基于卷积盲分离的强干扰下通信信号分离算法-郭晓陶.pdf

《基于卷积盲分离的强干扰下通信信号分离算法-郭晓陶.pdf》由会员分享，可在线阅读，更多相关《基于卷积盲分离的强干扰下通信信号分离算法-郭晓陶.pdf（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、2016年 6月第42卷第6期北京航空航天大学学报Journal of Beijing University of Aeronautics and AstronauticsJune 2016V0142 No6http：ff bhxbbuaaeducn jbuaabuaaedu，cnDOI：1013700jbh1001-596520150412基于卷积盲分离的强干扰下通信信号分离算法郭晓陶，王星+，周东青，陈游，程嗣怡(空军工程大学航空航天工程学院，西安710038)摘 要：针对目前通信辐射源个体识别算法在实际试验中由于各类干扰信号和多径衰落导致识别率较低的问题，提出一种用于识别算法前端的信号分

2、离算法，可有效地减少其他电磁信号对于识别算法输入信号的影响，从而提高在复杂电磁环境中通信辐射源个体识别的正确识别率。该算法将灾变策略和搜索状态的自适应引入量子粒子群算法，通过对混合信号的联合对角化从截获的观测信号中提取出目标通信辐射源的有用信号。为了更加系统、直观地衡量算法的分离效果，提出分离熵来量化算法的整体性能。仿真结果表明，该分离算法可以把目标通信辐射源的有用信号从复杂电磁环境中提取出来，从而提高通信辐射源个体识别在复杂电磁环境中的正确识别率，具有较好的可行性和有效性。关 键 词：信号盲分离；通信辐射源识别；多径衰落；量子粒子群算法；抗干扰中图分类号：V221+3；TB553文献标识码：

3、A 文章编号：10015965(2016)06-129508目前在通信辐射源个体识别方面主要有4种特征提取方法，包括相空间重构法、小波变换法、测量稳态信号相轨迹位移量以及根据高阶谱分析提取个体特征。J。通过理论分析和仿真结果可知这些方法对特定信号的识别率能达到90左右，但对实测信号的识别率却会迅速恶化。这是由于这些方法易受其他电磁信号干扰，在实际的复杂电磁环境中，目标信号往往会因为与干扰信号混叠在一起造成信号的恶化以及个体识别的失败。此外，由多径效应引起的信号幅度和相位扰动也是导致识别率恶化最大原因之一”1。因此，减少这些因素对通信目标个体识别的影响成为目前亟待解决的问题。针对上述问题，在接收

4、机前端通过一定的技术手段将目标通信信号与其他电磁信号分离，再进行个体识别就能有效提高正确识别率。近20年来，随着盲源分离研究的不断深入。1，使得这种解决思路得以实现。盲源分离(Blind SourceSeparation，BSS)是指在不知道源信号和传输信道参数的情况下，根据输入源信号的统计特性，仅由观测信号恢复出源信号的过程。在理论分析时，通常认为多径信道中各路分量及其他电磁信号之间是相互独立的旧1，满足了盲源分离的基本假设和约束条件，因此可以将盲源分离技术用于本问题的研究。盲源分离的数学模型主要有线性瞬时混合模型和卷积混合模型。线性混合模型与现实情况偏差较大，在实际应用中受到很大的限制；而

5、卷积混合模型考虑到信号多径等因素的影响，将观测信号视为源信号在不同时刻的非线性叠加，因此本文在卷积混合模型的基础上，提出了基于改进量子粒子群优化(Quantum Particle Swarm Optimiza-tion，QPSO)的卷积盲分离算法。该分离方法使用Qpso算法进行联合对角化，将与其他电磁信号收稿日期：2015-06-23；录用日期：20151l-06；网络出版时间：20151217 10：41网络出版地址：WWWcnkinetkcmsdetail112625V201512171041001html基金项目：航空科学基金(20145596025，20152096019)十通讯作者：

