多特征融合认知型水声通信空快时自适应处理算法的制作方法

本发明涉及一种水声通信空快时自适应处理算法，特别是涉及一种多特征融合认知型水声通信空快时自适应处理算法，属于水声通信抗干扰技术领域。

背景技术：

由于电磁波在水中衰减严重，传输距离受限，水声通信技术成为海洋开发探索和潜艇通信的重要手段。浅海水声通信面临着来自多方面的干扰，水声通信常见干扰形式主要为噪声调频干扰、脉冲干扰以及线性扫频干扰等。噪声调频干扰具有宽带宽、功率谱均匀和干扰功率大的特点；脉冲干扰具有持续时间短，瞬时功率大，信号因大瞬时功率影响可能出现饱和或限幅的特点；线性扫频干扰具有频率特征成线性的特点。

相对于目标通信的其它用户干扰，航线船只与风暴造成的连续波干扰，海洋生物鸣叫和人类在海洋中的施工造成的脉冲干扰，极大的降低了水声通信系统性能。虽然大部分干扰都能被空快时自适应处理算法有效抑制，但是有些干扰不能直接采用空快时自适应处理算法进行处理，例如脉冲干扰，自适应算法收敛受到脉冲干扰出现位置的影响，抑制难度较大。

技术实现要素：

本发明的主要目的在于，克服现有技术中的不足，提供一种多特征融合认知型水声通信空快时自适应处理算法，实现空快时自适应算法的降维处理和对消样本选取，保证空快时自适应处理的快速可靠收敛。

为了达到上述目的，本发明所采用的技术方案是：

一种多特征融合认知型水声通信空快时自适应处理算法，包括以下步骤：

1)将接收阵列接收到的信号在目标用户方向形成波束并作为主通道信号输出，以及抽取接收阵列中的阵列数据作为辅助通道信号输出给干扰认知单元和干扰识别单元；

2)干扰认知单元采用阵列协方差矩阵特征分解计算出干扰源个数，并采用MUSIC空间谱分析估计出目标用户方向和干扰来波方向；

3)根据干扰源个数，确定盲源分离算法中的盲源分离通道数和空域快时间域二维自适应算法中的自适应通道维数；所述盲源分离通道数和自适应通道维数均等于干扰源个数；

4)干扰识别单元采用基于负熵最大的Fast-ICA的盲源分离算法进行干扰信号分离，对分离后的干扰信号采用时频分析提取时频谱和采用包络统计特征分析提取时域包络特征，并将提取的时频谱和时域包络特征融合认知为干扰多特征；

5)根据干扰多特征，干扰识别单元采用决策树分类器进行干扰类型分类；根据分类好的干扰类型，干扰识别单元选取干扰样本输出给干扰对消抑制单元；所述干扰类型包括脉冲干扰、线性扫频干扰和噪声调频干扰；

