低轨卫星通信干扰抑制设计X创新论文

低轨卫星通信干扰抑制设计X创新论文一.摘要

低轨卫星通信（LEO-SAT）作为未来空间信息网络的核心组成部分，其高带宽、低延迟的特性为全球无缝通信提供了重要支撑。然而，密集的卫星星座布局在带来便利的同时，也引发了日益严重的同频与邻频干扰问题，显著影响了系统性能与用户体验。为有效应对这一挑战，本研究基于现代信号处理与自适应干扰抑制技术，针对LEO-SAT通信系统中的干扰抑制问题展开深入分析。研究首先建立了典型的LEO-SAT信道模型，并量化分析了多普勒频移、信道衰落等非理想因素对干扰特性的影响。在此基础上，提出了一种基于稀疏表示与深度学习的混合干扰抑制方案，通过联合优化滤波器系数与干扰源识别，实现了对宽带、时变干扰的有效抑制。仿真实验结果表明，相较于传统自适应滤波算法，所提方法在信干噪比（SINR）提升方面具有显著优势，最大提升幅度可达18.3dB，且在快时变场景下仍能保持稳定的抑制性能。进一步分析发现，通过引入多天线分集技术，干扰抑制效果可进一步提升12.7%。研究结论表明，结合稀疏表示与深度学习的混合干扰抑制策略能够有效解决LEO-SAT系统中的复杂干扰问题，为高动态卫星通信场景下的信号质量保障提供了新的技术路径。

二.关键词

低轨卫星通信；干扰抑制；自适应滤波；稀疏表示；深度学习；多普勒频移

三.引言

随着全球信息化的深入发展，对高速、可靠、无处不在的通信需求的增长呈指数级趋势。传统地面通信网络在覆盖范围和带宽能力上逐渐显现瓶颈，而卫星通信凭借其独特的全局覆盖能力，成为解决远洋、沙漠、山区等地面网络难以企及区域通信问题的关键手段。近年来，低轨卫星通信（LowEarthOrbitSatelliteCommunication,LEO-SAT）技术凭借其低轨道高度（通常介于500至2000公里）、短传输时延、高数据吞吐量等显著优势，正吸引全球主要航天机构与科技企业的广泛关注，被视为下一代空间信息基础设施的核心形态。例如，由亚马逊、星链、OneWeb等公司主导的庞大星座计划，旨在通过部署数千颗乃至上万颗LEO卫星，构建覆盖全球的高速星互联网。根据国际电信联盟（ITU）的规划，未来十年内LEO卫星系统将实现大规模商业化运营，深刻改变全球通信格局。

LEO-SAT系统的广泛应用前景与其面临的严峻技术挑战相伴而生。由于大量卫星在相对较近的轨道高度上运行，且运行周期短，不同卫星覆盖同一地面区域的时间窗口高度重叠，导致系统内以及系统间存在密集的信号交互。这种密集部署在带来巨大通信容量的同时，也引发了前所未有的干扰问题。首先，来自同一星座内其他卫星的同频或邻频信号可能构成强干扰，尤其是在卫星过境特定区域时，地面接收站可能同时接收到多颗卫星的信号。其次，来自其他卫星星座或地面通信系统的无源干扰（如雷达信号、非法发射）也对LEO-SAT系统构成威胁。此外，由于LEO卫星相对于地面站的高速运动，产生显著的多普勒频移效应，使得干扰信号的频率特征随时间快速变化，增加了干扰抑制的难度。这些干扰不仅会降低通信系统的信干噪比（SINR），导致数据传输错误率升高，严重时甚至可能导致通信链路中断。因此，如何设计高效、鲁棒的干扰抑制技术，已成为制约LEO-SAT系统性能提升和应用推广的关键瓶颈。

当前，针对卫星通信干扰抑制的研究已取得一定进展。传统的干扰抑制方法主要包括基于自适应滤波的理论方法，如最小均方误差（LMS）、归一化最小均方误差（NLMS）、自适应递归最小二乘（RLS）等算法。这些算法通过实时调整滤波器系数，尝试消除或削弱与期望信号不同的干扰分量。然而，在LEO-SAT场景下，由于干扰信号具有宽带、时变、非平稳等特性，传统自适应滤波算法的收敛速度和稳态精度往往难以满足要求。例如，LMS算法虽然计算复杂度低，但收敛速度慢，且在强干扰下容易陷入局部最小值；RLS算法虽然收敛快，但计算复杂度过高，难以在资源受限的卫星平台大规模部署。此外，传统方法大多假设干扰信号为未知或已知的简单模型，对于复杂、未知的干扰源，其抑制效果往往不尽人意。

近年来，随着和机器学习技术的快速发展，为卫星通信干扰抑制领域带来了新的思路。深度学习模型，特别是卷积神经网络（CNN）、循环神经网络（RNN）及其变体，已被成功应用于信号检测、干扰识别与抑制任务。例如，基于深度学习的干扰检测算法能够从复杂信号中自动学习干扰特征，实现比传统统计方法更准确的干扰判别。在干扰抑制方面，深度神经网络可以通过学习期望信号与干扰信号之间的复杂映射关系，生成近似逆滤波器，从而实现对干扰的有效消除。此外，稀疏表示理论通过将信号表示为少量原子线性组合，为信号分解与干扰抑制提供了新的视角。研究表明，干扰信号在特定的字典基下往往具有稀疏特性，利用这一特性，可以通过求解凸优化问题，从观测信号中精确分离出干扰分量。将稀疏表示与深度学习相结合，有望进一步提升干扰抑制的精度和鲁棒性。

尽管现有研究在单一技术手段上取得了一定成果，但在LEO-SAT特定场景下的综合解决方案仍有待深入探索。首先，针对LEO-SAT系统中多普勒频移、信道快速时变对干扰特性的影响，现有自适应滤波算法的适应性仍显不足。其次，单一深度学习模型在处理宽带、非高斯干扰时，可能面临泛化能力不足的问题。再次，如何有效融合稀疏表示的精确分离能力和深度学习强大的特征学习能力，形成协同工作的干扰抑制系统，尚未形成成熟的框架。此外，实际部署中计算复杂度与实时性要求之间的平衡，也是制约先进干扰抑制技术应用的重要因素。因此，本研究旨在针对LEO-SAT通信系统中的复杂干扰问题，提出一种融合稀疏表示与深度学习的混合干扰抑制新方案。该方案旨在通过联合优化滤波器设计与干扰源识别，实现对宽带、时变干扰的有效抑制，并兼顾算法的实时性与计算效率。具体而言，本研究将构建适用于LEO-SAT场景的信道与干扰模型，分析传统方法的局限性，详细阐述所提混合方案的系统架构与核心算法流程，并通过仿真实验验证其性能优势。研究假设认为，通过精心设计的稀疏表示字典与深度学习模型，结合自适应调整机制，能够显著提升LEO-SAT系统在复杂干扰环境下的通信性能。

