基于盲源分離的短波頻譜管理監測研究

徐 慨，張 琪，鮑 凱

（海軍工程大學 電子工程學院，湖北 武漢 430033）

0 引言

現代戰爭中，戰場無線電頻譜監測作為戰場電磁頻譜管理系統的一個重要組成部分，為干擾協調提供了技術依據，是科學實施戰場電磁頻譜管理的技術保證[1]。隨著戰場無線電業務的迅猛發展，其對頻譜資源的需求與日劇增，電磁頻譜供需日益緊張和戰場電磁環境日益復雜的矛盾越來越尖銳，無線電有意干擾和無意干擾也變得越來越嚴重。在沒有任何先驗信息的條件下,對源信號進行分析識別和特征提取的過程,稱為“盲偵察”[2]。無線電監測也是一個“盲偵察”過程。因此，有效地監測偵察混合信號，對信號進行分析識別和特征提取分離，獲取基本頻譜參數，是實現內部干擾的查處和對抗外部干擾的重要條件，是電磁頻譜管理研究中的一個重要課題，具有旺盛的軍事需求和重要的現實意義。

1 盲源分離技術

盲信號處理(BSP，Blind Signal processing)是對源信號和傳輸信道信息未知的情況下，僅從觀測到的混合信號中分離出源信號的一種信號處理方法[3]。其中，盲源分離(BSS，Blind Source Separation)技術能很好地解決通信抗干擾問題，無論敵方采用何種形式的干擾（同頻干擾，寬帶干擾，窄帶干擾等等），其干擾信號與已方通信信號之間都應該是統計獨立的，因此我方收到的信號往往是相互獨立的源信號（干擾信號和通信信號）的混合，采用多天線和多通道接收機進行接收，則接收信號模型滿足BSS的要求，因此可以采用BSS技術，把混合信號中的干擾信號和通信信號分離開來。文獻[4]研究了基于最大信噪比算法的盲源分離數字通信抗干擾傳輸模型，仿真表明能夠得到顯著的抗干擾性能。

盲源分離是指在沒有系統與環境的先驗知識時的信號處理，但實際上還是要對源信號或系統作一些統計假設。這與抗干擾處理的模式是一致的，而它的處理問題的出發點正好是抗干擾系統的特殊背景，即對干擾信號的先驗知識知之甚少，甚至一無所知。因此，BSS技術的引入恰好能解決傳統信號處理方法的瓶頸。現代短波通信往往采用多個接收天線單元，每個接收天線單元對應一個接收通道，具有多通道接收能力，具備了目前BSS的基本要求。

2 盲源分離技術現狀

2.1 國外研究現狀

近年，特別是在Herault和Jutten在1991年提出一種類神經的盲源分離方法以后，盲源分離的研究已成為信號處理領域的一個研究熱點，相繼涌現了許多盲源分離的算法，大致分為基于信息論準則的迭代估計方法和基于高階累積量的代數方法，從原理上說都是利用源信號的獨立性或非高斯性(即混合后的信號高斯性增強)。在基于信息論的方法研究中，人們分別從信息傳輸最大化(Infomax，或最大熵)、最小互信息、最大似然等角度提出了各種有效算法，并通過理論分析證明它們在特定條件下都是等效的，都是采用一些反映源信號獨立性和非高斯性的反差函數(Contrast Function)作為代價函數，如互信息量、負熵等，或是它們的展開逼近式。還有一種源信號的順序抽取方法，是利用了更簡單的高階統計量作為代價函數，所導出的學習算法實際上是神經網絡中赫伯(Hebb)和反Hebb學習的廣義形式，即所謂的Hebb-like學習算法，它們可以依次分離出單個源信號，因而更具有靈活性。一些學者還揭示了在不同的信號表示形式下盲分離和盲反卷積技術的等價性，因而盲分離算法可用于盲反卷積，進而把密度估計類盲源分離方法中的Infomax、最小互信息、最大似然、最大邊緣負熵等算法推廣到卷積混疊的情況。迄今為止眾多基于統計獨立性的盲源分離評判準則和算法的得到研究并取得了成果[5-6]。

2.2 國內研究現狀

國內關于盲源分離理論和應用技術的研究幾乎是與國際上同步進行的。凌燮亭教授和何振亞教授在國內較早地進行了盲源分離研究。凌燮亭教授利用反饋式神經網絡根據 Hebbian的學習算法，實現了近場情況下一般信號的盲分離，并對算法的漸近收斂性和實現信號分離狀態的穩定性進行了討論。電子科技大學根據盲源分離和細菌覓食算法的基本原理，提出了一種基于細菌覓食行為的盲源分離算法[7]。文獻[8]提出了基于盲信號分離的回波對消算法，較好的實現了混合語音信號的分離。東南大學的何振亞教授和楊綠溪教授領導的研究小組在基于特征分析和高階譜的盲源分離和盲反卷積方法研究及其應用方面取得令人鼓舞的進展，提出了一系列新的基于高階統計量和信息理論的判據和算法，在盲系統參數估計和盲波束形成等方面也取得許多很好的研究成果。還有許多研究團體對盲源分離相關理論進行了深入研究，并同時對卷積混疊信號的分離問題也進行了相應研究。

