扩谱通信干扰抑制技术研究综述

扩谱通信技术是20世纪50年代兴起的一种信息处理和传输技术,由于具有抗干扰能力强、被截获概率低以及易于多址等优点,扩谱通信技术的理论和实践发展得非常迅速。时至今日,以直接序列扩频(direct sequence spread spectrum,DSSS)通信和跳频扩频(frequency hopping spread spectrum,FHSS)通信为代表的扩谱通信技术仍然是最常用的军用无线通信技术。随着电磁环境的日益复杂和通信对抗技术的发展,对扩谱通信的有效性和可靠性构成了严重的威胁。扩谱通信系统本身具有一定的抗干扰能力,大带宽特性进一步增强了扩谱信号的抗干扰能力。但由于使用“宽开”的系统设计,较大的通频带宽使得各种干扰能够较容易进入系统,系统易受到各种干扰的影响。目前,干扰方已经能够实现对扩谱通信的有效干扰,扩谱通信系统需要借助干扰抑制技术才能实现较好的干扰抑制性能。

目前,国内外关于扩谱通信干扰抑制方法的研究方兴未艾[1-4],公开报道了很多研究成果,包括经典的时域干扰抑制方法、变换域干扰抑制方法以及最新的压缩域干扰抑制方法等。本文主要对最新的压缩域扩谱通信干扰抑制方法研究进展进行系统的总结梳理,在分析现有研究成果优势与不足的基础上,进一步展望未来需要重点研究的问题。

1 基于Nyquist-Shannon采样定理的扩谱通信干扰抑制技术研究现状

1.1 DSSS通信干扰抑制技术

从20世纪70年代开始,DSSS通信干扰抑制技术已经经过了50年的发展。在此期间,广大学者提出了多种可行的DSSS通信干扰抑制思路和方法,其中主流的方法包括时域预测干扰抑制技术和变换域干扰抑制技术等2大类,2类方法最高可提高系统抗干扰能力约20 dB[1-4]。

1.1.1 时域预测干扰抑制技术

时域预测干扰抑制技术主要利用DSSS信号为宽带信号,可预测性较差,而窄带干扰(narrowband interference,NBI)具有较好可预测性的特点,通过对干扰信号的估计得到干扰信号副本,然后在时域对消干扰,实现干扰抑制的目标。时域预测干扰抑制技术的关键是实现对干扰的估计,一般使用滤波器来实现。根据滤波器对输入信号的要求不同,可以将滤波器分为线性预测滤波器和非线性预测滤波器。按照估计干扰的滤波器实现结构的不同,又可将线性预测滤波器分为基于抽头延迟的滤波器和基于状态空间的Kalman滤波器[5]。文献[4]分析了使用线性预测滤波器的DSSS通信系统在自回归(auto regressive,AR)模型干扰下的系统性能,给出了其性能改善的表达式,并且指出将干扰建模为AR模型干扰更加符合DSSS通信中干扰的真实情况。由于DSSS信号实际上并非完全不相关,线性预测滤波会对DSSS信号造成损伤。针对该问题,文献[6]提出了利用凸映射降低信号损伤的算法,该算法在实现DSSS信号解扩之前将DSSS信号映射到凸集合,补偿了由于时域对消造成的DSSS信号损伤,进一步提高了系统的性能。

当背景噪声为高斯噪声时,使用线性预测滤波器对AR过程进行估计能够得到最小均方误差(minimum mean square error,MMSE)下的最优解。但当背景噪声为非高斯噪声或者对非AR过程进行估计时的解并不是最优的。由于基带DSSS信号服从二值分布,当接收信号的信噪比(signal-to-noise ratio,SNR)较大时,干扰估计是在非高斯背景噪声下进行的,此时采用非线性滤波器可以进一步提高滤波器对干扰的估计精度[7]。文献[8]推导了使用非线性滤波器的DSSS通信系统在AR模型干扰下系统输出的信干噪比(signal-to-interference-plus-noise ratio,SINR)的表达式。在非线性滤波器实现研究中,有学者指出使用一系列Kalman-Bucy滤波器输出的加权和,可以近似替代非高斯噪声下的滤波器输出[9],但该方法的复杂度随着滤波器个数的增加而急剧增加,无法实际使用。部分研究结果表明,当满足一定条件时,近似条件均值(approximate condition mean,ACM)滤波算法是非高斯噪声条件下被估计量在MMSE下最优估计的近似[10]。由于ACM滤波器的硬件实现较为困难,有学者利用假设检验理论,提出了直接判决Kalman滤波算法[11]。该算法在接收信号SNR远远大于1 dB条件下的性能与ACM滤波算法的性能相近。

