摘 要： 針對測距儀（distance measure equipment， DME）信號嚴重干擾L頻段數(shù)字航空通信系統(tǒng)（L-band digital aviation communication system， L-DACS）前向鏈路接收機的問題，提出基于相關稀疏變分貝葉斯（correlated sparse variational Bayesian， cSVB）算法的DME脈沖干擾抑制方法。所提方法利用L-DACS系統(tǒng)正交頻分復用（orthogonal frequency division multiplexing， OFDM）接收機的空子載波信息構建接收信號的壓縮感知方程;然后，根據(jù)cSVB算法進行三層次貝葉斯信號建模，最后選擇了兩種變體算法重構DME干擾信號，并將其從時域接收信號中去除。理論分析與仿真結果表明，所提出的干擾抑制方法可以充分利用信號先驗信息，進一步降低DME干擾信號估計的歸一化均方誤差，有效改善L-DACS系統(tǒng)的誤碼性能，提高傳輸可靠性。

關鍵詞： L波段數(shù)字航空通信系統(tǒng); 測距儀; 塊稀疏貝葉斯; 變分貝葉斯推理

中圖分類號： TN 973.3

文獻標志碼： A

DOI：10.12305/j.issn.1001-506X.2024.08.35

DME pulse interference suppression method based on cSVB algorithm

LI Dongxia^*， WANG Jiani， PENG Xiangqing， LIU Haitao， WANG Lei

（School of Electronic Information and Automation， Civil Aviation University of China， Tianjin 300300， China）

Abstract： To solve the problem that the distance measure equipment （DME） signal seriously interferes with the forward link receiver of L-band digital aviation communication system （L-DACS）， a DME pulse interference suppression method based on correlated sparse variational Bayesian （cSVB） algorithm is proposed. In this method， the empty subcarrier information of the orthogonal frequency division multiplexing （OFDM） receiver of L-DACS system is used to construct the compressed sensing equation of the received signal. Then， three-level Bayesian signal modeling is carried out according to the cSVB algorithm. Finally， two variant algorithms are selected to reconstruct DME interference signal and remove it from the received signal in the time domain. Theoretical analysis and simulation results show that the proposed interference suppression method can make full use of prior information and further reduce the normalized mean square error of DME interference signal estimation， effectively improve the error performance of L-DACS system， and enhance the transmission reliability.

Keywords： L-band digital aviation communication system （L-DACS）; distance measure equipment （DME）; block sparse Bayesian; variational Bayesian inference

0 引 言

L頻段數(shù)字航空通信系統(tǒng)（L-band digital aviation communication system， L-DACS）已被國際民航組織確定為未來面向航路階段的空地寬帶數(shù)據(jù)鏈路^［1］，其前向鏈路采用正交頻分復用（orthogonal frequency division multiplexing， OFDM）技術^［2］。測距儀（distance measure equipment， DME）是工作在L頻段的重要民用航空陸基導航系統(tǒng)。為了提高頻譜利用率，L-DACS的工作頻段嵌套在測距儀兩個相鄰頻段之間^［3］。因此，在頻段邊緣處會發(fā)生兩個系統(tǒng)信號的頻譜混疊。研究表明，DME信號對相鄰頻段的L-DACS系統(tǒng)OFDM接收機造成嚴重干擾^［4］，導致其傳輸性能急劇下降。如何有效抑制DME干擾信號成為L-DACS系統(tǒng)應用研究的關鍵問題之一。

DME信號在時域呈現(xiàn)為高斯脈沖對，并具有稀疏性?；谶@一時域特性，現(xiàn)有的DME脈沖干擾的抑制方法主要分為兩大類：一類是非線性抑制方法^［5-8］。該類方法是一種無記憶非線性映射，通過脈沖熄滅、脈沖限幅和聯(lián)合脈沖熄滅與限幅等非線性處理方法對高于給定閾值的DME脈沖干擾信號幅值進行限制，從而降低對L-DACS系統(tǒng)OFDM接收信號的影響;該類方法實現(xiàn)簡單，主要不足是門限設置困難，會產(chǎn)生子載波間干擾，通信性能相對較差。另外一類干擾抑制方法是使用稀疏信號重構技術重構DME干擾信號^［9-11］，將其從接收信號中去除從而實現(xiàn)干擾抑制?；谙∈柝惾~斯學習（sparse Bayesian learning，SBL）的貝葉斯壓縮感知方法由于具有較好的重構性能，在信號重構^［12-13］、光譜分析^［14-15］、雷達成像^［16-17］等方面得到廣泛應用?；赟BL算法實現(xiàn)DME信號重構和干擾的抑制方法也得到了國內(nèi)外研究人員的廣泛關注。