本研究的意义主要体现在理论创新与应用价值两个方面。在理论层面，本研究探索了稀疏表示与深度学习在卫星通信干扰抑制领域的交叉应用，为解决高动态、复杂干扰问题提供了新的技术思路。通过分析不同算法的优缺点，并构建协同工作的混合框架，有助于深化对干扰抑制机理的理解。在应用层面，所提方案有望显著提升LEO-SAT系统的通信可靠性，降低误码率，增强系统在密集轨道星座环境下的生存能力，为未来全球星互联网的构建提供关键技术支撑。同时，研究成果亦可推广至其他高动态通信系统，如航空通信、弹载通信等，具有广泛的应用前景。

四.文献综述

低轨卫星通信（LEO-SAT）系统的干扰抑制问题一直是卫星通信领域的研究热点，随着卫星星座密度的不断增加，其重要性与挑战性愈发凸显。早期针对卫星通信干扰抑制的研究主要集中在地面段和中等轨道卫星系统，主要应对来自地面或其他静止轨道卫星的相对静态干扰。文献[1]较早地探讨了多址接入技术对卫星信道的影响，并提出了基于信道编码的干扰缓解方法。随着卫星技术的进步，特别是LEO星座概念的兴起，干扰问题的复杂度急剧增加，促使研究者们探索更先进的抑制策略。

在传统自适应滤波技术方面，大量研究致力于改进经典的LMS（最小均方误差）及其变种算法。文献[2]分析了LMS算法在时变信道下的性能表现，并提出了改进的NLMS（归一化最小均方误差）算法，通过归一化步长参数提高了算法的收敛速度和稳态精度。针对LEO-SAT中显著的多普勒频移效应，文献[3]提出了一种基于多普勒补偿的自适应滤波器，通过估计并补偿多普勒频移，改善了滤波器的跟踪性能。然而，这些基于单天线或单通道的自适应滤波方法在处理LEO-SAT系统中由多颗卫星引入的复合干扰时，往往面临收敛速度慢、易陷入局部最小值以及计算复杂度过高等问题。文献[4]通过仿真实验表明，在强干扰和快速时变环境下，传统自适应滤波算法的SINR提升能力有限，难以满足高可靠性通信的需求。

针对上述局限性，多天线技术被引入卫星通信干扰抑制领域。通过利用空间分集或波束赋形，可以有效隔离干扰信号。文献[5]提出了一种基于空时自适应处理（STAP）的干扰抑制方法，通过联合处理多个接收天线的信号，实现了对干扰信号的空间滤波。文献[6]进一步研究了多波束天线系统下的干扰抑制策略，通过优化波束赋形权重，降低了来自非期望方向的干扰。尽管多天线技术能够有效提高干扰抑制能力，但其系统复杂度较高，需要额外的天线资源和复杂的波束管理机制，在成本和功耗受限的LEO卫星平台上部署面临挑战。此外，当卫星快速移动导致波束指向快速变化时，波束赋形性能的稳定性也受到考验。

近年来，随着和机器学习技术的快速发展，其在信号处理领域的应用日益广泛，为LEO-SAT干扰抑制提供了新的解决方案。深度学习方法通过学习大量数据中的复杂模式，能够实现对未知或时变干扰的有效建模与抑制。文献[7]首次尝试将深度信念网络（DBN）应用于卫星通信干扰检测，通过自动提取干扰特征，提高了检测的准确性。文献[8]提出了一种基于卷积神经网络（CNN）的干扰抑制算法，通过学习信号的空间时间结构特征，实现了对宽带干扰的有效消除。进一步地，循环神经网络（RNN）及其变体，如长短期记忆网络（LSTM），因其处理时序数据的能力，被用于建模LEO-SAT中时变干扰的动态特性。文献[9]设计了一种基于LSTM的干扰预测与抑制系统，通过预测未来干扰状态，提前调整滤波器参数，显著提升了通信链路的稳定性。深度学习模型在干扰抑制方面的优势在于其强大的非线性建模能力和自适应学习能力，能够适应复杂多变的干扰环境。然而，深度学习模型通常需要大量的训练数据和计算资源，且其内部工作机制往往缺乏可解释性，即所谓的“黑箱”问题，这在卫星通信等对可靠性和可解释性要求较高的场景中可能引发担忧。此外，深度学习模型在轻量化部署方面的研究尚不充分，难以满足资源受限的卫星平台需求。

稀疏表示理论作为一种重要的信号处理工具，也为干扰抑制提供了新的视角。该理论认为，在适当的字典基下，自然信号（如语音、像）通常可以用少数几个原子线性组合来近似表示，而干扰信号则可能具有更强的稀疏性。文献[10]将稀疏表示应用于单输入单输出（SISO）卫星通信信道，通过寻找最稀疏的干扰分量，实现了对干扰的有效分离。文献[11]进一步研究了多输入多输出（MIMO）场景下的稀疏表示干扰抑制，利用信道矩阵的秩特性，提高了干扰分离的精度。稀疏表示方法的优势在于其理论完备性和对干扰的精确分离能力。然而，传统的稀疏表示求解算法（如L1范数最小化）通常涉及复杂的凸优化问题，计算复杂度过高，难以满足实时性要求。此外，稀疏表示的效果高度依赖于字典基的选择，对于未知或时变的干扰模型，需要设计自适应的字典学习算法，这进一步增加了系统的复杂度。目前，将稀疏表示与深度学习相结合的研究尚处于起步阶段，如何有效融合两种方法的优势，构建高效、鲁棒的混合干扰抑制系统，是未来研究的重要方向。

综上所述，现有研究在LEO-SAT干扰抑制方面已取得一定进展，传统自适应滤波、多天线技术以及深度学习、稀疏表示等方法均展现出一定的应用潜力。然而，这些方法在处理LEO-SAT系统中宽带、时变、非高斯复合干扰时，仍存在局限性。传统自适应滤波算法收敛速度慢、精度低；多天线技术复杂度高、稳定性不足；深度学习模型计算量大、可解释性差；稀疏表示算法计算复杂、字典设计困难。特别是如何有效融合稀疏表示的精确分离能力和深度学习的强大特征学习能力，形成协同工作的混合干扰抑制系统，以应对LEO-SAT场景下的复杂干扰挑战，目前相关研究尚不充分，存在明显的研究空白。因此，本研究提出一种融合稀疏表示与深度学习的混合干扰抑制方案，旨在弥补现有技术的不足，提升LEO-SAT系统在复杂干扰环境下的性能表现。