1.1.2 变换域干扰抑制技术

变换域干扰抑制技术利用DSSS信号、背景噪声和干扰三者之间不同的变换域特征实现对干扰的抑制。一般而言,要求DSSS信号和噪声在变换域的分布较为平坦,而干扰信号在变换域的分布具有类似冲击函数的特性。由于DSSS信号和干扰在变换域具有明显不同的特征,在变换域能够轻易实现对干扰的检测并进行相应的抑制处理。变换域干扰抑制技术能够同时抑制多个干扰且可进行快速处理,适用于对特性未知且统计特性变化较快的干扰的抑制。变换域干扰抑制原理如图1所示。Milstein等[12]首先提出了变换域干扰抑制技术,他们利用声表面波器件实现了离散傅里叶变换(discrete fourier transform,DFT),并提出了变换域干扰检测和抑制处理方法,随着数字器件水平的不断提高,目前频域干扰抑制算法已在现场可编程门阵列上实现。

由于使用矩形窗函数的DFT的第1旁瓣衰减只有13 dB,导致基于矩形加窗DFT的干扰抑制方法存在严重的频谱泄露,不能满足DSSS通信系统抑制强干扰的实际需求。为改善DFT的频谱泄露问题,学者们提出了通过改变窗函数的类型来降低频谱泄露的方法,但该方法在降低DFT频谱泄露的同时也会造成有用信号的损伤[13]。文献[13]详细分析了使用不同窗函数时的算法性能。文献[14]给出了利用滤波器组实现变换域干扰抑制处理的基本框架,该框架要求设计的滤波器组必须满足完全可重构的条件。因此,当系统中不存在干扰时,干扰抑制处理不会造成有用信号的损伤。上述变换域干扰抑制方法使用的变换域都是频域,而DSSS通信中部分时变干扰在时频域和小波域具有更好的类冲击函数特性。部分学者根据这一特性,开展了时频域干扰抑制方法研究[15]和小波域干扰抑制方法研究[16],实现了对DSSS通信中时变干扰的有效抑制。

在变换域干扰抑制处理研究方面,Dipietro提出了基于最大信干噪比(maximum sinr,MSINR)准则的最优权值矢量设计方法[17],但由于获取最优权值需要预先估计出NBI的功率谱,而利用少量接收信号对NBI的功率谱进行估计得到的最优权值不稳定[18]。因此,上述干扰抑制处理方法实现较为困难。针对该问题,学者们提出了多种次优变换域干扰抑制处理方法,包括阈值法[19]、K谱线法[20]、权值泄露法[21]以及变换域自适应滤波法[22]等。

1.2 FHSS通信干扰抑制技术

FHSS通信通过频点随机跳变扩展通信的带宽,当跳频带宽足够宽时,其抗干扰能力较强。但随着技术的发展,已有部分干扰威胁能够实现对FHSS通信的有效干扰。研究结果表明[23],当跳频频率集中有1/3以上的频点被干扰时,FHSS通信系统的性能将急剧下降,甚至出现无法通信的情况。文献[24]对部分频带噪声干扰下差分跳频系统的性能进行了分析,推导了系统解调误码率(bit error rate,BER)的理论上界。文献[25]从信道容量的角度出发,详细分析了扫频干扰对FHSS通信系统通信容量的影响,结果表明,当存在干扰时,系统通信容量将降低25%以上。文献[26]对宽带扫频干扰下FH/MFSK系统的抗干扰性能进行了分析,分别给出了忽略背景噪声和加性高斯白噪声等2种信道条件下系统解调误码率的闭合表达式。

当FHSS通信为慢跳频系统时,时域预测干扰抑制技术和变换域干扰抑制技术同样适用于对FHSS通信中干扰的抑制。但当系统为快跳频系统时,上述方法不再适用。需要使用其他的干扰抑制策略才能实现系统抗干扰能力的提升。已有快跳频通信干扰抑制技术可以概括为2类:第1类是通过增加敌方侦察难度、删除受干扰频点等方法,实现“躲避式”抗干扰的干扰抑制技术,该类干扰抑制技术主要包括:增加跳频带宽、提高跳频速率、空闲信道搜索、实时功率/频率自适应控制、自适应生成频率表、变间隔跳频等技术[27]。随着认知技术的发展,部分学者将认知技术引入FHSS通信,提出了认知跳频技术[28]。认知跳频技术通过对频谱的感知,能够有效避开受到干扰的频点,提高系统的抗干扰能力。第2类是通过在接收端使用干扰抑制处理算法,实现“被动式”抗干扰的干扰抑制技术。快跳频系统“被动式”抗干扰主要使用分集合并技术[29]。分集技术最初的目的是为了对抗移动通信中的衰落效应。分集是通过多个通道(时间、频率、空间等)发送承载相同信息的多个副本,接收端通过将接收到的若干条相互独立的支路的信号进行合并获得分集增益,提高系统抗干扰的能力。