6)干扰对消抑制单元采用空域快时间域二维自适应算法进行空快时自适应对消，从而对波束进行干扰抑制后输出。

本发明进一步设置为：所述步骤2)中的采用阵列协方差矩阵特征分解计算出干扰源个数，具体为，

2-1)设抽取的辅助通道个数为NA个，每个辅助通道的采样数据为Ns，则将k时刻的辅助通道数据矩阵写成向量形式为，

其中，xi(k)＝[xi(k),xi(k-1),…xi(k-Ns+1)]^T为k时刻第i个辅助通道数据矩阵，[·]^T表示转置运算；

2-2)计算辅助通道的协方差矩阵R0，

R0＝x(k)x^H(k)；

其中，x(k)为k时刻的辅助通道数据矩阵，[·]^H表示共轭转置运算；

2-3)对协方差矩阵进行特征值分解，

λi＝eig[R0],i＝1,2,…,NA；

其中，eig[·]表示特征根分解函数，λi表示为第i个特征根；

2-4)获取最小特征根min[·]表示最小值寻找运算；

计算每个特征根与最小特征根的比值，记为比值向量Λ，

2-5)定义比值门限ζΛ，统计出比值向量Λ中比值大于比值门限ζΛ的个数，即为干扰源个数。

本发明进一步设置为：所述步骤2)中的采用MUSIC空间谱分析估计出目标用户方向和干扰来波方向，具体为，

利用信号子空间和噪声子空间的正交性，构造空间谱函数，通过谱峰搜索，检测出水声通信中干扰来波方向，空间谱函数为

其中，θn为空间波束扫描时第n个离散角度噪声空间，UN为噪声空间，由噪声特征矢量构成，a(θn)为信号部分空间，由信号特征矢量构成，[·]^H表示共轭转置运算。

本发明进一步设置为：所述步骤4)中的采用基于负熵最大的Fast-ICA的盲源分离算法进行干扰信号分离，具体为，

4-1-A)对输入的观测信号矩阵X进行预处理，预处理包括去均值和白化，预处理后得到预白化信号Z；

4-1-B)由阵列协方差矩阵特征分解已知干扰源个数N，随机初始化权矢量Wp，其中，Wp的下标p表示迭代次数p次；

4-1-C)更新权值，

其中，E{·}表示求数学期望，[·]^T为转置运算，g'(·)表示求一阶导数；

记则

系数a1∈[1,2]、即取值为1或2，log2[·]表示以2为底的对数，cosh(·)表示双曲余弦；

4-1-D)每次迭代提取Wp时，进行去相关处理，即正交化投影操作，操作公式为

其中，Wj为第j次迭代的权矢量，j的取值为[1，p-1]；

4-1-E)归一化处理，公式为

其中，||·||表示计算欧几里得二范数；

4-1-F)若算法没有收敛，则返回步骤4-1-C)继续执行；

若算法收敛，则求出一个独立成分yi＝WpX。

本发明进一步设置为：所述步骤4)中的采用时频分析提取时频谱，具体为，

4-2-A)对分离后的干扰信号y(k)进行短时傅里叶变换，变换函数为，

其中，τ为短时傅里叶变换的段数，k为离散时间，Ns为积累的点数，h(k)为窗函数，[·]^*表示共轭运算；

4-2-B)对短时傅里叶变换结果进行频率峰值搜索，搜索公式为，

[Pmax(τ),Fmax(τ)]＝max(Ω(τ,:))；

其中，max(·)表示最大值寻找运算；

4-2-C)计算频率峰值的一阶差分υ；

4-2-D)定义差分方差门限ζF，当频率峰值的一阶差分υ小于差分方差门限ζF，则判断干扰信号为线性扫频干扰；当频率峰值的一阶差分υ大于差分方差门限ζF，则判断干扰信号为脉冲干扰或噪声调频干扰。

本发明进一步设置为：所述步骤4)中的采用包络统计特征分析提取时域包络特征，具体为，

4-3-A)对分离后的干扰信号提取脉宽特征，判断干扰信号是连续波干扰还是脉冲干扰；

根据包络提取脉冲的上升沿与下降沿，上升沿和下降沿的采样点数分别记为Ndi和Nri；

根据第i个脉冲的上升沿与下降沿的差值以及采样率fs计算干扰信号脉冲宽度Bi，计算公式为，Bi＝(Ndi-Nri)/fs；

定义脉宽门限ζB，当干扰信号脉冲宽度小于脉宽门限ζB，则判断干扰信号为脉冲信号；当干扰信号脉冲宽度大于脉宽门限ζB，则判断干扰信号为连续波干扰、即线性扫频干扰或噪声调频干扰；

4-3-B)对分离后的干扰信号提取占空比特征，判断干扰信号是连续波干扰还是脉冲干扰；

占空比是指整个样本中脉冲所占的比例，计算公式为，

其中，Nc为样本采样点数，NB为根据上升沿和下降沿计算的脉冲个数；

定义占空比门限ζK，当干扰信号占空比大于占空比门限ζK，则判断干扰信号为连续波干扰、即线性扫频干扰或噪声调频干扰；当干扰信号占空比小于占空比门限ζK，则判断干扰信号为脉冲干扰。

本发明进一步设置为：所述步骤5)中的采用决策树分类器进行干扰类型分类，具体为，

5-1)定义干扰类型分类的类别集合C＝{y1,y2,y3}；

其中，y1表示脉冲干扰，y2表示线性扫频干扰，y3表示噪声调频干扰；

确定干扰特征属性及划分；

设H＝{a1,a2,a3}为特征属性集合，特征属性a1表示时域包络特征中的脉宽，a2表示时域包络特征中的占空比，a3表示时频谱的频率峰值的一阶差分；

5-2)获取干扰数据训练样本；

构建具有1000个不同参数的训练样本集，脉冲干扰占40％，线性扫频干扰和噪声调频干扰各占30％；

5-3)计算各干扰特征的信息增益；

计算公式为

其中，m表示干扰类型个数，pi表示第i个干扰类型出现的概率；

计算未分类前的熵D0，

D0＝-0.4*log20.4-0.3*log20.3-0.3*log20.3＝1.57；

分别计算按特征属性a1分类的熵D1，按a2分类的熵D2，按a3分类的熵D3，

分别计算D1、D2和D3与D0的差值，分别为0.97、0.97和0.88；

5-4)生成决策树；

根据最大增益选择特征属性a2作为第一干扰分类节点，按a2将样本分成2个集合，由于小于占空比门限的集合全部是脉冲干扰y1，则接下来只针对大于占空比门限的集合选择分类节点；