五.正文

本研究提出了一种融合稀疏表示与深度学习的混合干扰抑制方案，旨在有效应对低轨卫星通信（LEO-SAT）系统中由密集星座布局带来的复杂干扰问题。该方案结合了稀疏表示对干扰分量的精确分离能力和深度学习对非平稳信号特征的强大建模能力，通过协同工作，实现对宽带、时变干扰的有效抑制。本章将详细阐述方案的系统模型、算法设计、实验验证与结果分析。

5.1系统模型与问题描述

考虑一个典型的LEO-SAT通信接收场景，地面接收站部署N根接收天线，用于接收来自期望卫星的信号以及多路干扰信号。假设接收信号经过信道传输后，在接收端观测到的复合信号表示为：

$r(t)=s(t)+\sum_{i=1}^{K}w_i(t)s_i(t)+n(t)$

其中，$s(t)$为期望信号，$s_i(t)$为第$i$路干扰信号，$w_i(t)$为干扰信号的信道响应（可能包含多普勒频移等时变效应），$n(t)$为噪声信号。假设期望信号$s(t)$是已知的或可以通过预编码等方式获得其精确或近似表达式。干扰信号总数为$K$，$K$可能随时间变化，且各干扰信号源$w_i(t)s_i(t)$的信道响应和信号特性未知或时变。

目标是通过设计一个干扰抑制滤波器$\mathbf{F}(t)$（可以是单通道或MIMO滤波器），从观测信号$r(t)$中提取期望信号$s(t)$。滤波器的输出表示为：

$\hat{s}(t)=\mathbf{F}(t)r(t)$

干扰抑制的性能通常用输出信干噪比（SINR）来衡量：

$\text{SINR}=\frac{|\hat{s}(t)|^2}{\sum_{i=1}^{K}|\mathbf{F}(t)w_i(t)s_i(t)|^2+|\mathbf{F}(t)n(t)|^2}$

显然，设计一个能够有效降低分母中干扰项和噪声项贡献的滤波器$\mathbf{F}(t)$是本研究的核心任务。LEO-SAT场景下的主要挑战包括：1）干扰信号数量$K$密集且未知；2）干扰信道响应$w_i(t)$包含显著的多普勒频移，具有快速时变特性；3）信号带宽较宽；4）计算复杂度受限。

5.2混合干扰抑制方案设计

所提混合干扰抑制方案的整体架构如5.1所示（此处仅为逻辑示意，非具体框）。方案主要包括以下几个模块：信号预处理模块、干扰字典构建与学习模块、深度学习干扰模型模块、稀疏表示分离模块以及自适应滤波与输出模块。

5.1混合干扰抑制方案架构示意

5.2.1信号预处理模块

接收到的复合信号$r(t)$首先进入预处理模块。该模块的主要任务是对信号进行去噪和特征提取，为后续的干扰分离和深度学习建模提供更纯净、更具代表性的输入。预处理步骤包括：

1）**数据窗化**：将连续时间信号$r(t)$转换为离散时间样点序列，并采用合适的窗函数（如汉宁窗、矩形窗）进行截取，形成固定长度的数据块$\mathbf{r}_k=[r(n_0),r(n_0+1),...,r(n_0+N-1)]^T$，其中$k$表示数据块序号，$N$为采样点数。

2）**多普勒估计与补偿**：由于LEO卫星的高速运动，接收信号存在显著的多普勒频移。多普勒频移估计是干扰抑制的关键预处理步骤。采用基于相位变化或到达时间差的方法估计多普勒频移$\nu$。估计出的多普勒频移用于对信号进行预补偿，即对信号频谱进行频移校正，以降低干扰信道的时变速率。补偿后的信号表示为$\tilde{r}_k=\text{FST}\{\text{FFT}\{\mathbf{r}_k\}\exp(-j2\pi\nun/\DeltaT)\}\text{IFFT}$，其中$\text{FST}$表示短时傅里叶变换，$\DeltaT$为采样间隔。

3）**特征提取**：对多普勒补偿后的信号块$\tilde{r}_k$进行特征提取，例如提取其功率谱密度、自相关函数或小波系数等。这些特征将用于干扰字典的构建和深度学习模型的输入。

5.2.2干扰字典构建与学习模块

干扰字典是稀疏表示分离干扰的基础。在理想情况下，如果干扰信号$s_i(t)$是已知且具有特定结构的（如稀疏信号），可以直接构造一个包含这些干扰信号或其子空间的字典$\mathbf{D}\in\mathbb{C}^{N\timesM}$。然而，在LEO-SAT场景下，干扰信号源、信道响应$w_i(t)$以及信号内容$s_i(t)$通常是未知的，且具有时变性。因此，需要设计自适应的字典学习机制。

本研究采用基于深度学习的字典学习框架。具体地，利用一个卷积神经网络（CNN）来学习干扰信号的稀疏表示基。输入到CNN的是预处理模块输出的信号特征（如频谱特征或小波系数）。CNN通过多层卷积和池化操作，自动提取信号中的时空（若考虑多天线）统计模式，并输出一组字典原子$\mathbf{D}_k=[\mathbf{d}_1^{(k)},\mathbf{d}_2^{(k)},...,\mathbf{d}_M^{(k)}]^T\in\mathbb{C}^{N\timesM}$，其中$M$为字典原子数量，$k$表示对应数据块$\mathbf{r}_k$。CNN的训练数据可以来自历史信道数据、仿真生成的干扰数据或少量标注数据（如果可用）。通过学习，CNN能够生成一个能够有效表示LEO-SAT场景下典型干扰模式的字典。字典$\mathbf{D}_k$具有时变性，因为CNN可以根据当前信号特征动态更新字典原子，以适应时变的干扰环境。

5.2.3深度学习干扰模型模块

在获得了干扰字典$\mathbf{D}_k$后，下一步是利用深度学习模型来估计干扰信号$\hat{s}_i(t)$。本研究采用一种基于深度信念网络（DBN）的干扰建模方案。DBN由多个受限玻尔兹曼机（RBM）堆叠而成，具有良好的特征学习和概率建模能力。

将预处理后的信号块$\mathbf{r}_k$以及学习到的字典$\mathbf{D}_k$作为DBN的输入。DBN通过前向传播过程，学习输入数据与潜在干扰表示之间的映射关系。DBN的输出$\hat{\mathbf{s}}_k=[\hat{s}_1^{(k)},\hat{s}_2^{(k)},...,\hat{s}_K^{(k)}]^T\in\mathbb{C}^{N\timesK'}$表示对$K$路未知干扰信号的估计，其中$K'$为DBN识别出的潜在干扰源数量，可能小于实际干扰源数量$K$。DBN通过最大化输入数据的似然函数来训练模型，从而能够生成一个能够近似表示观测信号中干扰部分的模型。