6、Tel：02984787651 Email：17791862035163corn引用格式：郭晓胸，王星，周东青，等，基于卷积盲分离的疆干扰下通信信号分离算法J北京航空航天_夭学学旅，2016，42j：12951302GUO X T，WANG X，ZHOU D Q，et a1Radio signal separation algorithm under strong interference based Oil eonvolu-tive blind separation fJ JJournal of Beijing University of Aeronautics and Astronauti

7、cs，2016，42(6)：12951302(in Chinese)万方数据1296 北京航空航天大学学报 2016年混叠在一起的目标通信信号分离出来，以便更加精确地对通信辐射源进行个体识别。理论与仿真表明，本文提出的改进算法计算复杂度更低，且分离性能较好。1 信号的卷积盲分离模型为了获得在侦察接收机处截获信号的特性，本文首先对通信信号在无线信道中的传输模型进行分析，确定无线传输信道对信号的影响。11无线传输信道模型对于通信辐射源来说，发射信号方向性较强，且个体识别主要针对其瞬态信号特性，持续时间只有几毫秒到几十毫秒，因此侦察接收机截获目标电台的通信信号可近似看作2个固定天线之间的侦察过程，从

8、而大大减少了计算量。假设信道中通信信号是一个经过调制的信号，其形式可用复包络表示H。：戈(t)=Res(t)exp(j2舐t) (1)式中：s(t)为信道中通信信号航为信号载频。假设第i条路径的长度为菇i，衰落系数为o。，则信道的输出(固定接收机的输入信号)为yc z，=Re荟叩(z一等)exp，2竹(工t一)(2)式中：C为光速；A为波长。因此，接收机输入的复包络为K， 一于()=口。i卜一兰) (3)信道的冲激响应为讯川=il ai6(t一等) (4)式(4)表示在时间t一丁时刻加上脉冲后时间t测得的信道冲激响应，丁为传播时延，6为冲击函数。因此，如果媒介中不存在运动或其他变化，即使出现了

9、多径，输入输出关系仍然是非时变的0|。在这种情况下，第i条传播路径的传播时延和路径衰减都是常数。在频域中对应的表示为K日(厂)=乏口。exp(一j2wfT) (5)置可以看出，对时不变的情况，无线信道相当于一个作用于发射信号的滤波器。因此本文利用传输信道的特性，将目标信号与其他电磁信号当做不同的辐射源，使用盲分离算法将它们分离开来，从而提高通信辐射源个体识别的准确率。12卷积盲分离模型假设有个源信号，侦察接收机有M路接收通道，这里假设MN，即观测信号的个数不少于源信号，传播过程中信道多径阶数为L。则t时刻侦察接收机第J路接收通道上的观测信号可表示为 戈，(f)=血(矗)si(f一后)+nj(t

10、) (6)式中：s。为第i路源信号；口，。(k)为从第i个源信号到达侦察接收机第j路接收通道的第k径信道冲激响应；n，为噪声信号。这里认为所有的混合及解混过程都是在因果有限滤波器模型下进行。X(t)=戈。(t)戈：(t)石M(t)1和S(t)=s(t)s：(t)s。(t)1分别为接收机的观测信号及源信号。目前解卷积盲分离模型的方法主要有2种1|：第1种方法直接在时域进行计算；第2种方法通过傅里叶变换将式(6)变换到频域，然后转化为线性瞬时混合模型进行计算。前者需要对源信号和观测信号进行扩展，随着源信号个数的增多会导致维数灾难(eurse of dimensionality)。通信信号由于发射时

11、刻随机，持续时间较短，使得通信辐射源个体识别对算法的实时性要求很高，因此本文通过快速傅里叶变换(FFT)将时域卷积混合模型转化为频域瞬时线性混合模型来表示：X()=A(甜)S()+N() (7)式中：X()=戈。() 戈：() 戈()1和S()=s。()s：()s。()1分别为观i贝4信号和源信号的频域表示式；A()为频域的混合矩阵；N()为加性高斯噪声的频域形式。式(7)说明时域中的卷积盲分离问题可以转化成频域中每个频点上的瞬时盲分离问题(但为复数值)，可以采用瞬时线性盲分离算法来进行分离，这就大大提高了实时性。这时直接对A()进行估计存在一定难度。如果记A()的伪逆为y()，则可以通过估计