选择特征属性a3作为第二干扰分类节点，按a3将大于占空比门限的样本分成2个集合，由于小于差分方差门限的集合全部是线性扫频干扰y2、大于差分方差门限的集合全部是噪声调频干扰y3，集合能完全分开，节点分裂结束；

5-5)决策树分类器通过判断进行干扰类型分类；

若干扰信号的占空比小于占空比门限，判定干扰信号为脉冲干扰；否则判断干扰信号的频率峰值的一阶差分是否小于差分方差门限，若小于则判定干扰信号为线性扫频干扰，否则判定干扰信号为噪声调频干扰。

本发明进一步设置为：所述步骤6)中的采用空域快时间域二维自适应算法进行空快时自适应对消，具体为，

已知k时刻的辅助通道数据矩阵，采用一组长度为Nw的权系数来表示自适应滤波器组的每个FIR滤波器，将滤波器组向量矩阵写成

其中，表示第Nw个阵元第i个延迟单元的加权值；

基于线性约束最小方差准则、即LCMV准则，通过以下公式求解最佳权向量，

wopt＝Rxx^-1ψ，

Rxx＝E{x(k)x^H(k)}，

ψ＝＝E{x(k)s^H(k-Δ)}；

其中，wopt为最佳权向量，Rxx为空时协方差矩阵，ψ为互相关向量，E{·}表示求数学期望，[·]^H表示共轭转置运算，[·]^-1表示求逆运算，s(k)表示主波束信号，Δ表示主波束信号时延。

与现有技术相比，本发明具有的有益效果是：

本发明提供的多特征融合认知型水声通信空快时自适应处理算法，在传统空快时自适应阵列处理算法的基础上引入了基于干扰特征分析的干扰认知功能；通过干扰认知单元采用阵列协方差矩阵特征分解计算出干扰源个数，并采用MUSIC空间谱分析估计出目标用户方向和干扰来波方向。干扰个数主要进行两个方面的应用：一是辅助选取盲源分离算法中的分离维度，从而有效降低多通道的数量，降低盲源分离算法的复杂度；二是辅助选取空快时自适应算法中的空域维度，进行算法降维处理，从而降低空快时自适应处理算法的计算量。以及通过干扰识别单元采用基于负熵最大的Fast-ICA的盲源分离算法进行干扰信号分离，采用包络检测分析时域特征，采用短时傅里叶变换分析时频谱，从而提取干扰特征识别干扰类型。最后根据干扰类型选取合适的干扰样本进行空快时自适应对消，提高自适应算法的收敛速度。本发明实现了空快时自适应算法的降维处理和对消样本选取，保证了空快时自适应处理的快速可靠收敛。

