王峰，周易，龔道銀

?

認知型水聲通信時空自適應處理算法研究

王峰1,2，周易1，龔道銀1

(1. 河海大學計算機與信息學院，陣列與信息處理實驗室，江蘇南京 211100； 2.廈門大學水聲通信與海洋信息技術(shù)教育部重點實驗室，福建廈門 361005)

針對淺海水聲通信面臨的復雜干擾環(huán)境，提出了一種適用于水聲通信系統(tǒng)的認知型時空自適應處理算法。該算法在傳統(tǒng)時空自適應陣列處理算法的基礎上引入了干擾認知的功能，通過干擾認知處理降低計算量，并且實現(xiàn)干擾樣本的選取，確保自適應算法的可靠收斂。利用了協(xié)方差矩陣特征分解和多重信號分類(Multiple Signal Classification, MUSIC)估計干擾的個數(shù)，輔助選取盲源分離算法中的維度和時空自適應算法中的空域維度，進行算法降維處理。針對采用盲源分離后的各干擾，采用包絡檢測法提取時域特征，采用短時傅里葉變換(Short-time Fourier Transform, STFT)方法提取時頻譜特征，分析干擾特征，實現(xiàn)干擾分類，從而實現(xiàn)干擾樣本的選取。通過計算機仿真驗證了該認知處理算法的性能。

認知水聲通信；時空自適應處理；特征提取

0 引言

由于電磁波在水中衰減嚴重，傳輸距離受限，水聲通信技術(shù)成為海洋開發(fā)探索和潛艇通信的重要手段[1-2]。淺海水聲通信面臨著來自多方面的干擾，相對于通信目標的其它用戶干擾、航線船只與風暴造成的連續(xù)波干擾、海洋生物鳴叫和人類在海洋中的施工造成的脈沖干擾[3]，極大地降低了水聲通信系統(tǒng)的性能。

目前已有多篇文獻針對水聲通信干擾進行了研究。文獻[3]提出了一種基于稀疏貝葉斯學習的脈沖噪聲估計算法，利用接收端頻域信號和后驗概率估計脈沖噪聲。文獻[4]采用門限消除方法對脈沖干擾進行了抑制。但是上述文獻只能檢測出脈沖這一種干擾。在文獻[5]中，使用基于最小均方算法(Least Mean Square, LMS)算法的鎖相環(huán)-判決反饋均衡器結(jié)構(gòu)，提高均衡器跟蹤信道變化的能力，抑制強多徑干擾，但是有些干擾不能直接采用LMS算法進行處理，例如脈沖干擾，自適應算法收斂受到脈沖干擾出現(xiàn)位置的影響，抑制難度較大。

針對以上算法的不足，本文提出了一種基于認知的水聲通信時空自適應處理算法。該算法在傳統(tǒng)的時空自適應干擾抑制算法的基礎上，引入了協(xié)方差矩陣特征分解、MUSIC空間譜估計、包絡特征提取和短時傅里葉變換(Short-time Fourier Transform, STFT)等算法，實現(xiàn)時空自適應算法的降維處理和對消樣本選取。

1 認知型水聲通信時空自適應處理算法

1.1 傳統(tǒng)的時空自適應算法原理[6-10]

基于線性約束最小方差(Linearly Constrained Minimum Variance, LCMV)準則，最佳權(quán)向量使用式(3)求解：

其中：

1.2 認知型時空自適應陣列處理

認知型時空自適應處理原理框圖如圖1所示。該算法是在傳統(tǒng)時空自適應陣列處理算法的基礎上引入了基于干擾特征分析的干擾認知功能。干擾認知計算陣列接收信號的協(xié)方差矩陣，進行特征分解和MUSIC空間譜估計，計算干擾個數(shù)。干擾個數(shù)主有兩個方面的應用：一是輔助選取盲源分離算法中的維度，從而有效降低通道數(shù)量，降低算法的復雜度；二是輔助選取時空自適應算法中的空域維度，進行算法降維處理，從而降低時空自適應處理算法的計算量。采用基于快速獨立分量分析(Fast Independent Component Analysis, Fast-ICA)的盲源分離算法將干擾分離開后，采用包絡檢測方法分析時域特征，采用STFT分析時頻譜，從而提取干擾特征，識別干擾類型。最后根據(jù)干擾類型選取合適的干擾樣本進行時空自適應抵消，提高自適應算法的收斂速度。

