6GHz至18GHz全双工稀疏信道数字自干扰抑制技术【附仿真】

✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导，毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》

（1）稀疏自干扰信道估计与结构化测量矩阵设计：

针对6GHz至18GHz全双工系统的自干扰信道具有时域稀疏性但频率选择性的特点，提出一种结构化分段压缩感知方法。将自干扰信道冲激响应分解为直达路径、近端反射和远端散射三个区域，不同区域的稀疏度不同。设计一个级联的测量矩阵，前一部分为随机解调器，后一部分为基于Zadoff-Chu序列的导频矩阵，确保测量矩阵满足约束等距性质的同时降低实现复杂度。接收端数字域通过一个双通道观测结构同时捕获自干扰信号和期望信号，自干扰重建采用基于稀疏贝叶斯学习的算法，利用自干扰信道的块稀疏结构引导重建，提出了一种块相关向量机算法，将字典原子按延迟分组并假设每组具有相同的超参数。仿真显示在200MHz带宽、压缩比5/7时，该算法在干噪比30dB下实现36dB的自干扰抑制，残余干噪比低于-6dB，性能优于传统正交匹配追踪约3.5dB。同时，块贝叶斯学习还能提供重建置信区间，用于自适应调整压缩比。

（2）深度展开迭代软阈值网络实时自干扰抑制：

为进一步提升重建速度和精度，将迭代软阈值算法展开为深度网络，命名为DeepISTA-SIC。网络共8层，每层包含软阈值操作和一个可学习的线性变换矩阵，这些矩阵被强制约束为近似Toeplitz结构以匹配卷积特性。网络的输入为接收的混合信号，输出为重建的自干扰信号估计，二者相减得到期望信号。训练数据由信道仿真器生成，涵盖1000组随机稀疏信道和不同干噪比。损失函数采用均方误差与结构相似性损失的组合。训练后的DeepISTA-SIC网络在推理时只需8次矩阵乘法和软阈值操作，处理128点数据仅需0.8微秒，功耗极低。当期望信号存在时，干信比20dB情况下，网络抑制能力达到18.2dB，与迭代算法相比计算速度提高两个数量级，完全满足实时处理需求。同时该网络对信道模型的泛化能力强，在实测数据上残余误差仅比仿真略高0.7dB。

（3）宽带实验平台搭建与性能对比：

基于软件无线电平台搭建了6-18GHz全双工测试系统，包含两个发射通道和一个接收通道，采用环形器和可调衰减器模拟自干扰路径。接收端射频前端后接高速ADC采样，数字域算法在FPGA上实现。对三种算法：块相关向量机、正交匹配追踪和DeepISTA-SIC进行了对比测试。实测在8GHz、12GHz和17GHz三个频点，压缩比5/7，干噪比30dB时，三种算法残余干噪比分别为-7.1dB、-5.3dB和-7.8dB。DeepISTA-SIC在复杂多径环境下表现出更好的鲁棒性，且占用FPGA资源适中，DSP48消耗仅为总资源的15%，可在单片FPGA上实现8通道并行处理，为多天线全双工系统奠定基础。

import torch import torch.nn as nn import torch.nn.functional as F import numpy as np # 块贝叶斯学习稀疏重建（简化） def block_sbl(A, y, block_size=4, max_iter=100): M, N = A.shape gamma = np.ones(N//block_size) * 0.1 for it in range(max_iter): Gamma = np.kron(np.diag(gamma), np.eye(block_size)) Sigma = np.linalg.inv(A.T @ A + np.linalg.inv(Gamma)) mu = Sigma @ A.T @ y # 更新gamma for b in range(N//block_size): idx = slice(b*block_size, (b+1)*block_size) gamma[b] = (np.linalg.norm(mu[idx])**2 + np.trace(Sigma[idx,idx])) / block_size if np.max(gamma) > 1e6: break return mu # 深度展开ISTA网络 class DeepISTA_SIC(nn.Module): def __init__(self, layers=8, N=128, M=80): super().__init__() self.layers = layers self.W = nn.ParameterList([nn.Parameter(torch.randn(N, M)*0.01) for _ in range(layers)]) self.S = nn.ParameterList([nn.Parameter(torch.randn(N, N)*0.01) for _ in range(layers)]) self.theta = nn.Parameter(torch.tensor(0.1)) def forward(self, y): x = torch.zeros(128) for k in range(self.layers): r = y - x # 残差 x = F.softshrink(x + self.W[k] @ r, self.theta) x = self.S[k] @ x # 跨层连接 return x # 构造测量矩阵 def zadoff_chu_matrix(root=5, length=127): n = np.arange(length) seq = np.exp(-1j*np.pi*root*n*(n+1)/length) return np.fft.fft(np.eye(length)) @ np.diag(seq) # 仿真 N = 256; M = 183 # 压缩比5/7 A = np.random.randn(M, N) + 1j*np.random.randn(M, N) x_true = np.zeros(N); x_true[30:34] = 0.8+0.6j; x_true[100] = 1.0 y = A @ x_true + 0.01*np.random.randn(M) x_est = block_sbl(A, y) print('稀疏重建误差:', np.linalg.norm(x_est-x_true)) # 网络使用示例 net = DeepISTA_SIC(layers=8, N=N, M=M) y_t = torch.tensor(y.real, dtype=torch.float32) out = net(y_t) print('网络输出范数:', torch.norm(out).item())