上述内容仅是本发明技术方案的概述，为了更清楚的了解本发明的技术手段，下面结合附图对本发明作进一步的描述。

附图说明

图1为本发明多特征融合认知型水声通信空快时自适应处理算法的原理框图；

图2为本发明多特征融合认知型水声通信空快时自适应处理算法的处理流程图；

图3为本发明多特征融合认知型水声通信空快时自适应处理算法中提取时频谱的原理框图；

图4为本发明多特征融合认知型水声通信空快时自适应处理算法中进行干扰类型分类的原理框图；

图5为本发明多特征融合认知型水声通信空快时自适应处理算法中生成的决策树的结构示意图；

图6为实施例的MUSIC空间谱测向图；

图7为实施例的盲源分离后干扰时域图；

图8为实施例的盲源分离后干扰时频图；

图9为实施例的不同信噪比下的干扰分类正确率；

图10为实施例的干扰抑制前后功率图；

图11为实施例的对消前后相关图。

具体实施方式

下面结合说明书附图，对本发明作进一步的说明。

发明提供一种多特征融合认知型水声通信空快时自适应处理算法，如图1及图2所示，本包括以下步骤：

1)将接收阵列接收到的信号在目标用户方向形成波束并作为主通道信号输出，以及抽取接收阵列中的阵列数据作为辅助通道信号输出给干扰认知单元和干扰识别单元。

2)干扰认知单元采用阵列协方差矩阵特征分解计算出干扰源个数，并采用MUSIC空间谱分析估计出目标用户方向和干扰来波方向。

所述步骤2)中的采用阵列协方差矩阵特征分解计算出干扰源个数，具体为，

2-1)设抽取的辅助通道个数为NA个，每个辅助通道的采样数据为Ns，则将k时刻的辅助通道数据矩阵写成向量形式为，

其中，xi(k)＝[xi(k),xi(k-1),…xi(k-Ns+1)]^T为k时刻第i个辅助通道数据矩阵，[·]^T表示转置运算；

2-2)计算辅助通道的协方差矩阵R0，

R0＝x(k)x^H(k)；

其中，x(k)为k时刻的辅助通道数据矩阵，[·]^H表示共轭转置运算；

2-3)对协方差矩阵进行特征值分解，

λi＝eig[R0],i＝1,2,…,NA；

其中，eig[·]表示特征根分解函数，λi表示为第i个特征根；

2-4)获取最小特征根min[·]表示最小值寻找运算；

计算每个特征根与最小特征根的比值，记为比值向量Λ，

2-5)定义比值门限ζΛ，统计出比值向量Λ中比值大于比值门限ζΛ的个数，即为干扰源个数。

所述步骤2)中的采用MUSIC空间谱分析估计出目标用户方向和干扰来波方向，具体为，

利用信号子空间和噪声子空间的正交性，构造空间谱函数，通过谱峰搜索，检测出水声通信中干扰来波方向，空间谱函数为

其中，θn为空间波束扫描时第n个离散角度噪声空间，UN为噪声空间，由噪声特征矢量构成，a(θn)为信号部分空间，由信号特征矢量构成，[·]^H表示共轭转置运算。

3)根据干扰源个数，确定盲源分离算法中的盲源分离通道数和空域快时间域二维自适应算法中的自适应通道维数；所述盲源分离通道数和自适应通道维数均等于干扰源个数。

4)干扰识别单元采用基于负熵最大的Fast-ICA的盲源分离算法进行干扰信号分离，对分离后的干扰信号采用时频分析提取时频谱和采用包络统计特征分析提取时域包络特征，并将提取的时频谱和时域包络特征融合认知为干扰多特征。

所述步骤4)中的采用基于负熵最大的Fast-ICA的盲源分离算法进行干扰信号分离，具体为，

4-1-A)对输入的观测信号矩阵X进行预处理，预处理包括去均值和白化，预处理后得到预白化信号Z；

4-1-B)由阵列协方差矩阵特征分解已知干扰源个数N，随机初始化权矢量Wp，其中，Wp的下标p表示迭代次数p次；

4-1-C)更新权值，

其中，E{·}表示求数学期望，[·]^T为转置运算，g'(·)表示求一阶导数；

记则

系数a1∈[1,2]、即取值为1或2，log2[·]表示以2为底的对数，cosh(·)表示双曲余弦；

4-1-D)每次迭代提取Wp时，进行去相关处理，即正交化投影操作，操作公式为

其中，Wj为第j次迭代的权矢量，j的取值为[1，p-1]；

4-1-E)归一化处理，公式为

其中，||·||表示计算欧几里得二范数；

4-1-F)若算法没有收敛，则返回步骤4-1-C)继续执行；

若算法收敛，则求出一个独立成分yi＝WpX。

所述步骤4)中的采用时频分析提取时频谱，具体为，如图3所示，

4-2-A)对分离后的干扰信号y(k)进行短时傅里叶变换，变换函数为，

其中，τ为短时傅里叶变换的段数，k为离散时间，Ns为积累的点数，h(k)为窗函数，[·]^*表示共轭运算；

4-2-B)对短时傅里叶变换结果进行频率峰值搜索，搜索公式为，

[Pmax(τ),Fmax(τ)]＝max(Ω(τ,:))；

其中，max(·)表示最大值寻找运算；

4-2-C)计算频率峰值的一阶差分υ；

4-2-D)定义差分方差门限ζF，当频率峰值的一阶差分υ小于差分方差门限ζF，则判断干扰信号为线性扫频干扰；当频率峰值的一阶差分υ大于差分方差门限ζF，则判断干扰信号为脉冲干扰或噪声调频干扰。