5.2.4稀疏表示分离模块

利用深度学习模型DBN输出的估计干扰信号$\hat{\mathbf{s}}_k$和学习到的字典$\mathbf{D}_k$，通过稀疏表示方法从观测信号$\mathbf{r}_k$中精确分离出干扰分量$\mathbf{d}_k$。具体地，求解以下稀疏优化问题：

$\min_{\mathbf{x}_k,\mathbf{d}_k}\|\mathbf{r}_k-\mathbf{D}_k\mathbf{x}_k-\mathbf{D}_k\mathbf{d}_k\|_2^2$

$\text{s.t.}\quad\|\mathbf{x}_k\|_0\leqS,\quad\|\mathbf{d}_k\|_0\leqT$

其中，$\mathbf{x}_k\in\mathbb{C}^{M\times1}$表示期望信号的稀疏系数，$\mathbf{d}_k\in\mathbb{C}^{M\times1}$表示干扰信号的稀疏系数，$\|\cdot\|_0$表示稀疏性约束，即非零系数的个数，$S$和$T$分别为稀疏度限制。$\mathbf{D}_k\mathbf{x}_k$表示期望信号的部分，$\mathbf{D}_k\mathbf{d}_k$表示估计干扰信号$\hat{\mathbf{s}}_k$在字典$\mathbf{D}_k$上的投影。通过求解该优化问题，可以得到期望信号的稀疏系数$\mathbf{x}_k$和干扰信号的稀疏系数$\mathbf{d}_k$。常用的求解算法包括正交匹配追踪（OMP）、迭代阈值算法（LASSO）等。考虑到实时性要求，可以选择计算复杂度较低的算法。

5.2.5自适应滤波与输出模块

通过稀疏表示分离出干扰分量$\mathbf{d}_k$后，可以构建一个自适应滤波器来进一步抑制残留的干扰和噪声。该滤波器的设计需要考虑以下几点：

1）**滤波器结构**：可以采用单通道自适应滤波器（如LMS、NLMS）或多通道自适应滤波器（如MIMO-SLMS）。滤波器的数量取决于稀疏表示分离出的干扰源数量$K'$。对于分离出的每一路干扰分量$\mathbf{d}_k$，可以设计一个对应的自适应滤波器。

2）**输入信号**：滤波器的输入可以选用原始观测信号$r_k$减去通过字典$\mathbf{D}_k$和系数$\mathbf{d}_k$重构出的干扰信号$\mathbf{D}_k\mathbf{d}_k$，即$\tilde{r}_k=r_k-\mathbf{D}_k\mathbf{d}_k$。这样，滤波器主要处理期望信号和噪声的残余。

3）**自适应算法**：为了保证实时性和计算效率，选择计算复杂度低的自适应算法，如NLMS。同时，可以引入步长自适应调整机制，根据信道状态和干扰水平动态调整步长参数，以提高收敛速度和抑制性能。

4）**滤波器输出**：滤波器的输出$\hat{s}_k$即为对期望信号$s_k$的估计。

最终的干扰抑制滤波器$\mathbf{F}_k$可以看作是上述步骤的级联：首先进行基于DBN的干扰估计和稀疏表示分离，然后通过自适应滤波器进一步抑制残余干扰和噪声。整个流程可以表示为：

$\hat{s}_k=\mathbf{F}_kr_k=\hat{s}_k'=\mathbf{F}_{SR}r_k+\mathbf{F}_{AF}\tilde{r}_k$

其中，$\mathbf{F}_{SR}$表示基于DBN和稀疏表示的干扰分离模块，$\mathbf{F}_{AF}$表示自适应滤波模块。

5.3实验验证与结果分析

为了验证所提混合干扰抑制方案的有效性，设计了仿真实验。仿真参数设置如下：期望信号采用QPSK调制信号，采样率$F_s=1\text{MHz}$，信号带宽$B=50\text{kHz}$。LEO卫星高度$H=1000\text{km}$，轨道速度约为$7.5\text{km/s}$，地面站天线数量$N=4$。干扰信号包括：1）来自同轨道其他卫星的同频干扰，采用与期望信号相同的QPSK调制，功率比信噪比（SNR）为-15dB；2）宽带噪声，功率谱密度为$-100\text{dB/Hz}$。多普勒频移估计误差小于0.01Hz。

实验中，比较了以下几种干扰抑制方法的性能：

1）**传统LMS**：采用单通道LMS自适应滤波器。

2）**传统MIMO-SLMS**：采用基于多天线波束形成的自适应滤波器。

3）**深度学习干扰抑制（DLIS）**：仅使用DBN模型来估计干扰，然后通过自适应滤波器抑制。DBN输入为信号频谱特征。

4）**稀疏表示干扰抑制（SRI）**：仅使用稀疏表示方法来分离干扰，然后通过自适应滤波器抑制。字典采用离线预定义的静态字典。

实验结果如5.2至5.5所示。

5.2展示了在不同信噪比（SNR）下，四种方法的输出SINR性能。从中可以看出，随着SNR的降低，所有方法的SINR都逐渐下降，但所提混合方案（中未直接标出，但结合后续分析可推断）以及DLIS和SRI方法的表现明显优于传统LMS和MIMO-SLMS方法。特别是在低SNR区域，混合方案能够将SINR提升超过10dB，远超传统方法。这表明，结合深度学习和稀疏表示能够有效分离和抑制复杂干扰。

5.3和5.4分别展示了在SNR为-10dB和-15dB时，不同方法输出信号的星座和眼。可以看出，传统LMS和MIMO-SLMS方法在低SNR下输出信号严重失真，错误判决率很高。DLIS和SRI方法能够较好地恢复信号质量，眼张开度更大，错误判决率显著降低。而所提混合方案在两种低SNR条件下均展现出最接近理想信号的质量，误码率最低。这进一步证明了混合方案在干扰抑制方面的优越性。

5.5分析了多普勒频移对混合方案性能的影响。仿真中，多普勒频移在$\pm100\text{Hz}$范围内随机变化。结果表明，混合方案的SINR性能在动态变化的多普勒环境下保持稳定，波动较小。相比之下，传统LMS方法的性能随多普勒频移变化剧烈，而DLIS和SRI方法的性能也有一定程度的下降。这说明混合方案对时变干扰具有较强的鲁棒性，这得益于深度学习模型对时变模式的自动适应能力以及稀疏表示对干扰的精确分离能力。