SBL算法主要分為傳統(tǒng)SBL算法^［18］和具有塊內(nèi)相關性的塊SBL（block SBL， BSBL）算法^［19］。在利用傳統(tǒng)SBL算法實現(xiàn)DME信號重構方面，文獻［20］使用基于SBL的期望最大化（SBL-expectation maximization， SBL-EM）算法，在先驗信息未知的情況下，使用期望最大化（expectation maximization， EM）方法估計信號參數(shù)，實現(xiàn)DME脈沖干擾的有效重構和去除。但該算法涉及矩陣反演運算，具有較高的復雜度和處理延遲，且隨著問題維數(shù)的增加，復雜度迅速增加。文獻［21］提出了一種高斯廣義近似消息傳遞SBL（Gaussian generalized approximate message pas-sing SBL， GGAMP-SBL）算法估計稀疏信號，該算法與SBL-EM算法相比，復雜度大大降低。在利用BSBL算法實現(xiàn)DME信號重構方面，文獻［10］將DME信號建模為塊稀疏信號，利用邊界優(yōu)化BSBL（BSBL-the bound optimization， BSBL-BO）算法對DME脈沖信號進行重構去除，該方法具有較好的收斂速度和重構效果。在此基礎上，文獻［11］考慮了信號塊未知的情景，優(yōu)化了信號塊劃分策略，提出了擴展BSBL-BO（expanded BSBL-BO， EBSBL-BO）算法的DME脈沖干擾抑制方法，進一步提高了DME信號重構精度，有效改善了L-DACS系統(tǒng)的接收性能。

為了更充分地利用先驗信息，文獻［22］提出一類廣義的相關稀疏變分貝葉斯（correlated sparse variational Bayesian， cSVB）算法，在利用高斯尺度混合（Gaussian scale mixture，GSM）模型對信號建模時采用了三層次貝葉斯結構，并且根據(jù)層次結構中不同的信號先驗分布，派生出3種變體算法：相關杰弗里稀疏變分貝葉斯（correlated Jeffrey sparse variational Bayesian， cJSVB）算法、相關拉普拉斯稀疏變分貝葉斯（correlated Laplace sparse variational Bayesian， cLSVB）算法和相關學生t稀疏變分貝葉斯（correlated student’t of sparse variational Bayesian， cStSVB）算法，并在胎兒心電信號領域中得到初步應用。此算法在使用三層次貝葉斯結構建模時，在分層結構中選擇不同的參數(shù)值，可獲得不同的稀疏信號模型。利用這一特性，可以通過選取合適模型參數(shù)，更加精確地重構DME信號。

為了更有效地實現(xiàn)L-DACS系統(tǒng)中DME干擾抑制，本文提出基于cSVB算法的DME脈沖信號抑制方法。利用OFDM接收機空子載波構造壓縮感知欠定線性模型，分別使用cLSVB算法和cStSVB算法重構DME信號，并將重構信號從時域接收信號中去除，從而提高L-DACS系統(tǒng)的接收性能。仿真結果表明，兩種算法均具有較好的干擾信號重構效果。

1 系統(tǒng)模型

1.1 DME信號模型

DME信號由高斯型隨機脈沖對序列組成，單個DME脈沖對信號^［8］可表示為

g_DME（t）=e^-α2t2+e^{-α2（t-Δ t）2}（1）

式中：α=4.5×10¹¹s^－2;Δt為脈沖對時間間隔。

由于DME脈沖信號與L-DACS系統(tǒng)OFDM接收機載波頻率相差±0.5 MHz，因此載波偏置的DME信號^［8］可表示為

i（t）=∑Vv=1∑Nvu=1A_vg（t-t_v，u）e^{j2πfvt+jφv，u}（2）

式中：V表示DME基站的數(shù)目;N_v，A_v，f_v（v=1，2，…，V）分別表示第v個DME基站在觀測時間內(nèi)產(chǎn)生的脈沖對數(shù)目、峰值振幅和載波頻率偏移值;t_v，u（u=1，2，…，N_v）表示第v個DME基站的第u個脈沖對的到達時間，服從泊松分布;φ_v，u表示第v個DME基站的第u個脈沖對的載波初始相位，在區(qū)間［0，2π］內(nèi)服從均勻分布。

1.2 L-DACS系統(tǒng)OFDM發(fā)射機與接收機模型

圖1為L-DACS系統(tǒng)OFDM發(fā)射機與接收機原理框圖。在發(fā)射端，二進制比特序列經(jīng)過卷積編碼、交織和調(diào)制后，將生成的信號映射到OFDM符號的N_s個子載波上;映射后的信號經(jīng)過采樣因子為U的上采樣處理，隨后通過UN_s點快速傅里葉逆變換（inverse fast Fourier transform， IFFT）轉換為時域信號x;在每個OFDM信號前插入循環(huán)前綴（cyclic prefix，CP）;最后經(jīng)過數(shù)模轉換器（digital/analog，D/A）與射頻前端處理發(fā)射至無線信道。