12、V()来得到源信号的频域估计值。Y()=V()X() (8)式中：Y()=Y。()Y：()Y。()T为源信号的频域估计值。V()的取值必须保证Y。()，：()，Y。()是相互独立的，在每个频点上都必须独立执行式(8)中的运算。2 算法原理目标电台发射的通信信号和其他电磁信号通过无线信道卷积混合后，还受到了加性高斯白噪声(AWGN)的影响，因此一种有效的分离算法对万方数据第6期 郭晓陶，等：基于卷积盲分离的强干扰下通信信号分离算法 1297于提取目标电台的特征信息就显得尤为重要。本文通过对对角化准则的推导化简，将联合对角化问题转化为一个多参数最优化问题，使分离算法具有更快的运算速度和较强的鲁棒性

13、。图1为使用分离算法的过程图，其中S(t)和J(t)分别为分离得到的目标估计信号和无用信息。JI图1过程模型图Fig1 Process model21 对角化准则的简化及解的参数化由12节的分析可知，此类问题的关键在于对于解混矩阵y()的估计，使得得到的估计源信号Y=VVx=VTAs和源信号S只存在幅度和顺序上的区别。因此可以通过矩阵的联合对角化来得到解混矩阵V(甜)。设U=yt 1k玮为rt个Hermitian矩阵L组成的集合，则矩阵的联合对角化问题可以转化成如下的一个优化问题：arwgmin荟litt一肌tw”瞻 (9)式中：A；为对角实矩阵；W为特征矩阵。不失一般性，可以令w的每一列模为

14、1，即If，。畦=1。这里考虑这样一个优化问题：m。in|IY。一wAtW“畦 (10)利用向量化算子恒等式VeC(ABC)=(C0 A)vec：(B)可以得到下列等式：IIY；一WA。W“I|=|J vec(Y。)一vec(WA。W“)畦=IIx；一W。A；畦 (11)其中：r Wl=帚lWl，帚2 0，2，帚。O 1，。A。=diaga。 (12)tyt=VeC(YI)因此A。的最小二乘意义下的最优解为A。=W?Y。 (13)式中：“术”为MoorePenrose逆，当W1列满秩时，W，+=(W。“W，)。1 W。“。将式(12)和式(13)代入式(9)中可以得到arg尹in荟Ily。一W

15、。W；yt肥甘argwmax荟llew,Y。忙(14)式中：Pw：WI W1。为了使对式(14)的求解更为方便，本文利用文献12的方法来对特征矩阵w的每一列进行参数化，方法如下：设，为n X 1阶单位向量，即|加忆=1，可令W=，(0)：垂足，(卢。)R：(卢：)R。一，(声。一。)e。(15)其中：e为n x 1阶单位向量；圣=diag(1，e坤1，e坤81)0咖。1【1 其他(24)盯2越大则粒子聚集程度越小，反之则越大。当满足上述条件，但算法不满足结束的条件时，则判断为过早进入收敛状态，进行灾变操作跳出局部搜索。首先初始化随机产生若干个粒子个体，为了保证灾变操作不会使全局最优位置Gk。产

16、生退化，选择新群体中的最佳个体来对原有群体中的最佳粒子进行替代，使算法跳出局部最优，重新在全局进行搜索。改进的QPSO算法具体流程如图2所示。广巧再r输出全局最优位置Gb。百图2改进QPSO算法的流程图Fig2 Algorithms flow chart of improved QPSO23 改进卷积盲分离算法的主要步骤根据21和22节的分析，基于改进QPSO算法的卷积混合信号盲分离算法整个计算过程如下：1)初始化参数。设定源信号的数目、通信辐射源侦察接收机的接收通道数目M、信号时问长度71以及采样速率，等参数的初始值。2)输入混合信号，即时间样本序列x(t)。3)使用FFT把时域信号X(t)