所述步骤4)中的采用包络统计特征分析提取时域包络特征，具体为，

4-3-A)对分离后的干扰信号提取脉宽特征，判断干扰信号是连续波干扰还是脉冲干扰；

根据包络提取脉冲的上升沿与下降沿，上升沿和下降沿的采样点数分别记为Ndi和Nri；

根据第i个脉冲的上升沿与下降沿的差值以及采样率fs计算干扰信号脉冲宽度Bi，计算公式为，Bi＝(Ndi-Nri)/fs；

定义脉宽门限ζB，当干扰信号脉冲宽度小于脉宽门限ζB，则判断干扰信号为脉冲信号；当干扰信号脉冲宽度大于脉宽门限ζB，则判断干扰信号为连续波干扰、即线性扫频干扰或噪声调频干扰；

4-3-B)对分离后的干扰信号提取占空比特征，判断干扰信号是连续波干扰还是脉冲干扰；

占空比是指整个样本中脉冲所占的比例，计算公式为，

其中，Nc为样本采样点数，NB为根据上升沿和下降沿计算的脉冲个数；

定义占空比门限ζK，当干扰信号占空比大于占空比门限ζK，则判断干扰信号为连续波干扰、即线性扫频干扰或噪声调频干扰；当干扰信号占空比小于占空比门限ζK，则判断干扰信号为脉冲干扰。

综上所述，将提取的时频谱和时域包络特征融合认知为干扰多特征，干扰多特征融合认知结果如表1所示。

表1

对于不同的干扰信号，脉冲干扰的脉宽小于ζB，占空比小于ζK，频率峰值的一阶差分大于ζF；线性扫频干扰的脉宽大于ζB，占空比大于ζK，频率峰值的一阶差分小于ζF；噪声调频干扰的脉宽大于ζB，占空比大于ζK，频率峰值的一阶差分大于ζF。

5)根据干扰多特征，干扰识别单元采用决策树分类器进行干扰类型分类；根据分类好的干扰类型，干扰识别单元选取干扰样本输出给干扰对消抑制单元；所述干扰类型包括脉冲干扰、线性扫频干扰和噪声调频干扰。

决策树划分干扰集的原则是：比较按不同特征分类后的干扰数据的信息熵，按某一特征分类后的信息熵减少的最多，那么这个特征即为最佳分类特征。

所述步骤5)中的采用决策树分类器进行干扰类型分类，具体为，如图4所示，

5-1)定义干扰类型分类的类别集合C＝{y1,y2,y3}；

其中，y1表示脉冲干扰，y2表示线性扫频干扰，y3表示噪声调频干扰；

确定干扰特征属性及划分；

设H＝{a1,a2,a3}为特征属性集合，特征属性a1表示时域包络特征中的脉宽，a2表示时域包络特征中的占空比，a3表示时频谱的频率峰值的一阶差分；

5-2)获取干扰数据训练样本；

构建具有1000个不同参数的训练样本集，脉冲干扰占40％，线性扫频干扰和噪声调频干扰各占30％；

5-3)计算各干扰特征的信息增益；

计算公式为

其中，m表示干扰类型个数，pi表示第i个干扰类型出现的概率；

计算未分类前的熵D0，

D0＝-0.4*log20.4-0.3*log20.3-0.3*log20.3＝1.57；

分别计算按特征属性a1分类的熵D1，按a2分类的熵D2，按a3分类的熵D3，

分别计算D1、D2和D3与D0的差值，分别为0.97、0.97和0.88；

5-4)生成决策树，如图5所示；

根据最大增益选择特征属性a2作为第一干扰分类节点，按a2将样本分成2个集合，由于小于占空比门限的集合全部是脉冲干扰y1，则接下来只针对大于占空比门限的集合选择分类节点；

选择特征属性a3作为第二干扰分类节点，按a3将大于占空比门限的样本分成2个集合，由于小于差分方差门限的集合全部是线性扫频干扰y2、大于差分方差门限的集合全部是噪声调频干扰y3，集合能完全分开，节点分裂结束；

5-5)决策树分类器通过判断进行干扰类型分类；

若干扰信号的占空比小于占空比门限，判定干扰信号为脉冲干扰；否则判断干扰信号的频率峰值的一阶差分是否小于差分方差门限，若小于则判定干扰信号为线性扫频干扰，否则判定干扰信号为噪声调频干扰。