在接收端，假設已進行定時和載波同步，將接收到的信號進行模數(shù)轉換器（analog/digital，A/D）、去除CP處理，得到時域接收矢量信號z：

z=Hx+e+n（3）

式中：H表示由信道脈沖響應組成的循環(huán)卷積矩陣;e表示DME脈沖干擾信號;n表示服從高斯分布的加性高斯白噪聲（additive Gaussian white noise， AWGN）。信號z經(jīng)過采用cSVB算法的DME脈沖干擾抑制處理模塊，再經(jīng)UN_s點離散傅里葉變換（discrete Fourier transform， DFT）轉換為頻域信號矢量y：

y=Fz=FF^HΛFx+Fe+Fn=ΛX+Fe+w（4）

式中：F為UN_s點DFT矩陣;H可分解為H=F^HΛF;Λ是以信道頻率響應為對角元素的對角矩陣;（·）^H表示共軛轉置;X=Fx為頻域發(fā)射信號;w=Fn為n的頻域信號矢量，仍服從高斯分布。

設M為OFDM接收機的空子載波總數(shù)，k為空子載波的位置索引，（·）_k表示與索引k對應的子矩陣（或子向量），則x_k=0。利用空子載波信道構建壓縮感知欠定線性方程，將x_k=0代入式（4），則有：

y_k=F_ke+w_k（5）

式中：y_k∈R^M×1為空子載波信道對應的觀測信號矢量;F_k∈R^M×UNs（Mlt;UN_s）為感知矩陣，屬于矩陣F的子矩陣;e∈R^UNs×1為待重構的DME脈沖信號矢量;w_k∈R^M×1為AWGN信號矢量。

本文利用cSVB算法從觀測矢量信號y_k中重構DME脈沖信號，記為，并將其從式（3）中去除。隨后，將干擾抑制后的信號經(jīng)過與發(fā)射機端對應的互逆處理模塊（FFT、下采樣、解調(diào)、解交織和卷積譯碼），以及信道估計和信道均衡模塊，最后得到輸出比特序列。

2 基于cSVB算法的DME干擾重構

假設信號e具有塊結構，可分為以下G個信號塊：

e=［e₁，e₂，…，e_d1e^T1，…，e_dG-1+1，e_dG-1+2，…，e_dGe^TG］^T（6）

式中：d_i為第i個信號塊的大?。╥=1，2，…，G），且∑^G_i=1d_i=UN_s。在G塊中，有且只有s塊（s≤G）是非零的，其具體位置未知。式（5）的塊稀疏線性模型可表示為

y_k=∑Gi=1Fⁱ_ke_i+w_k（7）

式中：e_i∈R^di×1為第i個信號塊;Fⁱ_k∈R^M×di為e_i對應的感知矩陣。

2.1 觀測模型

假設噪聲向量w_k服從均值為0、協(xié)方差為β^－1I_M的高斯分布，則觀測向量信號y_k的條件分布為

p（y_k|e，β）～N（F_ke，β^－1I_M）

式中：N（·）表示正態(tài)分布。β服從共軛伽馬分布^［22］，即

p（β;k_β，θ_β）～G（β;k_β，θ_β）

式中：G（·）表示伽馬分布，k_β，θ_βgt;0為常數(shù)參數(shù)。

2.2 信號模型

使用高斯尺度混合模型^［23-24］將式（6）中的每個信號塊e_i表示為

e_i=1α_i B^-12ig， i=1，2，…，G（8）

式中：g∈R^di×1為標準多元高斯變量，滿足g～N（0_di，I_di）;隨機參數(shù)α_igt;0，控制塊的稀疏性。當α_i→∞時，對應的第i個信號塊為零;確定性參數(shù)B^-1_i∈R^di×di表示塊內(nèi)相關性信息?；赾SVB算法對e_i的貝葉斯建模分為3個層次。

（1） 第1層次

由式（8）定義，信號塊e_i的條件先驗分布p（e_i|α_i;B_i）服從高斯分布，即

p（e_i|α_i;B_i）～N（0_di;α^－1_iB^－1_i）

假設各信號塊相互獨立，則e的條件先驗分布為p（e|α;B）=∏^G_i=1p（e_i|α_i;B_i），則有

p（e|α;Β）～N（0_N;∑₀）

式中：∑₀diag {α^-1₁B^-1₁，α^-1₂B^-1₂，…，α^-1_GB^-1_G} 為塊對角矩陣，α=［α₁，α₂，…，α_G］^T，B=［B₁，B₂，…，B_G］^T。e_i的邊緣概率分布可表示為

p（e_i）=∫^∞₀p（e_i|α_i;B_i）p（α_i）dα_i（9）

式中：p（α_i）表示混合分布，控制邊緣概率分布p（e_i）的形式。

（2） 第2層次

假設α_i服從廣義逆高斯分布^［22］，即

p（α_i|a_i，b_i，λ_i）～GIG（α_i;a_i，b_i，λ_i）=

（a_i/b_i）^λi/22K_λi（a_ib_i）α^λi－1iexp－12（a_iα_i+b_iα^－1_i）（10）

式中：GIG（·）表示廣義逆高斯分布;參數(shù)a_i，b_igt;0，λ_i∈R;K（·）為第二類修正貝塞爾函數(shù)。

根據(jù)式（9）和式（10），可得e_i的邊緣概率分布服從廣義雙曲分布^［25］，即

p（e_i|a_i，b_i，λ_i;B_i）～GH（e_i;a_i，b_i，λ_i;B_i）=

b^di4i（2π）^di2a^λi/2iK_λi（a_ib_i）K_λi+di2（b_i（a_i）+B¹²ie_i²₂）（a_i+B¹²ie_i²₂）^di4+λi2|B_i|¹²（11）

