实时实现的近端信号抵消通信

李子茗 黄西子 黄腾飞

（哈尔滨工程大学，黑龙江 哈尔滨 150001）

1 研究背景与意义

全双工技术在5G 领域应用逐渐广泛, 是5G 领域的关键技术之一[1],它能够实现在相同频率资源上同时进行信号的发射和接收的工作, 理论上有可能在无线电网络中达到半双工系统两倍的频谱效率[2]。但全双工通信方式也存在着近端发送的信号会被近端接收设备所接收的问题,使得近端接收信号强度远大于远端信号强度。因此, 目前针对全双工技术的研究都是以抑制同频的自干扰信号为前提开展的。与此同时,全双工水声通信技术也是水下通信领域的研究难点之一, 无论使用哪种水下通信的方法,由于要同时进行对信号的发射和接收,近端信号依然会成为一个强烈的干扰源, 这一现象极大地影响了全双工通信的性能。因此,无论在空气声道中还是水下声信道中, 针对近端干扰信号抵消工作的研究都极具发展前景[3]。

2 主要工作

在空气声场中进行全双工通信时, 近端和远端分别同时发射相同频率的声波信号, 近端发射的信号声压级较大,远端发射的信号声压级较小。接收端使用水听器进行信号采集,将采集到的信号送入LMS 自适应滤波器进行自干扰抵消,实现对近端信号的干扰抵消。

3 抵消方案

全双工通信技术在5G 领域运用广泛,在全双工的传送方式下,有更高的数据传输速度等优势。针对空气声信道,提出在全双工的通信方式下,进行对自干扰抵消的研究。

3.1 自适应滤波

图1 自适应滤波系统

图2 N 抽头横向自适应滤波器

3.2 半实物仿真平台

硬件在环回路(HIL)的方式既有仿真代码又有部分实物,因此被称为半实物仿真,可以显著降低时间和成本[5]。虽然目前市面上可以进行实时仿真的平台有很多, 但是HIL 中的Desktop Real-Time 工作模式是最为接近现实时间的, 它只需借助一台设备就可完成仿真系统的程序编写和运行,可以直接和硬件相连,功能更为强大[6]。

3.3 LMS 算法

根据上式,均方误差为

本文中进行以下定义

经过推导可以得到

通过上式发现,E[(n)]是关于权系数向量w(n)的二次函数,该函数为形状开口向上的抛物线,通过迭代调节权系数向量w(n),使均方误差E[(n)]达到最小值,这一过程相当于沿着抛物性曲面下降找到最小值, 通过均方误差E[(n)]的梯度来求最小值。

令∇（n）=0可以得到

代入后可以得到

根据最速下降法得到w(n+1 ) =w(n) - μ∇(n)(μ是算法的步长参数, ∇是梯度算子)。E[(n)]计算复杂,取e2(n) 作为E[(n)]的估计值。因此

得到权值更新公式:

又因为

权值更新流程如图3 所示。

图3 权值更新框图

3.4 RLS 算法

递归最小二乘(Recursive Least Squire, RLS)自适应算法[8],是通过指数加权的误差平方和作为代价函数,将误差函数代入代价函数后得到下式:

其中 λ为基于RLS 算法的自适应滤波器的遗忘因子。遗忘因子会赋给距离当前时刻近的误差较大权重,离当前时刻远的误差相反, 这样可以确保过去某时间段的观测数据被“遗忘”,因此,基于RLS 算法的自适应滤波器可以做到在非平稳状态下工作。

为找到使上述代价函数值最小的权值,可通过代价函数对权向量求导,令其导数为零,经过推导得:

其中 Λ (n) =Diag(λn-1,......, λ,1),得到:

因为抽头圈向量取得是时刻的,而非时刻的。所以,当时:

又由于:

化简得到权值更新公式:

4 LMS 实际验证结果

实际验证时,在完成系统搭建后,我们采用LFM 信号作为近端发射的干扰信号,OFDM 信号作为远方发射的目标信号,图4 为OFDM 信号时域波形以及应用LMS 算法的抵消结果。

如图4 所示,从上到下，白色是近端水听器接收的信号波形，深灰色是远方OFDM 信号波形，浅灰色为抵消后的信号波形。观察可知，稳定之后，在10kHz 频率附近，抵消后的信号波形与远端目标信号OFDM 信号的波形非常接近。因此，LMS 算法的抵消结果是十分理想的。

图4 远方信号和抵消LFM 信号后的波形

5 结论

针对实时实现对于近端干扰信号的抵消问题,本文设计完成了一款针对同时同频发出的信号进行自干扰抵消的系统, 采用了HIL 半实物仿真平台进行simulink 仿真测试,实现自适应控制过程,具有抗干扰能力强、操作便捷等特点。

本课题针对实现实时抵消近端自干扰信号的系统分别采用了LMS 和RLS 两种算法进行自适应滤波器的设计,对实验数据处理并对干扰抵消效果进行验证。实验结果显示,运用LMS 算法的自适应滤波器的抵消后信号波形与远端目标信号的波形非常接近; 而运用RLS 算法的自适应滤波器由于RLS 算法的复杂程度较高, 所以在滤波器长度相对较高时会导致电脑崩溃, 无法进行记性验证。

因此, 我们最终选用基于LMS 算法的自适应滤波器进行实时状态下的近端干扰抵消。