干擾抑制類生成式對(duì)抗網(wǎng)絡(luò)*

李春騰，蔣宇中，劉芳君，賈書陽，李松林

(1. 中國人民解放軍92330部隊(duì)， 山東 青島 266000； 2. 海軍工程大學(xué) 電子工程學(xué)院， 湖北 武漢 430033；3. 云南民族大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院， 云南 昆明 650500； 4. 海軍工程大學(xué) 電氣工程學(xué)院， 湖北 武漢 430033)

超低頻頻段的電磁波憑借其在海水中衰減較小和信號(hào)傳輸穩(wěn)定等優(yōu)點(diǎn)[1]被視作一種可靠的通信方式。然而，在超低頻通信中，天線的輻射效率非常低，加之該頻段面臨很強(qiáng)的背景噪聲干擾，導(dǎo)致接收信號(hào)的信干噪比(Signal-to-Interference-plus-Noise Ratio, SINR)很低。一般而言，有兩種方案解決上述問題，一種是增加發(fā)射功率，另一種是采用先進(jìn)高效的數(shù)字信號(hào)處理技術(shù)，而前者不僅成本高，并且改善效果也不是很明顯。因此，本文將研究的重點(diǎn)放在后者：一方面通過設(shè)計(jì)靈敏度較高的磁性天線接收陣列提高接收機(jī)對(duì)微弱信號(hào)的檢測(cè)能力；另一方面通過在接收機(jī)前端引入信號(hào)預(yù)處理和在后端采用性能優(yōu)良的干擾抑制算法提高接收機(jī)的抗干擾能力，實(shí)現(xiàn)信號(hào)帶寬內(nèi)SINR的改善。

對(duì)于干擾抑制算法而言，傳統(tǒng)的算法主要采用基于自適應(yīng)類濾波算法[2]及其相關(guān)改進(jìn)方案[3-4]。考慮到超低頻通信較低的SINR，本文采用間接干擾抑制方式，即首先通過參考通道獲取的相關(guān)信息估計(jì)主信號(hào)中的干擾分量，而后利用估計(jì)的干擾分量將主信號(hào)中的干擾移除。鑒于在實(shí)際的超低頻通信時(shí)，期望信號(hào)的來向無法提前知曉，參考通道會(huì)不可避免地接收到期望信號(hào)分量，使得上述傳統(tǒng)算法在進(jìn)行干擾抑制的同時(shí)抵消部分期望信號(hào)分量，從而導(dǎo)致傳統(tǒng)算法信號(hào)帶寬內(nèi)SINR的改善不明顯。為了有效地解決傳統(tǒng)算法的失效問題，本文將研究目光聚焦于語音信號(hào)增強(qiáng)領(lǐng)域中常用的廣義旁瓣抵消(Generalized Sidelobe Cancellation, GSC)算法[5]，該類算法憑借主通道的信號(hào)增強(qiáng)、參考通道的阻塞輸出以及后級(jí)濾波方案，在超低頻干擾抑制領(lǐng)域中展現(xiàn)出較好的應(yīng)用前景。然而，傳統(tǒng)的GSC算法存在以下幾個(gè)問題：第一，主通道采用的固定波束形成算法的性能受限于主通道接收天線的數(shù)量，且需要信號(hào)來波方向的先驗(yàn)信息；第二，阻塞矩陣的設(shè)計(jì)過于簡(jiǎn)單，使得參考通道無法獲取不含期望信號(hào)的干擾參考信息；第三，后級(jí)最小均方(Least Mean Square, LMS)誤差算法存在收斂速度較慢和穩(wěn)態(tài)誤差較大的缺點(diǎn)。

