通信侦察信号的盲分离
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
0.引言
通信侦察是利用电子侦察设备对敌方的无线电信号进行搜索、截获、
分选、测量和识别,从而获得军事或技术情报的过程。在现代战场,由于不同体制用频装备的大量使用,使得电磁环境日益复杂,侦察接收机截获到的往往是功率跌宕起伏、时域密集交跌、频域严重混叠的信号。现阶段通信侦察信号的分离方法主要有两种:一种是时频分析方法,包括固定系数滤波器、
自适应滤波器、谱相关分析等技术[1],这些方法往往需要知道所处理信号的一些先验知识,而且对频谱严重混叠的
信号不能有效分离;
另一种是波束形成方法[2],
它主要利用信号空间位置的不同进行信号分离,对频谱混叠信号具有一定的分离能力,但是这种技术对接收天线模型和信道的幅相一致性要求较高,在实际应用中局限较多。
盲源分离(BlindSourceSeparation,BSS)技术是近年来信号处理领
域的一个研究热点。在语音信号处理、
图像信号处理、地震信号处理和推导了等变自适应盲分离算法,并利用它解决复杂电磁环境下通信侦察信号的盲分离问题。算法不仅收敛速度快而且对功率差别很大的多个时频域混叠信号均具有良好的分离性能。
1.盲源分离模型所谓盲分离,就是在未知混合参数的情况下,仅根据传感器观测到的混合信号恢复出源信号。混合模型可以表示如下:
x(t)=As(t)(1)分离模型为:
y(t)=Bx(t)=ΛPs(t)
(2)式中x(t)=[x1(t),x2(t),…,xn(t)]T
表示从n个天线观察到的信号向量,其元素xi(t)表示第i(i=1,2,…,n)个接收天线在t时刻观察到的信号值;
s(t)=[s1(t),s2(t),…,sm(t)]T
表示m个信号源发射的信号向量,其元素sj(t)表示第j(j=1,2,…,m)个信号源在t时刻发射的信号值;n×m(n≥m)维矩阵A为混
合矩阵。y(t)=[y1(t),y2(t),…,ym(t)]T
表示分离信号,
Λ为对角阵,P为任意交换阵,m×n维矩阵B称为分离矩阵。为表述方便,后面的叙述中将省略参数t。
代价函数,对这些代价函数的不同优化过程就对应不同的算法[8]。
2.1代价函数的构造
为了得到源信号s好的估计y=Bx,需要引入一个代价函数R(B),它表示输出信号y的各个分量之间相互独立性的测度,也就是说当y的
各个分量独立时,即当B是A-1的伸缩和置换形式时,
代价函数R(B)将最小化。若使用K-L散度作为独立性的测度[8]
,并令p(y,B)是随机变量y=Bx=BAs的概率密度函数,q(y)是我们选择的y的另一种概率密度函数,在此函数下,所有的yi(i=1,2,…,m)统计独立,则代价函数为:
R(B)=Kpq(B)=
乙
p(y,B)logp(y,B)dy=-H(y)-m
i=1
ΣE[log(q(yi))]
(3)
式中H(y)=-乙p(y,B)logp(y,B)dy表示y的微分熵。
白化处理可以减少噪声消除冗余,改善自适应系统的收敛性能。因
此,在对信号进行分离之前,往往需要对观察信号x进行白化预处理。
假设白化后的信号向量为z,白化矩阵为H,则z=Hx。白化矩阵H的迭
代公式为[9]
:
H(k+1)=H(k)-μ<z(k)zT(k)-I>H(k)
(4)式中μ表示迭代步长,
<·>表示对变量求时间平均值。设z的概率密度函数为pz(z),由y=Bz,可得p(y,B)=pz(B-1y)detB-1,所以y的微分熵可等价表示为:
H(y)=-
乙pz
(z)[log(pz
