ADS-B信号噪声的分离算法及实现

　　高春燕(山东航空股份有限公司，山东 济南 250000)

　　摘 要：针对1090ES ADS-B信号存在噪声干扰的问题，设计了基于FastICA算法的ADS-B信号噪声分离。利用多个基站信号作为观测信号，通过FastICA实现源信号和噪声信号的分离。通过MATLAB仿真验证了FastICA在分离ADS-B源信号和噪声信号中的可行性，分离后的信号能够满足ADS-B信号提取的特征。实验证明该算法提高了信号的解码正确率。

　　关键词：ADS-B；噪声信号；FastICA；信号分离。

　　0 引言

　　广播式自动相关监视(Automatic DependentSurveillance-Broadcast，ADS-B)是综合通信与监视的信息系统，通过多点对多点方式完成飞机之间的数据双向通信。 ADS-B是利用飞机上的GPS作为信号源，将飞机位置、高度、速度、航向等信息以广播的形式发送，地面设备或飞机通过接收机获取ADS-B的信号，并对ADS-B的信号进行解码，从而实现对飞机动态的监视。但是在实际传输过程中，ADS-B的信号会受到外部信号的干扰，造成ADS-B信号的波动甚至失真。受到噪声干扰后的ADS-B信号对ADS-B接收机解码造成很大的影响，会导致飞机位置信息的缺失。基于FastICA的ADS-B信号噪声分离就是在未知源信号的前提下，根据观测信号的特征，将ADS-B的信号和干扰信号进行分离 ， 消除噪声信号的干扰 ， 获取ADS-B源信号。

　　1 1090ES ADS-B信号

　　1090ES ADS-B是ADS-B通信方式的一种，广泛地应用在现在民航航空运输中。1090ES ADS-B的传输信号采用脉冲位置调制（PPM）编码，包括4个前导脉冲和112比特消息序列，如图 1所示。ADS‐B 消息包含4个识别脉冲，每个脉冲持续（0.5±0.05）μs。1090ES ADS-B 的消息序列每个bit占时为1μs，在1μs信号中，产生的下降沿信号表示二进制“1”，上升沿信号表示二进制“0”,并且前端的4个前导脉冲为后续报文的识别提供功率参考，是ADS-B信号解码的基础。

　　本文采用MATLAB仿真，仿真信号为10 MHz采样率，能够满足ADS-B信号解码的算法要求。ADS-B为广播式通信技术，通常信号干扰来自同其他的ADS-B信号或者传播过程的噪声信号，例如二次雷达脉冲或者ADS-C的干扰等。图 2为ADS-B信号和噪声信号的叠加，虽然叠加之后的信号与ADS-B源信号脉冲变化趋势接近，但是报头识别脉冲不能为后续的解码提供信号的功率参考。

　　在ADS-B信号噪声分离模型中，假定ADS-B的观测信号和ADS-B源信号都是随机信号， X(t) 表示ADS-B观测信号 [x₁(t),x₂(t),x₃(t).......x_m(t)] 。 S(t) 表示ADS-B源信号[x₁(t),x₂(t),x₃(t).......x_n(t)]。这里的ADS-B观测信号是通过ADS-B源信号和噪声信号混合生成的，其模型为：X_i(t)=a_i1s₁(t)+a_i2s₂(t)+....+a_ins_n(t)， i 为整数其中 a _ij 为混合矩阵 A 的随机生成的变量，用于随机叠加ADS-B信号和噪声信号， i 和 j 变量为整数。那么ADS-B基站接收到的观察信号可以表示为：

　　X(t)=AS(t)+n(t)

　　或者将第 i 个观测信号 x_i(t) 表示为：

　　信号噪声分离的算法模型就是需要计算分离矩阵 W ，通过计算得到的 W 从ADS-B混合后的观察信号 X(t) 中提取并恢复ADS-B的源信号 S(t) 。假设 Y(t)是ADS-B源信号的估计信号，则分离系统表示为：

