摘要：当期望信号和干扰同方向时,为了有效改善超低频频段的通信质量,提出了一种基于模拟电路预处理和改进广义旁瓣抵消的干扰抑制算法,设计了磁性天线、低噪声前置放大电路,制作了灵敏度较高的磁传感器,有效地抑制了工频及其谐波干扰。鉴于超低频频段的信号十分微弱,在广义旁瓣抵消算法的基础上做了几点改进,为主通道提供较多的参考信息,从而提高了算法的性能,有效地解决了传统算法失效的问题。为了验证所提算法的有效性,在实验室环境下搭建实验平台,设计了多组对照实验,实验结果表明:无论期望信号与干扰是否同方向,改进后的广义旁瓣抵消算法相比原来的算法,在信噪比的提升和噪声底限的降低等方面均有较大程度的改善。

摘要：为进一步改善超低频频段的通信质量,在传统改进广义旁瓣抵消算法的基础上,提出新的超低频干扰抑制算法——生成式旁瓣抵消算法。该算法将人工智能研究热点之一的生成式对抗网络模型引入广义旁瓣抵消算法中,通过优化设计生成模型的网络结构及相关超参数,有效地解决了原算法存在的期望信号残留问题,为旁瓣抵消通道中的后级滤波算法提供了与主通道相关性更强的干扰参考信息,从而提高了算法对主通道干扰估计的准确性。为了验证优化后生成模型的有效性以及所提算法对不同类别干扰的抑制能力,在实验室环境下搭建实验平台,设计了多组对照实验。实验结果表明:优化后的生成模型具有较好的生成能力、较好的鲁棒性以及相对较低的运算复杂度;相比于传统改进的广义旁瓣抵消算法,所提算法进一步提高了信号带宽内的信干噪比。

摘要：广义旁瓣抵消方法(GSC)对加性噪声环境下的含噪语音信号具有很好的噪声抑制作用,然而由于阻塞矩阵设计过于简单、后置滤波采用的LMS自适应滤波算法存在收敛速度较慢等问题,导致GSC辅助通道阻塞矩阵的输出残留部分期望信号,残留的期望信号导致后置滤波算法的滤波性能恶化。提出将深度学习中广泛使用的生成式对抗网络引入到广义旁瓣噪声抵消算法中,通过改进生成器模型,利用生成模型强大的学习能力生成与主通道中噪声干扰分量相关性更强的参考分量,提高了主通道中噪声干扰分量估计的准确性。为了验证所提算法的滤波性能,在实验室环境下搭建天线阵列,设置不同干扰类别、不同噪声干扰方向进行多组实验。结果表明,提出的改进生成对抗网络具有更好的学习能力、更好的鲁棒性,降低了算法的运算复杂度,提高了接收信号的信噪比。

摘要：针对阵列信号中部分自适应信号处理问题,提出了一种新的基于广义旁瓣相消的降维方法。该方法利用波束形成无法对加性白噪声进行抑制的特点,根据广义旁瓣相消器的结构,设计出一种新的阻塞降维矩阵,使辅助通道内仅存干扰信号,从而增强主辅通道关于干扰信号的相关性,更有利于抑制干扰,同时也达到了降维的效果。另一方面,在存在阵列误差的情况下,借助稳健的波束形成算法,对阻塞降维矩阵进行校正,既使算法对模型误差不敏感,又便于进行降维后的部分自适应处理,降低运算量。最后通过大量的计算机仿真验证了所提方法的有效性和优越性。

摘要：在宽带波束形成技术中,当系统存在主瓣干扰时,通常会导致主瓣畸变、副瓣电平抬高,波束性能严重下降。传统的宽带恒定束宽波束形成算法只能做到主瓣保形,不能有效抑制干扰。因此,提出一种有效抑制主瓣干扰的宽带恒定束宽波束形成算法。该算法构造分频段阻塞矩阵,在数据域实施干扰相消预处理;补偿预处理带来的信号包络误差,在各频段频率中心采用二阶锥规划方法实现宽带波束的恒定束宽设计。该算法在实现期望信号无失真接收的同时,能有效抑制主瓣干扰。应用计算机仿真验证了该算法的有效性。