認(rèn)知型水聲通信時(shí)空自適應(yīng)處理算法研究

王峰，周易，龔道銀

?

認(rèn)知型水聲通信時(shí)空自適應(yīng)處理算法研究

王峰1,2，周易1，龔道銀1

(1. 河海大學(xué)計(jì)算機(jī)與信息學(xué)院，陣列與信息處理實(shí)驗(yàn)室，江蘇南京 211100； 2.廈門(mén)大學(xué)水聲通信與海洋信息技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，福建廈門(mén) 361005)

針對(duì)淺海水聲通信面臨的復(fù)雜干擾環(huán)境，提出了一種適用于水聲通信系統(tǒng)的認(rèn)知型時(shí)空自適應(yīng)處理算法。該算法在傳統(tǒng)時(shí)空自適應(yīng)陣列處理算法的基礎(chǔ)上引入了干擾認(rèn)知的功能，通過(guò)干擾認(rèn)知處理降低計(jì)算量，并且實(shí)現(xiàn)干擾樣本的選取，確保自適應(yīng)算法的可靠收斂。利用了協(xié)方差矩陣特征分解和多重信號(hào)分類(Multiple Signal Classification, MUSIC)估計(jì)干擾的個(gè)數(shù)，輔助選取盲源分離算法中的維度和時(shí)空自適應(yīng)算法中的空域維度，進(jìn)行算法降維處理。針對(duì)采用盲源分離后的各干擾，采用包絡(luò)檢測(cè)法提取時(shí)域特征，采用短時(shí)傅里葉變換(Short-time Fourier Transform, STFT)方法提取時(shí)頻譜特征，分析干擾特征，實(shí)現(xiàn)干擾分類，從而實(shí)現(xiàn)干擾樣本的選取。通過(guò)計(jì)算機(jī)仿真驗(yàn)證了該認(rèn)知處理算法的性能。

認(rèn)知水聲通信；時(shí)空自適應(yīng)處理；特征提取

0 引言

由于電磁波在水中衰減嚴(yán)重，傳輸距離受限，水聲通信技術(shù)成為海洋開(kāi)發(fā)探索和潛艇通信的重要手段[1-2]。淺海水聲通信面臨著來(lái)自多方面的干擾，相對(duì)于通信目標(biāo)的其它用戶干擾、航線船只與風(fēng)暴造成的連續(xù)波干擾、海洋生物鳴叫和人類在海洋中的施工造成的脈沖干擾[3]，極大地降低了水聲通信系統(tǒng)的性能。

目前已有多篇文獻(xiàn)針對(duì)水聲通信干擾進(jìn)行了研究。文獻(xiàn)[3]提出了一種基于稀疏貝葉斯學(xué)習(xí)的脈沖噪聲估計(jì)算法，利用接收端頻域信號(hào)和后驗(yàn)概率估計(jì)脈沖噪聲。文獻(xiàn)[4]采用門(mén)限消除方法對(duì)脈沖干擾進(jìn)行了抑制。但是上述文獻(xiàn)只能檢測(cè)出脈沖這一種干擾。在文獻(xiàn)[5]中，使用基于最小均方算法(Least Mean Square, LMS)算法的鎖相環(huán)-判決反饋均衡器結(jié)構(gòu)，提高均衡器跟蹤信道變化的能力，抑制強(qiáng)多徑干擾，但是有些干擾不能直接采用LMS算法進(jìn)行處理，例如脈沖干擾，自適應(yīng)算法收斂受到脈沖干擾出現(xiàn)位置的影響，抑制難度較大。

針對(duì)以上算法的不足，本文提出了一種基于認(rèn)知的水聲通信時(shí)空自適應(yīng)處理算法。該算法在傳統(tǒng)的時(shí)空自適應(yīng)干擾抑制算法的基礎(chǔ)上，引入了協(xié)方差矩陣特征分解、MUSIC空間譜估計(jì)、包絡(luò)特征提取和短時(shí)傅里葉變換(Short-time Fourier Transform, STFT)等算法，實(shí)現(xiàn)時(shí)空自適應(yīng)算法的降維處理和對(duì)消樣本選取。