式中：GH（·）表示廣義雙曲分布;·₂表示l₂范數(shù);|·|表示矩陣的行列式。

當式（10）中a_i、b_i和λ_i取不同值時，式（11）表示的廣義雙曲分布包含大量其他分布，其中許多分布具有尖峰重尾的統(tǒng)計特性，可以鼓勵信號的稀疏性特征^［26］;因此本文考慮稀疏貝葉斯建模中經(jīng)典的多元拉普拉斯分布和多元學生t分布。

（1） 多元拉普拉斯分布

當a_i→0，λ_i=－d_i+12時，根據(jù)K（·）的性質(zhì)^［26］，式（10）近似于逆伽馬分布，即

p（α_i|b_i;λ_i）～IG α_ib_i2，d_i+12

則式（11）中e_i的邊緣分布服從多元拉普拉斯分布，表達式為

p（e_i|b_i;B_i）=|B|¹²b^di2iπ^di－122^diΓd_i+12exp（－b_iB¹²ie_i2）（12）

式中：Γ（·）為伽馬函數(shù)。

（2） 多元學生t分布

當b_i→0，λ_igt;0時，式（10）近似于伽馬分布，即

p（α_i|a_i;λ_i）～G α_i|a_i2;λ_i

則式（11）中e_i的邊緣分布服從多元學生t分布，表達式為

p（e_i|a_i，λ_i;B_i）=|B|¹²Γλ_i+d_i2（πa_i）^di21+B¹²ie_i²₂a_i^－λi－di2（13）

（3） 第3層次

對于式（12）表示的多元拉普拉斯分布，變量b_i是一個未知模型參數(shù)，其先驗分布服從共軛伽馬分布^［22］，即

p（b_i;k_b，θ_b）～G（b_i;k_b，θ_b）

其中，k_b，θ_bgt;0為常數(shù)參數(shù)。

對于式（13）表示的多元學生t分布，變量a_i也是一個未知模型參數(shù)，其先驗分布服從共軛伽馬分布^［22］，即

p（a_i;k_a，θ_a）～G（a_i;k_a，θ_a）

其中，k_a，θ_agt;0為常數(shù)參數(shù)。

定義θ_r={e，α，β，a，b}為隱隨機變量，可得到聯(lián)合概率分布為

p（y_k，θ_r;B）=

p（y_k|e，β）p（e|α;B）p（α|a，b，λ）p（β）p（a，b） （14）

式中：a=［a₁，a₂，…，a_G］^T，b=［b₁，b₂，…，b_G］^T，λ=［λ₁，λ₂，…，λ_G］^T。

在貝葉斯壓縮感知框架中，通常獲得后驗分布p（θ_r|y_k;B）=p（y_k，θ_r;B）∫p（y_k，θ_r;B） dθ_r，并最大化得到各隱隨機變量的估計值。

由于使用傳統(tǒng)貝葉斯推理難以獲得準確的后驗分布p（θ_r|y_k;B），這里采用變分貝葉斯推理（variational Bayesian inference，VBI）方法^［27-28］求取p（θ_r|y_k;B）的最優(yōu)近似解。

2.3 VBI

VBI方法通過尋求一個簡單概率密度函數(shù)q（θ_r;B）近似后驗概率密度函數(shù)p（θ_r|y_k;B），即將兩者之間的Kullback-Leibler （KL）散度最小化^［27-28］，從而得到最優(yōu)解q^*（θ_r;B）：

q^*（θ_r;B）=argminq（θr;B）KL（q（θ_r;B）p（θ_r|y_k;B））（15）

為了求解式（15），利用平均場定理^［29］，q（θ_r;B）可表示為

q（θ_r;B）=q（e;B）q（α;B）q（β;B）q（a，b;B）（16）

將式（16）代入式（15），根據(jù)變分貝葉斯推導，得到最優(yōu)解的一般表達式為

logq^*（θ_rl;B）=E［logp（y_k，θ_r;B）］_{q（θr＼θrl}）+const（17）

式中：θ_rl（l=1，2，…，5）表示θ_r中的第l個元素，θ_r＼θ_rl表示除去θ_rl的θ_r的集合，E［·］_q表示不包含θ_rl的變量關于概率密度函數(shù)q（θ_r＼θ_rl）的期望，const 為隨機常數(shù)，進行歸一化。