針對(duì)上述問題，課題組提出了基于GSC算法的改進(jìn)方案[6]，實(shí)現(xiàn)了較好的干擾抑制效果。但在文獻(xiàn)[6]中提出的改進(jìn)方案考慮的通信環(huán)境過于理想，即參考通道接收到的期望信號(hào)分量較少，且僅針對(duì)信號(hào)帶寬內(nèi)的單干擾源進(jìn)行抑制，該干擾源是人為產(chǎn)生的固定中心頻率的寬頻干擾，而在實(shí)際的超低頻通信中，信號(hào)帶寬內(nèi)可能會(huì)存在多個(gè)干擾源，且部分干擾源輻射出的噪聲分布雜亂無章，中心頻率隨時(shí)間的變化而變化。本文從實(shí)際的超低頻通信環(huán)境出發(fā)，采用繞線用的電機(jī)輻射出的干擾模擬隨機(jī)干擾，通過結(jié)合人工智能領(lǐng)域新興的生成模型和之前提出的改進(jìn)方案實(shí)現(xiàn)了接收機(jī)在極端情況下(干擾和期望信號(hào)的來波方向相同，均位于接收陣列的45°方向，此時(shí)參考通道會(huì)接收較多的期望信號(hào)分量，該部分期望信號(hào)的強(qiáng)度與主通道中的期望信號(hào)強(qiáng)度相差不大)的雙干擾抑制，取得了較好的干擾抑制效果。

1 信號(hào)模型

設(shè)計(jì)的磁性天線接收陣列結(jié)構(gòu)如圖1所示，①和③的Cm1和Cm2為 兩個(gè)相互平行的主天線，②和④的Cr1和Cr2為兩個(gè)相互平行的參考天線，采用與主天線空間正交的方式布設(shè)，每根磁性天線的參數(shù)基本一致，具體的設(shè)計(jì)制作過程已在文獻(xiàn)[6]中闡述，此處不再贅述。在接收機(jī)前端引入信號(hào)預(yù)處理方案，設(shè)計(jì)并制作了模擬濾波電路，有效地抑制了工頻干擾以及諧波分量，其詳細(xì)的濾波方案已在文獻(xiàn)[6]中闡述，此處不再贅述。

圖1 磁性天線接收陣列結(jié)構(gòu)示意圖Fig.1 Schematic diagram of receiving array

假設(shè)主天線Cmi在某一時(shí)刻接收信號(hào)為yi(k)，其可表示為：

(1)

式中：x(k)表示期望信號(hào)，k表示采樣點(diǎn)索引；αi表示期望信號(hào)在第i路主通道上的投影因子；rl(k)為第l個(gè)強(qiáng)干擾；ni(k)為背景噪聲；J表示強(qiáng)干擾的總數(shù)。Pi(θrl)=ζilcosθrl，其中Pi(·)為投影算子符號(hào)，表示某個(gè)信號(hào)在第i路主天線上的投影；θrl表示強(qiáng)干擾與磁性天線接收陣列的中心形成的水平夾角；ζil(0≤ζil≤1)表示強(qiáng)干擾在第i路主通道上的投影系數(shù)。鑒于工頻及其諧波分量干擾已被前端濾波電路濾除，接收陣列接收到的該部分干擾較弱。因此，在式(1)中并未考慮該部分干擾。

由圖1可知，接收陣列結(jié)構(gòu)中各路天線擺放間距較小，而超低頻信號(hào)的波長(zhǎng)可達(dá)1000～10 000 km，遠(yuǎn)大于上述擺放間距。因此，因擺放間距而導(dǎo)致的期望信號(hào)時(shí)延τ可忽略不計(jì)，則參考天線Cri在某一時(shí)刻收到的信號(hào)yri(k)可近似表示為：

nri(k+τi)，i=1,2

(2)

式中：αri表示期望信號(hào)在第i路參考天線上的投影因子；τi和τil分別表示背景噪聲和強(qiáng)干擾到達(dá)參考天線的時(shí)延(相比于他們到達(dá)主天線的時(shí)間)；Pri(θrl)=κilsinθrl，其中κil(0≤κil≤1)表示強(qiáng)干擾在第i路參考天線上的投影系數(shù)，雖然考慮的應(yīng)用環(huán)境是期望信號(hào)和強(qiáng)干擾均位于接收陣列的45°方向，且主天線與參考天線采用正交對(duì)稱布設(shè)，但由于磁性天線和預(yù)處理濾波電路的制作工藝有限，并不能保證各路天線接收到的信號(hào)具有完全相同的增益，因此在式(1)和式(2)的投影算子中分別引入不同的投影系數(shù)。

中藥治療組：泰山磐石散加減治療。黨參12 g、黃芪15 g、白術(shù)9 g、川芎4.5 g、白芍藥9 g、熟地黃12 g、川續(xù)斷12 g、杜仲12 g、黃芩 3 g、砂仁 3 g（后下）、菟絲子 12 g、炙甘草 6 g。用法均為每日一劑，2次/日，水煎服。30天為一療程。2～3個(gè)療程為一個(gè)治療周期。