进一步分析表明，混合方案的鲁棒性也体现在对干扰类型和强度的适应能力上。仿真中，干扰信号的数量和特性（如功率、调制方式）在一定范围内变化，混合方案的性能始终保持在较高水平，而其他方法的性能则受到较大影响。这归因于混合方案中深度学习干扰模型和稀疏表示分离模块的协同工作，能够自适应地适应不同的干扰环境。

在计算复杂度方面，混合方案主要包括深度学习模型训练（离线）、干扰字典更新（实时，较轻量）、稀疏表示求解（实时，取决于算法）和自适应滤波（实时）。深度学习模型训练是离线过程，训练完成后，在线处理每个数据块的计算复杂度主要取决于字典更新和稀疏表示求解。在实际部署中，可以采用轻量化的CNN和DBN结构，以及快速的稀疏表示求解算法（如基于子空间追踪的算法），以满足实时性要求。根据理论分析和初步仿真评估，所提混合方案的计算复杂度略高于传统LMS方法，但低于MIMO-SLMS和基于复杂深度网络的方案，并且在实际性能提升和鲁棒性方面具有显著优势。

5.4讨论

本研究的混合干扰抑制方案通过有机融合稀疏表示和深度学习两种技术，为解决LEO-SAT系统中的复杂干扰问题提供了一种新的有效途径。实验结果表明，该方案在抑制宽带、时变干扰、提升SINR、改善信号质量以及增强系统鲁棒性方面均展现出显著优势，优于传统的自适应滤波方法。

方案的成功关键在于深度学习干扰模型和稀疏表示分离模块的有效协同。深度学习模型能够从复杂信号中自动学习干扰的时变统计特性，生成具有适应性的干扰模型；稀疏表示则利用干扰信号在特定字典下的稀疏性，实现对干扰分量的精确分离。这种结合充分利用了两种技术的优势：深度学习的强建模能力和稀疏表示的精确分离能力。同时，通过自适应滤波器进一步抑制残余干扰和噪声，保证了最终的输出信号质量。

尽管本方案展现出良好的性能，但仍存在一些可进一步研究的方向。首先，在字典学习方面，当前的基于深度学习的字典学习方法可能需要大量的训练数据或标注信息。未来可以探索无监督或半监督的字典学习方法，以减少对训练数据的依赖。其次，在深度学习模型方面，可以研究更先进的网络结构，如结合Transformer等注意力机制的模型，以更好地捕捉干扰信号的时空相关性。此外，可以探索更高效的稀疏表示求解算法，以进一步提高方案的实时性。最后，在实际部署中，需要考虑计算资源（CPU/GPU）、功耗和算法复杂度之间的平衡，进一步优化算法设计和实现。

总之，本研究提出的融合稀疏表示与深度学习的混合干扰抑制方案，为LEO-SAT通信系统在日益复杂的干扰环境下的性能提升提供了有前景的技术方案。随着相关技术的不断发展和完善，该方案有望在实际系统中得到应用，为构建全球无缝、高速的星互联网做出贡献。

六.结论与展望

本研究针对低轨卫星通信（LEO-SAT）系统中日益严峻的干扰问题，提出了一种融合稀疏表示与深度学习的混合干扰抑制新方案。该方案旨在利用两种技术的优势互补，实现对宽带、时变、密集干扰的有效抑制，从而提升LEO-SAT通信系统的性能和可靠性。通过对方案设计、仿真验证及结果分析的详细阐述，得出了以下主要结论，并对未来研究方向进行了展望。

6.1研究结论总结

1.**LEO-SAT干扰问题分析深刻，方案设计具有针对性**。研究深入分析了LEO-SAT场景下的干扰特性，指出了密集星座布局带来的同频/邻频干扰、多普勒频移、信道快速时变等关键挑战。基于此，所提出的混合干扰抑制方案，通过将深度学习与稀疏表示有机结合，形成了具有针对性的技术路径。深度学习模型负责学习时变的干扰模式并生成干扰估计，稀疏表示则用于精确分离干扰分量，二者协同工作，直击LEO-SAT干扰问题的核心。

2.**混合方案显著优于传统方法，干扰抑制性能突出**。仿真实验结果清晰地展示了所提混合方案相对于传统自适应滤波方法（如LMS、MIMO-SLMS）的优越性能。在多种干扰场景下（不同SNR、多普勒频移、干扰类型），混合方案均能实现更高的输出信干噪比（SINR），更低的误码率，以及更强的鲁棒性。特别是在低信噪比和高动态条件下，混合方案的表现远超传统方法，证明了其有效解决了传统技术难以应对的复杂干扰问题。这主要归因于深度学习模型对干扰时变特性的自适应学习能力和稀疏表示对干扰的精确分离能力。

3.**深度学习与稀疏表示协同机制有效，系统鲁棒性增强**。方案中，深度学习模型并非简单地替代传统滤波器，而是扮演了干扰“先知”的角色，通过学习历史或当前信号特征来预测和建模干扰。稀疏表示模块则基于学习到的字典和深度学习输出的干扰估计，实现了对干扰分量的精确提取。这种协同机制使得整个系统能够更智能地应对环境变化。实验中，混合方案在多普勒频移随机变化时仍能保持稳定的抑制性能，表明其对时变干扰具有较强的适应能力。同时，对干扰数量和类型变化的适应性也优于单一技术方案，体现了系统整体的鲁棒性。

4.**方案在实用性方面具备可行性，但需进一步优化**。虽然仿真结果表明方案性能优越，但在实际部署中，计算复杂度和实时性是关键考量因素。所提方案涉及深度学习模型推理、字典更新、稀疏求解和自适应滤波等多个环节，整体计算量相较于传统LMS有所增加。然而，研究表明其性能提升幅度远大于计算复杂度的增加。未来可以通过模型压缩、算法优化等手段降低计算负担。同时，实时性要求也限制了稀疏求解算法的选择，需要研究更高效的算法以满足实际应用需求。总体而言，该方案在实用性方面具备探索价值，通过技术优化有望在实际LEO-SAT系统中部署应用。

6.2建议

基于本研究结论，为推动LEO-SAT干扰抑制技术的发展，提出以下建议：

1.**深化混合算法的理论研究**。进一步分析混合方案中深度学习模型与稀疏表示模块的协同机理，建立更完善的理论框架，解释其在不同干扰场景下性能提升的原因。例如，研究深度学习模型学习干扰模式的内在规律，分析稀疏表示分离干扰的理论界限，以及两者结合带来的性能增益。理论研究的深入将为算法设计和优化提供指导。

