【GPS抗干扰】北斗抗脉冲和窄带干扰仿真（脉冲限幅和脉冲置零法抑制脉冲干扰，K值法，一阶矩法，中间值法，自适应门限法）【含Matlab源码 4287期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab信号处理（仿真科研站版）仿真内容点击👇
Matlab信号处理（仿真科研站版）

⛄一、北斗抗脉冲和窄带干扰仿真

1 实验要求
1.1 脉冲/窄带/宽带/欺骗干扰抑制的方法分析；
1.2 比较捕获概率/信噪比或跟踪精度/载噪比；
1.3 有理论和仿真分析；
1.4 附仿真程序。

2 实验分析
2.1 接收机的抗干扰性能指标：接收机的抗干扰性能指标主要有抗干扰灵敏度，干扰抑制度，抗干扰裕量，扩频码的扩频增益，扩频码的处理增益等，接下来对它们分别介绍：
（1）抗干扰灵敏度：对于一定干扰环境(干扰信号的个数、类型、强度固定)，在保证接收机满足各项性能指标(误码率、检测概率、捕获时间、测速精度等)的前提下调整接收机输入端的信号强度，在最低性能指标约束下接收机输入端信噪比的最小值；
（2）干扰抑制度：对于一定的信号环境(接收机输入端信噪比或信号强度固定)，在保证接收机满足各项性能指标的前提下调整接收机输入端的干扰强度，在最低性能指标约束下接收机输入端干扰比的最小值；
（3）抗干扰裕量 ：在干扰环境下，接收机实际输入端信噪比与该干扰条件下抗干扰灵敏度之比，如果用dB示则为两者之差，C/A码接收机的抗干扰裕量应在30Db以下,一般认为是25Db，P码的处理增益为53dB，抗干扰裕度在43dB左右；
（4）扩频码的扩频增益：设扩频码周期为，则扩频码的扩频增益为，单位dB，对于GPS系统来说，CA码周期为1023，故扩频增益为约30dB;
（5） 扩频码的处理增益：如果将多个解扩后的相关峰相加，设相加的相关峰的个数为，则相关叠加的增益为，算上扩频增益，则整个系统的扩频处理增益为，即两者之和，对于GPS系统来说，一般将20个相关峰进行叠加，处理增益为dB。
2.2 常见干扰形式：
按照干扰的来源，卫星导航定位接收机受到的干扰可分为人为干扰和非人为干扰两大类：非人为干扰为来自自然界客观存在的干扰，主要表现为来自地面或空间的其它无线电装置对卫星导航信号的干扰；人为干扰是一种恶意干扰，由专用的干扰源产生，使对方接收机无法正常捕获跟踪或错误捕获跟踪卫星导航信号，进而达到使其无法正确定位的目的。主要抑制的是人为干扰，从干扰技术体制上来说人为干扰可以分为 ，压制式干扰和欺骗式干扰，压制式干扰通过发射一定电平的某种干扰信号来遮蔽有用卫星导航信号，使接收机中卫星导航信号的信干比大为降低而不能正常接收处理。具体的压制式干扰样式多种多样，根据干扰的频谱宽度与卫星导航信号频谱宽度的相对大小可将干扰分为窄带干扰和宽带干扰；欺骗式干扰通过发射一定电平的错误导航信号来使接收机给出错误的定位授时结果，根据干扰的频谱宽度与卫星导航信号频谱宽度的相对大小可将干扰分为两种：生成式干扰和转法式干扰；