1 認(rèn)知型水聲通信時(shí)空自適應(yīng)處理算法

1.1 傳統(tǒng)的時(shí)空自適應(yīng)算法原理[6-10]

基于線性約束最小方差(Linearly Constrained Minimum Variance, LCMV)準(zhǔn)則，最佳權(quán)向量使用式(3)求解：

其中：

1.2 認(rèn)知型時(shí)空自適應(yīng)陣列處理

認(rèn)知型時(shí)空自適應(yīng)處理原理框圖如圖1所示。該算法是在傳統(tǒng)時(shí)空自適應(yīng)陣列處理算法的基礎(chǔ)上引入了基于干擾特征分析的干擾認(rèn)知功能。干擾認(rèn)知計(jì)算陣列接收信號(hào)的協(xié)方差矩陣，進(jìn)行特征分解和MUSIC空間譜估計(jì)，計(jì)算干擾個(gè)數(shù)。干擾個(gè)數(shù)主有兩個(gè)方面的應(yīng)用：一是輔助選取盲源分離算法中的維度，從而有效降低通道數(shù)量，降低算法的復(fù)雜度；二是輔助選取時(shí)空自適應(yīng)算法中的空域維度，進(jìn)行算法降維處理，從而降低時(shí)空自適應(yīng)處理算法的計(jì)算量。采用基于快速獨(dú)立分量分析(Fast Independent Component Analysis, Fast-ICA)的盲源分離算法將干擾分離開(kāi)后，采用包絡(luò)檢測(cè)方法分析時(shí)域特征，采用STFT分析時(shí)頻譜，從而提取干擾特征，識(shí)別干擾類型。最后根據(jù)干擾類型選取合適的干擾樣本進(jìn)行時(shí)空自適應(yīng)抵消，提高自適應(yīng)算法的收斂速度。

圖1 認(rèn)知型空時(shí)自適應(yīng)處理原理框圖

水聲通信常見(jiàn)的干擾形式主要為噪聲調(diào)頻干擾、脈沖干擾以及線性掃頻干擾等，噪聲調(diào)頻干擾具有帶寬較寬、功率譜均勻和干擾功率大的特點(diǎn)；脈沖干擾具有持續(xù)時(shí)間短、瞬時(shí)功率大、信號(hào)幅度因大瞬時(shí)功率的影響可能出現(xiàn)飽和或限幅的特點(diǎn)；線性掃頻干擾具有頻率特征成線性的特點(diǎn)。本文針對(duì)噪聲調(diào)頻干擾、脈沖干擾和線性掃頻干擾這三種干擾，按圖1所示框圖，對(duì)接收陣列做了如下處理：

(1) 干擾源個(gè)數(shù)估計(jì)

然后對(duì)協(xié)方差矩陣進(jìn)行特征值分解：

(2) 干擾方向估計(jì)

MUSIC方法利用了信號(hào)子空間和噪聲子空間的正交性，構(gòu)造空間譜函數(shù)。通過(guò)譜峰搜索，檢測(cè)出水聲通信中干擾的方向，公式為[12]

(3) 干擾分離

基于負(fù)熵最大的FastICA算法的基本步驟如下[13-14]：

步驟1：對(duì)觀測(cè)信號(hào)矩陣進(jìn)行預(yù)處理，包括去均值和白化，得到預(yù)白化信號(hào)；

步驟4：每次迭代提取一個(gè)新的獨(dú)立成份時(shí)，為避免迭代的新權(quán)與已經(jīng)求出的權(quán)值向量收斂到相同方向，需進(jìn)行去相關(guān)處理，即正交化投影操作，公式如下：

步驟5：歸一化處理，公式如下：

(4) 頻譜占用分析

使用快速傅里葉變換(Fast Fourier Transform, FFT)對(duì)盲源分離后的各干擾進(jìn)行頻譜占用分析，從而提取帶寬特征。具體步驟如下：①提取FFT后頻譜幅度的最大值；②以最大值的0.707倍為門(mén)限，計(jì)算超出該門(mén)限的頻譜寬度，作為干擾的帶寬。噪聲調(diào)頻干擾和脈沖干擾的帶寬較寬，覆蓋整個(gè)工作頻帶，而線性掃頻干擾的帶寬較小。