下面通過計算式（17）得到θ_rl的后驗概率密度函數(shù)q^*（θ_rl;B），最終獲得e，α，β，a，b的估計值。

2.3.1 脈沖信號e的估計

當θ_rl=e時，式（14）表示的聯(lián)合分布p（y_k，θ_r;Β）只保留與e相關部分，根據(jù)式（17）有

logq^*（e;Β）=E［logp（y_k，θ_r;Β）］_{q（α;B）q（β;B）q（a，b;B）}+const ∝

E［logp（y_k|e，β）+logp（e|α;B）］_{q（α;B）q（β;B）q（a，b;B）}∝

-12E［β］（y^T_ky_k-y^T_kF_ke-e^TF^T_ky_k+e^TF^T_kF_ke）-

12（e^T∑′^-1e）（18）

式中：∑′=diag1E［α₁］B^-1₁，1E［α₂］B^-1₂，…，1E［α_G］B^-1_G。由式（18）可知，q^*（e;B）服從均值為e ^、方差為∑_e的多元高斯分布，即

q^*（e;Β）～N（e ^，∑_e）

e ^=∑′F^T_k（E［β］^-1I_M+F_k∑′F^T_k）^-1y_k（19）

∑_e=∑′-∑′F^T_k（E［β］^-1I_M+F_k∑′F^T_k）^-1F_k∑′（20）

只要獲得參數(shù)β，α_i，a_i，b_i，B_i，則脈沖信號e的估計值可由式（19）計算的均值e ^得到。

2.3.2 參數(shù)β的估計

同理，當θ_rl=β時，根據(jù)式（17）有

logq^*（β;Β）=E［logp（y_k，θ_r;Β）］_{q（e;B）q（α;B）q（a，b;B）}+const ∝

E［logp（y_k|e，β）+logp（β）］_{q（e;B）q（α;B）q（a，b;B）}∝

k_β+M2-1log（β）-β（θ_β+12y_k-F_ke ^²₂+

12tr（F^T_kF_k∑_e）） （21）

由式（21）可知，q^*（β;B）服從伽馬分布，則β更新表達式為

E［β］=k_β+M2θ_β+12y_k-F_ke ^²₂+12tr（F^T_kF_k∑_e）（22）

2.3.3 參數(shù)α_i和α^-1_i的估計

同理，當θ_rl=α_i時，根據(jù)式（17）有

logq^*（α;Β）=E［logp（y_k，θ_r;Β）］_{q（e;B）q（β;B）q（a，b;B）}+const ∝

E［logp（e|α;Β）+logp（α|a，b，λ）］_{q（e;B）q（β;B）q（a，b;B）}=

∑Ni=1E［logp（e_i|α_i;B_i）+logp（α_i|a_i，b_i，λ_i）］_{q（e;B）q（β;B）q（a，b;B）}（23）

則更新q^*（α_i;B_i）時，根據(jù)式（10）有

logq^*（α_i;B_i）∝E［logp（e_i|α_i;B_i）+logp（α_i|a_i，b_i，λ_i）］∝

λ_i+d_i2-1logα_i-12（（E［a_i］+E［e^T_iB_ie_i］）α_i+E［b_i］α^-1_i）

由此可知，q^*（α_i;B_i）服從GIG分布，α_i和α^-1_i的更新表達式^［30］分別為

E［α_i］=E［b_i］E［a_i］+E［e^T_iB_ie_i］¹²·

K_λi+di2+1（（E［a_i］+E［e^T_iB_ie_i］）E［b_i］）K_λi+di2（（E［a_i］+E［e^T_iB_ie_i］）E［b_i］）（24）

E［α^-1_i］=E［b_i］E［a_i］+E［e^T_iB_ie_i］^-12·

K_λi+di2-1（（E［a_i］+E［e^T_iB_ie_i］）E［b_i］）K_λi+di2（（E［a_i］+E［e^T_iB_ie_i］）E［b_i］）（25）

2.3.4 參數(shù)b_i的估計

與式（18）、式（21）和式（23）求解類似，對于多元拉普拉斯分布，根據(jù)式（17），可得未知參數(shù)b_i的后驗分布服從伽馬分布，即

則b_i更新表達式為

E［b_i］=k_b+d_i+12θ_b+E［α^-1_i］2（26）

此時，E［α^-1_i］為

E［α^-1_i］=E［b_i］E［e^T_iB_ie_i］（27）

2.3.5 參數(shù)a_i的估計

同理，對于多元學生t分布，根據(jù)式（17），可得未知參數(shù)a_i的后驗分布服從伽馬分布，即

q^*（a_i）∝a^ka+λi-1iexp-θ_a+E［α_i］2a_i

則a_i的更新表達式為

E［a_i］=k_a+λ_iθ_a+E［α_i］2（28）

此時，E［α_i］為

E［α_i］=λ_i+d_i2E［a_i］+E［e^T_iΒ_ie_i］（29）

2.4 參數(shù)B的估計

利用EM算法^［30］對確定性參數(shù)B={B₁，B₂，…，B_G}進行估計。這里對Q函數(shù)Q（B）進行最大化：

Q（B）=E_θr|yk：B［-logp（y_k，θ_r;B）］∝E_θr|yk：B［p（e|α;B）］（30）

對式（30）中的Q函數(shù)中的參數(shù)B_i求導并令其為零，可得

B_i=1E［α_i］∑ⁱ_e+e ^_ie ^^T_i（31）

綜上所述，cLSVB算法的更新規(guī)則包括式（19）、式（20）、式（22）、式（26）、式（27）和式（31）;cStSVB算法的更新規(guī)則包括式（19）、式（20）、式（22）、式（28）、式（29）和式（31）。cSVB算法流程如下所示。