3 干扰抑制方法：
干扰抑制技术主要用于DS系统，其所能对付的干扰信号种类包括自然干扰、人为干扰、多址干扰和多径干扰等。DSSS抗干扰的原理是利用扩频码的相关性在解扩时把不相关的干扰信号能量扩散，把相关的有用信号能量聚积。但如果干扰太强，尤其在有敌意的干扰条件下，干扰强度很容易超出干扰容限，就需要采取其他技术增强DSSS系统的抗干扰能力，如干扰抑制技术。干扰抑制的基本思想就是采取措施在DSSS信号解扩之前把强干扰能量消除，不让强干扰进入解扩解调器，避免干扰超出DSSS系统干扰容限。干扰抑制技术包括干扰检测和干扰消除，干扰检测要能准确知道干扰何时存在和存在的位置，快速、准确地检测到干扰；干扰消除要求处理增益大、对信号的损伤小。从实现角度考，要求干扰抑制算法尽可能简单、运算量小。目前干扰抑制技术的困难在于难以快速准确检测或估计干扰和消除干扰时如何减小对信号的损伤，尤其对于快变化的复杂干扰。目前常用的干扰抑制技术分为3类：时域干扰抑制、变换域干扰抑制、空域干扰抑制。时域干扰抑制技术主要在时域进行干扰检测与消除，包括线性预测、非线性预测和扩频码辅助的干扰抑制技术。变换域干扰抑制技术主要在变换域进行干扰信号的检测和消除，包括基于DFT、分数阶傅里叶变换、小波变化、时频分析等干扰抑制技术。空域干扰抑制技术主要指基于自适应天线调零的干扰抑制技术。
（1）时域窄带干扰抑制：时域窄带干扰抑制算法主要分为两类，有限冲击响应FIR陷波和无限冲击响应IIR陷波，因为为了保留有用信号，总是希望得到一个足够尖锐的带阻 ，它的中心频率要和抑制的干扰信号频率一致，为了获得满意的尖锐截至特性，对FIR滤波器的阶数要求很高，从而导致计算量增加。而自适应IIR滤波器可以用较少的陷波器系数实现相同的陷波带宽和相似的陷波性能，因此IIR陷波器使用更广泛，使用IIR自适应陷波器的整个干扰抑制流程如图1：

（2）变换域窄带干扰抑制：不同于时域干扰抑制技术，变换域干扰抑制首先需要将接收信号进行变换，然后基于信号和干扰在变换域的特征参数的差别，设计自适应滤波器或采用相应的干扰抑制算法将干扰消除。变换域抑制算法包括干扰抑制检测和陷波，干扰检测通过检测某个频率位置包含的干扰信号能量来确定干扰的位置，陷波就是把某个频率位置的电平信号映射到一个新的电平抑制干扰。在频域进行干扰抑制处理时可以通过加窗来减少频谱泄露问题。

（3）频域窄带干扰抑制算法干扰门限的确定：实际系统中，干扰和信号都是时变的，因此，干扰抑制所用门限就不应该是固定不变的，干扰门限过高达不到抑制干扰的效果，过低又可能对有用信号带来严重损失。门限的选择应当以接收信号的统计特性为依据。根据高斯白噪声的特性，其频谱仍为高斯随机过程；另外当N足够大时，扩频信号的频谱近似为高斯正态分布。因而扩频信号加高斯白噪声的频谱，可以近似看成是高斯分布的。当施加干扰以后，未被影响的频谱成分仍然是高斯分布的，但存在干扰的频点上就不再是高斯分布，在这些频点上信号的分布要高于期望信号分量，也就是说频域内信号的方差增大了。干扰的强度越大，这种影响越大，信号在偏离均值的地方出现的可能性越大。这就说明，干扰门限的设置应当以信号均值为基础，但是与信号方差有很大的关系。

4 常见干扰信号的处理
（1）对于脉冲干扰来说，利用脉冲干扰与有用信号在时域上的区别，幅度远大于有用信号，持续时间有限的特点，可直接在时域通过脉冲限幅或脉冲置零的方法来抑制，两者的区别在于脉冲限幅取定一个足够地的门限值，将超过门限值的信号进行限幅处理，脉冲置零则直接将超过门限值的信号福值进行置零处理。在仿真时可以建模脉冲干扰的占空比为4/100，干扰强度设为-10dBm，根据干信比确定信号强度；
（2）窄带干扰信号建模：窄带干扰信号在建模时可以通过幅值较强的单音信号或多音信号或窄带高斯白噪来建模，单音和多音干扰是最典型的窄带干扰模型，叫其他信号更容易产生，对卫星导航接收机具有较大的干扰效果；