　　Y(t)=WX(t)

　　2 FastICA算法独立成分分析方法（ICA）是盲源分离技术中的一种信号处理算法，是近年来使用比较普遍而且有效的数据分析算法。它可以通过且仅通过观测信号来估计混合矩阵，并从混合数据中提取出原始的独立信号。

　　为了保证ICA模型是可解的，需要做以下假定和限制 ^[1] ：

　　1）各个源信号之间是具有统计独立性。

　　2）输入源信号的服从非高斯分布的。

　　3）混合矩阵是方阵，即独立分量数等于观测混合信号数 ^[2] 。

　　在现有的ICA算法中，快速ICA算法(FastlCA)以其收敛速度快、分离效果好被广泛应用于信号处理领域。该算法是通过使用一个非线性函数g便能直接找出任何非高斯分布的独立分量 ^[3] 。

　　在FastICA算法中，首先需要对ADS-B观测信号X 进行中心化处理，使ADS-B观测信号 X 属性的均值为0；

　　然后求出一个矩阵的协方差矩阵，并对处理后的ADS-B观测信号数据进行白化，X→Z^[4] ；

　　选择需要估计的分量的个数m，设迭代次数p ←1；

　　选择一个初始权矢量（随机的）W _p ， 令, g 为非线性函数 g( y) = tanh(y ) ；计算其中

　　3 仿真与分析

　　为了验证FastICA在ADS-B信号噪声分离的可行性，本文对噪声信号下ADS-B含有噪声的信号进行MATLAB的仿真实验。在仿真实验中，ADS-B信号采样为10 Mhz，采样数据为1000样本。每一个ADS-B基站接收到的信号为ADS-B信号和噪声信号的随机叠加。

　　3.1 噪声信号下的ADS-B的信号分离

　　在ADS-B源信号中加入了随机噪声和脉冲噪声，如图 3所示，脉冲信号的幅度基本与ADS-B信号类似。图 3的1和2号图中为加入随机噪声的ADS-B信号，3号图为加入干扰脉冲信号和其他随机噪声信号，这样的源信号产生叠加的信号会对ADS-B信号解码产生更大的影响。通过观测信号可以看出该信号无法正常识别ADS-B的脉冲信号。本文通过使用FastICA算法对观测信号进行信号分离，分离以后的信号如图 5所示。

　　3.2 仿真结果分析

　　从仿真结果来看，基于FastICA的算法能够满足ADS-B信号分离的处理。FastICA可以将加入了随机噪声和干扰信号后的ADS-B信号分离出来，而且分离的ADS-B脉冲信号与原始信号的波形基本一致，满足ADS-B解码算法对ADS-B信号的识别要求。

　　4 结论

　　基于FastICA的ADS-B信号分离算法在减少了信号处理的计算量的同时，提高了ADS-B信 号分离的速度，使得ADS-B信号在信号干扰下，仍然有效地解决ADS-B信号的解码问题。相比传统的算法，该算法提高了运算效率。存在的不足就是FastICA存在多个解符合假设，不是唯一解，后续将进行信号变换的研究和设计。

　　参考文献

　　[1] Hyvarinen A, Karhunen J. Independent ComponentAnalysis[M].New York, 2011 .

　　[2] 张超. 基于独立分量分析的语音信号盲解卷积研究[D].安徽大学,2009.

　　[3] 王刚. 基于最大非高斯估计的独立分量分析理论研究[D]. 长沙：国防科学技术大学, 2005.

　　[4] 王志超. 基于二阶矩的ICA算法设计与提升[D].西安：西安电子科技大学, 2015.

　　[5] 张天平, 郝建华, 许斌. ADS-B技术及其在空管中的发展与应用[J]. 电子产品世界, 2009, 16(6):34-37.

　　本文来源于科技期刊《电子产品世界》2019年第11期第43页，欢迎您写论文时引用，并注明出处。