Способ адаптивной фильтрации дискретных помех

Способ адаптивной фильтрации дискретных помех

Иллюстрации

Показать все

Реферат

Предлагаемый способ относится к радиотехнике, в частности к цифровой обработке радиолокационных сигналов. В практике защиты приемного радиолокационного тракта от сигналов дискретных коррелированных помех, вызванных отражениями от гидрометеоров, стай птиц или роев насекомых, применяют различные способы фильтрации.

Известен способ фильтрации сигналов мешающих отражений, основанный на формировании необходимой зоны режекции соответствующим выбором весовых коэффициентов фильтра [1]. Основным недостатком данного способа является его низкая эффективность, обусловленная использованием фиксированных весовых коэффициентов для фильтрации сигналов, имеющих доплеровское смещение спектра. Кроме того, данный способ не учитывает многомодовый характер спектра отражений от дискретных помех.

Наиболее близким по технической сущности к заявляемому способу является авторегрессионный способ фильтрации мешающих отражений. Данный способ включает в себя формирование коэффициентов авторегрессии и использование их в качестве весовых коэффициентов для фильтрации [2]. Данный способ позволяет осуществлять эффективную фильтрацию многокомпонентных помех с многомодовыми спектрами. Хотя данный способ характеризуется высокой эффективностью и возможностью режекции помех с многомодовыми спектрами, однако использование этого способа применительно к дискретным помехам наталкивается на большие трудности. Если коррелированная помеха дискретная и занимает один дискрет дальности, то при наличии полезного сигнала в этом же дискрете дальности сформированные коэффициенты авторегрессии будут учитывать параметры и полезного сигнала, и при фильтрации он будет отфильтровываться так же, как и помеха. Таким образом, данный способ может работать только по классифицированной выборке наблюдений.

С целью исключения подавления полезного сигнала при фильтрации неклассифицированной выборки предлагается способ, который включает в себя формирование весовых коэффициентов фильтра, являющихся коэффициентами авторегрессии входной выборки наблюдений с последующим использованием этих весовых коэффициентов для фильтрации, отличающийся тем, что фильтрации подвергают две входных выборки наблюдений, отличающихся частотой повторения или несущей частотой, при этом коэффициенты авторегрессии, сформированные по одной выборке наблюдений, используют в качестве весовых коэффициентов для фильтрации другой выборки наблюдений и наоборот, а результаты фильтрации одной и другой выборок наблюдения объединяют на выходе. Предлагаемый способ отличается тем, что разнос частот повторения или несущих частот двух выборок наблюдения выбирают так, чтобы разность соответствующих им доплеровских смещений частоты была бы значительно меньшей доплеровских смещений частоты для каждой из выборок наблюдений.

Таким образом, предлагаемый способ раскрывает новые функциональные возможности фильтрации дискретных помех с многомодовыми спектрами при работе по неклассифицированным выборкам, что позволяет сделать вывод о соответствии заявляемого решения критерию "существенные отличия".

Действительно, в способе, взятом в качестве прототипа, фильтрация входного сигнала в виде комплексного вектора z(n) (который может быть представлен своими квадратурными составляющими) осуществляется с помощью нерекурсивного фильтра, у которого комплексные весовые коэффициенты - коэффициенты авторегрессии а(р)

y[n]=a1z[n]+a2z[n-1]+...+apz[n-p],

р - порядок авторегрессии, определящий порядок фильтра.

Вопрос о том, как формировать коэффициенты авторегрессии, состоит не в том, каким для этого известным алгоритмом следует воспользоваться (Максимальной Энтропии, Берга или Левинсона [3]), а в том как исключить влияние полезного сигнала на формируемые коэффициенты авторегрессии. Для протяженной помехи, занимающей много элементов разрешения по дальности, когда оценки коэффициентов авторегрессии формируются с усреднением по элементам дальности, протяженность коррелированной помехи значительно превышает протяженность полезного сигнала, что дает основание рассматривать входную выборку наблюдений классифицированной и влиянием полезного сигнала на коэффициенты авторегрессии позволяет пренебречь. Совсем другое дело, когда помеха дискретна, и когда для оценки коэффициентов авторегрессии производится усреднение только по обрабатываемой пачке импульсов, и когда формируемые коэффициенты авторегрессии учитывают в том числе и полезный сигнал. Как в этом случае можно поступить? Для этого предлагается использовать существенные различия в доплеровской скорости наблюдаемых объектов: медленно движущихся (помеха) и быстро движущихся (полезный сигнал). При этом для обработки предлагается использовать не одну, а две выборки наблюдений, отличающихся или несущей частотой или частотой повторения. Разницу в несущих частотах или частоте повторения предлагается выбирать так, чтобы коэффициенты авторегрессии для медленно движущейся помехи практически совпадали, а вот для полезного сигнала существенно различались. Поэтому, если для фильтрации сигналов одной выборки наблюдений использовать коэффициенты авторегрессии другой выборки наблюдений, помеха будет компенсироваться, а полезный сигнал - нет.