5关于仿真实验的几个参数确定：
在本次仿真实验中，分别采用了脉冲限幅和脉冲置零法对脉冲干扰进行了抑制，脉冲干扰限幅和脉冲置零主要是通过对接收到的数据在时域进行幅值检测，因为是仿真验证，对信号幅值的大小都可以清楚的估计到，故限幅门限选取为稍大于估计的信号幅值的最大值；但是在实际接收机的处理中，必须根据实时采集到的信号进行动态的门限预测和估计，以达到最佳的限幅效果。
在采用K值法进行窄带干扰抑制时，门限的确定也是根据傅立叶变换后信号幅值的最大值来进行门限估计的，这在仿真时可通过幅频图很容易找到一个估计的较好的门限，在本次仿真时确定门限取值为80db。但在实际中，必须要求相关人员具有一定的经验来进行门限估计，实施起来比较困难，K值法对强的单音干扰有很好的抑制效果。
在采用一阶矩法、中值门限法进行窄带干扰抑制时，两种方法的门限确定均涉及到优化系数或优化因子，优化系数的取值为多少时最佳，可以采用试探的方法来确定，其值一般在1附近。在实际的接收机干扰抑制时，可以通过对正在接收的信号或刚刚处理过的信号进行估计，以确定出一个较好的优化系数。本次实验仿真中一阶矩法和中值门限法的优化因子分别取值为1和1.5。

⛄二、部分源代码

%*******************************************************************************************

%程序说明
%功能：北斗抗脉冲和窄带干扰仿真验证,包括脉冲限幅和脉冲置零法抑制脉冲干扰，K值法，一阶矩法，中值
%门限法，频域自适应门限法抑制窄带干扰
%参数说明：
%中频fif=46.52e6，采样率fs=62e6，信噪比-20db，干信比50db
%****************************************************************************

close all;
clear all;
clc;

%信号参数
fc=1268.52e6;%北斗B3载频
fif=46.52e6;%中频频率
fs=62e6;%中频采样速率
Rcode=10.23e6;%北斗码速率
SNR=-20;%信噪比
snr=10.^(SNR/10);
ISR=50;%单频干扰的干信比
isr=10.^(ISR/10);
L=62000;%仿真点数，对应1ms数据
t=0:L-1;%仿真时间点
sim_t=1;%仿真时间1ms

%CA码产生
load PNcode.mat;

%卫星信号
signal=PNcode_s.cos(2pifift/fs);%幅值为1
Power_sig=(signal*signal’)/L;%信号功率

%高斯底噪
randn(‘seed’,1);%高斯噪声
Power_Guass=Power_sig/snr;%根据信噪比算出噪声功率
Guass_noise=sqrt(Power_Guass)*randn(1,L);%高斯底噪

%对底噪滤波将其限带在20MHz,即限带在信号通带范围中
w1=(15.48e6)-10e6;
w2=(15.48e6)+10e6;
wp=[w12/fs-0.01 w22/fs+0.01];%20MHz带宽 下降3dB带外
b=fir1(100,wp); %100阶的带通滤波器
Guass_noise_NB=filtfilt(b,1,Guass_noise);%滤波
Power_noi=Guass_noise_NB*Guass_noise_NB’/L;%噪声功率
fft_Gua_noi=fftshift(fft(Guass_noise));
fft_Gua_noi_NB=fftshift(fft(Guass_noise_NB));
%绘图对比低噪和滤波后的噪声
f=(0:L-1)*fs/L-fs/2;%频点
figure(1);
subplot(211);
plot(f,fft_Gua_noi,‘b’);
xlabel(‘f’);
ylabel(‘fft_Gua_noi’);
title(‘高斯低噪’);
subplot(212);
plot(f,fft_Gua_noi_NB,‘r’);
xlabel(‘f’);
ylabel(‘fft_Gua_noi_NB’)
title(‘信号通带内的带限高斯白噪’);

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 沈再阳.精通MATLAB信号处理[M].清华大学出版社，2015.
[2]高宝建,彭进业,王琳,潘建寿.信号与系统——使用MATLAB分析与实现[M].清华大学出版社，2020.
[3]王文光,魏少明,任欣.信号处理与系统分析的MATLAB实现[M].电子工业出版社，2018.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置