【技术实现步骤摘要】
本专利技术属于通信技术，涉及卫星导航，特别涉及一种联合多元变分模态分解和字典学习的gnss接收机阵列抗干扰方法。
技术介绍
1、全球卫星导航定位系统(global navigation satellite system，gnss)为用户提供定位、导航、授时(position，navigation and time，pnt)等服务，在军事和民用领域发挥着巨大的作用。然而，由于导航卫星处于高轨道运行，发射的信号在到达接收机时功率较低，在城市等电磁环境复杂的场景下极易受到射频信号的干扰，在无法准确捕获卫星信号时，定位误差会扩大到几米甚至几百米；为了保证接收机能够可靠的处理卫星导航信号，就需要增强接收机的抗干扰能力。
2、但是现有技术中仍存在以下问题：
3、1、现有方法能够提升在干扰场景下的gnss信号接收能力，但当多种干扰干扰信号同时存在时，其抗干扰性能将会降低；
4、2、现有研究大多关注存在单一干扰信号的场景，现有研究提出的抗干扰算法在多种类型干扰信号共存的场景下无法有效抑制。
技术实现思路
1、针对在多种干扰信号类型的场景下，传统过完备字典由于其参数的固定性而无法精确重构信号的问题，本专利技术提出一种联合多元变分模态分解和字典学习的gnss接收机阵列抗干扰方法，包括：阵列接收信号经过多元变分模态分解后获得各个固有模态分量，并经过有效模态选取后，重构出无噪信号；利用无噪信号进行字典学习，根据训练好的字典重构干扰信号，阵列接收信号减去重构干扰信号，实现
2、进一步地，阵列接收信号经过多元变分模态分解后获得各个固有模态分量包括以下步骤：
3、从包括n个数据通道的输入数据x(t)中提取预定义的k个多元调制震荡；
4、使用希尔伯特变换将每个多元调制震荡表示为解析形式；
5、以最小化所有模态的带宽之和并且能够通过模态的叠加来完全地或者在最小二乘意义上重构输入信号为目标建立成本函数；
6、建立以最小化成本函数为目标的优化问题，求解优化问题得到混合干扰信号的固有模态分量。
7、进一步地，筛选出有效模态的信号分量的过程包括：
8、利用每个固有模态分量与原始信号之间的wassertein距离来表示每个固有模态分量与原始信号之间的相似度；
9、计算同一个数据通道上一个模态信号与其相邻的下一个模态信号之间的残差，并将残差最大处模态信号及其之前的信号用于信号重构。
10、进一步地，利用无噪信号进行字典学习，根据训练好的字典重构干扰信号的过程包括：
11、100、选取纯干扰信号作为本文字典的训练样本，从训练样本中抽取k个原子构建初始字典d0，设置算法的初始迭代次数为q＝1，最大迭代次数为q；
12、101、更新第q个原子时，计算得到原始信号与除了当前更新原子以外的其他字典原子之间的残差，然后将该残差与第q个原子重构为新的优化问题，并将该残差中对应于第q个原子的稀疏系数的非零列筛选出来构成新的残差矩阵；
13、102、对新的残差矩阵进行奇异值分解，将奇异值分解得到的左酉矩阵的第一行作为第q个原子的值，奇异值分解得到的对角矩阵第一行第一列与右酉矩阵的乘积作为第q个原子对应稀疏系数的非零行的值；
14、103、判断是否达到最大迭代次数，若未达到则令q＝q+1并返回步骤101；若达到最大迭代次数则结束。
15、针对gnss场景下阵列天线抗干扰方法的空缺，本专利技术提出一种抗干扰方法，首先该方法考虑接收信号包含噪声分量，在进行字典学习时会导致原子更新的过程中不可避免的产生误差的问题，引入多元变分模态分解算法通过选取最优模态消除干扰噪声分量的影响；其次对于传统过完备字典由于其参数的固定性而无法精确重构信号的问题，将字典学习理论引入阵列信号处理中，通过更新字典原子提升信号重构精度。另外，本专利技术方法的仿真结果表明所提方案能够有效缓解噪声分量对信号的影响，保证后续算法的干扰识别精度；并且采用的字典学习算法能够有效识别已知类型的干扰信号。
