一种基于CNN-Bi-LSTM的干扰机自干扰数字对消方法

一种基于cnn-bi-lstm的干扰机自干扰数字对消方法
技术领域
1.本发明涉及电子侦察与干扰领域，特别涉及一种基于cnn-bi-lstm的干扰机自干扰数字对消方法。

背景技术：

2.电子对抗在现代化战争中至关重要，雷达干扰机作为电子对抗的重要部分，在保护己方设备与干扰敌方雷达等方面都发挥着关键作用。目前常用的间歇采样转发干扰机，其发射机和接收机分时工作，一方面降低了对目标信号的侦察概率，另一方面降低了干扰性能。若干扰机可以实现收发同时工作，则系统整体侦察干扰性能将会有极大的提升。收发天线之间的自耦合是阻碍收发同时的主要因素，特别是对于机载、弹载等小型化平台，因为其收发天线距离较近，其耦合自干扰远强于目标信号。为了解决这一问题，自干扰对消方法应用而生，其主要思想是根据参考信号估计出干扰信号，并将估计信号从实际自干扰信号中减去，从而有效地抑制进入接收机滤波器通带中的自干扰。此方法已被广泛应用于移动通信、水声通信及雷达与电子战等众多领域。
3.目前，同频全双工技术在通信领域已研究多年，利用自适应滤波算法来实现线性自干扰对消是比较容易的，且相关技术也比较成熟。但考虑实际应用场景，自干扰信道特性比仿真建模的要更为复杂，由于功放饱和工作、i/q不平衡、量化噪声、相位噪声等带来的非线性成分使得线性对消方法性能急剧恶化。干扰机大带宽特点使其信号记忆性明显，考虑记忆非线性成分的对消方法是非常必要的。目前常用以记忆多项式(memorypolynomial,mp)为代表的一系列级数模型、双盒模型建模非线性，再解算模型系数的方法。而此类方法的弊端在于过于依赖前期建模的准确性，在非线性程度较强、成分较复杂时固定模型的拟合能力将大幅降低。非线性自干扰对消的根本目标就是由参考信号准确估计出接收的非线性自干扰，可以归属为深度学习中序列到序列的回归问题。基于深度学习的自干扰对消方法具备优秀性能与广阔的发展前景。
4.目前基于深度学习的自干扰对消方法主要包括：hanqingguo等人在“2019ieee global communications conference(globecom)”上发表的“dsic:deep learning based self-interference cancellation for in-band full duplex wireless”中，提出使用深度神经网络(deep neural network,dnn)建模自干扰信道以实时对消非线性自干扰的解决方案。虽然dnn网络对非线性有一定拟合能力，但没有处理时间上的依赖关系，无法很好地解决记忆非线性问题。陈远祥等人在发明申请“基于lstm的同时同频全双工数字域自干扰抑制方法”中，提出一种基于长短时记忆网络(long short-term memory,lstm)的同时同频全双工数字域自干扰抑制方法。lstm网络擅长学习时间维度上的长期依赖关系，性能相较于dnn有提升，但其输入项只考虑参考信号的记忆特性，并且对于时间记忆维度以外的非线性特征拟合不佳。路雷等人在“电子与信息学报”上发表“基于卷积长短时记忆深度神经网络的带内全双工非线性数字自干扰消除”，提出基于lstm的改进网络，卷积长短时记忆深度神经网络(cldnn)。该研究中使用三维张量的输入形式，将输入实虚部也作为一个维度，并
针对实虚部加入卷积层，以达到性能上的增益，但其依旧只考虑记忆特性，没有加入新的输入特征，只是加强了对复信号实虚部的联合特征与相位信息的学习。因此目前的自干扰对消方法没有考虑时间记忆维度以外的非线性特征，因此应用于干扰机的自干扰对消中效果不佳。

技术实现要素：

5.本发明目的是为了解决目前的自干扰对消方法没有考虑时间记忆维度以外的非线性特征，进而导致其应用于干扰机自干扰对消中效果不佳的问题，而提出了一种基于cnn-bi-lstm的干扰机自干扰数字对消方法。
6.一种基于cnn-bi-lstm的干扰机自干扰数字对消方法具体过程为：获取干扰机发射的参考信号和接收到的信号，将参考信号输入到自干扰估计网络中获得估计的自干扰，再将干扰机接收到的信号与估计的自干扰相减完成自干扰对消，获得自干扰对消后的信号；
7.所述自干扰估计网络通过以下方式获得：
8.步骤一、获取射频功放前的基带信号作为参考信号u(n)、自干扰机接收到的信号d(n)，并按照u(n)和d(n)之间的时延将u(n)、d(n)对齐；