分集合并技术主要分为2类:① 需要信道信息的分集合并技术;② 不需要信道信息的分集合并技术。不需要信道信息的分集合并算法较为简单,但算法性能相对较差,主要包括线性合并、乘积合并、自归一化合并以及比率统计合并算法[29]。需要信道信息的分集合并算法的性能较好,但是算法复杂度也较高,主要包括:削波合并、最大似然合并以及选择合并等算法[30]。分集合并技术能够进一步提高FHSS通信的干扰抑制能力,但由于系统实现依赖多天线结构,系统的复杂度较高,系统的硬件成本较高。

2 基于Nyquist-Shannon采样定理的干扰抑制技术面临的挑战

2.1 普遍性问题

经典信号采集方法的理论依据是Nyquist-Shannon采样定理。该定理要求接收端对信号的采样速率至少为信号最高频率或者信号带宽的2倍[1]。这一要求使得当信号带宽较大时,信号的采集和处理方法将面临两方面的难题:① 高采样率使得系统对接收端模数转换器(analog-to-digital converter,ADC)的要求较高,不仅导致系统功耗和硬件成本的增加,甚至还会出现采样速率无法满足系统要求的情况;② 即使能够实现对信号的高速采集,采集的信号中往往存在较大的冗余,导致信号的存储、传输和处理的复杂度较大。Nyquist-Shannon采样定理下的信号采集处理流程如图2所示。

为解决高速信号的采集问题,学者们开展了大量的研究,典型的解决方案是使用ADC并行采集技术[31]和信道化接收技术[32]。但是ADC并行采集技术对同步时钟的精度要求较高,如果同步时钟不稳定,则需要对采集的数据进行复杂的校准计算,这使得该技术在通信这种对实时性要求较高的系统中的应用受限。当使用信道化接收技术时,系统的硬件成本、体积和功耗将随着信道数目的增加而成倍增长,并且由于需要进行子带划分,将导致可能出现各通道之间不匹配的问题。

从上述分析中可以看出,目前制约大带宽通信技术应用的主要因素就是接收信号的高速采集难题以及由于信号高速采集导致的信号处理复杂的问题。扩谱信号是一种典型的大带宽信号,并且为了满足实时图像和视频传输的需求,目前扩谱通信的带宽越来越大。对于基于Nyquist-Shannon采样定理的扩谱通信干扰抑制方法而言,干扰抑制的前提是实现对接收信号的采集。因此,基于Nyquist-Shannon采样定理的扩谱通信干扰抑制方法存在应用受限于采样率较高的难题。该问题在通信平台受限(比如便携设备、卫星等)的场景下对系统性能的影响更为严重,限制了扩谱通信技术的应用范围和进一步的发展。

2.2 一般性问题

从对传统的扩谱通信干扰抑制技术的总结中可知,基于Nyquist-Shannon采样定理的扩谱通信干扰抑制方法除了存在应用受限于采样率较高的不足之外,还存在一些一般性的问题。

首先,时域预测干扰抑制技术对干扰参数的变化比较敏感,干扰参数的变化会导致干扰抑制性能发生较大的变化。并且时域预测干扰抑制技术一般通过自适应滤波实现,但自适应滤波算法的收敛速度较慢,算法对于进入系统接收机的时刻随机和频点任意的时变干扰的抑制性能较差。此外,自适应滤波算法在时变干扰抑制过程中需要不断计算滤波器的最佳系数,算法的计算量较大。

其次,为了降低干扰抑制处理的复杂度,常用阈值法和K谱线法作为变换域干扰抑制处理方法,这种处理方法导致变换域干扰抑制技术对带宽较宽的干扰的抑制效果较差,并且干扰抑制过程中对信号的损伤也较大,不利于干扰抑制后对信号的进一步处理。另外,阈值法中的阈值和K谱线法中K值的选择需要根据具体的干扰样式和干扰参数选取,这说明变换域干扰抑制技术依赖较多先验信息。如果先验信息不准确,将导致对干扰的抑制效果较差。

最后,基于Nyquist-Shannon采样定理的时域干扰抑制技术和变换域干扰抑制技术都存在强干扰条件下干扰抑制后干扰残留仍然较大的不足,导致2种技术无法在干扰功率较大的情况下实现对干扰的有效抑制,这对于复杂电磁环境下的战场通信而言十分不利。