2 生成式旁瓣抵消算法

提出的生成式旁瓣抵消算法(Generative Sidelobe Cancellation Algorithm, GSCA)的原理框圖如圖2所示。該算法主要由3部分組成：改進(jìn)后的生成模型(Improved Generative Model, IGM)、主通道和旁瓣抵消通道。IGM憑借其強(qiáng)大的學(xué)習(xí)能力用于生成與主通道干擾相關(guān)性更強(qiáng)的且不含期望信號(hào)的參考干擾nG(k)。主通道用于實(shí)現(xiàn)接收信號(hào)的增強(qiáng)和期望信號(hào)的估計(jì)。旁瓣抵消通道用于估計(jì)主通道中的干擾分量，其主要由基于信號(hào)帶寬內(nèi)SINR最低原則優(yōu)化設(shè)計(jì)的阻塞矩陣和基于遞歸最小二乘(Recursive Least Square, RLS)的自適應(yīng)濾波算法組成。阻塞矩陣的輸出為估計(jì)主通道中的干擾分量提供的另一路不含期望信號(hào)的參考干擾nB(k)，將nG(k)和nB(k)送至后級(jí)自適應(yīng)濾波算法中，實(shí)現(xiàn)主通道中干擾分量的估計(jì)。主通道利用增強(qiáng)后的接收信號(hào)與旁瓣抵消通道估計(jì)的干擾分量相減，最終輸出估計(jì)的期望信號(hào)。所提算法的主通道和旁瓣抵消通道中阻塞矩陣的優(yōu)化設(shè)計(jì)均采用與文獻(xiàn)[6]中提出的傳統(tǒng)改進(jìn)算法相同的技術(shù)方案，后級(jí)算法均采用RLS算法[7]。這意味著GSCA與傳統(tǒng)改進(jìn)算法相比，除了引入的參考干擾分量不同之外，其他條件均相同。阻塞矩陣的優(yōu)化設(shè)計(jì)和主通道中采用的線性濾波算法參照文獻(xiàn)[6]，下面將重點(diǎn)介紹IGM的優(yōu)化設(shè)計(jì)方法。

生成式對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks, GANs)[8]是由Goodfellow等在2014年提出的一種新的生成模型，目前已成為人工智能領(lǐng)域的研究熱點(diǎn)之一。GANs主要由生成器和判別器構(gòu)成，其基本思想來源于二人零和博弈。生成器用來生成新的樣本數(shù)據(jù)；而判別器作為一個(gè)二分類器，用來辨別輸入樣本是來自真實(shí)的數(shù)據(jù)還是生成的數(shù)據(jù)。兩者均由深度神經(jīng)網(wǎng)絡(luò)構(gòu)成，通過生成器和判別器的不斷對(duì)抗迭代優(yōu)化，生成模型的性能不斷提升。當(dāng)判別器無法辨別輸入樣本的數(shù)據(jù)來源時(shí)，認(rèn)為生成器已經(jīng)捕捉到了輸入樣本的真實(shí)分布。

將GANs在語音信號(hào)增強(qiáng)領(lǐng)域中新興的一類生成模型——語音增強(qiáng)類GANs (Speech Enhancement Generative Adversarial Networks, SEGANs)[9]引入超低頻干擾抑制算法中，并在此基礎(chǔ)上進(jìn)行改進(jìn)，提出了IGM。對(duì)于超低頻信號(hào)而言，樣本的形式是一維數(shù)據(jù)，無須對(duì)其進(jìn)行預(yù)加重和去加重處理。生成器采用卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的近似自動(dòng)編碼結(jié)構(gòu)，包括輸入層、編碼層、去編碼層和輸出層，其具體結(jié)構(gòu)示意圖見圖2中的生成器部分。