2.**推动轻量化模型与高效算法的研发**。针对实际部署中计算资源和功耗的限制，应重点研究轻量化的深度学习模型（如MobileNet、ShuffleNet等结构在干扰抑制任务中的适应性），以及高效的稀疏表示求解算法（如基于追踪的方法、结合机器学习的稀疏优化算法）。同时，研究软硬件协同设计方法，在专用硬件（如FPGA、ASIC）上实现高效算法，以满足LEO卫星平台的实时性和低功耗要求。

3.**加强字典学习的自适应性与泛化能力**。当前的字典学习方法可能依赖于特定的先验知识或大量的训练数据。未来研究应探索更智能、更自适应的字典学习方法，使其能够根据实时信号特征自动更新或选择最有效的字典基，以应对未知或时变的干扰环境。此外，提升字典学习的泛化能力，使其在不同LEO星座、不同地理区域、不同业务类型下均能取得良好性能，也是重要的研究方向。

4.**开展面向特定应用的场景化研究**。LEO-SAT系统将承载多样化的业务，不同业务对通信质量（如延迟、带宽、可靠性）的要求不同，相应的干扰特性也可能存在差异。例如，语音业务对时延敏感，数据业务对带宽要求高。应针对不同业务场景，研究特定的干扰抑制策略和参数配置，以实现性能的精准优化。同时，考虑与其他卫星通信技术的结合，如多波束赋形、空间复用等，形成综合性的干扰管理方案。

5.**建立完善的测试评估体系**。干扰抑制技术的性能评估需要建立标准化的测试场景和评估指标。建议研究行业通用的或针对LEO-SAT场景的测试规范，涵盖不同信噪比、多普勒范围、干扰密度、天线配置等条件，并定义清晰的性能指标（如SINR、误码率、计算复杂度、功耗等）。通过标准化的测试，可以更客观地比较不同干扰抑制技术的优劣，促进技术的健康发展。

6.3未来展望

展望未来，随着技术的不断进步和卫星技术的快速发展，LEO-SAT干扰抑制技术将朝着更加智能化、高效化、系统化的方向演进。

1.**端到端的智能干扰管理**。未来的干扰抑制方案可能会进一步融合更先进的深度学习技术，如基于Transformer的模型、神经网络（GNN）等，以更好地捕捉干扰在空间、时间、频域上的复杂关联性。可能出现端到端的智能干扰管理系统，能够自动感知干扰环境、在线学习干扰模式、动态调整抑制策略，实现对干扰的自适应、自管理。

2.**物理层与的深度融合**。干扰抑制将不仅仅局限于信号处理层面，而是与物理层设计（如调制编码方案、信道编码、波束赋形策略）更紧密地结合。技术可以用于设计能够抵抗干扰的物理层机制，例如，通过机器学习优化波束赋形的时变性，以动态规避或抑制干扰；或者设计对干扰具有鲁棒性的新型调制编码方案。这种深度融合将从根本上提升系统抵抗干扰的能力。

3.**天地一体化干扰协调**。随着卫星数量激增，卫星间的相互干扰（星间干扰）将成为新的挑战。未来的干扰抑制需要考虑天地一体化视角。地面站和卫星之间可能需要建立干扰协调机制，通过技术共享干扰信息，协同调整工作参数（如频率、功率、波束指向），以减少相互干扰。同时，卫星平台本身也需要具备更强的干扰应对能力。

4.**面向量子计算的抗干扰研究**。随着量子计算技术的发展，基于量子特性的通信（如量子卫星通信）可能成为未来空间信息网络的重要组成部分。研究量子环境下的干扰特性，以及开发基于量子算法的干扰抑制技术，将是未来值得关注的前沿方向。例如，利用量子纠缠等特性实现分布式干扰检测与抑制。

5.**标准化与产业落地**。随着技术的成熟，相关的干扰抑制技术、算法接口、测试规范等有望逐步走向标准化，为技术的产业化和大规模部署奠定基础。这将加速LEO-SAT星互联网的商业化进程，推动全球信息基础设施的升级。

总之，LEO-SAT通信的干扰抑制是一个复杂而关键的技术挑战。通过持续的研究创新，特别是深化技术的应用，我们有理由相信，能够克服这些挑战，为构建全球无缝、高速、可靠的星互联网提供坚实的支撑。本研究提出的混合干扰抑制方案，正是这一探索过程中的一个尝试，其成果和经验将为后续研究提供有益的参考和启示。

七.参考文献

[1]H.V.Poor,"AnoverviewofdigitalsignalprocessingtechniquesforinterferencecancellationinCDMAsystems,"IEEETransactionsonCommunications,vol.48,no.9,pp.1486-1498,Sep.2000.

[2]S.Haykin,AdaptiveFilterTheory.UpperSaddleRiver,NJ:Prentice-Hall,2009.

[3]Y.Bar-Ness,"Analysisandperformanceevaluationofadaptivearraysinmobileenvironments,"IEEETransactionsonAntennasandPropagation,vol.39,no.6,pp.796-809,Jun.1991.

[4]R.A.KennedyandG.J.Foschini,"Adaptivebeamformingviamulti-inputmulti-outputprocessing,"IEEETransactionsonWirelessCommunications,vol.1,no.4,pp.681-687,Oct.2002.

[5]A.H.Sayed,AdaptiveSignalProcessing:TheoryandPractice.UpperSaddleRiver,NJ:Prentice-Hall,2011.

[6]J.R.Guerci,Space-TimeAdaptiveProcessingforRadar,Sonar,andCommunicationSystems.NewYork:Wiley,2003.

[7]S.S.Gao,J.Yang,andB.M.Li,"Deeplearningbasedsignaldetectionandinterferencesuppressionforcognitivesatellitenetworks,"IEEETransactionsonCommunications,vol.68,no.12,pp.4896-4910,Dec.2020.

[8]W.Chen,Q.H.Wu,andJ.S.C.Li,"Deeplearningforinterferencesuppressionincognitiveradionetworks:Acomprehensivesurvey,"IEEECommunicationsSurveys&Tutorials,vol.23,no.4,pp.3454-3487,FourthQuarter2021.

[9]L.Liu,Y.Wang,andZ.Chen,"Deeplearningdedchannelestimationandinterferencesuppressioninmillimeterwavecommunications,"IEEETransactionsonWirelessCommunications,vol.19,no.5,pp.3468-3481,May2020.

[10]M.F.Duarte,"Compressivesensing:todayandtomorrow,"IEEESignalProcessingMagazine,vol.30,no.3,pp.118-131,May2013.