3 扩谱通信压缩域干扰抑制技术研究现状

压缩感知(compressive sensing,CS)理论[33]是近年来出现的一种数据获取与处理理论。该理论表明,针对稀疏信号或可压缩信号,接收端能够以远低于Nyquist-Shannon采样率的速率对信号进行采样,然后通过系统后端的数字处理算法精确地恢复出原始信号,该理论框架下的信号采集处理流程如图3所示。

在CS理论框架下,可采用更低采样率的ADC转换器件实现对更宽频带范围内的信号的采集,从而在一定程度上缓解了大带宽信号处理面临的高采样率难题,同时也减轻了接收信号后续的存储和处理的压力。这一理论为解决具有大宽带特性的扩谱信号面临的采集和处理难题提供了新的思路。下面对CS理论在与扩谱通信干扰抑制相关领域的研究进展进行总结概括。

文献[34]根据DSSS通信中不同用户都有唯一伪噪声(pseudo-noise,PN)序列的特性,提出了一种DSSS信号稀疏字典构建方法,证明了DSSS信号能够得到有效的稀疏表示,并且压缩采样能够显著降低系统器件的能耗和制造成本。文献[35]将CS理论应用于DSSS通信的信道估计,证明了该方法的性能比经典的最小二乘方法更优。文献[36]研究了基于CS的全球卫星导航系统(global navigation satellite system,GNSS)信号的信道均衡方法,结果表明,该方法能够在低采样率条件下获得较高的信道估计精度。文献[37]将CS理论应用于直扩遥测遥控信号的处理,提出了基于CS的PN序列跟踪方法以及两阶段同步方法。结果表明,该方法具有一定的实用价值。Liu[38]提出了基于随机测量的扩谱信号检测和解调方法,该方法在有效降低系统采样率的条件下仍然能够实现对扩谱信号的有效检测和解调。文献[39]针对频率选择性信道下传输的DSSS信号的接收问题,提出了一种DSSS通信压缩采样接收机设计方案,该方案使得当接收端对接收信号的采样率降低50%时信号的解调性能仅下降1.2 dB。文献[40]利用FHSS信号的频域稀疏特性,提出了一种基于CS的宽带FHSS信号快速重构方法。

利用CS技术,可将扩谱通信干扰抑制方法研究进一步拓展到压缩域(本文所指压缩域是指信号经过压缩采样后所处的信号空间)。扩谱通信压缩域干扰抑制技术研究对于解决当前扩谱通信干扰抑制方法存在应用受限于采样率较高的不足具有重要意义,同时利用压缩采样数据包含信号全部结构信息的特性,也为进一步提高扩谱通信干扰抑制方法的性能提供了新的途径。压缩域干扰抑制方法研究始于Davenport等人[33]的工作,他们利用压缩采样数据中干扰分量和信号分量的正交特性构造滤波算子,通过从包含干扰分量的压缩采样数据中提取信号分量实现干扰抑制的目标。由于直接对压缩采样数据进行处理,该算法的复杂度较低,但该算法要求干扰和信号能够在同一稀疏字典上得到稀疏表示并且算法实现依赖信号子空间、信号稀疏度等先验信息,无法实际应用。此外,该算法不适用于强干扰环境下的干扰抑制。YS Zhang等[41-49]对扩谱通信压缩域干扰抑制技术进行了系统的研究,针对压缩域干扰检测、干扰参数估计和干扰抑制处理等问题分别构建了系统模型并提出了相应的实现算法。

针对在经典CS框架下具有高度稀疏性的多音干扰和扫频干扰的压缩域检测和参数估计问题,文献[41]提出了基于内积参数搜索的DSSS通信压缩域干扰检测和参数估计算法。该算法通过对特征参数的检测实现对干扰的检测,为克服传统的检测方法没有给出检测阈值与虚警概率之间关系的不足,推导了虚警概率一定的条件下检测阈值的自适应获取方法;针对在经典的CS框架下稀疏性较差的AR模型干扰的压缩域检测和参数估计问题,文献[42-43]提出了基于块稀疏贝叶斯学习(block sparse bayesian learning,BSBL)的DSSS通信干扰检测和参数估计算法。该算法根据DSSS信号无法在AR模型干扰稀疏字典上得到稀疏表示,而AR模型干扰在其稀疏字典上具有块稀疏性的特点,利用块稀疏重构算法从压缩采样数据中估计出各稀疏分块的相关系数作为干扰检测和参数估计的特征参数,通过对特征参数的检测实现对干扰的检测,根据检测获取干扰分量的边缘位置信息以及构建的干扰分量边缘位置信息与干扰边缘频率之间关系的模型,实现对干扰边缘频率的估计,从而实现对AR模型干扰带宽的估计。

