物聯(lián)網(wǎng)環(huán)境下多設備載波通信干擾批量抑制方法

張 樂

(福建商學院 信息工程學院，福州 350506)

物聯(lián)網(wǎng)(Internet of Things, IOT)環(huán)境下，為降低跳頻信號遭受查驗的概率，提升載波通信的安全性，在物聯(lián)網(wǎng)環(huán)境下多設備載波通信中跳頻信號的應用較為廣泛[1-2]。在干擾信號持續(xù)增多的過程中，干擾方式也呈現(xiàn)多元化，導致載波跳頻通信的抗干擾性能下降，不能滿足現(xiàn)實所需[3]。其中一種主要的干擾方式是梳狀阻塞干擾[4]。為提升信號傳輸性能與安全性，需對干擾實施批量抑制，其中重點研究方向為抑制梳狀阻塞干擾[5]。

最小色散干擾抑制方法是通過運用信號的脈沖特性構建范數(shù)約束優(yōu)化模型，將觀測信號中的有價值信息提取出，并對最優(yōu)權矢量實施運算，空域濾波觀測信號后，實現(xiàn)基于最小色散算法的壓制式干擾抑制[6]；壓縮感知信號重構干擾抑制方法是依據(jù)目標回波信號與干擾信號能量函數(shù)的特性差異，提取沒有遭受干擾的目標回波信號數(shù)據(jù)，通過運用此數(shù)據(jù)同經(jīng)過解線調(diào)處理的目標回波信號稀疏頻域間的線性關聯(lián)，建立壓縮感知最小問題解算模型，實現(xiàn)對干擾信號的抑制[7]。以上2種抑制方法在信號去噪處理方面存在明顯不足，無法提升整體抑制效果。小波去噪具備小波基選取靈活性與時-頻局部化特征，可在疊加高斯白噪聲的環(huán)境下將真實信號檢測出來，不僅保留了信號的局部特征又可有效抑制噪聲[8]；獨立分量分析(Independent Component Analysis, ICA)屬于一種盲源分離技術，是通過運用優(yōu)化算法在某個衡量保持獨立的前提下，分解某組混合信號為數(shù)個單獨成分，可有效分離多設備載波通信中的梳狀阻塞干擾信號與跳頻信號，具有較好的信號分離效果[9]。因此，本文通過有效結合小波去噪方法與獨立分量分析算法，實現(xiàn)對通信混合信號的去噪處理與梳狀阻塞干擾信號分離處理，達到批量抑制干擾信號的目的，為保障通信安全提供有效幫助。

1 通信干擾批量抑制方法

1.1 獨立分量分析算法

獨立分量分析算法的過程如圖1所示。

圖1 獨立分量分析算法過程

圖1中，源數(shù)據(jù)所構成的N維矢量信號由S(t)表示，由信號混合矩陣A線性組合后形成混合信號X(t)，也就是現(xiàn)實中所接收到的信號，其表達式為：

X(t)=AS(t)。

(1)

式中：混合矩陣A屬于未知?；旌闲盘朮(t)經(jīng)由信號分離矩陣V分解后，所獲取到的估計信號Y(t)即為分離信號，可表示為：

Y(t)=VX(t)。

(2)

式中：分離矩陣V可通過獨立分量算法求得。通過式(2)所得出的分離信號Y(t)屬于源信號矢量S(t)或者源信號矢量某部分分量的可靠估計?，F(xiàn)實中應用獨立分量分析算法時，需具備的必要條件為：

1)源信號組S(t)中每個分量均需盡量達到統(tǒng)計獨立性；

2)源信號組S(t)中各分量最高僅可具備1個高斯分布，且均值為0；

3)混合矩陣A屬于1個列滿秩矩陣，現(xiàn)實應用中盡可能地統(tǒng)一源信號組S(t)與混合信號X(t)的分量數(shù)目，也就是混合矩陣A為方陣，且存在逆矩陣A-1。

獨立分量分析算法主要包含信號混合、信號分離及必要條件3部分[10]，其目的是通過找尋1個分離矩陣V，分離混合信號后令分離信號保持互為獨立的關系，并盡可能與源信號S(t)接近，實現(xiàn)最優(yōu)信號分離效果。