但是在實際應用中，短波信道是一種時變色散信道，存在多徑時延、衰落、多普勒頻移、天電干擾和電臺干擾等一系列復雜現象[9]。為提高盲源分離的效果，就必須針對此混疊模型，對盲源分離領域繼續深入研究，對其應用限制條件加以弱化，從而使這項技術能夠盡快滿足在真實電磁空間中的應用和推廣。

3 短波頻譜管理監測的盲源分離算法[10]

高階統計量雖然包含了二階統計量所沒有的大量的有用信息，同時高階統計量也可以抑制信號中的高斯噪聲，具有分辨率高、抗噪聲能力強的顯著優點，但其計算量相對偏大。考慮到這些，對盲分離的算法研究主要針對二階統計量的準則，一般來說，當去混疊系統的輸出 y1… yj相互獨立時，就達到了信號分離的要求。而二階統計量準則就是使信號時間變化特性和二階交叉矩為0，即去相關：

由于實際應用中的源信號之間往往不滿足獨立性，只滿足源信號之間的不相關，并且通信信號具有時間特性。根據分析研究，擬對多數據集典型相關分析（MCCA，Multiset Canonical Correlation Analysis）這種二階統計量的盲分離算法進行分析研究，該算法利用不相關信號的時間結構特性，能最近似地完成最大不相關時間信號的提取，從而完成盲分離工作，這與實際工程環境及其需求是一致的，因而具有很好的應用前景。基于MCCA的盲分離算法有許多的獨特的優點，其適應性強，而且分離過程簡單，計算量相對較小。這種盲分離方法能完成任意分布信號的分離，通用性強，而且實現簡單，具有很好的理論價值和實際應用價值。

信號的線性混疊模型可表示為：

若令W為分離矩陣，分離信號可表示為：

考慮兩組變量的線性組合：

它們的相關系數為：

對 a (1)和a (2)分別求導數，得到：

這樣，CCA問題可以用廣義特征值問題來表示，將多個不同時延的混合信號組成多個數據集，對其進行多數據集的典型相關分析（MCCA），按照上面CCA問題相似的分析方法，對的 MCCA問題可以簡化為聯合對角化問題：

4 仿真與分析

采用此算法進行仿真實驗，源信號如圖1所示，為兩路調頻信號和一路調頻噪聲信號，信號之間均有頻率混疊，此時調頻信號2和調頻噪聲相對于調頻信號1均是干擾信號；經過信道混合后的信號如圖2所示，此時信干比分別為1.951 6 dB，-4.626 4 dB，-3.013 3 dB；經過盲源分離后的信號如圖3所示,此時信干比分別為60.408 2 dB，59.948 7 dB，36.041 6 dB。對于調頻信號1將干擾信號抑制了58.45 dB，能充分滿足將干擾信號抑制20 dB以上。

圖1 源信號

圖2 混合信號

圖3 分離信號

以上分析只考慮了最簡單的線性瞬時混合情況，在實際情況下往往是含噪非線性卷積混疊，需要設計相應的盲源分離算法；也只仿真了調頻信號這一信號類型，對于各種調制樣式的信號，各種調制參數，各種帶寬的信號，需要對設計的盲源分離算法做適當的調整和改進。

5 結語

盲源分離也是一種自適應信號處理技術，它無需學習樣本的選取，而只根據接收設備所獲取的通信信號進行處理，就可以分離出源信號。將盲信號分離技術應用于頻譜管理監測領域是一個嶄新的研究課題，在國內外都屬于前沿研究領域[11]。在頻譜管理中，這種技術對于指導頻率指配和規劃，核查頻率的可用性，協助找到適用的頻率，檢查合法頻點，發現和識別非法發射，清理帶外發射，解決通信中的干擾問題，保證通信質量具有重要意義。

[1] 翁木云,張其星,謝紹斌,等.頻譜管理與監測[M].北京:電子工業出版社,2009.

[2] 李莉,崔琛.基于峭度的盲分離在通信信號盲偵察中的應用[J].通信技術,2010,43(04):133-138.

[3] 馬建倉,牛奕龍,陳海洋,等.盲信號處理[M].北京:國防工業出版社,2006.

[4] 楊保平,陳永光,崔博,等.基于盲源分離的數字通信抗干擾技術[J].通信技術,2011,44(04):5-9.

[5] MA Jiancang,ZHANG Xiaobing.Blind Source Separation Algorithm Based on Maximum Signal Noise Ratio[C].USA:IEEE Press,2008:625-629.

[6] SHI Zhenwei,JIANG Zhiguo,ZHOU Fugen.A Fixed-point Algorithm for Blind Source Separation with Nonlinear Autocorrelation[J].Journal of Computatianal and Applied Mathematics,2009,223(02):908-915.

[7] 李丹,唐普英.基于細菌覓食的盲源分離算法研究[J].通信技術,2011,44(12):150-152.

[8] 馬婷,李宏,馬建倉,等.基于盲信號分離的自適應回聲抵消算法[J].信息安全與通信保密,2008(06):47-50.

[9] 繆剛,周志中.MIMO OFDM短波無線通信的頻率同步技術研究[J].信息安全與通信保密,2007(03):73-76.

[10] YU Huagang, HUANG Gaoming, GAO Jun. Multiset Canonical Correlation Analysis Using for Blind Source Separation [C].China:[s.n.],2011: 560-563.

[11] 吳彪,沈國勤,陳娟,等.盲信號分離技術在無線電頻譜管理中的應用研究[J].中國無線電,2011(03):48-50.