针对在经典的CS框架下具有高度稀疏性的多音干扰和扫频干扰的压缩域抑制问题,文献[44]提出了基于部分重构的DSSS通信干扰抑制算法。该算法根据构建的DSSS信号和干扰的稀疏字典满足形态成分分析的要求,DSSS信号稀疏系数向量和干扰稀疏系数向量具有可分性的特性,利用正交匹配追踪算法(orthogonal matching pursuit,OMP)分别估计出干扰和DSSS信号的稀疏系数向量,通过抑制估计出的干扰稀疏系数实现干扰抑制的目标。算法能够在不同干信比(jamming-to-signal ratio,JSR)下实现对多音干扰和扫频干扰的有效抑制,干扰抑制效果不随JSR的变化而变化。与Nyquist-Shannon采样定理下干扰抑制算法相比,在强干扰条件下算法能够实现对干扰的完全抑制,但由于CS中存在噪声折叠现象,在压缩采样率降为Nyquist-Shannon采样率的1/2的情况下,部分重构后DSSS信号的解调性能损失约6 dB;针对在经典的CS框架下稀疏性较差的AR模型干扰的压缩域抑制问题,文献[45-46]提出了基于提取滤波的DSSS通信干扰抑制算法。该算法根据压缩采样数据中信号分量和干扰分量具有可分性的特性,利用提出的自适应干扰位置信息获取算法获取干扰稀疏系数向量中非零值的位置信息并据此构建滤波矩阵,利用滤波矩阵从接收信号的压缩数据中分离出干扰分量,从而实现干扰抑制的目标。当BER为10-4量级时,在压缩采样率降为Nyquist-Shannon采样率的1/2的条件下,算法能够提高系统抗干扰能力约20 dB。算法具有计算复杂度低、硬件实现结构简单的优点,在干扰带宽较小、压缩率较小条件下能够实现对AR模型干扰的有效抑制。

针对FHSS通信中梳状干扰的压缩域抑制问题,文献[47-48]根据FHSS信号无法在构建的干扰稀疏字典上得到稀疏表示的特性,利用重构算法实现梳状干扰的有效重构,然后在时域对消干扰,提出了基于BSBL的FHSS通信梳状干扰抑制算法,实现了对FHSS通信中梳状干扰的有效抑制。在BER为10-4量级时,在压缩采样率降为Nyquist-Shannon采样率的1/2的情况下,算法能够提高系统梳状干扰抑制能力约16 dB。针对干扰抑制后的效果评价问题,文献[49]提出了FHSS信号压缩域时频分析算法。该算法根据FHSS信号具有分段稀疏性以及CS能够获取信号全局信息的特点,将FHSS信号部分重构中获取的频率信息按照时序映射到时频二维平面,获取FHSS信号的时频分析结果。由于部分压缩采样数据即可包括全部信号结构信息,相比于Nyquist-Shannon采样下的信号时频分析结果时频聚集性更好。

4 研究展望

目前,扩谱通信压缩域干扰抑制技术研究已经取得了阶段的研究成果,但作为一种新兴的干扰抑制技术,该领域仍有许多热点问题亟需开展进一步的研究。

4.1 信号和干扰的稀疏字典构建问题

目前公开文献已经提出了DSSS信号稀疏字典构建方法。但目前信号字典构建方法与DSSS通信具体的应用场景相关,不同的通信场景下,构建的DSSS信号稀疏字典无法通用;考虑到压缩域扫频干扰参数估计方法研究已经取得了较多的研究成果,已有扫频干扰稀疏字典构建中假设已经获取了干扰参数的粗估计信息,这意味着现有的扫频干扰稀疏字典构建方法仍然依赖干扰先验信息。在下一步的研究中,需要进一步研究DSSS信号和扫频干扰的稀疏字典构建方法,提高字典构建方法的稳健性和普适性。

4.2 压缩域干扰识别和参数估计问题

目前,已有文献针对扩谱通信压缩域干扰检测和参数估计问题进行了初步研究,在干扰检测研究中假设干扰类型已知或已知干扰在某个稀疏字典上能够得到稀疏表示,而实际应用中干扰检测的目的之一就是要获取干扰类型信息,实现对干扰的识别。因此,在下一步的工作中需要开展压缩域干扰识别研究。在该方面研究中,机器学习和深度学习等可能会成为可用的技术手段;此外,已有文献在压缩域干扰参数估计研究中仅对干扰的稀疏度、频率和带宽参数的估计方法进行了初步的研究,没有对干扰功率、DOA等其他参数的估计方法进行研究。这些参数对于进一步提高压缩域干扰抑制方法的性能也具有较大的意义,需要在下一步工作中继续进行深入研究。