圖1 認知型空時自適應處理原理框圖

水聲通信常見的干擾形式主要為噪聲調(diào)頻干擾、脈沖干擾以及線性掃頻干擾等，噪聲調(diào)頻干擾具有帶寬較寬、功率譜均勻和干擾功率大的特點；脈沖干擾具有持續(xù)時間短、瞬時功率大、信號幅度因大瞬時功率的影響可能出現(xiàn)飽和或限幅的特點；線性掃頻干擾具有頻率特征成線性的特點。本文針對噪聲調(diào)頻干擾、脈沖干擾和線性掃頻干擾這三種干擾，按圖1所示框圖，對接收陣列做了如下處理：

(1) 干擾源個數(shù)估計

然后對協(xié)方差矩陣進行特征值分解：

(2) 干擾方向估計

MUSIC方法利用了信號子空間和噪聲子空間的正交性，構(gòu)造空間譜函數(shù)。通過譜峰搜索，檢測出水聲通信中干擾的方向，公式為[12]

(3) 干擾分離

基于負熵最大的FastICA算法的基本步驟如下[13-14]：

步驟1：對觀測信號矩陣進行預處理，包括去均值和白化，得到預白化信號；

步驟4：每次迭代提取一個新的獨立成份時，為避免迭代的新權(quán)與已經(jīng)求出的權(quán)值向量收斂到相同方向，需進行去相關(guān)處理，即正交化投影操作，公式如下：

步驟5：歸一化處理，公式如下：

(4) 頻譜占用分析

使用快速傅里葉變換(Fast Fourier Transform, FFT)對盲源分離后的各干擾進行頻譜占用分析，從而提取帶寬特征。具體步驟如下：①提取FFT后頻譜幅度的最大值；②以最大值的0.707倍為門限，計算超出該門限的頻譜寬度，作為干擾的帶寬。噪聲調(diào)頻干擾和脈沖干擾的帶寬較寬，覆蓋整個工作頻帶，而線性掃頻干擾的帶寬較小。

(5) 時域包絡特征提取

針對盲源分離后的各種干擾信號，提取脈寬和占空比特征，判斷干擾是連續(xù)波還是脈沖。

①脈寬

②占空比

占空比是指整個樣本中脈沖所占的比例，計算公式為

(6) 時頻譜特征提取

STFT對時頻特征的提取非常有效，對于掃頻干擾和噪聲調(diào)頻干擾等存在明顯時頻譜特征的信號，可以采用提取相應時延峰值的方法實現(xiàn)特征判斷。因此，采用STFT測量干擾的時頻特征，時頻譜特征分析原理框圖如圖2所示。

圖2 時頻譜特征分析原理框圖

盲源分離后，對各干擾信號分別做STFT并進一步提取峰值一階差分的方差特征，然后根據(jù)特征值的不同進行門限判決，識別出相應的干擾類型。

綜上所述，獲取干擾特征后對干擾進行認知，如果根據(jù)包絡特征判定為脈沖干擾，根據(jù)STFT判定為非線性掃頻干擾，則最終判定為脈沖干擾。如果根據(jù)包絡特征判定為連續(xù)波干擾，根據(jù)STFT判定為線性掃頻干擾，則最終判為線性掃頻干擾。如果根據(jù)包絡特征判定為連續(xù)波干擾，根據(jù)STFT判定為非線性掃頻干擾，則最終判為噪聲調(diào)頻干擾。識別水聲干擾類型后，根據(jù)干擾類型選取自適應干擾抵消的樣本，通過時空自適應算法抑制干擾。

2 算法性能仿真

2.1 仿真1：干擾認知仿真

使用基于負熵最大的Fast-ICA迭代算法實現(xiàn)干擾信號的分離，分離結(jié)果如圖5所示。

圖3 干擾信號與用戶信號的頻帶占用圖

圖4 MUSIC空間譜測向

對分離后的三種干擾信號分別提取包絡特征，干擾1的脈寬為80個采樣點，占空比為0.22；干擾2的脈寬為4 000個采樣點，占空比為1；干擾3的脈寬為4 000個采樣點，占空比為1。