Проиллюстрируем работу предллагаемого способа на конкретных примерах, прибегнув к моделированию с помощью системы MATLAB.

Осуществим фильтрацию двух выборок наблюдений на разных несущих частотах 500 МГц и 550МГц с постоянным периодом повторения 0,001 сек.

Зададим параметры полезного сигнала и двухкомпонентной помехи для каждой выборки наблюдений:

as=1; % амплитуда полезного сигнала

fs1=200; % доплер полезного сигнала, Гц для первой выборки наблюдений

am=1; % амплитуда 1 компоненты помехи

fm1=10; % доплер 1 компоненты помехи, Гц для первой выборки наблюдений

l1=300/500; % длина волны для первой выборки наблюдений с несущей 500 МГц

l2=300/550; % длина волны для второй выборки наблюдений с несущей 550 МГц

fc1=20; % доплер 2 компоненты помехи, Гц для первой выборки наблюдений

ас=2; % амплитуда 2 компоненты помехи

vm=fm1*l1/2; fm2=2*vm/l2; % доплер 1 компоненты помехи, Гц для второй выборки % наблюдений

vc=fc1*l1/2; fc2=2*vc/l2; % доплер 2 компоненты помехи, Гц для второй выборки % наблюдений

vs=fs1*l1/2;% fs2=2*vs/l2; % доплер полезного сигнала, Гц для второй выборки % наблюдений

% ФОРМИРОВАНИЕ ВЫБОРОК НАБЛЮДЕНИЙ

t=0:0.001:0.256; % время наблюдения 256 мсекунд с тактом 1 мсек

% входной сигнал для первой выборки наблюдений

z1=ac*exp(2*fc1*pi*t*sqrt(-1))+am*exp(2*fm1*pi*t*sqrt(-1))+as*exp(2*fsl*pi*t*sqrt(-1))+.1*randn(1,length(t));

% входной сигнал для второй выборки наблюдений

z2=2*exp(2*fc2*pi*t*sqrt(-1))+am*exp(2*fm2*pi*t*sqrt(-1))+as*exp(2*fs2*pi*t*sqrt(-1))+. 1*randn(1,length(t));

figure (1) % изображение спектра входных сигналов для первой и второй % выборки наблюдений

Z1=fft(z1,256);% для 1 канала

f=256*(0:127)/256;

plot(f,10*log10(abs(Z1(1:128))), 'K')

hold on

Z2=fft(z2,256);% для 2 канала

f=256*(0:127)/256;

plot(f,10*log10(abs(Z2(1:128))), 'K')

% ФОРМИРОВАНИЕ КОЭФФИЦИЕНТОВ АВТОРЕГРЕССИИ

% метод максимальной энтропии MEM, 4 порядок авторегрессии

% для первой выборки наблюдений

[PP1,ff,aa1]=pmem(z1,4); % 4th order model 1 канал

% для второй выборки наблюдений

[PP2,ff,aa2]=pmem(z2,4); % 4th order model 2 канал

.% ФИЛЬТРАЦИЯ С ВЕСАМИ-КОЭФФИЦИЕНТАМИ АВТОРЕГРЕССИИ

y1=filter(aa1.',1,z1); % ПРОТОТИП

у2=filter(aa1.',1,z2); % фильтрация 2 выборки наблюдений весами 1 выборки % наблюдений

у3=filter(aa2.',1,z1) % фильтрация 1 выборки наблюдений весами 2 выборки % наблюдений

% Спектры после фильтрации

figure(2) % ПРОТОТИП

Y1=fft(y1,256);

f=256*(0:127)/256;

plot(f,10*log10(abs(Y1(1:128))), ['K','-'])

hold on

plot(f,10*log10(abs(Z1(1:128))), ['K','--'])

figure(3) % спектр выходного сигнала

Y2=fft(y2,256);

plot(f,10*log10(abs(Y2(1:128))),['K','-'])

plot(f,10*log10(abs(Z2(1:128))),['K','-'])