圖2 生成式旁瓣抵消算法原理框圖Fig.2 Schematic diagram of the proposed GSCA

為提高網(wǎng)絡(luò)訓(xùn)練的穩(wěn)定性，編碼層和去編碼層均采用步長(zhǎng)卷積，而不引入池化層，其激活函數(shù)均采用整流線性函數(shù)。在編碼層中，設(shè)置提取的特征數(shù)據(jù)長(zhǎng)度不斷減小，為了避免網(wǎng)絡(luò)因提取的特征不夠而導(dǎo)致模型不收斂，設(shè)置網(wǎng)絡(luò)的深度隨網(wǎng)絡(luò)層數(shù)的增加而呈增加趨勢(shì)。經(jīng)過編碼層后，將該層的輸出與額外引入的噪聲樣本z在輸出通道的維度上進(jìn)行連接，構(gòu)成去編碼層的輸入，去編碼層的結(jié)構(gòu)其實(shí)是倒序的編碼層結(jié)構(gòu)，這意味著去編碼層的特征數(shù)據(jù)長(zhǎng)度不斷增加，而輸出通道數(shù)不斷減小。此外，在編碼層和去編碼層之間引入跳躍連接，不僅可以使生成模型提取較多的信號(hào)特征，還能有效地解決生成模型存在的梯度消失問題。

判別器采用的網(wǎng)絡(luò)結(jié)構(gòu)為傳統(tǒng)的卷積分類網(wǎng)絡(luò)，主要用于辨別輸入樣本的數(shù)據(jù)來源。針對(duì)判別器而言，重點(diǎn)對(duì)其卷積網(wǎng)絡(luò)的層數(shù)和每層網(wǎng)絡(luò)的深度進(jìn)行優(yōu)化設(shè)計(jì)，而采用的網(wǎng)絡(luò)模型與SEGAN模型類似，具體的判別器卷積網(wǎng)絡(luò)結(jié)構(gòu)參考文獻(xiàn)[9]。IGM下生成器和判別器的交替迭代優(yōu)化過程如圖3所示。在優(yōu)化判別器網(wǎng)絡(luò)參數(shù)時(shí)，固定生成器模型，盡量提高判別器的準(zhǔn)確率；而在優(yōu)化生成器網(wǎng)絡(luò)參數(shù)時(shí)，固定判別器模型，盡量降低判別器的準(zhǔn)確率。為了實(shí)現(xiàn)穩(wěn)定的網(wǎng)絡(luò)訓(xùn)練和提高生成模型的樣本質(zhì)量，在IGM生成器的代價(jià)函數(shù)中引入用于衡量生成樣本與真實(shí)樣本之間距離關(guān)系的L1正則化準(zhǔn)則，通過此方法引導(dǎo)生成器和判別器的優(yōu)化方向。IGM采用的代價(jià)函數(shù)[10]可表示為：

圖3 生成器和判別器優(yōu)化訓(xùn)練示意圖Fig.3 Schematic diagram of the optimized training about generator and discriminator

(3)

其中，G表示生成器，D表示判別器，E表示期望運(yùn)算符，λ表示正規(guī)化參數(shù)。

一般而言，過濾器的尺寸越大，網(wǎng)絡(luò)的深度越深，網(wǎng)絡(luò)能提取到的信號(hào)特征也就越豐富。然而，考慮到以下兩個(gè)方面的原因：一方面，超低頻信號(hào)的樣本形式過于簡(jiǎn)單，相比于語音信號(hào)而言，學(xué)習(xí)起來相對(duì)較容易；另一方面，為了生成與主通道干擾分量相關(guān)性更強(qiáng)的參考干擾，IGM采用的真實(shí)樣本(被判別器標(biāo)記為1)為主天線Cm1接收到的信號(hào)y1(k)，這意味著真實(shí)樣本中包含期望信號(hào)，而該信號(hào)是不希望被網(wǎng)絡(luò)學(xué)習(xí)到的。一旦上述參數(shù)設(shè)置過大，很可能會(huì)導(dǎo)致網(wǎng)絡(luò)出現(xiàn)過擬合現(xiàn)象，即學(xué)習(xí)到真實(shí)樣本中的期望信號(hào)，導(dǎo)致IGM生成的樣本中包含期望信號(hào)，達(dá)不到預(yù)期的干擾抑制效果。因此，主要對(duì)生成模型的過濾器尺寸、卷積網(wǎng)絡(luò)的層數(shù)以及每層網(wǎng)絡(luò)的深度進(jìn)行優(yōu)化設(shè)計(jì)。采用的優(yōu)化原則是在保證信號(hào)帶寬內(nèi)具有較優(yōu)SINR的前提下，盡量降低生成器的運(yùn)算復(fù)雜度。網(wǎng)絡(luò)的運(yùn)算復(fù)雜度包含時(shí)間復(fù)雜度和空間復(fù)雜度，其可分別表示為：