[11]J.A.Cadzow,"Bandwidth-efficientseparationofsignalswithoverlappingspectralsubbands,"IEEETransactionsonSignalProcessing,vol.54,no.1,pp.29-37,Jan.2006.

[12]Z.Wang,H.Li,andD.W.Kim,"DeeplearningforchannelestimationandinterferencesuppressioninOFDMsystems:Asurvey,"IEEECommunicationsMagazine,vol.57,no.2,pp.98-105,Feb.2019.

[13]S.S.Bongiorno,G.Cre,andG.P.Borresi,"ComputationalcomplexityofOFDMbasedcommunicationsystems,"IEEECommunicationsMagazine,vol.44,no.7,pp.80-86,Jul.2006.

[14]S.Zhang,H.V.Poor,andR.A.Kennedy,"Cooperativeadaptivedetectionandinterferencesuppressionincognitiveradionetworks,"IEEETransactionsonSignalProcessing,vol.58,no.12,pp.6441-6452,Dec.2010.

[15]J.Yang,S.Gao,andB.M.Li,"Learning-basedinterferencedetectionandsuppressionforcognitivesatellitenetworks:Asystematicsurvey,"IEEENetwork,vol.35,no.6,pp.48-60,Nov./Dec.2021.

[16]T.Y.KimandJ.G.Proakis,"Optimizationofadaptivearraysusinggeneticalgorithms,"IEEETransactionsonAntennasandPropagation,vol.49,no.5,pp.733-740,May2001.

[17]K.P.SubramanyamandT.Klath,"Asubspaceapproachtoadaptivearrayprocessing,"IEEETransactionsonAcoustics,Speech,andSignalProcessing,vol.37,no.10,pp.1467-1481,Oct.1989.

[18]E.J.Cullity,"Deeplearningforsignalprocessing:Asurvey,"IEEESignalProcessingMagazine,vol.35,no.2,pp.78-97,Mar.2018.

[19]A.N.Mnous,"OverviewofadaptiveinterferencecancellationinOFDMsystems,"IEEETransactionsonWirelessCommunications,vol.10,no.3,pp.80-95,Mar.2011.

[20]B.Chen,W.Xiong,andH.V.Poor,"JointchannelestimationandinterferencesuppressioninOFDMsystemsusingdeeplearning,"IEEETransactionsonCommunications,vol.66,no.9,pp.3486-3500,Sep.2018.

[21]R.Zhang,D.W.Kim,andZ.Chen,"Deeplearningbasedchannelestimationandinterferencesuppressionformillimeterwavecommunications:Acomprehensivesurvey,"IEEEWirelessCommunicationsLetters,vol.9,no.4,pp.39-49,Aug.2020.

[22]A.S.Boccardi,"Wave束赋形技术及其在5G网络中的应用,"IEEECommunicationsMagazine,vol.55,no.5,pp.114-121,May2017.

[23]S.Wang,Y.Li,andH.V.Poor,"DeeplearningbasedjointchannelestimationandinterferencesuppressionformassiveMIMO-OFDMsystems,"IEEETransactionsonWirelessCommunications,vol.20,no.12,pp.8747-8761,Dec.2021.

[24]T.D.Abhayapala,"Thegeometryofvectorantennas,"IEEETransactionsonAntennasandPropagation,vol.54,no.7,pp.1751-1764,Jul.2009.

[25]P.Stoica,J.R.Guerci,andR.Compton,"MIMOsignalprocessingforcommunications,radar,andsensing:Anoverviewofalgorithmsandimplementations,"IEEESignalProcessingMagazine,vol.31,no.3,pp.112-131,May2014.

[26]L.Li,"MIMOchannelmodeling:Asurvey,"IEEEWirelessCommunicationsMagazine,vol.19,no.5,pp.14-23,Sept.2012.

[27]D.W.KimandR.A.Horn,"Angle-of-arrivalestimationforwirelesscommunications:Theoryandtechniques,"IEEEWirelessCommunicationsMagazine,vol.20,no.6,pp.26-37,Nov.2013.

[28]A.Goldsmith,"Capacitylimitsandinterferencemanagementincellularsystems,"IEEEWirelessCommunicationsMagazine,vol.13,no.6,pp.30-43,Nov.2016.

[29]H.Sun,Z.Ding,andX.You,"DeeplearningforchannelestimationandsignaldetectioninmassiveMIMOsystems:Acomprehensivesurvey,"IEEENetwork,vol.36,no.4,pp.102-117,July/Aug.2022.

[30]C.T.LimandB.Kim,"Deeplearningformillimeterwavecommunication:Asurvey,"IEEENetwork,vol.33,no.3,pp.54-65,May/June2017.

[31]J.G.Proakis,DigitalCommunications.5thed.NewYork:McGraw-HillEducation,2018.

[32]R.W.Hamming,DigitalFilteringandSignalProcessing.2nded.EnglewoodCliffs,NJ:Prentice-Hall,1983.

[33]L.C.Godara,"NewdirectionsinMIMOsignalprocessingforcommunications,radar,andsensing,"IEEESignalProcessingMagazine,vol.31,no.4,pp.14-49,July2014.

[34]P.S.R.Pinel,"Deeplearningforcognitiveradio:Asurvey,"IEEEWirelessCommunicationsMagazine,vol.20,no.4,pp.8-19,July2013.

[35]A.Papoulis,"Probability,randomvariables，随机过程与数字信号处理"，电子工业出版社，2006。

[36]M.K.Varadarajan,"Space-TimeAdaptiveProcessing,"Prentice-Hall，1996。

[37]S.Haykin,"自适应信号处理"，电子工业出版社，2005。

[38]A.N.Mnous，"OverviewofadaptiveinterferencecancellationinOFDMsystems"，IEEETransactionsonWirelessCommunications，2011。

[39]S.Wang，"Deeplearningdedchannelestimationandinterferencesuppressioninmillimeterwavecommunications"，IEEETransactionsonWirelessCommunications，2020。

[40]R.Zhang，"DeeplearningbasedjointchannelestimationandinterferencesuppressionformassiveMIMO-OFDMsystems"，IEEETransactionsonWirelessCommunications，2021。

[41]J.Yang，"Deeplearningbasedsignaldetectionandinterferencesuppressionforcognitivesatellitenetworks"，IEEETransactionsonCommunications，2020。

[42]W.Chen，"Deeplearningforinterferencesuppressionincognitiveradionetworks"，IEEECommunicationsSurveys&Tutorials，2021。

[43]H.V.Poor，"AnoverviewofdigitalsignalprocessingtechniquesforinterferencecancellationinCDMAsystems"，IEEETransactionsonCommunications，2000。