6)干扰对消抑制单元采用空域快时间域二维自适应算法进行空快时自适应对消，从而对波束进行干扰抑制后输出。

所述步骤6)中的采用空域快时间域二维自适应算法进行空快时自适应对消，具体为，

已知k时刻的辅助通道数据矩阵，采用一组长度为Nw的权系数来表示自适应滤波器组的每个FIR滤波器，将滤波器组向量矩阵写成

其中，表示第Nw个阵元第i个延迟单元的加权值；

基于线性约束最小方差准则、即LCMV准则，通过以下公式求解最佳权向量，

wopt＝Rxx^-1ψ，

Rxx＝E{x(k)x^H(k)}，

ψ＝＝E{x(k)s^H(k-Δ)}；

其中，wopt为最佳权向量，Rxx为空时协方差矩阵，ψ为互相关向量，E{·}表示求数学期望，[·]^H表示共轭转置运算，[·]^-1表示求逆运算，s(k)表示主波束信号，Δ表示主波束信号时延。

实施例

通过计算机仿真验证本发明多特征融合认知型水声通信空快时自适应处理算法对干扰的识别与抑制性能。MATLAB仿真中设置一个用户信号和三种干扰信号，用户信号为二相相移键控(BPSK)调制，三种干扰分别为脉冲干扰、噪声调频干扰和线性扫频干扰。接收阵列采用16单元的线阵，单元间距为半波长，阵列形成波束采用40dB的切比雪夫加权，接收信号每帧长度为4000个采样点，用户入射角为0°(已知)，干扰入射角分别为-5°、5°和10°，通道中干噪比为30dB，信噪比为-20dB，干信比为50dB。干扰多特征的门限设置如表2所示。

表2

仿真1：干扰认知仿真

阵列在目标用户方向形成波束之后，首先通过阵列协方差矩阵特征分解，经公式计算得出显著特征根个数为3，即干扰源个数为3。再通过MUSIC空间谱分析估计用户和干扰的来波方向，如图6所示，测得目标和干扰的方向分别为-5°，0°，5°和10°，由于已知0°为用户方向，可测得干扰的方向分别为-5°，5°和10°。

使用基于负熵最大的Fast-ICA的盲源分离算法实现干扰信号的分离，分离结果如图7所示。

对分离后的三种干扰信号分别提取包络特征，干扰1的脉宽为80个采样点，占空比为0.22；干扰2的脉宽为4000个采样点，占空比为1；干扰3的脉宽为4000个采样点，占空比为1。

对分离后的干扰信号采用时频分析提取时频谱，采用短时傅里叶变换处理后的干扰信号时频图，见图8所示；图8-(b)为干扰1的盲源分离后干扰时频图，图8-(a)为干扰2的盲源分离后干扰时频图，图8-(c)为干扰3的盲源分离后干扰时频图。提取时频谱的频率峰值，计算三种干扰频率峰值的一阶差分的方差，分别为4747，6723，0.1538。

仿真中提取的干扰特征参数，如表3所示。

表3

根据表3提取的特征，使用决策树分类器进行分类。干扰1占空比为0.22，小于占空比门限0.7，被判为脉冲干扰。干扰2占空比为1，大于占空比门限0.7，频率峰值一阶差分的方差为6723，大于差分方差门限1，所以最终被判为噪声调频干扰。干扰3的占空比为1，大于占空比门限0.7，频率峰值一阶差分的方差为0.1538，小于差分方差门限1，所以最终被判为线性扫频干扰。干扰个数，方向，种类均与仿真条件设置一致，验证了认知干扰算法的有效性。

改变仿真通道中的信噪比，按照本发明的流程框图对干扰进行分类，统计分类正确率随信噪比的变化曲线图，干扰分类正确率如图9所示。从图9中可看出，信噪比高于8dB时，该决策树分类器可以获得较高的干扰识别率，正确率可以达到99％以上。

仿真2：空快时自适应处理仿真

识别干扰类型后选取样本，再采用空快时自适应处理算法对干扰进行抑制，例如脉冲干扰，选取脉冲干扰出现的样本。本仿真中有三个干扰，选取三个辅助通道。仿真1中干扰抑制前后图如图10所示，对消比为16.82dB。抑制前后相干图如图11所示，由图11可见，抑制前后相关峰值相同，对消后旁瓣被压低，证明了对消后的结果是用户信号，验证了抑制算法的有效性。

本发明的创新点在于，通过对干扰个数的认知降低了盲源分离算法和空时自适应算法中的计算量，通过对时域包络和时频谱的多特征融合认知，实现了噪声调频干扰、脉冲干扰和线性扫频干扰的分类识别，完成了干扰样本的选取，最终保证了空快时自适应处理的可靠收敛。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。