4.3 相关干扰的压缩域抑制问题

相关干扰是一种针对扩谱通信非常有效的干扰手段,虽然目前对扩谱通信实施相关干扰仍然较为困难,但随着技术的发展,这类干扰威胁必将对扩谱通信的有效性和可靠性构成巨大的挑战。目前,已有研究成果提出的压缩域干扰抑制方法的适用对象都为非相关干扰,无法对相关干扰实现有效的抑制。这主要是因为相关干扰与扩谱信号具有相同或相似的压缩域特性,导致干扰与信号在压缩域不可分。针对该类干扰的抑制问题,可以探索利用干扰与信号的空域稀疏性以及可分性实现对该类干扰的抑制。

[1]HAMDAOUI B,KHALFI B,GUIZANI M.Compressed wideband spectrum sensing:Concept,challenges,and enablers[J].IEEE Communications Magazine,2018,56(4):136-141.

[2]刘湘蒲.频谱可控的直扩认知通信系统关键技术研究[D].哈尔滨:哈尔滨工程大学,2016.LIU Xiangpu.Research on key technologies of spectrum controlled direct sequence spread spectrum communication system in cognitive radio[D].Harbin:Harbin Engineering University,2016.

[3]LI Y,JIA N,HUANG J,et al.A novel spread spectrum underwater acoustic communication system for the inter-symbol interference reduction[J].International Journal of Computer Applications in Technology,2022,69(4):357-364.

[4]LI X,MENG X,LIU P.Implementation of narrowband interference suppression technology for DSSS systems in time domain and frequency domain[Lecture Notes][C]//Proc.of the International Conference on Communicatins and Networking in China.Berlin Heidelberg:Springer,2017:54-63.

[5]陈岩,安建平,罗伟雄.扩频通信抗窄带干扰技术[J].系统工程与电子技术,2003,25(2):147-153.CHEN Yan,AN Jianping,LUO Weixiong.Technology of narrow-band interference rejection in a DS-SS system[J].Journal of Systems Engineering and Electronics,2003,25(2):147-153.

[6]NARAYANAN K R,DOHERTY J F.A convex projections method for improved narrow-band interference rejection in direct-sequence spread-spectrum systems[J].IEEE Transactions on Communications,1997,45(7):772-774.

[7]黄高勇,张家树.一种抑制直扩通信窄带干扰的新型非线性自适应预测滤波器[J].电子与信息学报,2007,29(6):1328-1331.HUANG Gaoyong,ZHANG Jiashu.A novel nonlinear adaptive prediction filter for narrowband interference suppression in DS-SS communication[J].Journal of Electronics &Information Technology,2007,29(6):1328-1331.

[8]WANG K J,YAO Y.Approximate analysis of narrow-band interference rejection technique in CDMA spread spectrum systems using nonlinear prediction filters[J].Communications Letters,1998,2(9):248-250.

[9]ZHAO J,LI M.A robust generalized-maximum likelihood unscented kalman filter for power system dynamic state estimation[J].IEEE Journal of Selected Topics in Signal Processing,2018,12(4):578-592.

[10]范永全,张家树.基于联合估计的扩频通信窄带干扰抑制滤波器[J].系统工程与电子技术,2008,30(1):32-35.FAN Yongquan,ZHANG Jiashu.Narrowband interference suppression filter in DSSS based on joint estimation[J].Journal of Systems Engineering and Electronics,2008,30(1):32-35.

[11]ESCOBEDO A.Comparison of the Gaussian and the DDK filter method for GRACE data[J].Ethnologie Française,2012,42(1):117-126.

[12]KRISHNA B M,KRISHNA B T,BABULU K.Design and implementation of time-frequency distributions for real-time applications using field programmable gate array[J].Journal of Circuits,Systems and Computers,2022,31(12):1-30.

[13]保鑫铃.直扩系统中的多域干扰抑制技术的研究[D].成都:电子科技大学,2020.BAO Xinling.A research on multi-domain interference suppression technique in DSSS system[D].University of Electronic Science and Technology of China,2020.

[14]王永庆,刘东磊,陈岩,等.一种基于Kalman滤波器的导航接收机干扰抑制方法[P].中国:CN201810037956.7,2021-09-10.WANG Yongqing,LIU Donglei,CHEN Yan,et al.A method for interference suppression in navigation receiver based on Kalman filter[P].China:CN201810037956.7,2021-09-10.

[15]申丽然,郭黎利,尹清波.基于分数阶傅里叶变换的DSSS通信快速线性调频干扰抑制[J].科学技术与工程,2014,14(1):59-65.SHEN Liran,GUO Lili,YIN Qingbo.Fast linear frequency modulation interference excisionin dsss system use fractional fourier transform[J].Science Technology and Engineering,2014,14(1):59-65.