(4)

其中：l表示網(wǎng)絡(luò)的層數(shù)索引，D表示生成器的網(wǎng)絡(luò)層數(shù)，L表示網(wǎng)絡(luò)提取的特征數(shù)據(jù)長(zhǎng)度，K表示過濾器的尺寸，Cl-1和Cl表示第l層網(wǎng)絡(luò)的輸入和輸出通道數(shù)量。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 生成模型的優(yōu)化結(jié)果

為了驗(yàn)證IGM的有效性，在實(shí)驗(yàn)室環(huán)境下搭建數(shù)據(jù)采集平臺(tái)，分別獲取生成模型的訓(xùn)練集和測(cè)試集。該采集平臺(tái)主要由第1節(jié)提出的磁性天線接收陣列、各類信號(hào)發(fā)生器、發(fā)射線圈1、發(fā)射線圈2、繞線用的電機(jī)(用于提供隨機(jī)強(qiáng)干擾)、以太網(wǎng)機(jī)箱NI 9184和數(shù)據(jù)采集卡NI 9239組成的數(shù)據(jù)采集單元以及計(jì)算機(jī)組成。信號(hào)發(fā)生器TDK AFG3021產(chǎn)生頻率為130 Hz、幅度為10 mV的信號(hào)并送至發(fā)射線圈1，以此作為期望信號(hào)；函數(shù)發(fā)生器DG1022U產(chǎn)生幅度為5V的寬帶高斯白噪聲并送至信號(hào)發(fā)生器GFG-8016G，進(jìn)行隨機(jī)相位調(diào)制，將調(diào)制后的信號(hào)送至發(fā)射線圈2，以此人工寬頻調(diào)相強(qiáng)干擾作為強(qiáng)干擾1；將電機(jī)置于接收陣列的下方，通過調(diào)節(jié)電機(jī)的轉(zhuǎn)速，使其輻射出的隨機(jī)強(qiáng)干擾位于信號(hào)帶寬范圍內(nèi)，以此電機(jī)輻射出的隨機(jī)干擾作為強(qiáng)干擾2。將發(fā)射線圈1、發(fā)射線圈2和電機(jī)均放置在接收陣列的45°方向，分別距離接收陣列3.5 m、1.5 m和0.5 m。數(shù)據(jù)采集卡NI 9239的采樣頻率設(shè)置為5 kHz，采集時(shí)間為每組數(shù)據(jù)30 s，共采集1000組數(shù)據(jù)，以此組數(shù)據(jù)作為IGM的訓(xùn)練集。為了避免引入工頻干擾以及諧波分量，數(shù)據(jù)采集單元和模擬電路板均采用±6 V的蓄電池供電。

為確保IGM具有較好的魯棒性，測(cè)試集和訓(xùn)練集嚴(yán)格分開，測(cè)試集的數(shù)據(jù)采集過程為：保持電機(jī)的位置和發(fā)射線圈1的位置不變，在以接收陣列中心為圓心、以1.5 m為半徑的圓周上調(diào)整發(fā)射線圈2與接收陣列的角度θ，使其分別為15°、30°、45°、60°、75°，通過此方式獲取不同角度下的隨機(jī)調(diào)相寬頻干擾。每個(gè)角度下分別采集10組數(shù)據(jù)，共50組數(shù)據(jù)。其他實(shí)驗(yàn)設(shè)置均與訓(xùn)練數(shù)據(jù)采集過程中的設(shè)置相同。

