基于深度学习的OFDM系统窄带干扰消除方法研究

针对正交频分复用(OFDM)系统中的窄带干扰(NBI)引起的性能下降问题,提出了两种基于深度学习(DL)的窄带干扰消除结构。在两种结构中,首先分别对接收信号进行预处理,然后利用卷积神经网络(CNN)从时域上对经过预处理的数据进行特征提取并获得干扰估计,最后将干扰估计量从接收信号中消去。仿真结果显示,两种结构可以有效学习出OFDM系统中的窄带干扰,并提升系统性能。

基于欠采样的脉冲UWB通信窄带干扰消除技术

针对窄带干扰(narrowband interference,NBI)的存在会对脉冲超宽带(ultra-wideband,UWB)通信系统性能带来严重的影响。提出了一种基于欠采样的低复杂度NBI检测与消除方案,以消除NBI为目标,论证了欠采样下NBI检测与消除的可行性。通过傅里叶分析,指出NBI在欠采样信号的快速傅里叶变换域中具有稀疏性和易辨别的特点,并根据这些特征实现了对NBI子空间的估计。依据NBI子空间,设计了NBI信号的正交投影矩阵,在时域实现了对NBI的消除。仿真结果表明,在可接受的UWB信号功率损失范围内,方案大大提高了欠采样信号的信号干扰噪声比。

宽带OFDM的窄带干扰消除器

短波宽带OFDM系统极易受到拥挤频段上的窄带干扰。基于Nillsson的宽带OFDM系统,设计了衰落信道低信噪比条件下的窄带干扰消除器。分析了低信噪比时门限的选取和噪声功率的估计问题,提出了自适应门限干扰消除器和部分子带消除器。仿真表明,多径低信噪比条件下,提出的自适应门限干扰消除器能有效抑制窄带干扰,部分子带消除器对窄带干扰消除性能更好。

一种用于补偿抗干扰信噪比损失的全数字AGC

介绍了LEO卫星扩频通信中的抑制强窄带干扰所带来的信噪比损失,提出在在抗干扰处理后用全数字AGC来稳定电平。在AGC保护下,接收机的信噪比损失在1dB范围内。

基于能量检测和NBI消除的UWB接收机信号检测

针对基于能量检测的超宽带（UWB）接收机提出了信号检测算法,此系统使用了平方率（SL）窄带干扰（NBI）消除技术来去除窄带干扰。由于使用能量检测方案,因此在高斯白噪声的情况下,统计检测量可以表示为统计独立的高斯随机变量的平方和。当有用信号不存在时,统计检测量服从中心χ^2分布,其自由度为积分器输入信号的二倍时间—带宽积。当有用信号存在时,统计检测量服从自由度相同的非中心χ^2分布,且依赖于因子λ。λ和系统参数有关,这些参数包括有用信号的能量和带宽,干扰信号的功率谱密度和带宽,以及噪声的功率谱密度。非中心的χ^2分布通过检测门限和自由度的转化可以化为中心χ^2分布。MATLAB数值计算显示了接收机工作特性（ROC）曲线,即检测概率Qd和虚警概率Q0的关系。从图中曲线可以看出,系统的参数和检测性能密切相关,比如当系统带宽变动时,虚警概率可以保持不变,而检测概率可能变为原来的2倍。结果表明,可以通过改变系统参数得到期望的检测性能。

基于NIC-DWT-WOASVM的齿轮箱混合故障诊断

由于齿轮箱中振动信号的复杂性和非平稳性,致使齿轮箱混合故障诊断工作具有一定难度。针对这一问题提出基于NIC-DWT-WOASVM的齿轮箱混合故障诊断方法。首先通过窄带干扰消除(Narrow Band Interference Canceller,NIC)滤除原始信号中齿轮啮合和转轴等窄带干扰信号,接着对信号进行离散小波变换(Discrete Wavelet Transform,DWT),重构小波系数得到小波分量,提取分量的方差作为特征参数构成特征矩阵样本。针对传统优化支持向量机收敛速度慢及容易局部最优等问题,提出鲸鱼算法优化的支持向量机(Whale Optimization Algorithm Support Vector Machine,WOASVM),运用训练样本对WOASVM进行训练得到优化分类模型,将测试样本输入到优化模型中得到诊断结果。为验证方法的有效性,开展了变工况下齿轮箱混合故障实验,通过实验分析及与其他方法的比较,证明方法对于齿轮箱混合故障诊断是有效的。