[16]戚连刚,国强,项建弘,等.一种基于小波包变换与空域处理的卫星导航接收机多干扰抑制方法[P].中国:CN201910592232.3,2019-10-11.QI Liangang,GUO Qiang,XIANG Jianhong,et al.A multiple interference suppression method for satellite navigation receiver based on wavelet packet transform and spatial processing[P].China:CN201910592232.3,2019-10-11.

[17]DIPIETRO R C.An FFT based technique for suppressing narrow-band interference in PN spread spectrum communications systems[C]//Proc.of the International Conference on Acoustics,Speech,and Signal Processing.Piscataway:IEEE press,1989:1360-1364.

[18]YOUNG J A,LEHNERT J S.Analysis of DFT-based frequency excision algorithms for direct-sequence spread-spectrum communications[J].IEEE Transactions on Communications,1998,46(8):1076-1087.

[19]CAI J,XIAO Y.Impulse interference processing for MT data based on a new adaptive wavelet threshold de-noising method[J].Arabian Journal of Geosciences,2017,10(18):407.

[20]孙殿星,陈翔,万建伟,等.基于多特征的密集假目标干扰融合识别与抑制[J].系统工程与电子技术,2018,40(10):56-64.SUN Dianxing,CHEN Xiang,WAN Jianwei,et al.Fusion identification and suppression technique against concentrated false targets jamming based on multiple features[J].Journal of Systems Engineering and Electronics,2018,40(10):56-64.

[21]NARIMANI G,MARTIN P A,TAYLOR D P.Spectral analysis of fractionally-spaced MMSE equalizers and stability of the LMS algorithm[J].IEEE Transactions on Communications,2018,66(4):1675-1688.

[22]YU S,FEI G,ZHANG X,et al.A new method for gnss multipath mitigation with an adaptive frequency domain filter[J].Sensors,2018,18(8):2514.

[23]姚富强.通信抗干扰工程与实践[M].北京:电子工业出版社,2012.YAO Fuqiang.Communication anti-interference engineering and practice[M].Beijing:Publishing House of Electronics Industry,2012.

[24]SONG Y,DONG B,TANG P.Performance of DFH system in PBNJ over Rician fading channels[C]//Proc.of the International Icst Conference on Communications &Networking in China.Piscataway:IEEE press,2013:124-128.

[25]张家琦,裴玉奎,耿春华,等.扫频干扰下多元频移键控与跳频通信的容量分析[J].清华大学学报(自然科学版),2011 (11):1717-1720.ZHANG Jiaqi,PEI Yukui,GENG Chunhua,et al.Capacity analysis of M-FSK and FH in the presence of chirp jamming[J].J Tsinghua Univ (Sci &Tech),2011 (11):1717-1720.

[26]董彬虹,杜洋,周兰林,等.宽带扫频干扰下FH/MFSK系统性能分析[J].电子科技大学学报,2014,43(5):658-662.DONG Pinhong,DU Yang,ZHOU Lanlin,et al.Performance analysis of broadband frequency sweeping jamming for FH/MFSK systems[J].Journal of University of Electronic Science and Technology of China,2014,43(5):658-662.

[27]LEE J,PARK C,ROH H.Revisiting adaptive frequency hopping map prediction in bluetooth with machine learning classifiers[J].Energies,2021,14(4):1-12.

[28]李彤,苗成林,吕军,等.基于功率谱对消的时域相关认知跳频谱检测算法[J].兵工学报,2017,38(9):1754-1760.LI Tong,MIAO Chenglin,LV Jun,et al.Time-domain correlation algorithm of cognitive frequency hopping based on power spectrum cancellation[J].Acta Armamentarii,2017,38(9):1754-1760.

[29]郭冬梅.无线通信中分集合并技术的研究[D].哈尔滨:哈尔滨工业大学,2010.GUO Dongmei.Research on diversity combining techniques in wireless communications[D],Harbin Engineering University,2010.

[30]臧鹏.无线通信中分集合并技术研究[J].国外电子测量技术,2020,39(6):65-69.ZANG Peng.Research of diversity combining techniques in wireless communication[J].Foreign Electronic Measurement Rechnology,2020,39(6):65-69.

[31]MA Y,GANG C.An Adaptive Calibration Method for Parallel ADC Acquisition System[C]//Proc.of the International Conference on Measuring Technology &Mechatronics Automation.Piscataway:IEEE press,2013:170-173.

[32]WHAO W,DAI Y,YIN F,et al.Chirped-pulse-based broadband RF channelization implemented by a mode-locked laser and dispersion[J].Optics Letters,2017,42(24):5234-5237.

