扩频系统中最优干扰抑制技术研究——盲自适应算法及并行实现

为解决扩频系统在动态环境下的干扰抑制问题,分析了从最小均方误差(MMSE)准则和约束最小均值输出能量(MMOE)准则导出的递推最小二乘(RLS)算法和盲递推最小二乘(BRLS)算法的性能。采用正交三角分解克服两算法数值稳定性差,运算量大,很难并行实现的缺点,讨论了正交三角分解——递推最小二乘(QR-RLS)算法与正交三角分解——盲递推最小二乘(QR-BRLS)算法的配合使用,并给出实现QR-RLS算法和QR-BRLS算法的脉动阵列(systolic array)。理论分析和仿真结果均表明QR-RLS与QR-BRLS算法的合理配合能较好的解决动态环境下的干扰抑制问题。

扩频系统中基于Kalman滤波的最优干扰抑制技术

针对扩频系统中的干扰抑制问题,本文首先将其建模为附加约束的最小化均值输出能量(MMOE)问题,然后借助正交分解将约束MMOE转化为无约束最小均方误差(MMSE),接着通过选择合适的状态变量、建立合适的状态方程和观测方程得到盲Kalman滤波(BKF)算法,最后分析了BKF算法性能.研究表明:BKF的收敛性能与输入相关矩阵几乎无关,能快速跟踪环境变化,稳态干扰抑制性能逼近最优性能;明显优于盲最小均方(BLMS)和盲递推最小二乘(BRLS)算法.