9.步骤二、利用步骤一对齐后的u(n)、d(n)获得输入矩阵和输出矩阵构成的数据集，建立cnn-bi-lstm网络，并将数据集划分为训练集和测试集，然后利用训练集训练cnn-bi-lstm网络获得训练好的cnn-bi-lstm网络；
10.所述输入矩阵为以下形式：
[0011][0012]
其中，q为最大记忆深度，m为最大非线性阶数，ui(n-q)是n时刻向后延时q时间的参考信号实部，uq(n-q)是n时刻向后延时q时间的参考信号虚部；
[0013]
步骤三、将测试集输入到训练好的cnn-bi-lstm网络中对网络进行测试验证，若测试集的自干扰对消效果能达到训练集的水平，则将当前训练好的cnn-bi-lstm网络作为自干扰估计网络。
[0014]
进一步地，所述步骤一中的获取射频功放前的基带信号作为参考信号u(n)、自干扰机接收到的信号d(n)，并按照u(n)和d(n)之间的时延将u(n)、d(n)对齐，具体为：
[0015]
步骤一一、将射频功放前的基带信号作为参考信号u(n)，并获取当前干扰机接收到的信号d(n)；
[0016]
步骤一二、将u(n)和d(n)在时间维度上对齐，并将时间维度对齐后的u(n)和d(n)进行互相关运算获得最明显的相关峰，从而获得最大相关值及最大相关值对应的时间偏移量即时延τ；
[0017]
步骤一三、按照步骤一二获得的时延τ将u(n)、d(n)对齐。
[0018]
进一步地，所述步骤二中的利用步骤一对齐后的u(n)、d(n)获得输入矩阵和输出矩阵构成的数据集，具体为：
[0019]
首先，将对齐后的u(n)、d(n)分别分离为实部和虚部；
[0020]
然后，将分离出来的实部和虚部分别进行归一化获得输入矩阵、输出矩阵，所有输入矩阵和输出矩阵构成数据集。
[0021]
进一步地，所述输出矩阵形式如下：
[0022][0023]
其中，di(n)是n时刻接收信号的实部，dq(n)是n时刻接收信号的虚部。
[0024]
进一步地，所述步骤二中的cnn-bi-lstm网络，包括：一维卷积层、最大池化层、第一全连接层、bilstm网络层、第二全连接层和回归层；
[0025]
所述一维卷积层用于融合输入矩阵中的同一记忆项的多阶非线性特征；
[0026]
所述最大池化层用于筛选保留一维卷积层输出特征中的重要特征；
[0027]
所述第一全连接层用于将最大池化层输出的特征映射为含有多阶特征的时间序列；
[0028]
所述bilstm网络层用于将含有多阶特征的时间序列进行双向拟合，并将拟合结果进行拼接；
[0029]
所述第二全连接层和回归层用于输出估计自干扰的实部和虚部序列。
[0030]
优选地，所述第二全连接层和回归层的隐藏单元数为2。
[0031]
进一步地，所述步骤三中的将测试集输入到训练好的cnn-bi-lstm网络中对网络中进行测试验证，若测试集的自干扰对消效果能达到训练集的水平，则将当前训练好的cnn-bi-lstm网络作为自干扰估计网络，具体为：
[0032]
首先，将测试集中的输入矩阵输入到训练好的cnn-bi-lstm网络中获得估计的自干扰信号
[0033]
然后，将测试集中的实际接收信号d(n)与相减获得对消残余e(n)：
[0034][0035]
最后，利用对消残余e(n)评价训练好的cnn-bi-lstm网络的自干扰对消效果，若当前网络自干扰对消效果与训练网络时自干扰对消效果一致，则将当前训练好的cnn-bi-lstm网络作为自干扰估计网络。
[0036]
其中，对消残余e(n)越接近底噪功率，则训练好的cnn-bi-lstm网络自干扰对消效果越好。
[0037]
本发明的有益效果为：
[0038]
本发明针对含复杂非线性成分的自干扰问题，设计了一种基于cnn-bi-lstm的干
扰机自干扰数字对消方法。首先改进了网络输入形式，额外加入了记忆项对应的高阶非线性项。针对新增的输入维度，通过一维cnn网络实现对高阶非线性项的卷积池化，加强特征提取；再结合bi-lstm网络对记忆项进行时间依赖关系的前后双向拟合，提升了对于时间记忆维度以外的非线性特征的拟合效果。通过在网络输入形式与网络结构上的同步改进，使基于cnn-bi-lstm网络的自干扰对消性能优于使用单纯记忆项输入的lstm网络，进而提升了干扰机自干扰对消水平。
附图说明
[0039]
图1为本发明的整体流程示意图；
[0040]
图2为bi-lstm网络原理示意图；
[0041]
图3为cnn-bi-lstm网络结构与输入输出形式示意图；
[0042]
图4为基于fpga的非线性自干扰信号采集硬件连接示意图；