1.2 基于獨立分量分析的干擾批量抑制方法

基于獨立分量分析的多設備載波通信干擾批量抑制方法整體過程如圖2所示。

圖2 載波通信干擾批量抑制方法過程

跳頻信號s1(t)可經(jīng)由信道編碼、中頻調(diào)制與跳頻獲取到，其序列用J(n)表示。運用功率放大器與梳狀濾波器轉換干擾信號為梳狀阻塞干擾信號s2(t)。將2根天線設置于多設備載波通信的接收端，并以此作為獨立分量分析算法實施分離的基礎。那么現(xiàn)實中所接收到的信號即混合信號可表示為：

X(t)=US(t)+n(t)。

(3)

式中：s1(t)、s2(t)表示源信號；n1(t)、n2(t)表示噪聲信號；X1(t)、X2(t)表示2根天線的接收信號。

1.2.1 小波去噪處理

在實施信號分離之前，需先對X(t)實施小波去噪處理[11]，以提高干擾批量抑制的效果。

X(t)包含n(t)與S(t)，即X(t)=n(t)+S(t)。先離散采樣天線接收信號X(t)獲取到M點離散信號X(m)，其中：m=0,1,…,M-1，離散小波變換可表示為：

(4)

式中：W(j,k)為小波系數(shù)；ψ(x)為小波基；k為平移因子；j為縮放因子(小波分解層數(shù))。

小波變換的遞歸實現(xiàn)方法可通過雙尺度方程獲取到，即為：

(5)

式中：與ψ(x)相對的低通濾波器與高通濾波器分別以l(·)和h(·)表示；Wh(j,k)為細節(jié)系數(shù)；Wl(j,k)為近似系數(shù)。相對的重構式可表示為：

(6)

通過雙尺度三層小波分解X(m)的示意圖如圖3所示。

圖3 雙尺度三層小波分解X(m)

X(m)經(jīng)三層小波變換分解之后，信號的能量大多在Wl(2,k)內(nèi)聚集，噪聲的能量大多在Wh(1,k)與Wh(2,k)內(nèi)聚集，同時與噪聲相比幅值所產(chǎn)生的小波系數(shù)更大。小波降噪是以閾值選擇規(guī)則為依據(jù)設置一個門限值，運用硬閾值方法保留比此門限值高的小波系數(shù)，或采用軟閾值方法根據(jù)某個固定量向零收縮，重構處理之后的小波系數(shù)，如此便能夠?qū)⒔翟胫蟮男盘柅@取到[12]。

1.2.2 信號分離

X(t)經(jīng)小波降噪之后，去除掉了噪聲信號n(t)，在X(t)中以獨立源信號為前提時，需令輸出信號保持相互獨立方可實現(xiàn)混合信號的全部分離。經(jīng)輸出信號的高階或二階累計量矩陣群聯(lián)合對角化程度表示獨立分量分析的對照函數(shù)[13]。為完全分離源信號，應對如何將四階累計量作為初始點通過結合四階累計量矩陣群與對角化求得分離矩陣V，予以判別。

假設w是第N根天線的接收信號，E是權值矩陣，那么w=(w1w2…wN)T，w的四階累計量矩陣第i行第j列元素可表示為：

(7)

式中：i≥1，j≤N；ekl表示權值矩陣E的第k行第l列的元素；Gw(E)表示由向量w的所有四階累計量所構成的累計量矩陣；cum(wi,wj,wk,wl)表示向量w內(nèi)第i、j、k、l4個分量的四階累計量。

白化之后的第N根天線觀測向量w的表達式為：

w=W∪S=RS。

(8)

式中：W表示預處理矩陣；S內(nèi)各個分量統(tǒng)計互為獨立，向量w內(nèi)各個分量相互間無關聯(lián)。故矩陣R屬于正交矩陣[14]。

設R的隨機一列以ri(1≤i≤m)表示，且ri=(ri1ri2…rim)T，那么矩陣E可表示為：

E=riwN。

(9)