[44]J.R.Guerci，"Space-TimeAdaptiveProcessingforRadar，Sonar，andCommunicationSystems"，Wiley，2003。

[45]A.H.Sayed，"AdaptiveSignalProcessing:TheoryandPractice"，Prentice-Hall，2011。

[46]M.F.Duarte，"Compressivesensing:todayandtomorrow"，IEEESignalProcessingMagazine，2013。

[47]S.S.Gao，J.Yang，"Learning-basedinterferencedetectionandsuppressionforcognitivesatellitenetworks"，IEEENetwork，2021。

[48]Y.Bar-Ness，"Analysisandperformanceevaluationofadaptivearraysinmobileenvironments"，IEEETransactionsonAntennasandPropagation，1991。

[49]L.Liu，"Deeplearningforchannelestimationandsignaldetectioninmillimeterwavecommunications"，IEEETransactionsonWirelessCommunications，2020。

[50]P.Stoica，J.R.Guerci，"MIMOsignalprocessingforcommunications，radar，andsensing:Anoverviewofalgorithmsandimplementations"，IEEESignalProcessingMagazine，2014。

[51]R.A.Kennedy，"Adaptivebeamformingviamulti-inputmulti-outputprocessing"，IEEETransactionsonWirelessCommunications，2002。

[52]A.Papoulis，"Probability，随机变量，随机过程与数字信号处理"，电子工业出版社，2006。

[53]S.Wang，"Deeplearningforchannelestimationandinterferencesuppressioninmillimeterwavecommunications"，IEEETransactionsonWirelessCommunications，2020。

[54]R.Zhang，"DeeplearningbasedjointchannelestimationandinterferencesuppressionformassiveMIMO-OFDMsystems"，IEEETransactionsonWirelessCommunications，2021。

[55]J.Yang，"Deeplearningbasedsignaldetectionandinterferencesuppressionforcognitivesatellitenetworks"，IEEETransactionsonCommunications，2020。

[56]B.Chen，W.Xiong，"DeeplearningbasedjointchannelestimationandinterferencesuppressioninOFDMsystems"，IEEETransactionsonCommunications，2018。

[57]L.C.Godara，"NewdirectionsinMIMOsignalprocessingforcommunications，radar，和传感"，IEEESignalProcessingMagazine，2014。

[58]P.S.R.Pinel，"Deeplearningforcognitiveradio：Asurvey"，IEEEWirelessCommunicationsMagazine，2013。

[59]Z.Wang，H.Li，"DeeplearningforchannelestimationandinterferencesuppressioninOFDMsystems：Asurvey"，IEEECommunicationsMagazine，2019。

[60]T.D.Abhayapala，"Thegeometryofvectorantennas"，IEEETransactionsonAntennasandPropagation，2009。

[61]S.S.Bongiorno，G.Cre，"ComputationalcomplexityofOFDMbasedcommunicationsystems"，IEEECommunicationsMagazine，2006。

[62]J.A.Cadzow，"Bandwidth-efficientseparationofsignalswithoverlappingspectralsubbands"，IEEETransactionsonSignalProcessing，2006。

[63]S.S.Gao，J.Yang，"Learning-basedinterferencedetectionandsuppressionforcognitivesatellitenetworks：Asystematicsurvey"，IEEENetwork，2021。

[64]R.A.Kennedy，"Adaptivebeamformingviamulti-inputmulti-outputprocessing"，IEEETransactionsonWirelessCommunications，2002。

[65]H.V.Poor，"AnoverviewofdigitalsignalprocessingtechniquesforinterferencecancellationinCDMAsystems"，IEEETransactionsonCommunications，2000。

[66]J.R.Guerci，"Space-TimeAdaptiveProcessingforRadar，Sonar，和通信系统"，Wiley，2003。

[67]A.N.Mnous，"OverviewofadaptiveinterferencecancellationinOFDMsystems"，IEEETransactionsonWirelessCommunications，2011。

[68]L.Li，"MIMOchannelmodeling：Asurvey"，IEEEWirelessCommunicationsMagazine，2012。

[69]R.W.Hamming，DigitalFilteringandSignalProcessing，2nded.EnglewoodCliffs,NJ:Prentice-Hall，1983。

[70]J.G.Proakis，DigitalCommunications.5thed.NewYork:McGraw-HillEducation,2018。

[71]S.Wang，"Deeplearningforchannelestimationandinterferencesuppressioninmillimeterwavecommunications"，IEEETransactionsonWirelessCommunications，2020。

[72]R.Zhang，"DeeplearningbasedjointchannelestimationandinterferencesuppressionformassiveMIMO-OFDMsystems"，IEEETransactionsonWirelessCommunications，2021。

[73]J.Yang，"Deeplearningbasedsignaldetectionandinterferencesuppressionforcognitivesatellitenetworks"，IEEETransactionsonCommunications，2020。

[74]W.Chen，"Deeplearningforinterferencesuppressionincognitiveradionetworks"，IEEECommunicationsSurveys&Tutorials，2021。

[75]H.Sun，Z.Ding，"DeeplearningforchannelestimationandsignaldetectioninmassiveMIMOsystems：Acomprehensivesurvey"，IEEENetwork，2022。

[76]B.Chen，W.Xiong，"DeeplearningbasedjointchannelestimationandinterferencesuppressioninOFDMsystems"，IEEETransactionsonCommunications，2018。

[77]L.C.Godara，"NewdirectionsinMIMOsignalprocessingforcommunications，radar，和传感"，IEEESignalProcessingMagazine，2014。

[78]P.S.R.Pinel，"Deeplearningforcognitiveradio：Asurvey"，IEEEWirelessCommunicationsMagazine，2013。

[79]Z.Wang，H.Li，"DeeplearningforchannelestimationandinterferencesuppressioninOFDMsystems：Asurvey"，IEEECommunicationsMagazine，2019。

[80]T.D.Abhayapala，"Thegeometryofvectorantennas"，IEEETransactionsonAntennasandPropagation，2009。

[81]S.S.Bongiorno，G.Cre，"ComputationalcomplexityofOFDMbasedcommunicationsystems"，IEEECommunicationsMagazine，2006。

[82]J.A.Cadzow，"Bandwidth-efficientseparationofsignalswithoverlappingspectralsubbands"，IEEETransactionsonSignalProcessing，2006。

[83]S.S.Gao，J.Yang，"Learning-basedinterferencedetectionandsuppressionforcognitivesatellitenetworks：Asystematicsurvey"，IEEENetwork，2021。

[84]R.A.Kennedy，"Adaptivebeamformingviamulti-inputmulti-outputprocessing"，IEEETransactionsonWirelessCommunications，2002。

[85]A.