17、变换成频域信号X()。4)通过改进QPSO算法实现联合对角化，得到解混矩阵y的估计矩阵。5)依据式(8)计算出估计源信号y()，重构时域信号Y(t)=IFFT(Y(OJ)。6)通过式(25)和式(28)计算盲卷积分离算法的分离性能。目前有关的文献主要是通过计算分离后分离信号和源信号之间的相似系数来评价盲卷积算法的分离效果，其具体公式为41N 厂矿可一岛2f(y)2 f荟)，鼬)。(后)f篆z(荟(尼)(25)式中：)，；和s分别为分离信号和源信号；亭i0，1。当相似系数越接近1说明分离信号和实际源信号的相似程度越高，而与其他信号的相似系竽摹囊一万方数据第6期 郭晓陶，等：基于卷积盲分离的强干扰

18、下通信信号分离算法 1299数越接近0说明分离效果越好。这种已有的效果评价方法只能判断出分离信号i与源信号J的相似程度，当一种算法的孝扑孝ii相比于另一种算法都更大时就无法从整体上直观地评价2种算法分离效果的优劣性。为了克服这个问题，本文提出了一种新的评价方法，即通过定义分离熵来判断算法的性能。分离熵的计算方法具体如下：1)将分离信号Yi与所有源信号之间的相似系数进行归一化处理，得到关于分离信号Yi的相似系数归一化表。表中元素f：的计算方法为彰=f口岛 (26)式中：为分离信号i和源信号，之间的相似度。2)根据式(27)计算经过分离后的估计信号Y。的分离熵，其值越小，说明对估计信号Y。的分离效

19、果越好。日(Y。)=一彰lb彰(27)3)通过式(28)得到盲卷积分离算法整体的分离效果和性能。I-l(s)=H(yi)2l(28)由式(28)可知，熵越小，算法分离效果越好。从上面2种评估方法的计算过程可以看出，相似系数对于分离算法在细节上的评估有较好的效果，可以得到所有分离信号与源信号的相似程度，但是其评估结果过于分散，无法得到分离算法的整体性能；而本文提出的分离熵，在相似系数的基础上，通过对计算结果数据进行整合，得到分离算法整体性能的量化结果，能够对不同算法进行直观的比较，具有一定的优势和实用性。3 仿真分析为了验证本文提出的改进QPSO联合对角化(QPSOJD)分离算法的可行性与有效性

20、，分别用QPSOJD算法与文献15提出的算法进行仿真对比。设存在4个信号源，即N=4，包含的样本数为8 000个。如图3所示。其中图3(b)和图3(c)为接收机接收到的干扰信号。假设无线多径信道存在4路分量，即P=4，其混合矩阵可按式(29)产生：H(z)=Al+A2z-1+A3彳一2+A4z一3+A5z一4(29)式中：矩阵A。、A：、A，、A。、A，均为44的实数矩阵，每个矩阵的元素在0，1中按均匀分布随机产生。设侦察接收机为4通道，各个通道与天线的参数一致，4个通道分别截获到的观测信号如图4所示。本文设定无线通信信道为含有加性高斯白噪声的多径信道，且信噪比(SNR)为10 dB。 肇一臻

21、匾互亚玉正王三0 0 2 0 4 0 6 0 8 1 O日t Js(a)目标辐射源通信信弓釜一圆圆衄圃蕊卿o o 2 o 4 o 6 o 8 l o时IUls(b)BPSK信弓釜一i巨亟三三受圈受豳豳0 0 2 0 4 0 6 0 8 0日JIb Js(c-)毕载频AM信LI捌一“厂罂3豳_皇_-_-_幽邕删0 O 2 ()4 06 O 8 1 0时阳J，s(rI)T枕源发山的T扰倍E图3源信号波形Fig3 Source signalswave警一22：0 E三三三三三三三习4一L-。一0 0 2 0 4 0 6 0 8 0刚lbJls(a)通道I釜一臻匿受亟巫巫至受0 0 2 0 4 0 6