該生成模型的訓(xùn)練平臺(tái)采用ubuntu16.04系統(tǒng)中的Tensorflow，處理器為Intel Core i7-6700，顯卡為GeForce GTX 1050Ti，運(yùn)行內(nèi)存為8 GB。鑒于上述計(jì)算機(jī)性能有限，無法實(shí)現(xiàn)對(duì)數(shù)據(jù)塊參數(shù)的優(yōu)化，故將該參數(shù)設(shè)置為計(jì)算機(jī)能實(shí)現(xiàn)的最大值30。生成模型在訓(xùn)練優(yōu)化過程中的學(xué)習(xí)率設(shè)為0.000 2，優(yōu)化算法采用RMSprop梯度下降算法，式(3)中的超參數(shù)λ設(shè)為40。基于在實(shí)現(xiàn)較好干擾抑制效果的同時(shí)降低IGM運(yùn)算復(fù)雜度的原則，通過控制變量法分別對(duì)IGM的訓(xùn)練次數(shù)、過濾器的尺寸、網(wǎng)絡(luò)層數(shù)、每層網(wǎng)絡(luò)的深度以及跳躍連接的方式進(jìn)行優(yōu)化，IGM網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化結(jié)果見表1。表1中的字母′B′表示隨機(jī)調(diào)相寬頻干擾，′M′表示電機(jī)輻射的隨機(jī)干擾，G22表示生成器網(wǎng)絡(luò)層數(shù)為22，每層編碼層深度為{16,32,32,64,64,128,128,256,256,512,1024}，G20和G18對(duì)應(yīng)的每層編碼層深度分別為{16,32,32,64,64,128,128,256,256,512}和{16,32,32,64,64,128,128,256,512}，D11表示判別器的卷積層數(shù)為11，其深度為{16,32,32,64,64,128,128,256,256,512,1024}，D10和D9對(duì)應(yīng)的卷積層深度分別為{16,32,32,64,64,128,128,256,256,512}和{16,32,32,64,64,128,128,256,512}。G22(1)、G22(2)、G22(3)、G22(4)、G22(5)和G22(6)對(duì)應(yīng)的每層編碼層深度分別為{16,32,32,64,64,128,128,256,256,256,512}，{16,32,32,64,64,128,128,128,256,256,512}，{16,32,32,64,64,64,128,128,128,256,256}，{16,32,32,32,64,64,64,128,128,256,512}，{16,32,32,64,64,64,128,128,256,256,512}，{16,32,32,64,64,64,128,128,256,256,256}。跳躍連接方式中的數(shù)字代表生成器中包含的跳躍連接數(shù)，以編碼層的第1層為0算起，4表示在編碼層的第1、2、3、4層與去編碼層的第8、7、6、5層之間增加跳躍連接，5表示在編碼層的第1、2、3、4、5層與去編碼層的第8、7、6、5、4層之間增加跳躍連接，其他數(shù)字代表的連接方式與上述表示方式的原理一致。

由表1可知，在數(shù)據(jù)樣本較多的情況下，較多的訓(xùn)練次數(shù)并不會(huì)提升IGM的生成能力，IGM的訓(xùn)練次數(shù)選定為30。優(yōu)化后的生成器由21層步長(zhǎng)為2的卷積層和1層輸出層構(gòu)成，過濾器的尺寸為9×1，其中包含11層編碼層、10層去編碼層和1層輸出層。對(duì)于一個(gè)樣本數(shù)據(jù)而言，輸入層和11層編碼層可分別表示為特征數(shù)據(jù)長(zhǎng)度×過濾器的數(shù)量，即16 384×1，8192×16，4096×32，2048×32，1024×64，512×64，256×64，128×128，64×128，32×256，16×256，8×512。噪聲樣本z服從維度為8×512的正態(tài)分布。此外，跳躍連接的數(shù)量設(shè)置為7，分別在編碼層的第1、2、3、4、5、6、7層與去編碼層的第8、7、6、5、4、3、2層之間增加跳躍連接。同編碼層的表示方法相同，10層去編碼層和輸出層可分別表示為16×256，32×512，64×256，128×256，256×128，512×128，1024×128，2048×64，4096×64，8192×16，16 384×1。優(yōu)化后的判別器由10層步長(zhǎng)為2的卷積層構(gòu)成，過濾器的尺寸為31×1，其中包含9層卷積層和1層全連接層。同生成器編碼層的表示方式相同，判別器的輸入層和卷積層可分別表示為16 384×2，8192×16，4096×32，2048×32，1024×64，512×64，256×128，128×128，64×256，32×512。

表1 IGM網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化結(jié)果匯總表

3.2 雙干擾抑制結(jié)果

鑒于文章篇幅有限，在此僅呈現(xiàn)GSCA對(duì)測(cè)試集中干擾抑制效果最好的那組實(shí)驗(yàn)結(jié)果，測(cè)試集中其他方向干擾抑制結(jié)果見表1中加粗的那一行。圖4呈現(xiàn)的三幅子圖分別表示主天線接收到的信號(hào)y1(k)、參考信號(hào)阻塞輸出yb(k)和IGM生成信號(hào)nG(k)的功率譜。圖5呈現(xiàn)的三幅子圖分別表示原始GSC算法、文獻(xiàn)[6]中傳統(tǒng)改進(jìn)GSC算法和GSCA對(duì)實(shí)驗(yàn)室環(huán)境下雙干擾的抑制結(jié)果。