(5) 時(shí)域包絡(luò)特征提取

針對(duì)盲源分離后的各種干擾信號(hào)，提取脈寬和占空比特征，判斷干擾是連續(xù)波還是脈沖。

①脈寬

②占空比

占空比是指整個(gè)樣本中脈沖所占的比例，計(jì)算公式為

(6) 時(shí)頻譜特征提取

STFT對(duì)時(shí)頻特征的提取非常有效，對(duì)于掃頻干擾和噪聲調(diào)頻干擾等存在明顯時(shí)頻譜特征的信號(hào)，可以采用提取相應(yīng)時(shí)延峰值的方法實(shí)現(xiàn)特征判斷。因此，采用STFT測(cè)量干擾的時(shí)頻特征，時(shí)頻譜特征分析原理框圖如圖2所示。

圖2 時(shí)頻譜特征分析原理框圖

盲源分離后，對(duì)各干擾信號(hào)分別做STFT并進(jìn)一步提取峰值一階差分的方差特征，然后根據(jù)特征值的不同進(jìn)行門(mén)限判決，識(shí)別出相應(yīng)的干擾類型。

綜上所述，獲取干擾特征后對(duì)干擾進(jìn)行認(rèn)知，如果根據(jù)包絡(luò)特征判定為脈沖干擾，根據(jù)STFT判定為非線性掃頻干擾，則最終判定為脈沖干擾。如果根據(jù)包絡(luò)特征判定為連續(xù)波干擾，根據(jù)STFT判定為線性掃頻干擾，則最終判為線性掃頻干擾。如果根據(jù)包絡(luò)特征判定為連續(xù)波干擾，根據(jù)STFT判定為非線性掃頻干擾，則最終判為噪聲調(diào)頻干擾。識(shí)別水聲干擾類型后，根據(jù)干擾類型選取自適應(yīng)干擾抵消的樣本，通過(guò)時(shí)空自適應(yīng)算法抑制干擾。

2 算法性能仿真

2.1 仿真1：干擾認(rèn)知仿真

使用基于負(fù)熵最大的Fast-ICA迭代算法實(shí)現(xiàn)干擾信號(hào)的分離，分離結(jié)果如圖5所示。

圖3 干擾信號(hào)與用戶信號(hào)的頻帶占用圖

圖4 MUSIC空間譜測(cè)向

對(duì)分離后的三種干擾信號(hào)分別提取包絡(luò)特征，干擾1的脈寬為80個(gè)采樣點(diǎn)，占空比為0.22；干擾2的脈寬為4 000個(gè)采樣點(diǎn)，占空比為1；干擾3的脈寬為4 000個(gè)采樣點(diǎn)，占空比為1。

采用STFT處理后的干擾信號(hào)時(shí)頻圖如圖6所示。提取時(shí)頻譜的頻率峰值，計(jì)算三種干擾峰值的一階差分的方差，分別為4 747、6 723、0.15。

綜上所述，仿真中提取的干擾特征參數(shù)如表1所示。

根據(jù)上述提取的特征，干擾1脈寬為80采樣點(diǎn)，小于脈寬門(mén)限值500采樣點(diǎn)；占空比為0.22，小于占空比門(mén)限0.7，所以干擾1最終判為脈沖干擾。干擾2占空比為1，大于占空比門(mén)限0.7，判為連續(xù)波干擾；頻率峰值一階差分的方差為6 723，遠(yuǎn)大于差分方差門(mén)限1，所以干擾2最終判為噪聲調(diào)頻干擾。干擾3的占空比為1，大于占空比門(mén)限0.7，判為連續(xù)波干擾；頻率峰值一階差分的方差為0.15，小于差分方差門(mén)限1，所以干擾3最終判為線性掃頻干擾。干擾個(gè)數(shù)、方向和種類均與仿真條件設(shè)置一致，驗(yàn)證了認(rèn)知干擾算法的有效性。

圖5 盲源分離后干擾信號(hào)時(shí)域圖

表1 干擾特征參數(shù)