[0043]
图5(a)为同一bi-lstm网络使用不同输入形式时的自干扰对消性能实测对比结果图；
[0044]
图5(b)为采用发明输入形式后，本发明与现有方法的对消效果对比图。
具体实施方式
[0045]
具体实施方式一：本如图1所示，实施方式一种基于cnn-bi-lstm的干扰机自干扰数字对消方法具体过程为：获取干扰机发射的参考信号和接收到的信号，将参考信号输入到自干扰估计网络中获得估计的自干扰，再将干扰机接收到的信号与估计的自干扰相减完成自干扰对消，获得自干扰对消后的干扰机接收信号；
[0046]
所述自干扰估计网络，通过以下方式获得：
[0047]
步骤一、将射频功放前的基带信号作为参考信号u(n)，同时获取干扰机接收到的信号d(n)，并按照u(n)和d(n)之间的时延将u(n)、d(n)对齐：
[0048]
以射频功放前的基带信号作为参考信号u(n)，此时接收到的信号为d(n)。由于自干扰信道必然存在延时，需要将接收延后的d(n)与u(n)进行时间维度上的对齐。对这两个序列做互相关运算后获得最明显的相关峰，从而获得最大相关值及最大相关值所对应的时间偏移量τ即为两者间的时延，按照τ值对齐参考信号u(n)与接收信号d(n)。
[0049]
步骤二、利用步骤一对齐后的u(n)、d(n)获得输入矩阵、输出矩阵构成的数据集，建立cnn-bi-lstm网络，并将数据集划分为训练集和测试集，然后利用训练集训练cnn-bi-lstm网络获得训练好的cnn-bi-lstm网络，包括以下步骤：
[0050]
步骤二一、利用步骤一对齐后的u(n)、d(n)获得输入、输出矩阵构成的数据集，并将数据集划分为训练集和测试集具体如下：
[0051]
首先，将对齐后的u(n)、d(n)分别分离为实部和虚部；
[0052]
然后，将分离出来的实部和虚部分别进行归一化获得输入矩阵、输出矩阵；
[0053]
所述输入矩阵形式如下：
[0054][0055]
其中，q为最大记忆深度，m为最大非线性阶数，ui(n-q)是n时刻向后延时q时间的参考信号实部，uq(n-q)是n时刻向后延时q时间的参考信号虚部；上述输入形式具备非线性阶数和记忆深度双重特征维度，相较于单纯记忆项的输入方法，此输入矩阵对非线性有更好的拟合能力。记忆深度和非线性阶数的增加都可以使输入项包含更多非线性信息，但大于一定值以后，收益会趋于稳定。综合考虑收益与实现复杂度来设置参数，一般记忆深度和非线性阶数的选择都在q＝8、m＝4范围内。本发明示例设置q＝5、m＝2已达到最佳效果，即考虑5个延时记忆项及其对应的3阶内非线性项的影响。
[0056]
本步骤中网络输入项设置参考经典记忆多项式模型，该模型综合考虑了记忆延时项及对应高阶项的非线性影响，能够准确的描述功放的非线性特性。其表达式为：
[0057][0058]
式中，i∈[0,q]，q为最大记忆深度，j∈[0,m]，m为最大非线性阶数，a
ij
就是每一个非线性项对应的系数，u(n-i)是n时刻向后延时i时间的参考信号；所述输出矩阵形式如下：
[0059][0060]
其中，di(n)是n时刻接收信号的实部，dq(n)是n时刻接收信号的虚部。
[0061]
最后，将获得的输入矩阵、输出矩阵构成数据集，并按照预设比例划分为训练集和测试集。
[0062]
步骤二二、建立cnn-bi-lstm网络，利用训练集训练cnn-bi-lstm网络获得训练好的cnn-bi-lstm网络，具体为：
[0063]
步骤二二一、建立cnn-bi-lstm网络；
[0064]
所述cnn-bi-lstm网络包括：一维卷积层、最大池化层、第一全连接层、bi-lstm网络层、第二全连接层和回归层；
[0065]
所述一维卷积层用于融合输入矩阵中的同一记忆项的多阶非线性特征；
[0066]
所述最大池化层用于筛选保留一维卷积层输出特征中的重要特征；
[0067]
其中，重要输出特征为人为设置；
[0068]
所述第一全连接层用于将最大池化层输出的特征映射为融合了多阶特征的时间序列；
[0069]
所述bilstm网络层用于对时间序列的前后进行双向拟合并将拟合结果进行拼接，
包括：正向lstm分支、反向lstm分支；
[0070]
所述反向lstm分支包括：flip层、lstm网络；
[0071]
所述第二全连接层和回归层用于输出估计的自干扰的实部和虚部序列；
[0072]
如图3所示，所述cnn-bi-lstm网络的具体处理流程如下：
[0073]
