基于块稀疏贝叶斯学习的跳频通信梳状干扰抑制

梳状干扰是对跳频(FHSS)通信的一种有效干扰样式,抑制梳状干扰对于确保FHSS通信的有效性至关重要。现有基于奈奎斯特采样定理的梳状干扰抑制方法存在应用中受限于采样率较高的问题。将压缩感知(CS)应用于FHSS通信梳状干扰的抑制,利用FHSS信号与梳状干扰的不同压缩域特性以及梳状干扰在频域表现出的块稀疏特性,建立了基于块稀疏贝叶斯学习(BSBL)框架的FHSS通信梳状干扰抑制模型。利用期望最大化(EM)算法,设计了基于BSBL_EM的FHSS通信梳状干扰抑制算法。该算法利用BSBL_EM算法从压缩采样数据中重构出梳状干扰,进而在时域对消干扰。仿真结果表明:所提方法能够有效地抑制FHSS通信中的梳状干扰,与传统方法相比具有显著优势,干扰抑制效果受干扰强度、干扰梳齿带宽和压缩率变化的影响;相同干扰强度条件下,梳齿带宽越窄,压缩率越大,干扰抑制效果越好。