22、 0 8 1 o日JIhls(h)通道2釜一2，：0,=!二=二!111二=j10 O 2 04 O 6 O 8 l 0时问A(r-)通道3嫠1：眄丽丽再丽再习面网一l 0 L1。11。1oU 0 2 0 4 06 0 8 l 0时间s(d)通道4图4观测信号波形Fig4 Observation signalswave在仿真中首先使用QPSOJO算法对观测信号进行卷积盲分离，得到如图5的分离信号。从图中可以看出，除了存在幅度和序列上的差异，改进算法有效地将目标通信辐射源的射频信号从观测信号中分离出来，且具有较好的分离效果。图6为使用文献15算法进行盲分离后得到的估计源信号。通过波形图的对比可以

23、发现在相同的信噪比情况下，QPSOJD算法具有更好的抗干扰性能。万方数据1300 北京航空航天大学学报 2016年世O 02肇 O一0 020 0 2 0 4 0 6 0 8 1 0时Ihls(a)估计BPSK信号坝 O 2厂垂o|H_书卅卅柏剞_卜-_叫一O 2 LLL_LJLLL_L_l_jO 0 2 0 4 0 6 0 8 1 0时IWs(h)估计目标信弓O 06世些0-0 06型004譬0一O 040 0 2 0 4 0 6 0 8 1 OH,JlhJs(t)估计T扰信号0 0 2 0 4 0 6 O 8 1(BtlbJs(rI)估计AM信弓图5 QPSOJD算法的分离信号波形Fig5

24、 Separated signalswave of pesoJD algorithO 04篷 。目一O 040 0 2 0 4 0 6 0 8 1 0时IhJs(a)估计BPSK信弓0 2厂耋0卜H叶卅+H+卜-垂卜H+H斗+_H斗+一卜+咔+1-叫一O 2 LJJj-J_LLL_j一0 0 2 0 4 0 6 0 8 O时IhJs(h)估计LI标信号a_0 04善0-0 04O 04篷 。目-0 040 0 2 0 4 0 6 0 8 1 O时间，s(c-)估计T扰信弓0 0 2 O 4 06 0 8 】0时Ihjs(d)估计AM信号图6文献15算法的分离信号波形Fig6 Separated

25、 signalswave of algorithm in Ref1 5本仿真通过以信号干扰比S。作为算法性能的一个评价指标，从一定程度上量化比较QPSOJD算法和文献15算法的性能。S。定义为161sm：专扣g器，式中：；。为分离信号经过顺序变换后与源信号互相对应的信号；E表示求信号的能量。图7为2种算法在不同信噪比的情况下S。取值的变化曲线。图中每点的取值都是输入相同的混叠加噪信号后2种算法分别重复运算30次所取的平均值，且随着运算次数的增多结果趋于稳定。从图7中可以得出，随着信噪比的提高，2种算法的分离效果都逐渐增强。在弱噪声的环境中，2种算法的性能相差不大，都能有效地把目标源信号分离出来

26、；但是在信噪比较低的情况下QPSOJD算法的S豫值明显大于文献15所用的算法，具有更好的抗干扰性能和稳定性。计算2种算法运算时间的硬件测试环境为：CPU为Intel Core(TM)i5-2310 29 GHz，内存为2 GB，操作系统为Windows XP，开发环境为MAT-LAB712。最终结果为重复计算30次所得到的平均值，经过计算得出，在不同信噪比的情况下运算时间基本一致，QPSOJD算法的种群大小为20，迭代次数为100次，则所需时间为0342 87 S，文献15算法所需时间为041741 S，QPSO-JD算法的运算速度和实时性更好。图7 2种算法的_s。对比Fig7 SIR co