(a) 原始GSC算法處理后的信號(hào)頻譜

(a) 主信號(hào)頻譜

由圖4可知，雖然IGM中的真實(shí)樣本含有期望信號(hào)分量，但由表1優(yōu)化后的生成模型IGM只學(xué)習(xí)到了輸入數(shù)據(jù)的主要特征，并未學(xué)習(xí)到真實(shí)樣本中的期望信號(hào)分量，這在一定程度上證明了上述網(wǎng)絡(luò)優(yōu)化方法的有效性。

由圖5可知，當(dāng)雙干擾均位于接收陣列的45°方向時(shí)，相比于傳統(tǒng)的改進(jìn)算法，本文所提的GSCA進(jìn)一步提升了算法對(duì)干擾的抑制能力，SINR增益約為10 dB。其原因主要是傳統(tǒng)的改進(jìn)算法送入后級(jí)RLS算法中的信號(hào)包含1路參考天線接收到的信號(hào)，該信號(hào)包含較多的期望信號(hào)分量，這會(huì)在一定程度上降低算法的性能；并且該信號(hào)中包含的干擾信息在進(jìn)行主信號(hào)增強(qiáng)時(shí)已被利用，后級(jí)RLS算法很難再從該信號(hào)中獲取到其他有用的干擾參考信息。而GSCA通過IGM生成的樣本成功地為后級(jí)RLS算法提供了額外的干擾參考信息，且由前面的理論分析可知，IGM直接學(xué)習(xí)的是主通道中的信號(hào)，由IGM生成的樣本中不包含期望信號(hào)分量，因此，IGM生成的樣本與主通道中的干擾分量相關(guān)性更強(qiáng)，這提高了算法對(duì)主通道中干擾分量估計(jì)的準(zhǔn)確性，從而進(jìn)一步改善了算法的性能。當(dāng)人工調(diào)相寬頻干擾位于其他方向時(shí)，相比于傳統(tǒng)的改進(jìn)算法，GSCA也實(shí)現(xiàn)了較好的干擾抑制效果，SINR增益至少為2 dB。該SINR增益不如寬頻干擾位于45°方向時(shí)的增益，其原因主要有兩個(gè)方面：一方面，IGM采用的訓(xùn)練集是雙干擾均位于接收陣列的45°方向的數(shù)據(jù)，其他方向干擾與45°方向干擾是存在一定差異性的，IGM捕捉其他方向干擾的能力相對(duì)較弱；另一方面，對(duì)于其他方向的干擾而言，參考天線與主天線接收到的干擾分量差異性較大，而傳統(tǒng)的改進(jìn)算法能夠利用這部分差異為后級(jí)RLS算法提供部分干擾參考信息，從而在一定程度上提升了傳統(tǒng)改進(jìn)算法的干擾抑制能力。

4 結(jié)論

本文從進(jìn)一步改善超低頻通信質(zhì)量的角度出發(fā)，將人工智能領(lǐng)域研究熱點(diǎn)之一的GANs引入超低頻干擾抑制領(lǐng)域，基于在實(shí)現(xiàn)較好干擾抑制效果的同時(shí)降低生成模型運(yùn)算復(fù)雜度的原則，對(duì)生成模型的輸入樣本和網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化設(shè)計(jì)，使生成模型生成與主通道干擾分量相關(guān)性更強(qiáng)的參考干擾，結(jié)合傳統(tǒng)的GSC改進(jìn)方案，提出了GSCA，實(shí)現(xiàn)了較好的干擾抑制效果。通過實(shí)驗(yàn)室環(huán)境下采集的測(cè)試集驗(yàn)證了優(yōu)化后生成模型對(duì)雙干擾抑制的有效性；通過與GSC算法及其傳統(tǒng)改進(jìn)算法進(jìn)行比較發(fā)現(xiàn)，本文所提算法不僅進(jìn)一步提高了算法對(duì)不同類別干擾的抑制能力，同時(shí)也為解決超低頻通信領(lǐng)域的干擾抑制問題提供了一種新的思路。