窄带干扰抑制技术综述：从模型构建到机器学习赋能

《IEEE Communications Surveys & Tutorials》：Narrowband Interference Mitigation Techniques: A Survey

为解决日益严峻的射频(RF)频谱拥塞导致的窄带干扰(NBI)问题，研究人员对近十年来的NBI抑制技术进行了全面综述。该研究系统梳理了NBI的数学模型、来源及影响，并详细评述了从传统滤波到机器学习(ML)等九大类抑制策略。研究结果表明，针对特定应用场景选择合适的NBI模型与抑制算法至关重要，该综述为未来新兴应用和技术的抗干扰设计提供了重要参考。

　　

在万物互联的时代，无线通信系统正以前所未有的速度发展，从地面蜂窝网络到低轨卫星星座，从物联网(IoT)设备到自动驾驶汽车，它们都依赖于宝贵的射频(RF)频谱资源。然而，频谱作为一种不可再生的自然资源，其容量是有限的。随着新应用和新技术的不断涌现，频谱变得越来越拥挤，不同系统之间“抢地盘”的现象日益严重，导致了一种名为“窄带干扰(NBI)”的顽疾。

NBI，顾名思义，是指带宽远小于有用信号的干扰信号。它就像在一条宽阔的高速公路上突然出现了一辆慢速行驶的拖拉机，虽然它只占了一个车道，但足以让整条道路的通行效率大打折扣。在通信系统中，NBI会严重恶化接收机性能，导致数据传输错误、导航定位失准，甚至使整个系统瘫痪。例如，在超宽带(UWB)通信中，传统的AM/FM广播电台可能成为NBI；在合成孔径雷达(SAR)成像中，地面电视信号可能成为NBI；在全球导航卫星系统(GNSS)中，廉价的个人隐私设备(即干扰器)会恶意发射NBI，导致导航失效。

面对这一严峻挑战，学术界和工业界在过去十年间提出了大量NBI抑制技术。然而，这些技术散落在不同的研究领域，缺乏系统性的梳理和比较。为了填补这一空白，来自RMIT大学、博洛尼亚大学、空客防务与空间公司等机构的Michael Aygur等研究人员在《IEEE Communications Surveys & Tutorials》上发表了这篇题为“Narrowband Interference Mitigation Techniques: A Survey”的综述论文。该论文旨在对近十年来NBI抑制技术的研究成果进行一次全面、系统的总结，为相关领域的研究人员提供一份宝贵的“技术地图”。

为了完成这项宏大的综述工作，研究人员首先对NBI的数学模型进行了梳理，包括单/多音模型、高斯模型、数字干扰模型等，为后续的技术分析奠定了基础。接着，他们深入探讨了NBI在卫星系统、固定无线与地面系统、UWB通信、OFDM系统、雷达系统等六大领域的来源、影响及系统建模方法。最后，论文的核心部分是对NBI抑制技术的分类与评述，作者将其归纳为九大类：贝叶斯与机器学习、编码/纠错/预编码、压缩感知(CS)、检测/估计、滤波/陷波、硬件与软件、主成分分析(PCA)与低秩矩阵恢复、同步以及波形类型。通过对这些技术进行横向比较，论文揭示了不同技术路线的优势、局限及适用场景。

研究结果

窄带干扰的定义与模型

论文首先对NBI进行了严格的定义，即带宽远小于有用信号的干扰信号。为了评估NBI的影响并验证抑制技术的有效性，研究人员构建了多种数学模型。其中，单音和多音模型通过正弦波叠加来模拟干扰，简单直观；高斯模型则通过功率谱密度(PSD)来描述干扰，更适合模拟带宽可控的干扰；此外，还有数字干扰模型、梳状干扰模型等。论文指出，选择何种模型取决于具体的研究场景，例如，在OFDM系统中，高斯模型更为常用；而在SAR系统中，多音模型则更为常见。

窄带干扰在各类应用中的影响

论文系统性地分析了NBI在卫星系统、地面系统、UWB通信、OFDM系统、雷达系统等领域的来源和影响。研究发现，NBI的来源既包括非恶意的共存干扰，如AM/FM广播电台对SAR系统的干扰，也包括恶意的干扰，如针对GNSS的干扰器。其影响主要表现为接收机性能恶化、数据子载波损坏、导航解算错误以及SAR图像中的辐射测量伪影等。这些分析清晰地表明，NBI是横跨多个领域的共性问题，其抑制技术具有普适性和重要性。

窄带干扰抑制技术分类与评述

这是论文的核心部分，作者将现有的NBI抑制技术归纳为九大类，并对其进行了深入评述。

• •
  贝叶斯与机器学习：这类技术利用机器学习算法从数据中学习NBI的特征，从而实现干扰的估计和消除。例如，稀疏交叉熵最小化(SCEM)和块稀疏贝叶斯学习(BSBL)等方法在LTE系统中被用于抑制窄带物联网(NB-IoT)干扰，取得了优于传统方法的性能。
• •
  压缩感知(CS)：这类技术利用NBI在频域具有稀疏性的特点，通过求解稀疏优化问题来恢复并消除干扰。例如，正交匹配追踪(OMP)和稀疏自适应匹配追踪(SAMP)等方法在电力线通信(PLC)和数字地面多媒体广播(DTMB)系统中表现出色。
• •
  主成分分析(PCA)与低秩矩阵恢复：这类技术主要应用于SAR系统，通过将接收到的信号矩阵分解为低秩的干扰分量和稀疏的有用信号分量，从而实现干扰抑制。例如，重加权张量分解(CRTF)和矩阵分解分解(MFD)等方法能够有效去除SAR图像中的射频干扰(RFI)。
• •
  滤波/陷波：这是最传统和直观的抑制方法，通过在时域、频域或空域对干扰信号进行滤除或陷波。例如，自适应无限冲激响应(IIR)陷波滤波器、功率反演自适应阵列(PIAA)等。这类方法实现简单，但可能造成有用信号的损失。
• •
  波形类型：这类方法通过设计特殊的发射波形或调制方式来提高系统对NBI的鲁棒性。例如，跳频交替二进制偏移载波(FH-AltBOC)调制用于GNSS，以及非正交多址接入(NOMA)用于OFDM系统等。

研究结论与讨论

该综述论文系统性地梳理了近十年来NBI抑制技术的研究进展，为相关领域的研究人员提供了一份全面而深入的技术指南。论文不仅总结了NBI的数学模型和在不同应用中的影响，更重要的是，它创造性地将纷繁复杂的抑制技术归纳为九大类别，并详细阐述了每类技术的原理、优势、局限及适用场景。

论文的结论部分强调了NBI问题的普遍性和严重性，指出随着频谱共享的深入，NBI抑制技术将变得越来越重要。同时，论文也指出了当前研究存在的一些空白和挑战，例如，针对电子战(EW)环境下的抗干扰、基于真实世界数据的模型验证、认知无线电(CR)与共存场景下的干扰管理、以及针对多干扰源的复杂场景等。

最后，论文展望了未来的研究方向，包括：利用机器学习(ML)和人工智能(AI)开发更智能的干扰抑制算法；研究集成感知与通信(ISAC)系统中的NBI抑制策略；应对巨型卫星星座带来的新型干扰挑战；以及开发能够同时处理多种干扰类型的混合抑制方案。这些前瞻性的思考为NBI抑制技术的未来发展指明了方向，将推动无线通信系统在日益拥挤的频谱环境中实现更可靠、更高效的运行。