27、mparison of two algorithms为了更精确和直观地判断2种算法对所有源信号的整体分离效果，下面分别计算分离信号和源信号的相似度和分离熵。结果如表1所示。H(Y)为目标通信信号的分离熵，日(s)为算法整体分离熵。由于篇幅限制，本文只在表中列出目标辐射源的通信信号与其他信号的相似度。从1表中可以看出，QPSOJD算法的f与亭。，均大于文献15算法的结果，这时仅仅使用相似系数就不能很好地比较2种算法的性能，表中在相似系数的基础上分别算出2种算法的分离熵，通过比较分离熵的大小可以明显看出QPSOJD算法的分离效果更好。当无线传输信道的信噪比继续下降时，QPSO-JD算法的分离性能会

28、出现一定的下降，但是仍可以基本达到分离的目的。万方数据第6期 郭晓陶，等：基于卷积盲分离的强干扰下通信信号分离算法 1301表1 源信号和估计信号的相似度及分离熵Table 1 Separation entropy and similarity of source signals and estimated signals4 结 论本文根据建立的多径传播模型和卷积盲分离技术，提出了一种强干扰下通信信号的分离算法，得到以下主要结论：1)通过建立无线信道中的多径模型，分析了在传输过程中多径效应对于通信信号的影响。对时不变的情况，无线信道中的多径效应相当于一个作用于通信信号的滤波器。2)通过理论推导

29、把通信信号的分离问题转化为最优化问题，并将改进量子粒子群优化算法与卷积盲分离算法结合起来分离同干扰信号混叠在一起的目标通信信号。3)通过理论分析和仿真对比验证可知，这种分离方法具有较好的分离效果和实时性，在信噪比较低的情况下也能很好地把目标信号分离出来，并且对多径效应具有一定的抑制作用，达到了提高通信辐射源个体识别抗干扰的目的。实际电磁环境中还有很多其他不确定因素需要考虑，因此如何进一步提高通信辐射源个体识别的正确率，仍需要进一步研究。23参考文献(References)KLEN R W，TEMPLE M A，MENDENHALL M JApplicationof wavelet denois

30、ing to improve OFDMbased signal detectionand classificationJSecurityCommunication Networks，2010，3(3)：71-82CARROLL T LA nonlinear dynamics method for signal identificationJ，Chaos，2007，17(2)：023109XU S H，HUANG B X，XU Z G，et a1A new feature vectorusing local surrounding-line integral bispectra for iden

31、tifyingradio transmittersC2007 9th International Symposium onSignal Processing and Its Application(ISSPA 2007)Piscat-away，NJ：IEEE Press，2007：1-44程兰，陈杰，谢刚软件接收机中基于数据处理的多径估计方法J系统工程与电子技术，2013，35(10)：20502056CHENG L，CHEN J，XIE GMuhipath estimation algorithmsbased on data processing in software receiverJ，

32、Systems Engineering and Electronics，201 3，35(10)：20502056(in Chinese)5程光辉，王磊杰直接正交联合对角化盲分离算法J电子科技大学学报，2014，43(3)：359-362CHENG G H，WANG L JDirect orthogonal algorithm of jointdiagonalization for blind source separation(JJournal of Uni-versity ofElectronic Science and Technology ofChina，2014，43(3)：359-

33、362(in Chinese)6吴国清，宋磊，沈卫超复杂电磁环境下的信号盲分离方法J强激光与粒子束，2014，26(7)：32153219，WU G Q，SONG L，SHEN W CBlind separation methods ofsignals in complex electromagnetic environmentJHigh Power Laser and Particle Reams，2014，26(7)：3215-3219(in Chi-nese)7李炜，杨慧中具有非奇异约束的线性卷积混合信号盲分离联合对焦化方法j控制与决策，2014，29(3)：541545LI WYANG

