论文部分内容阅读
扩频通信技术凭借其抗干扰、抗多径、抗衰落和强隐蔽性等诸多优点,在军事和民用通信中获得广泛应用。其中直接序列扩频技术通过扩频码与序列相乘直接扩展信号频谱,其扩频码长度决定了直扩系统的干扰容限。但扩频码长度有限,因此干扰容限也有上限。当干扰功率过大,超出直扩系统的承受范围时,便对通信系统造成无法弥补的破坏。其中窄带干扰因其功率集中且具有一定带宽而极具破坏性。为了在存在窄带干扰的无线通信环境中实现信号的可靠传输,需要使用高性能的算法对干扰进行抑制。针对传统干扰抑制算法中存在的频域能量损失、适用范围受限的问题,从现有频域抑制技术出发,通过结合两种频域算法的优势研究了阈值边带算法,针对时域非线性表示问题,通过将扩频码信息与流水线递归神经网络(PRNN)结合研究了基于扩频码的PRNN算法,主要工作内容如下:1、研究了时域窄带干扰抑制技术。重点研究时域线性预测滤波技术和非线性预测滤波技术。研究了常见窄带干扰样式,给出干扰数学表达式,并进行仿真。最后对两种时域预测技术进行实验分析,其中非线性滤波具有更好的误码率性能。2、针对时域干扰抑制算法存在收敛性问题和复杂度高计算量大的不足,研究了频域窄带干扰抑制技术。首先对FFT变换前的加窗技术进行介绍,给出了不同窗函数之间的比较,并研究了重叠加窗技术,其中Blackman-Harris窗具有优异的旁瓣抑制性能。然后研究了频域自适应滤波算法、频域阈值算法和边带相关置换算法。针对频域阈值算法损失较多信号能量的问题和边带相关置换算法无法处理边带对称处同时存在干扰的问题,提出边带阈值算法。该算法针对不同的频域谱线采用相应的处理方式。实验仿真表明,提出的边带阈值算法能够获得比其他频域算法更优异的性能。3、针对时域技术中预测误差存在非线性的问题,引入神经网络技术。利用递归神经网络取代自适应滤波中的权值连接,再利用扩频码的信息将预测误差进行解扩重扩迭代更新,并采用RTRL算法实现递归神经网络的实时权值调整。实验仿真表明,基于扩频码的递归神经网络技术具有很强的非线性,能够较准确预测窄带干扰,抑制效果明显。