(z))+logdetB
-1
]dz=H(z)+logdet(B)(5)
式中H(z)与B无关,最终的代价函数为:R(B)=-logdet(B)-mi=1
ΣE[log(q(yi))]
(6)
2.2迭代公式的推导
如前文所述,要正确地分离出源信号应使代价函数R(B)最小。为此对R(B)求随机梯度,可得:鄣R(B)=-{鄣logdet(B)+E[m
i=1
Σ(鄣log(q(yi))i鄣yi)]}=-(B-1)T+E[Φ(y)zT](7)式中Φ(y)=[φ(y1),φ(y2),…,φ(ym)],φ(yi)=d log(q(yi))d yi=-d q'(yi)q(yi)
。由最速下
降法可以得到如下的迭代公式:
B(k+1)=B(k)+μ{(B(k)-1)T -<Φ(y(k))z T (k)>}(8)式中μ表示迭代步长。
上式在计算过程中涉及分离矩阵B(k)的求逆运算,一旦B(k)在更
新过程中条件变差,算法就可能发散。
为此采用相对梯度[9]鄣R(B)鄣B
BTB来代替随机梯度鄣R(B)鄣B,
可得:鄣R(B)鄣B
=-{I-<Φ(y)y T >B}。由此得到新的迭代公式:
B(k+1)=B(k)+μ{I-<Φ(y(k)y T (k))>}B(k)
(9)由于白化的作用,要从y=Bz中恢复源信号,需在整个迭代过程中
都尽量保持B的正交性[4]
。假设B(k)已经正交若B(k+1)=B(k)+γB(k)(γ是一个很小的变化矩阵),则:
B(k+1)BT
(k+1)=I+γ+γT+o(λ)=I圯γ=-γT(10)
若γ=ε-εT
则满足γ=-γT的要求。考虑式(9)取ε=μ{I-<Φ(y(k)y T (k))>}
则
γ=μ{<y(k)ΦT (y(k))>-<Φ(y(k))y T (k)>}(11)由此得到保持分离矩阵B的一阶正交性的迭代公式:B(k+1)=B(k)+μ{<y(k)ΦT (y(k))>-<Φ(y(k))y T (k)>}B(k)(12)
因为y=Bz=BHx,令W=BH则y=Wx。结合式
(4)和式(12)将白化与分离过程联合起来考虑,就可以得到著名的EASI算法:
W(k+1)=B(k+1)H(k+1)
=W(k)+μ{<y(k)ΦT (y(k))>-<Φ(y(k))y T (k)>+I-y(k)y T (k)>}W(k)(13)2.3通信侦察中函数Φ(y )的选择由推导过程可知,Φ(y )的选择关系到分离算法的稳定性,对分离效
果具有十分重要的影响。
由于Φ(y )只与所选参考分布函数q(y)有关而q(y)的最佳选择是源信号的真实概率密度函数,但是在实际情况下这是无法获得的,因此只能用某个函数来近似。近似函数的选取与源信号的高
斯性有关,典型的选取是[10]
:如果源信号具有亚高斯性,近似函数可选为
Φ(y )=δy+yy2
,δ≥0;如果源信号具有超高斯性,可选为Φ(y )=αy+tanh(βy),α≥0,β≥2。在实际的通信侦察中,接收到的信号大都是各种不同类型的调制信号,而一般的调制信号都是亚高斯信号。因此,在通信侦察信号处理中,可以选取如下近似函数:
(下转第518页)
通信侦察信号的盲分离
重庆通信学院DSP研究室
和继威
刘晓培
刘郁林
[摘要]为解决复杂电磁环境下通信侦察信号的盲分离问题,以K-L散度作为信号之间独立性的测度,利用相对梯度的概念,推导
了适用于通信侦察信号的等变自适应盲分离算法。仿真结果表明,该算法不仅能有效分离功率相差很大、
时频域严重重叠的通信侦察信号,而且收敛速度快。[关键词]通信侦察盲源分离时频域混叠517——