[发明专利]一种高动态下的零陷展宽方法

说明书

本发明一种高动态下的零陷展宽方法，包括：获取阵列天线接收信号采样数据，进行带通滤波、Hilbert变换以及幅相校正对所获取采样数据等间隔抽取后分两路输出，其中一路输入FIFO模块存储，及另一路进行等间隔抽取后送入QR分解单元进行协方差矩阵估计，输出得到更新的协方差矩阵；进行中间变量的前向迭代更新，根据更新的协方差矩阵和中间变量进行后向迭代计算，得到更新的最优权值；将FIFO模块所存储估计协方差矩阵的采样数据，并与更新的最优权值进行乘加运算后滤波输出。本发明等效扩展了干扰零陷，增强了滤波的稳定性，并进行了FPGA实现，增强了滤波的稳定性。

技术领域

本发明属于卫星通信技术领域，涉及一种高动态下的零陷展宽方法。

背景技术

随着卫星通信技术的发展与应用，其接收机面临的窄带或宽带压制式干扰问题也日益突出。基于阵列信号处理技术的接收机可以通过调整各接收阵元的加权复系数来自适应地消除这些干扰。工程实现中，较常采用LMS算法及SMI算法进行自适应滤波，LMS算法实现简单且计算量小，较早的进行了工程实现，但算法的收敛性能受相关矩阵的特征值分布影响较大，因此抑制强干扰的能力有限。SMI算法是开环结构，并不受特征值分散影响，具有较好的干扰抑制效果，目前工程实现中更多的采用SMI算。

当卫星通信系统应用于高动态场景时，SMI的滤波性能会严重降低，基于高动态环境的抗干扰研究也逐渐受到重视。文献《卫星导航系统中平台运动对天线阵列性能的影响分析》分析了平台运动对自适应阵列抗干扰性能的影响，文献《高动态条件下统计空时零陷加宽方法》根据弹载导航接收机的特点，提出了一种基于统计的空时零陷加宽方法，但是该方法需要在原协方差矩阵的基础上点乘一个扩张矩阵，实现过程复杂。文献《一种小快拍时对角加载的快速算法》将对角加载与数据矩阵的QR分解结合起来，进行权矢量的实时更新。

发明内容

发明所要解决的课题是，克服现有技术的不足，在QRD-SMI算法基础上，结合高动态环境的特点，提出抽取式QRD-SMI滤波方法，等效扩展了干扰零陷，增强了滤波的稳定性，方法实现过程简单，利于FPGA实现。

QRD-SMI算法在传统SMI算法基础上通过对接收端的数据阵进行QR分解估计协方差矩阵，避免了直接矩阵求逆，进而简化了最优权求解过程，可对数据矩阵X进行QR分解，假设存在L×L的酉矩阵Q满足QX^H＝R，其中R为M×M维的非奇异上三角阵。由此可得：XX^H＝(R^HQ)(Q^HR)＝R^HR，最优权估计则通过下式中的前后向代入得到：

本发明在QRD-SMI算法基础上，用等间隔抽取式数据块代替连续数据块估计协方差矩阵。

为了解决上述课题，本发明提出一种高动态下的零陷展宽方法，包括以下步骤：

步骤1、获取AD采集的阵列天线信号数据，对经阵列天线信号数据进行进行带通滤波、Hilbert变换以及幅相校正后进入步骤2；

步骤2、对采样数据等间隔抽取后分两路输出，其中一路输入FIFO模块存储，及另一路进行等间隔抽取后送入QR分解单元进行协方差矩阵估计，输出得到更新的协方差矩阵R；

步骤3、根据更新的协方差矩阵R代入式R^HV＝La(θ_d)中进行中间变量V的前向迭代更新，得到更新的中间变量V，其中a(θd₎为角度θ_d对应的导向矢量；L为采样次数；

步骤4、根据更新的协方差矩阵R和中间变量V进行后向迭代计算，得到更新的最优权值W_opt；

步骤5、将FIFO模块所存储采样数据，并与更新的最优权值W_opt进行乘加运算后滤波输出。

进一步地，作为本发明的一种优选技术方案，具体为：