算法 1 cSVB算法輸入：觀測值y_k，感知矩陣F_k以及塊大小d_i

輸出：稀疏信號估計e ^。

1.初始化參數(shù)β，α，k_β，k_a，k_b，θ_β，θ_a，θ_b和λ_i;設置門限值δ和最大迭代次數(shù)N_max;

2.設置初始迭代n=0和e=F_k＼y_k;

3.根據(jù)式（19）和式（20）迭代更新e ^ⁿ和∑ⁿ_e;

根據(jù)式（22）、式（26）、式（27）、式（28）、式（29）和式（31）分別更新參數(shù)β、b_i、α^－1_i、a_i、α_i和B_i;

4.如果max（abs（e ^^n-1-e ^ⁿ）） lt; δ或者n=N_max，則停止迭代;否則，設n=n+1并返回第3步。

5.得到估計信號e ^。

2.5 算法復雜度

本文所用cSVB算法運算復雜度主要取決于待重構信號的均值e ^、協(xié)方差∑_e的計算。由式（19）、式（20）可知，均值e ^和協(xié)方差∑_e的復雜度均為O（（UN_s）M²）。所以，每次迭代的計算復雜度為O（（UN_s）M²）。

3 仿真結果

3.1 仿真環(huán)境設置

為了驗證本文算法的有效性，構建了基于cSVB算法抑制DME脈沖干擾的L-DACS仿真系統(tǒng)。通過仿真實驗，對本文算法重構DME脈沖干擾信號的精度、干擾抑制前后功率譜變化以及系統(tǒng)的誤碼率和平均運行時間等4個方面進行仿真驗證，并與脈沖限幅方法、BSBL-BO算法和GGAMP-SBL算法的性能進行對比分析。主要仿真參數(shù)如表1所示。

表1 仿真技術參數(shù)

Table 1 Simulation technical parameters參數(shù)取值傳輸帶寬/MHz0.498 05子載波間隔/Hz9 765.625循環(huán)前綴/μs17.6OFDM符號周期/μs102.4有用子載波數(shù)50編碼卷積編碼、交織編碼調(diào)制方式正交相移鍵控信道模型AWGN/多徑信道DME干擾源數(shù)1DME載波偏移量/kHz500信干比/dB-7多徑數(shù)目83.2 DME脈沖噪聲重構結果與分析

圖2為基于cStSVB算法重構前后DME脈沖信號的時域波形。圖2（a）為經(jīng)過等效抗混疊濾波后的DME脈沖信號波形，圖2（b）為利用cStSVB算法重構的DME脈沖信號波形?？梢钥闯觯褐貥嫼蟮男盘柵c原始信號基本相同，cStSVB算法具有較好的DME信號重構效果。

圖3為基于4種不同算法對DME脈沖信號重構的歸一化均方誤差與信噪比的關系曲線。仿真結果表明：（1）所有算法重構信號的歸一化均方誤差隨信噪比的增大而減少;（2）與其他算法相比，本文所采用的cSVB算法重構效果更好，其中基于cStSVB算法的重構歸一化均方誤差最小。

3.3 DME干擾抑制前后的信號功率譜

圖4顯示了基于cStSVB算法實現(xiàn)DME脈沖干擾重構時系統(tǒng)不同階段的信號功率譜對比圖（歸一化OFDM信號功率，無噪聲功率）。

從圖4（a）可以看出，OFDM信號發(fā)射功率主要集中在-0.25～0.25 MHz之間。圖4（b）顯示，DME脈沖信號在經(jīng)過濾波之后仍有較高的功率，尤其在0.25 MHz附近，其功率值為-20 dB左右。圖4（c）中接收端接收的OFDM信號在0.2～0.4 MHz之間存在明顯的DME脈沖干擾，對有用信號產(chǎn)生嚴重干擾。從圖4（d）可以看出，經(jīng)過干擾抑制處理，在0.2～0.4 MHz之間DME脈沖信號得到明顯抑制，OFDM信號得到較好的恢復，說明本文算法對DME脈沖信號有較好的抑制性能。

3.4 系統(tǒng)誤碼性能

圖5表示在AWGN信道環(huán)境下系統(tǒng)的誤比特差錯性能曲線。從圖5可以看出：（1） 本文提出的cSVB算法在AWGN信道環(huán)境下可以有效抑制DME脈沖干擾，降低系統(tǒng)誤比特率;（2） 脈沖限幅法可以對DME信號產(chǎn)生一定的改善效果，但其改善效果非常有限;（3） 與其他算法相比，基于cStSVB算法的干擾抑制效果最好。在信噪比為8時，相較于BSBL-BO算法，cStSVB算法可獲得約7 dB的性能改善。在誤比特率為10^-2 dB時，相較于GGAMP-SBL算法，cStSVB算法可獲得約5 dB的性能改善。在誤比特率為10^-3 dB時，相較于cLSVB算法，cStSVB算法可獲得約2 dB的性能改善。

