于深度學(xué)習(xí)的自干擾對消方法具備優(yōu)秀性能與廣闊的發(fā)展前景。

目前基于深度學(xué)習(xí)的自干擾對消方法主要包括：HanqingGuo等人在“2019IEEEGlobal?Communications?Conference(GLOBECOM)”上發(fā)表的“DSIC:Deep?Learning?BasedSelf-Interference?Cancellation?for?In-Band?Full?Duplex?Wireless”中，提出使用深度神經(jīng)網(wǎng)絡(luò)(Deep?Neural?Network,DNN)建模自干擾信道以實(shí)時(shí)對消非線性自干擾的解決方案。雖然DNN網(wǎng)絡(luò)對非線性有一定擬合能力，但沒有處理時(shí)間上的依賴關(guān)系，無法很好地解決記憶非線性問題。陳遠(yuǎn)祥等人在發(fā)明申請“基于LSTM的同時(shí)同頻全雙工數(shù)字域自干擾抑制方法”中，提出一種基于長短時(shí)記憶網(wǎng)絡(luò)(Long?Short-Term?Memory,LSTM)的同時(shí)同頻全雙工數(shù)字域自干擾抑制方法。LSTM網(wǎng)絡(luò)擅長學(xué)習(xí)時(shí)間維度上的長期依賴關(guān)系，性能相較于DNN有提升，但其輸入項(xiàng)只考慮參考信號(hào)的記憶特性，并且對于時(shí)間記憶維度以外的非線性特征擬合不佳。路雷等人在“電子與信息學(xué)報(bào)”上發(fā)表“基于卷積長短時(shí)記憶深度神經(jīng)網(wǎng)絡(luò)的帶內(nèi)全雙工非線性數(shù)字自干擾消除”，提出基于LSTM的改進(jìn)網(wǎng)絡(luò)，卷積長短時(shí)記憶深度神經(jīng)網(wǎng)絡(luò)(CLDNN)。該研究中使用三維張量的輸入形式，將輸入實(shí)虛部也作為一個(gè)維度，并針對實(shí)虛部加入卷積層，以達(dá)到性能上的增益，但其依舊只考慮記憶特性，沒有加入新的輸入特征，只是加強(qiáng)了對復(fù)信號(hào)實(shí)虛部的聯(lián)合特征與相位信息的學(xué)習(xí)。因此目前的自干擾對消方法沒有考慮時(shí)間記憶維度以外的非線性特征，因此應(yīng)用于干擾機(jī)的自干擾對消中效果不佳。

發(fā)明內(nèi)容