[33]DAVENPORT M A,BOUFOUNOS P T,WAKIN M B,et al.Signal processing with compressive measurements[J].IEEE Journal of Selected Topics in Signal Processing,2010,4(2):445-460.

[34]FYHN K,JENSEN T L,LARSEN T,et al.Compressive sensing for spread spectrum receivers[J].IEEE Transactions on Wireless Communications,2013,12(5):2334-2343.

[35]CHINATTO A,JUNQUEIRA C,ROMANO J M T.Enhancing DSSS-signals channel estimation through compressive sensing[C]//Proc.of the International Telecommunications Symposium.Piscataway:IEEE press,2014:1-5.

[36]KONG S.A deterministic compressed GNSS acquisition technique[J].IEEE Transactions on Vehicular Technology,2013,62(2):511-521.

[37]程艳合,杨文革.基于压缩感知的DSSS信号双阶段捕获方法[J].北京航空航天大学学报,2015,41(4):624-631.CHENG Yanhe,YANG Wenge.Two-stage acquisition algorithm for DSSS signal based on compressive sensing[J].Journal of Beijing University of Aeronautics and Astronautics,2015,41(4):624-631.

[38]LIU A,LAU V K N.Joint interference mitigation and data recovery in compressive domain:A sparse MLE approach[J].IEEE Transactions on Signal Processing,2014,62(19):5184-5195.

[39]康荣宗,田鹏武,于宏毅.一种基于选择性测量的自适应压缩感知方法[J].物理学报,2014,63(20):139-146.KANG Zongrong,TIAN Pengwu,YU Hongyi.An adaptive compressed sensing method based on selective measure[J].Acta Physica Sinica,2014,63(20):139-146.

[40]WANG L X,ZHANG B Z,ZHAO Y Z.Compressive sampling and rapid reconstruction of broadband frequency hopping signals with interference[J].Circuits,Systems,and Signal Processing,2015,34(5):1535-1547.

[41]ZHANG Y S,JIA X,ZHU W G,et.al.Joint interference detection method for DSSS communications based on the OMP algorithm and CA-CFAR[C]//Proc.of the 2016 8th International Conference on Computer and Automation Engineering (ICCAE 2016).Piscataway:IEEE press,2016:1-5.

[42]张永顺,贾鑫,朱卫纲,等.基于块稀疏贝叶斯学习的直扩通信窄带干扰检测与参数估计[J].系统工程与电子技术,2019,41(4):890-898.ZHANG Yongshun,JIA Xin,ZHU Weigang,et al.NBI detection and parameter estimation in DSSS communications based on block sparse Bayesian learning[J].Journal of Systems Engineering and Electronics,2019,41(4):890-898.

[43]SHI Z K,ZHANG Y S,QIAN Z Y,et al.Compressive narrowband interference detection and parameter estimation in direct sequence spread spectrum communication[J].Transactions on Emerging Telecommunications Technologies.IET Signal Processing,2022,16(1):14-25.

[44]ZHANG Y S,JIA X,YIN C B.Adaptive interference suppression for dsss communications based on compressive sensing[J].International Journal of Communication Systems,2018,31(11):e3699.

[45]ZHANG Y S,JIA X,YIN C B,et al.NBI mitigation in DSSS communications via block sparse Bayesian learning[J].Signal Processing,2019,158:129-140.

[46]ZHANG Y S,ZHU W G,YIN C B,et.al.Direct sequence spread spectrum communication narrowband interference cancellation in the compressed domain[J].Transactions on Emerging Telecommunications Technologies,2020,31(6):e3830.

[47]张永顺,贾鑫,朱卫纲,等.基于块稀疏贝叶斯学习的跳频通信梳状干扰抑制[J].兵工学报,2018,39(9):203-211.ZHANG Yongshun,JIA Xin,ZHU Weigang,et al.Comb jamming mitigation in frequency-hopping spread spectrum communications via block sparse bayesian learning[J].Acta Armamentarii,2018,39(9):203-211.

[48]ZHANG Y S,YUN Z Q,ZHENG J,et.al.Comb jamming mitigation in frequency hopping spread spectrum communications via aid block sparse bayesian learning[C]//Proc.of the 2021 14th International Congress on Image andSignal Processing,BioMedical Engineering andInformatics CISP-BEMI 2021).Piscataway:IEEE Press,2021:1-6.

[49]ZHANG Y S,JIA X,YIN C B.Time-frequency analysis of frequency hopping signal based on partial reconstruction[C]//Proc.of the 2017 IEEE International Conference on Signal Processing,Communications and Computing (ICSPCC 2017).Piscataway:IEEE Press,2017:1-5.