圖6表示在多徑信道環(huán)境下的比特差錯性能曲線。從圖6可以看出：（1） 本文提出的cSVB算法在多徑信道環(huán)境下可以有效地抑制DME脈沖干擾，降低系統(tǒng)誤比特率;（2） 脈沖限幅法可以對DME信號產(chǎn)生一定的改善效果，但其改善效果是有限的;（3） 與其他算法相比，基于cStSVB算法的干擾抑制效果最好。在信噪比為8 dB時，相較于BSBL-BO算法，cStSVB算法可獲得約4 dB的性能改善。在誤比特率為10^-1 dB時，相較于GGAMP-SBL算法，cStSVB算法可獲得約1.5 dB的性能改善。在誤比特率為10^-2 dB時，相較于cLSVB算法，cStSVB算法可獲得約2 dB的性能改善。

3.5 平均運行時間

圖7為AWGN信道環(huán)境下4種不同算法進行DME脈沖干擾抑制的平均運行時間曲線圖。運行環(huán)境均為Windows 11操作系統(tǒng)，CPU為Inter Core i5-12500，內(nèi)存為16 GB。

從圖7可以看出，本文兩種方法運行時間相當，均比BSBL-BO算法略長，主要不同在于估計參數(shù)較多，但本文方法的干擾抑制效果更優(yōu)。GGAMP-SBL算法的平均運行時間明顯縮短，收斂速度最快。

4 結 論

本文針對存在DME干擾的L-DACS系統(tǒng)提出利用cLSVB算法和cStSVB算法重構DME脈沖干擾信號并去除的方法。兩種算法具有較好的重構效果，可有效抑制DME干擾;與其他方法相比，cStSVB算法可達到更好的誤比特性能，有效改善L-DACS系統(tǒng)傳輸可靠性。本文方法存在平均運行時間偏高的不足，在實際應用中需要從系統(tǒng)誤比特率和運算時間兩方面權衡選擇。

參考文獻

［1］SCHNELL M， EPPLE U， SHUTIN D， et al. L-DACS： future aeronautical communications for air-traffic management［J］. IEEE Communications Magazine， 2014， 52（5）： 104-110.

［2］MIODRAG S， HAINDL B， EPPLE U， et al. Updated LDACS1 system specification［EB/OL］. http：∥www.ldacs.com/wp-content/uploads/2014/02/LDACS1-Updated-Specification-Proposal-D2-Deliverable.pdf.

［3］FISTAS N. Future communications study-action plan 17， final conclusions and recommendations repor［C］∥Proc.of the 26th Digital Avionics System Conference， 2007.

［4］BRANDES S， EPPLE U， GLIGOREVIC S， et al. Physical layer specification of the L-band digital aeronautical communications system （L-DACS1）［C］∥Proc.of the Integrated Communications， Navigation and Surveil-lance Conference， 2009.

［5］BRANDES S， EPPLE U， SCHNELL M， Compensation of the impact of interference mitigation by pulse blanking in OFDM systems［C］∥Proc.of the IEEE Global Telecommunications Conference， 2009.

［6］EPPLE U， SCHNELL M. Adaptive threshold optimization for a blanking nonlinearity in OFDM receivers［C］∥Proc.of the IEEE Global Communications Conference， 2012： 3661-3666.

［7］LIU H T， YIN Z S， JIA M， et al. SER analysis of the MRC-OFDM receiver with pulse blanking over frequency selective fading channel［J］. EURASIP Journal on Wireless Communication and Networking， 2016， 135： 1-12.

［8］MIZIYA K， MUTHALAGU R， MATHEW L K， et al. Deep clipping based interference mitigation technique for LDACS［C］∥Proc.of the IEEE/AIAA 40th Digital Avionics Systems Conference， 2021.

［9］SAAIFAN K A， ELSHAHED A M， HENK-EL W. Cancelation of distance measuring equipment interference for aeronautical communications［J］. IEEE Trans.on Aerospace and Electronic Systems， 2017， 53（6）： 3104-3114.

［10］李冬霞， 陳秋雨， 王磊， 等. 基于BSBL-BO算法的DME脈沖干擾抑制方法［J］. 系統(tǒng)工程與電子技術， 2021， 43（9）： 2649-2656.

LI D X， CHEN Q Y， WANG L， et al. DME pulse interference suppression method based on BSBL-BO algorithm［J］. Systems Engineering and Electronics， 2021， 43（9）： 2649-2656.

［11］李冬霞， 王雪， 劉海濤， 等. 基于EBSBL-BO算法的L-DACS系統(tǒng)干擾抑制方法［J］. 信號處理， 2022， 38（10）： 2192-2200.

