[发明专利]一种基于深度神经网络的强相关自干扰对消方法

说明书

本发明提供一种基于深度神经网络的强相关自干扰对消方法，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。

技术领域

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

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。

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。

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。

发明内容

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 NeuralNetwork)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。

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：

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)；

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)；

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；

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；

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；

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。

本发明还包括这样一些结构特征：