采用STFT處理后的干擾信號時頻圖如圖6所示。提取時頻譜的頻率峰值，計算三種干擾峰值的一階差分的方差，分別為4 747、6 723、0.15。

綜上所述，仿真中提取的干擾特征參數(shù)如表1所示。

根據(jù)上述提取的特征，干擾1脈寬為80采樣點，小于脈寬門限值500采樣點；占空比為0.22，小于占空比門限0.7，所以干擾1最終判為脈沖干擾。干擾2占空比為1，大于占空比門限0.7，判為連續(xù)波干擾；頻率峰值一階差分的方差為6 723，遠大于差分方差門限1，所以干擾2最終判為噪聲調(diào)頻干擾。干擾3的占空比為1，大于占空比門限0.7，判為連續(xù)波干擾；頻率峰值一階差分的方差為0.15，小于差分方差門限1，所以干擾3最終判為線性掃頻干擾。干擾個數(shù)、方向和種類均與仿真條件設置一致，驗證了認知干擾算法的有效性。

圖5 盲源分離后干擾信號時域圖

表1 干擾特征參數(shù)

仿真通道中的信噪比保持-20 dB不變，改變干噪比，每種干噪比下改變脈沖干擾的脈寬、線性掃頻干擾的帶寬和噪聲調(diào)頻干擾的頻率等參數(shù)，按照圖1的流程框圖對干擾進行分類，每種干噪比的蒙特卡洛仿真次數(shù)為300，分類正確率如圖7所示。

由圖7中可見，干噪比高于8 dB時，本算法可以獲得較高的識別率，正確率可達99%以上。

圖7 不同干噪比下的干擾分類正確率

2.2 仿真2：時空自適應處理仿真

識別干擾類型后選取樣本，再采用時空自適應算法對干擾進行抑制，例如脈沖干擾，選取脈沖干擾出現(xiàn)的樣本。本仿真中有三個干擾，選取三個輔助通道。仿真1中干擾抑制前后的功率如圖8所示，抵消比為16.82 dB。抑制前后相干圖如圖9所示，由圖9可見，抑制前后相關(guān)峰值相同，抵消后旁瓣被壓低，證明了抵消后得到的結(jié)果是用戶信號，驗證了抑制算法的有效性。

圖8 干擾抑制前后功率圖

圖9 抵消前后相關(guān)圖

3 結(jié)論

本文結(jié)合水聲通信干擾特征認知和空時自適應處理算法，通過對干擾個數(shù)的認知，降低了盲源分離算法和空時自適應算法中的計算量，通過對時域包絡和時頻譜的多特征融合認知，實現(xiàn)了噪聲調(diào)頻干擾、脈沖干擾和線性掃頻干擾的分類識別，完成了干擾樣本的選取，最終保證了時空自適應處理的可靠收斂。計算機仿真驗證了該方法的有效性。

[1] 賈寧, 黃建純. 水聲通信技術(shù)綜述[J]. 物理, 2014, 43(10): 650-657.

JIA Ning, HUANG Jianchun. An overview of underwater acoustic communications[J]. Physics, 2014, 43(10): 650-657.

[2] 王峰, 劉蝶. 認知型寬帶恒模陣列水聲通信多用戶信號分離與干擾抑制算法[J]. 數(shù)據(jù)采集與處理, 2017, 32(6): 1089-1096.

WANG Feng, LIU Die. Source separation and jamming suppression for underwater acoustic communication systems with cognitive capability[J]. Journal of Data Acquisition and Processing, 2017, 32(6): 1089-1096.

[3] 李程程, 李有明, 呂新榮, 等. 水聲通信中脈沖干擾和載波頻偏聯(lián)合估計算法的研究[J]. 信號處理, 2015, 31(11): 1473-1478.

LI Chengcheng, LI Youming, LYU Xinrong, et al. Joint impulsive noise and carrier frequency shift estimation in underwater acoustic communication[J]. Journal of Signal Processing, 2015, 31(11): 1473-1478.

[4] XU X, ZHOU S, SUN H, et al. Impulsive noise suppression in per-survivor processing based DSSS systems[C]//Oceans IEEE(S0197-7385), 2015: 1-5.

[5] 李記龍, 馮海泓, 黃敏燕. 強多徑干擾下的水聲通信均衡算法研究[J]. 聲學技術(shù), 2016, 35(1): 73-77.

LI Jilong, FENG Haihong, HUANG Minyan. Study of channel equalization of underwater acoustic communication in muitipath horizontal channel[J]. Technical Acoustics, 2016, 35(1): 73-77.

[6] 于永, 雷志勇. 基于STAP雜波抑制的子陣優(yōu)化技術(shù)[J]. 現(xiàn)代雷達, 2016, 38(9): 28-31.