34、 H ZJoint diagonalization method with Non-singu-lar constraints for blind separation for linear convolutive mixturesJControl and Decision，2014，29(3)：541545(in Chi-nese)8ZHENG Y R，XIAO CSimulation models with correct statistical properties for Rayleigh fading channelJ1EEE Transactions on Communicatio

35、ns，2003，51(6)：920928【9JOHN M WWireless communications and networkingMLondon：Prentice Hall2002：131135IOWILLIAM T HPrinciples of communication systems simulationMLondon：Prentice Hall，2005：264-268【11DAM H H，CANTONI A，NORDHOLM S，et a1Second orderblind signal separation for convolutive mixtures using con

36、jugategradientJIEEE Signal Processing Letters，2008，15：79-821 2VAN DER VEEN A Jjoint diagonalization via subspace fittingtechniqueC#200l IEEE International Conference on Acoustics，Speech，and Signal ProcessingPiscataway，NJ：1EEE Press，2001，5：2773-277613SUN J，XU WA global search strategy of quantum-beha

37、vedparticle swarm optimizationC2004 IEEE InternationalConference on Cybernetics and Intelligent SystemsPiscataway，NJ：1EEE Press，2004：111-11614VRINS F，PHAM D T，VERLEYSEN MMixing and nonmixinglocal minima of the entropy contrast for blind source separationJIEEE Transactions on Information Theory2007，5

38、3(3)：1030104215LIU Y H，WEI x Y，WANG D HA new algorithm for blindsource separation of convolutive mixturesJSignal Process-ing，2007，23(12)：801-80516陆凤波复杂电磁环境下的欠定盲源分离技术研究D长沙：国防科学技术大学，201 1：3436LU F B Research on underdetermined blind source separation incomplex electromagnetic environmentDChangsha：Nati

39、onalUniversity of Defense Technology，2011：3436(in Chinese)，万方数据1302 北京航空航天大学学报 2016正作者简介：郭晓陶 男，硕士研究生。主要研究方向：电子对抗理论与应用、通信辐射源个体识别、多传感器信息融合。Tel：02984787835-803E-mail：guoxiaota0526l 63corn王星男，博士，教授，博士生导师。主要研究方向：电子对抗理论与应用。Tel：029-84787651Email17791862035163cornRadio signal separation algorithm under stro

40、ng interferencebased on convolutive blind separationGUO Xiaotao，WANG Xing，ZHOU Dongqing，CHEN You，CHENG Siyi(Aeronautics and Astronautics Engineering College，Air Force Engineering University，Xian 710038，China)Abstract：Aiming at the lOW accurate identification rate of the radio transmitter source indi

41、vidual identification problem caused by various jamming signals and multi-path fading in actual experiments，this paper proposes an improved blind source separation algorithm，which is used before classification algorithm and can decrease influence to input signals caused by other electromagnetic sign

42、als，thus the algorithm can be applied toincreasing the accuracy rate of radio transmitter individual identification in complicated electromagnetic environmentThe algorithm uses the improved quantum particle swarm optimization which brings in the cataclysmstrategy and self-adaption of the seek condit

43、ion for the joint diagonalization，through which can separate theobjective radio source signal from the intercepted observation signalsIn order to evaluate the separating effectmore systematically and intuitively，the separating entropy used to quantify the integral performance of the al-gorithm is de

44、finedThe simulation result demonstrates that the algorithm can separate the objective communication signal from the mixed signals in complicated electromagnetic environment，which enhances the anti-jam-ming performance of the radio transmitter source individual identificationTherefore，the proposed al

45、gorithm isof practicability and effectivenessKey words：signal blind separation；radio transmitter identification；multipath fading；quantum particleswarm optimization；anti-jammingReceived：2015-0623；Accepted：201511-06；Published online：20151217 10：41URL：WWWcnkinetkcmsdetaiL112625V201512171041001htmlFoundation items：Aeronautical Science Foundation of China(20145596025，20152096019)Corresponmng authorTel：02984787651 E-mail：17791862035163tom万方数据