Следует отметить, что для формирования коэффициентов авторегрессии кроме метода максимальной энтропии (функция pmem в MATLAB) были также апробированы метод Берга (функция pburg в MATLAB) и метод Юла-Уокера (функция pyulear в MATLAB) [3], которые дали близкие результаты. Использованный метод нерекурсивной фильтрации классический и описывается во временной области разностным уравнением КИХ фильтра (функция filter (a,1,z) в MATLAB [4]). Спектральное представление на входе двухмодовой дискретной помехи и полезного сигнала представлено на Фиг.1. Результаты фильтрации дискретной помехи для двух выборок с разными несущими частотами представлены для способа, взятого в качестве прототипа, на Фиг.4, а для предлагаемого способа на Фиг.5. Как видно из этих графиков, для способа, взятого в качестве прототипа, отфильтровывается и помеха и полезный сигнал, а в предложенном способе дискретная помеха отфильтровывается, а полезный сигнал остается.

Чтобы проиллюстрировать работу предложенного способа, когда две выборки наблюдений имеют одну несущую частоту, но разные частоты повторения, внесем небольшие изменения в исходные данные. В частности, теперь обе несущие равны 500 МГц, остальные параметры полезного сигнала и двухкомпонентной помехи для каждой выборки наблюдений оставим прежними кроме периода повторения, отличающегося для второй выборки наблюдений на 5%:

l1=300/500; % длина волны для первой выборки наблюдений с несушей 500 МГц

l2=300/500; % длина волны для второй выборки наблюдений с несушей 500 МГц

% ФОРМИРОВАНИЕ ВЫБОРОК НАБЛЮДЕНИЙ с разным периодом повторения

t1=0:0.001:0.256; % Время наблюдения 256 мсекунд с периодом 1 мсек

% входной сигнал для первой выборки наблюдений

z1=ac*exp(2*fc1*pi*t1*sqrt(-1))+am*exp(2*fm1*pi*t1*sqrt(-1))+as*exp(2*fs1*pi*t1*sqrt(-1))+.1*randn(1,length(t));

% входной сигнал для второй выборки наблюдений

t2=0:0.00105:0.256; % Время наблюдения 268,8 мсекунд с периодом 1.05 мсек

z2=2*exp(2*fc2*pi*t2*sqrt(-1))+am*exp(2*fm2*pi*t2*sqrt(-1))+as*exp(2*fs2*pi*t2*sqrt(-1))+.1*randn(1,length(t)).

Расчеты коэффициентов авторегрессии и фильтрация остаются в этом случае неизменными в соответствии с предложенным способом. Результаты фильтрации дискретной помехи для двух выборок с разными частотами повторения представлены на Фиг.5. Здесь также проявляется положительный эффект предложенного способа - помеха отфильтрована, а полезный сигнал нет. Таким образом, проведенное моделирование в системе MATLAB полностью подтверждает положительный эффект от применения предложенного способа фильтрации дискретных помех по неклассифицированным выборкам наблюдений.

ПЕРЕЧЕНЬ ИСТОЧНИКОВ

1. Бакулев П.А., Степин В.М. Методы и устройства селекции движущихся целей. - М., "Радио и связь", 1986.

2. Bower D.E. "Adaptive Clutter Filtering Using Autoregressive Spectral Estimation", IEEE Trans. vol.AES-15, №4, 1979, p.538.

3. Marple S.L. "Digital Spectral Analysis", Englewood Cliffs, NJ: Prentice Hall, 1987, Chapter 7.

4. Потемкин В.Г. "Справочник по MATLAB". Анализ и обработка данных. http://matlab.exponenta.ru/m1/book2/chapter8/.

1. Способ адаптивной фильтрации дискретных помех, включающий в себя формирование весовых коэффициентов фильтра, являющихся коэффициентами авторегрессии входной выборки наблюдений с последующим использованием этих весовых коэффициентов для фильтрации, для чего отсчеты входной выборки наблюдений умножают на соответствующие весовые коэффициенты и суммируют получаемые произведения, отличающийся тем, что фильтрации подвергают две входных выборки наблюдений, имеющих разнос частот повторения или несущих частот, при этом коэффициенты авторегрессии, сформированные по одной выборке наблюдений, используют в качестве весовых коэффициентов для фильтрации другой выборки наблюдений и наоборот, причем разнос частот повторения или несущих частот двух выборок наблюдения выбирают так, чтобы разность соответствующих им доплеровских смещений частоты была бы значительно меньшей доплеровских смещений частоты для каждой из выборок наблюдений.

2. Способ по п.1, отличающийся тем, что формирование коэффициентов авторегрессии производят по неклассифицированным выборкам наблюдений, включающим как помеху, так и полезный сигнал.