YU Yong, LEI Zhiyong. Optimization technology of subarray division based on STAP clutter suppression[J]. Modern Radar, 2016, 38(9): 28-31.

[7] RUI F, LAMARE R C D. Reduced-rank STAP algorithms using joint iterative optimization of filters[J]. IEEE Transactions on Aerospace & Electronic Systems (S0018-9251), 2011, 47(3): 1668 -1684.

[8] ABDELKAREEM A E, SHARIF B S, TSIMENIDIS C C. Adaptive time varying doppler shift compensation algorithm for OFDM-based underwater acoustic communication systems[M]. Nortn-Holland: Elsevier Science Publishers, B. V. 2016.

[9] PALMER J E, SEARLE S J. Evaluation of adaptive filter algorithms for clutter cancellation in Passive Bistatic Radar[C]//IEEE Radar Conference. IEEE(S2375-5318), 2012: 493-498.

[10] MA Y, SHAN T, ZHANG Y D, et al. A novel two-dimensional sparse-weight NLMS filtering scheme for passive bistatic radar[J]. IEEE Geoscience & Remote Sensing Letters(S1545-598X), 2016, 13(5): 676-680.

[11] AUBRY A, MAIO A D, PALLOTTA L. A geometric approach to covariance matrix estimation and its applications to radar problems[J]. IEEE Transactions on Signal Processing(S1053-587X), 2018, 66(4): 907-922.

[12] 杜梓冰, 楊坤德. 低信噪比下重構(gòu)協(xié)方差矩陣的高分辨MUSIC算法[J]. 聲學技術(shù), 2013, 32(5): 373-378.

DU Zibing, YANG Kunde. High resolution MUSIC algorithm reconstructing covariance matrix in low SNR[J]. Technical Acoustics, 2013, 32(5): 373-378.

[13] DERMOUNE A, WEI T. FastICA algorithm: five criteria for the optimal choice of the nonlinearity function[J]. IEEE Transactions on Signal Processing(S1053-587X), 2013, 61(8): 2078-2087.

[14] 何安玲, 何選森. 基于有理非線性函數(shù)的Fast-ICA算法[J]. 計算機工程與應用, 2018(1): 251-255.

HE Anling, HE Xuansen. Improved Fast-ICA algorithms with rational nonlinearities[J]. Computer Engineering and Applications, 2018(1): 251-255.

[15] PEI S C, HUANG S G. STFT with adaptive window width based on the chirp rate[J]. IEEE Transactions on Signal Processing(S1053-587X), 2012, 60(8): 4065-4080.

Space-time adaptive processing with cognitive capability for underwater acoustic communication systems

WANG Feng1,2, ZHOU Yi1, GONG Dao-yin1

(1.Array and Information Processing Laboratory, College of Computer and Information, Hohai University, Nanjing 211100, Jiangsu, China; 2. Key Laboratory of Underwater Acoustic Communication and Ocean Information Technology of Ministry of Education, Xiamen University, Xiamen 361005, Fujian, China)

In order to mitigate the jamming effect in underwater acoustic communication system, a cognitive space-time adaptive processing algorithm is proposed, which converges faster and reliably due to the sample selection based on interference cognition. The number of jamming is estimated by covariance matrix feature decomposition and MUSIC power spectrum, and the algorithm dimensionality reduction processing is carried out based on the auxiliary selection of the dimensions of the blind source separation algorithm and the spatial dimension of the space-time adaptive algorithm. For the interference after blind source separation, several interference cognition methods exploited to sample selection are studied, including the time domain analysis based on envelope detection and the time-frequency analysis based on Short-time Fourier Transform (STFT). Finally, the performance of this algorithm is confirmed by numerical simulations.

cognitive underwater acoustic communication;space-time adaptive processing; characteristic extraction

O427

A

1000-3630(2019)-01-0091-06

10.16300/j.cnki.1000-3630.2019.01.015

2018-05-04;

2018-07-18

水聲通信與海洋信息技術(shù)教育部重點實驗室開放基金資助(廈門大學)(201703)，江蘇省自然科學基金資助項目(BK20151501)，中央高?；究蒲袠I(yè)務費專項資助項目(2015B03014)。

王峰(1976－), 男, 山東淄博人, 博士, 碩士生導師, 教授, 研究方向為水聲通信技術(shù)，智能電子戰(zhàn)技術(shù)。

周易,E-mail: zhouyi_free@163.com