仿真通道中的信噪比保持-20 dB不變，改變干噪比，每種干噪比下改變脈沖干擾的脈寬、線性掃頻干擾的帶寬和噪聲調(diào)頻干擾的頻率等參數(shù)，按照?qǐng)D1的流程框圖對(duì)干擾進(jìn)行分類，每種干噪比的蒙特卡洛仿真次數(shù)為300，分類正確率如圖7所示。

由圖7中可見(jiàn)，干噪比高于8 dB時(shí)，本算法可以獲得較高的識(shí)別率，正確率可達(dá)99%以上。

圖7 不同干噪比下的干擾分類正確率

2.2 仿真2：時(shí)空自適應(yīng)處理仿真

識(shí)別干擾類型后選取樣本，再采用時(shí)空自適應(yīng)算法對(duì)干擾進(jìn)行抑制，例如脈沖干擾，選取脈沖干擾出現(xiàn)的樣本。本仿真中有三個(gè)干擾，選取三個(gè)輔助通道。仿真1中干擾抑制前后的功率如圖8所示，抵消比為16.82 dB。抑制前后相干圖如圖9所示，由圖9可見(jiàn)，抑制前后相關(guān)峰值相同，抵消后旁瓣被壓低，證明了抵消后得到的結(jié)果是用戶信號(hào)，驗(yàn)證了抑制算法的有效性。

圖8 干擾抑制前后功率圖

圖9 抵消前后相關(guān)圖

3 結(jié)論

本文結(jié)合水聲通信干擾特征認(rèn)知和空時(shí)自適應(yīng)處理算法，通過(guò)對(duì)干擾個(gè)數(shù)的認(rèn)知，降低了盲源分離算法和空時(shí)自適應(yīng)算法中的計(jì)算量，通過(guò)對(duì)時(shí)域包絡(luò)和時(shí)頻譜的多特征融合認(rèn)知，實(shí)現(xiàn)了噪聲調(diào)頻干擾、脈沖干擾和線性掃頻干擾的分類識(shí)別，完成了干擾樣本的選取，最終保證了時(shí)空自適應(yīng)處理的可靠收斂。計(jì)算機(jī)仿真驗(yàn)證了該方法的有效性。

[1] 賈寧, 黃建純. 水聲通信技術(shù)綜述[J]. 物理, 2014, 43(10): 650-657.

JIA Ning, HUANG Jianchun. An overview of underwater acoustic communications[J]. Physics, 2014, 43(10): 650-657.

[2] 王峰, 劉蝶. 認(rèn)知型寬帶恒模陣列水聲通信多用戶信號(hào)分離與干擾抑制算法[J]. 數(shù)據(jù)采集與處理, 2017, 32(6): 1089-1096.

WANG Feng, LIU Die. Source separation and jamming suppression for underwater acoustic communication systems with cognitive capability[J]. Journal of Data Acquisition and Processing, 2017, 32(6): 1089-1096.

[3] 李程程, 李有明, 呂新榮, 等. 水聲通信中脈沖干擾和載波頻偏聯(lián)合估計(jì)算法的研究[J]. 信號(hào)處理, 2015, 31(11): 1473-1478.

LI Chengcheng, LI Youming, LYU Xinrong, et al. Joint impulsive noise and carrier frequency shift estimation in underwater acoustic communication[J]. Journal of Signal Processing, 2015, 31(11): 1473-1478.

[4] XU X, ZHOU S, SUN H, et al. Impulsive noise suppression in per-survivor processing based DSSS systems[C]//Oceans IEEE(S0197-7385), 2015: 1-5.

[5] 李記龍, 馮海泓, 黃敏燕. 強(qiáng)多徑干擾下的水聲通信均衡算法研究[J]. 聲學(xué)技術(shù), 2016, 35(1): 73-77.

LI Jilong, FENG Haihong, HUANG Minyan. Study of channel equalization of underwater acoustic communication in muitipath horizontal channel[J]. Technical Acoustics, 2016, 35(1): 73-77.

[6] 于永, 雷志勇. 基于STAP雜波抑制的子陣優(yōu)化技術(shù)[J]. 現(xiàn)代雷達(dá), 2016, 38(9): 28-31.

YU Yong, LEI Zhiyong. Optimization technology of subarray division based on STAP clutter suppression[J]. Modern Radar, 2016, 38(9): 28-31.