本文档来自技高网...【技术保护点】
1.联合多元变分模态分解和字典学习的GNSS接收机阵列抗干扰方法，其特征在于，包括：阵列接收信号经过多元变分模态分解后获得各个固有模态分量，并经过有效模态选取后，重构出无噪信号；利用无噪信号进行字典学习，根据训练好的字典重构干扰信号，阵列接收信号减去重构干扰信号，实现对干扰信号的抑制。
2.根据权利要求1所述的联合多元变分模态分解和字典学习的GNSS接收机阵列抗干扰方法，其特征在于，阵列接收信号经过多元变分模态分解后获得各个固有模态分量包括以下步骤：
3.根据权利要求1所述的联合多元变分模态分解和字典学习的GNSS接收机阵列抗干扰方法，其特征在于，建立以最小化成本函数为目标的优化问题，表示为：
4.根据权利要求4所述的联合多元变分模态分解和字典学习的GNSS接收机阵列抗干扰方法，其特征在于，求解优化问题时，构造拉格朗日函数将存在约束的优化问题转换为无约束形式，表示为：
5.根据权利要求4所述的联合多元变分模态分解和字典学习的GNSS接收机阵列抗干扰方法，其特征在于，乘子交替方向法通过分解协调过程，对第n条通道、第k个模态的解析调制信
6.根据权利要求1所述的联合多元变分模态分解和字典学习的GNSS接收机阵列抗干扰方法，其特征在于，筛选出有效模态的信号分量的过程包括：
7.根据权利要求6所述的联合多元变分模态分解和字典学习的GNSS接收机阵列抗干扰方法，其特征在于，固有模态分量与原始信号之间的相似度表示为：
8.根据权利要求1所述的联合多元变分模态分解和字典学习的GNSS接收机阵列抗干扰方法，其特征在于，利用无噪信号进行字典学习，根据训练好的字典重构干扰信号的过程包括：
9.根据权利要求8所述的联合多元变分模态分解和字典学习的GNSS接收机阵列抗干扰方法，其特征在于，原始信号与剩余字典原子之间的残差表示为：
10.根据权利要求8所述的联合多元变分模态分解和字典学习的GNSS接收机阵列抗干扰方法，其特征在于，将原始信号与剩余字典原子之间的残差与第q个原子重构为新的优化问题，该优化问题表示为：
...【技术特征摘要】
1.联合多元变分模态分解和字典学习的gnss接收机阵列抗干扰方法，其特征在于，包括：阵列接收信号经过多元变分模态分解后获得各个固有模态分量，并经过有效模态选取后，重构出无噪信号；利用无噪信号进行字典学习，根据训练好的字典重构干扰信号，阵列接收信号减去重构干扰信号，实现对干扰信号的抑制。
2.根据权利要求1所述的联合多元变分模态分解和字典学习的gnss接收机阵列抗干扰方法，其特征在于，阵列接收信号经过多元变分模态分解后获得各个固有模态分量包括以下步骤：
3.根据权利要求1所述的联合多元变分模态分解和字典学习的gnss接收机阵列抗干扰方法，其特征在于，建立以最小化成本函数为目标的优化问题，表示为：
4.根据权利要求4所述的联合多元变分模态分解和字典学习的gnss接收机阵列抗干扰方法，其特征在于，求解优化问题时，构造拉格朗日函数将存在约束的优化问题转换为无约束形式，表示为：
5.根据权利要求4所述的联合多元变分模态分解和字典学习的gnss接收机阵列抗干扰方法，其特征在于，乘子交替...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。