LI D X， WANG X， LIU H T， et al. Interference suppression method for L-DACS systems based on EBSBL-BO algorithm［J］. Journal of Signal Processing， 2022， 38（10）： 2192-2200.

［12］SANT A， LEINONEN M， RAO B D. General total variation regularized sparse Bayesian learning for robust block-sparse signal reco-very［C］∥Proc.of the IEEE International Conference on Acous-tics， Speech and Signal Processing， 2021： 5604-5608.

［13］CAO Z， DAI J S， XU W C， et al. Fast variational Bayesian inference for temporally correlated sparse signal recovery［J］. IEEE Signal Processing Letters， 2021， 28： 214-218.

［14］陳蘇怡， 李浩然， 戴繼生. 基于塊稀稀疏學習的光譜基線校正方法［J］. 光譜學與光譜分析， 2022， 42（12）： 3730-3735.

CHEN S Y， LI H R， DAI J S. A spectral baseline correction method based on block sparse learning［J］. Spectroscopy and Spectral Analysis， 2022， 42（12）： 3730-3735.

［15］PAN T H， WU C， CHEN Q. Sparse reconstruction using block sparse Bayesian learning with fast marginalized likelihood maximization for near-infrared spectroscopy［J］. IEEE Trans.on Instrumentation and Measurement， 2021， 71： 2500410.

［16］DAI F Z， WANG Y Y， LING H. Gohberg-Semencul factorization-based fast implementation of sparse Bayesian learning with a Fourier dictionary［J］. IEEE Trans.on Geoscience and Remote Sensing， 2022， 60： 5111015.

［17］FENG J J. MIMO radar imaging based on two-dimensional compressive sensing recovery algorithm［C］∥Proc.of the Journal of Physics Conference Series， 2022.

［18］TIPPING M E. Sparse Bayesian learning and the relevance vector machine［J］. Journal of Machine Learning Research， 2001， 1（6）： 211-244.

［19］ZHANG Z L， RAO B D. Extension of SBL algorithms for the recovery of block sparse signals with intra-block correlation［J］. IEEE Trans.on Signal Processing， 2013， 61（8）： 2009-2015.

［20］王雪. 基于SBL的寬帶航空數(shù)據(jù)鏈測距儀干擾抑制算法研究［D］. 天津： 中國民航大學， 2022.

WANG X. Research on DME interference suppression algorithm of wideband aviation data link based on SBL［D］. Tianjin： Civil Aviation University of China， 2022.

［21］Al-SHOUKAIRI M， SCHNITER P， RAO B D. A GAMP-based low complexity sparse Bayesian learning algorithm［J］. IEEE Trans.on Signal Processing， 2018， 66（2）： 294-308.

［22］SHARMA S， CHAUDHURY S. Variational Bayes block sparse modeling with correlated entries［C］∥Proc.of the 24th International Conference on Pattern Recognition， 2018： 1313-1318.

［23］ANDREWS D F， MALLOWS C L. Scale mixtures of normal distributions［J］. Journal of the Royal Statistical Society： Series B （Methodological）， 1974， 36（1）： 99-102.

［24］WEST M. On scale mixtures of normal distributions［J］. Bio-metrika， 1987， 74（3）： 646-648.

［25］BARNDORFF-NIELSEN O， KENT J， SORENSEN M. Normal variance-mean mixtures and z distributions［J］. International Statistical Review/Revue Internationale de Statistique， 1982， 50（2）： 145-159.

［26］BABACAN S D， NAKAJIMA S， DO M N. Bayesian group-sparse modeling and variational inference［J］. IEEE Trans.on Signal Processing， 2014， 62（11）： 2906-2921.

［27］MACKAY D J C， MAC KAY D J C. Information theory， inference and learning algorithms［M］. Cambridge： Cambridge University Press， 2003.

［28］TZIKAS D G， LIKAS A C， GALATSANOS N P. The variational approximation for Bayesian inference［J］. IEEE Signal Processing Magazine， 2008， 25（6）： 131-146.

［29］BISHOP C M， NASRABADI N M. Pattern recognition and machine learning［M］. New York： Springer， 2006.

［30］SHARMA S， CHAUDHURY S， JAYADEVA J. Temporal modeling of EEG signals using block sparse variational Bayes framework［C］∥Proc.of the 11th Indian Conference on Computer Vision， Graphics and Image Processing， 2018.

作者簡介

李冬霞（1971—），女，教授，博士，主要研究方向為航空移動通信、甚高頻數(shù)據(jù)鏈。

王佳妮（1999—），女，碩士研究生，主要研究方向為航空移動通信。

彭祥清（1997—），女，碩士研究生，主要研究方向為航空移動通信。

劉海濤（1966—），男，教授，博士，主要研究方向為航空移動通信、寬帶移動通信。

王 磊（1981—），女，副教授，博士，主要研究方向為衛(wèi)星導航信號處理、航空移動通信。