[7] RUI F, LAMARE R C D. Reduced-rank STAP algorithms using joint iterative optimization of filters[J]. IEEE Transactions on Aerospace & Electronic Systems (S0018-9251), 2011, 47(3): 1668 -1684.

[8] ABDELKAREEM A E, SHARIF B S, TSIMENIDIS C C. Adaptive time varying doppler shift compensation algorithm for OFDM-based underwater acoustic communication systems[M]. Nortn-Holland: Elsevier Science Publishers, B. V. 2016.

[9] PALMER J E, SEARLE S J. Evaluation of adaptive filter algorithms for clutter cancellation in Passive Bistatic Radar[C]//IEEE Radar Conference. IEEE(S2375-5318), 2012: 493-498.

[10] MA Y, SHAN T, ZHANG Y D, et al. A novel two-dimensional sparse-weight NLMS filtering scheme for passive bistatic radar[J]. IEEE Geoscience & Remote Sensing Letters(S1545-598X), 2016, 13(5): 676-680.

[11] AUBRY A, MAIO A D, PALLOTTA L. A geometric approach to covariance matrix estimation and its applications to radar problems[J]. IEEE Transactions on Signal Processing(S1053-587X), 2018, 66(4): 907-922.

[12] 杜梓冰, 楊坤德. 低信噪比下重構(gòu)協(xié)方差矩陣的高分辨MUSIC算法[J]. 聲學(xué)技術(shù), 2013, 32(5): 373-378.

DU Zibing, YANG Kunde. High resolution MUSIC algorithm reconstructing covariance matrix in low SNR[J]. Technical Acoustics, 2013, 32(5): 373-378.

[13] DERMOUNE A, WEI T. FastICA algorithm: five criteria for the optimal choice of the nonlinearity function[J]. IEEE Transactions on Signal Processing(S1053-587X), 2013, 61(8): 2078-2087.

[14] 何安玲, 何選森. 基于有理非線性函數(shù)的Fast-ICA算法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2018(1): 251-255.

HE Anling, HE Xuansen. Improved Fast-ICA algorithms with rational nonlinearities[J]. Computer Engineering and Applications, 2018(1): 251-255.

[15] PEI S C, HUANG S G. STFT with adaptive window width based on the chirp rate[J]. IEEE Transactions on Signal Processing(S1053-587X), 2012, 60(8): 4065-4080.

Space-time adaptive processing with cognitive capability for underwater acoustic communication systems

WANG Feng1,2, ZHOU Yi1, GONG Dao-yin1

(1.Array and Information Processing Laboratory, College of Computer and Information, Hohai University, Nanjing 211100, Jiangsu, China; 2. Key Laboratory of Underwater Acoustic Communication and Ocean Information Technology of Ministry of Education, Xiamen University, Xiamen 361005, Fujian, China)

In order to mitigate the jamming effect in underwater acoustic communication system, a cognitive space-time adaptive processing algorithm is proposed, which converges faster and reliably due to the sample selection based on interference cognition. The number of jamming is estimated by covariance matrix feature decomposition and MUSIC power spectrum, and the algorithm dimensionality reduction processing is carried out based on the auxiliary selection of the dimensions of the blind source separation algorithm and the spatial dimension of the space-time adaptive algorithm. For the interference after blind source separation, several interference cognition methods exploited to sample selection are studied, including the time domain analysis based on envelope detection and the time-frequency analysis based on Short-time Fourier Transform (STFT). Finally, the performance of this algorithm is confirmed by numerical simulations.

cognitive underwater acoustic communication;space-time adaptive processing; characteristic extraction

O427

A

1000-3630(2019)-01-0091-06

10.16300/j.cnki.1000-3630.2019.01.015

2018-05-04;

2018-07-18

水聲通信與海洋信息技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金資助(廈門(mén)大學(xué))(201703)，江蘇省自然科學(xué)基金資助項(xiàng)目(BK20151501)，中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資助項(xiàng)目(2015B03014)。

王峰(1976－), 男, 山東淄博人, 博士, 碩士生導(dǎo)師, 教授, 研究方向?yàn)樗曂ㄐ偶夹g(shù)，智能電子戰(zhàn)技術(shù)。

周易,E-mail: zhouyi_free@163.com