基于神经网络的扩频系统抗窄带干扰技术研究

论文摘要

窄带干扰预测抑制技术是为了解决扩频通信中强窄带干扰导致系统无法正常工作的问题。本文基于神经网络这一强有力的非线性工具来预测接收信号中的窄带干扰,并将其从接收信号中抵消,从而消除了强窄带干扰的影响。论文首先对扩频通信和神经网络进行了概述,主要讨论了扩频通信的基本原理、工作方式和主要特点,并介绍了神经网络的原理、特点、学习算法及其在非线性预测方面的应用。然后,论文总结了几种窄带干扰信号的特点和产生方式,给出了衡量窄带干扰预测抑制算法优良的准则,并研究了各种时域上的窄带干扰抑制技术。最后,论文重点介绍了基于神经网络的窄带干扰预测抑制技术及其学习算法改进,并进行了基于Matlab语言的仿真试验。针对常规时域自适应线性和非线性干扰预测抑制技术误差大、收敛速度慢的缺点,给出了基于递归神经网络的窄带干扰预测抑制技术,并详细介绍了递归神经网络的构架和实时递推学习(RTRL)算法,最后对基于RTRL算法的递归神经网络干扰预测抑制技术与常规时域自适应线性和非线性干扰预测抑制技术进行了仿真和性能比较,发现:基于RTRL算法的递归神经网络干扰预测抑制技术相对于其它技术在干噪比改善量和信噪比损失量上有很大改善,但收敛速度较慢。针对递归神经网络中RTRL算法收敛速度慢的缺点,提出了用扩展Kalman滤波(EKF)学习算法对递归神经网络干扰预测抑制技术进行改进,并进行了仿真和性能比较,发现:基于EKF学习算法的递归神经网络干扰预测抑制技术相对于基于RTRL算法的递归神经网络干扰预测抑制技术在干噪比改善量和信噪比损失量上有一定改善,更重要的是其大大提高了干扰预测的收敛速度,但由于实际噪声统计量假定和线性化引入的误差都会导致EKF学习算法性能变差,甚至滤波发散。针对递归神经网络中EKF学习算法线性化引入误差和需要已知噪声统计特性的缺点,提出了能够补偿线性化和实际噪声统计特性未知引入误差的鲁棒Kalman滤波(RKF)学习算法,并进行了仿真和性能比较,发现:与前面所述干扰预测抑制算法相比,基于RKF学习算法的递归神经网络干扰预测抑制技术的干噪比改善量最大,信噪比损失量最小且收敛速度也很快,成功解决了常规时域自适应线性和非线性干扰预测抑制技术预测误差大、收敛速度慢的缺点。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 选题背景及意义
• 1.2 国内外研究概况
• 1.3 论文的研究内容及章节安排
• 第2章 扩频通信和神经网络概述
• 2.1 扩频通信概述
• 2.1.1 扩频通信工作原理
• 2.1.2 扩频通信主要特点
• 2.1.3 扩频通信工作方式
• 2.2 神经网络概述
• 2.2.1 神经网络基本原理
• 2.2.2 神经网络的分类
• 2.2.3 神经网络的学习算法
• 2.2.4 神经网络用于非线性干扰预测领域
• 2.3 本章小结
• 第3章 直扩系统中的窄带干扰抑制技术概述
• 3.1 直接序列扩频系统
• 3.1.1 直接序列扩频工作原理
• 3.1.2 直接序列扩频抗干扰原理
• 3.2 常见窄带干扰信号
• 3.2.1 音频干扰
• 3.2.2 AR干扰
• 3.2.3 低速率数字脉冲干扰
• 3.3 性能评价指标
• 3.3.1 干噪比改善量和信噪比损失量
• 3.3.2 均方误差
• 3.4 窄带干扰抑制技术
• 3.4.1 时域自适应线性预测窄带干扰抑制技术
• 3.4.2 时域自适应非线性预测窄带干扰抑制技术
• 3.5 本章小结
• 第4章 基于递归神经网络的抗窄带干扰预测技术
• 4.1 基于递归神经网络的干扰预测抑制系统
• 4.1.1 窄带干扰抑制系统
• 4.1.2 窄带干扰抑制系统中的递归神经网络
• 4.2 递归神经网络中的RTRL算法
• 4.3 算法仿真与性能比较
• 4.3.1 仿真模型、参数与对象
• 4.3.2 仿真结果
• 4.4 本章小结
• 第5章 基于Kalman滤波学习算法的递归神经网络抗窄带干扰技术研究
• 5.1 Kalman滤波理论
• 5.1.1 Kalman滤波模型
• 5.1.2 正交投影定理
• 5.1.3 离散Kalman滤波的递推形式
• 5.2 扩展Kalman滤波的状态一步预测学习算法研究
• 5.2.1 算法描述
• 5.2.2 算法仿真与性能比较
• 5.3 鲁棒Kalman滤波的状态一步预测学习算法研究
• 5.3.1 算法描述
• 5.3.2 算法仿真与性能比较
• 5.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