將式(8)與式(9)代入式(7)，得到：

(10)

因各源信號之間互為獨立關系，故當a=b=c=d時，cum(sa,sb,sc,sd)=k4(sa)，則式(10)可簡化為：

[Gw(E)]ij=mijk4(sk)。

(11)

式(11)可改寫成：

Gw(E)=k4(sk)E。

(12)

由式(12)可知，Gw(E)屬于對稱矩陣，其特征分解形態(tài)可表示為：

(13)

那么Gw(E)還可表示成：

Gw(E)=VΛ(E)RT。

(14)

式中：Λ(E)表示特征值對角矩陣。

經(jīng)由R二次型處理Gw(E)可得到對角矩陣Λ(E)，以總體特征為依據(jù)將分離矩陣V求出[15]。

任選一組z個矩陣表示為E=(E1E2…Ez)，求取隨機某個Ez(1≤z≤Z)的Gw(Ez)，同時求得矩陣R，盡可能地對角化處理完所有Gw(Ez)。為實現(xiàn)非對角化程度的各個度量Λ(Ez)=RTGw(Ez)R，所選取的度量指標應該是各Λ(Ez)內(nèi)非對角元素的平方和，即：

(15)

預估得出分離矩陣V為：

V=RTW。

(16)

2 實驗結果

以某市電力公司的物聯(lián)網(wǎng)多設備載波通信系統(tǒng)作為實驗對象，檢驗本文方法的實際抑制效果。運用Matlab編寫仿真程序?qū)嵤┓抡鎸嶒?，?jīng)由二進制數(shù)字頻率調(diào)制方法(Frequency Shift Keying，2FSK)調(diào)制實驗通信系統(tǒng)內(nèi)的跳頻信號，其中采樣頻率、信息速率及調(diào)速依次為380 kHz、1 480 b/s、1 480 hops/s。實驗中所接收到的實驗通信系統(tǒng)混合信號中包含噪聲信號與源信號，如圖4所示，其中源信號由跳頻信號與梳狀阻塞干擾信號組成。

(a)原始噪聲信號幅值

2.1 去噪效果對比分析

選取最小色散干擾抑制方法(文獻[6]方法)與壓縮感知信號重構干擾抑制方法(文獻[7]方法)作為本文方法的對比。分別運用3種方法對實驗通信系統(tǒng)混合信號內(nèi)的初始噪聲信號實施去噪處理，獲得去噪處理后的噪聲信號幅值，如圖5所示。

(a)文獻[7]方法

由圖5可知，與原始噪聲信號幅值相比，3種方法均可實現(xiàn)不同程度的降噪處理，其中文獻[7]方法的去噪效果較差，去噪后的噪聲信號幅值依然較高；文獻[6]方法的去噪效果居中，明顯降低了原始噪聲信號幅值；而本文方法的去噪效果最為理想，不但進一步地降低了原始噪聲信號的幅值，而且去噪效果較為穩(wěn)定。

2.2 信號分離效果呈現(xiàn)

通過本文方法對實驗通信系統(tǒng)源信號實施信號分離，所獲取到的分離結果如圖6所示。

(a)梳狀阻塞干擾信號

由圖6可知，本文方法可有效分離實驗通信系統(tǒng)源信號，成功將跳頻信號與梳狀阻塞干擾信號分離出，實現(xiàn)批量抑制物聯(lián)網(wǎng)環(huán)境下多設備載波通信干擾的目標，提升了安全性。

3 結論

本文研究了一種物聯(lián)網(wǎng)環(huán)境下多設備載波通信干擾批量抑制方法，解決了通信混合信號噪聲干擾較大，影響通信傳輸安全性能的問題。實際應用結果表明，本文方法可有效降低通信噪聲信號幅值，去噪效果較高，并由混合信號內(nèi)成功分離出梳狀阻塞干擾信號與跳頻信號，實現(xiàn)對物聯(lián)網(wǎng)環(huán)境下多設備載波通信噪聲信號與梳狀阻塞干擾信號的有效抑制，為物聯(lián)網(wǎng)環(huán)境下多設備載波通信的運行提供了可靠的保障。