基于深度学习的非扩跳频通信体制窄带干扰抑制技术

摘要

复杂环境下的无线业务在近年来呈现数据密集化发展趋势，对无线通信系统的数据传输能力和干扰对抗能力都提出了更高的要求。现有扩跳频通信体制通过牺牲时频资源利用率换取干扰对抗能力，难以满足复杂环境下的高速数据传输需求。为此，提出了一种基于深度学习的非扩跳频通信体制窄带干扰抑制技术，在非扩跳频通信体制基础上，在接收端级联频域陷波模块和深度神经网络模块有效抑制窄带干扰，同时提升数据传输速率和干扰抑制能力。其中，深度神经网络用于从频域陷波后的失真信号中重构真实信号。实验结果表明，与传统频域陷波算法相比，所提出的算法具有更低的误码率，训练好的深度神经网络能够泛化到不同信号强度、干扰强度、干扰频段、干扰波形等场景。

关键词

深度学习 / 泛化能力 / 窄带干扰抑制 / 非扩跳频通信

基金资助

电子科技大学通信抗干扰全国重点实验室基础科研创新基金（IFN20230102）