输入序列经过序列输入层进入网络，经过一个一维卷积层，此卷积层作用于非线性阶数维度，以实现融合同一记忆项的多阶非线性特征；
[0074]
卷积后的输出通过一个最大池化层以减少特征，再全连接映射为一个融合了多阶特征的时间序列；
[0075]
构建两路独立lstm并联的网络层，其中一路通过“flip”层翻转输入来达到lstm反向的同样效果，则组成bi-lstm网络层。在这个网络层实现对时间维度特征的前后双向拟合，拟合结果拼接输出；
[0076]
最后经过隐藏单元数为2(等于输出特征维度)的全连接层和回归层完成最终输出，得到估计自干扰的实部序列与虚部序列。
[0077]
步骤二二二、利用训练集训练cnn-bi-lstm网络获得训练好的cnn-bi-lstm网络：将训练集中的输入输出矩阵序列分别作为此时网络的训练输入与估计标准，网络会根据输入估计自干扰并不断逼近实际接收信号中的自干扰，估计误差收敛稳定时完成训练；
[0078]
以下详细介绍lstm与bi-lstm。lstm网络是一种特殊的循环神经网络，可以学习到时间序列中长期依赖的关系。lstm的核心就是细胞状态中包含信息的选择性遗忘与新增，主要由“σ”代表的sigmoid层和tanh层完成非线性映射,这两个激活函数的表达式分别为：
[0079][0080][0081]
每一个lstm神经元中，首先有一个遗忘门决定要遗忘丢弃哪些信息，读取上一个神经元的输出h
t-1
和当前输入x
t
，经过如下式操作
[0082]ft
＝σ(wf*[h
t-1
,x
t
]+bf)
[0083]
其中，wf是权重，bf是偏置；
[0084]
经过以上操作，可得到一个遗忘状态向量。其次还有一个输入门负责新增信息的产生，其新增信息同样从h
t-1
和x
t
获得，
[0085]it
＝σ(wi*[h
t-1
,x
t
]+bi)
[0086][0087]
其中，wi、wc是权重，bi、bc是偏置，为要更新的候选内容，i
t
决定中有多少要实际加入细胞状态，两者相乘后就是要增加的新信息。将f
t
与旧细胞状态相乘完成遗忘信息的丢弃，再将新增信息与遗忘完的旧细胞状态相加即可获得新的细胞状态。
[0088][0089]
最后还要通过一个输出门“过滤”新产生的细胞状态来决定实际输出部分，其过滤也是通过一个sigmoid层和一个tanh层完成的。“滤波”过程如下式：
[0090]ot
＝σwo*[h
t-1
,x
t
]+bo)
[0091]ht
＝o
t
*tanh(c
t
)
[0092]
其中，bo是偏置，wo是权重，o
t
是中间变量；
[0093]ht
为此神经元的最终输出，并将其输入到下一个神经元重复以上过程。由此可见，lstm结构中引入的三门结构使其可以记忆较长时间序列的长期依赖信息，但同时这个结构也存在只能从前往后学习记忆而缺乏反向建模能力的问题。针对此问题，本步骤中采用bi-lstm网络，利用由一正一反两个独立的lstm并联组成的网络结构来双向拟合时间维度的特征关系，如图2所示。
[0094]
步骤三、将测试集输入到训练好的cnn-bi-lstm网络中对网络进行测试验证，若测试集的自干扰对消效果能达到训练集的水平，则将此时的cnn-bi-lstm网络作为自干扰估计网络：
[0095]
将测试集的输入序列输入到训练好的cnn-bi-lstm网络中获得当前时刻估计的自干扰信号将测试集中的实际接收信号d(n)与网络估计的自干扰相减，获得对消残余对消残余e(n)功率越接近底噪功率，说明网络估计自干扰越准确，对消效果越好，若测试集自干扰对消效果与训练集效果一致良好，则将此训练好的cnn-bi-lstm网络作为自干扰估计网络。
[0096]
实施例：为验证本发明的有益效果，本发明进行如下实验：
[0097]
本实施例数据采集及网络参数设置：以图4所示的硬件为例采集实际非线性自干扰数据，并用设计的网络与其他对比方法分别对其进行对消。利用zc706+adrv9009的硬件平台模拟干扰机发射60mhz带宽的噪声干扰，然后再通过40db增益的功率放大器和30db的衰减器。其中衰减器的作用是避免接收阻塞，只保留功放饱和工作带来的非线性成分。自干扰信号耦合到接收天线，获得此时的u(n)与d(n)，验证本设计的对消方法。
[0098]
通过对两个信号做互相关运算，可以测得此时的自干扰信道延时约为18个时间间隔，以此对齐信号。mp模型及所有网络所采用的记忆深度统一设置为q＝5,非线性阶数m＝2,一维卷积层尺寸和池化层步进设置同非线性阶数。cnn-bi-lstm结构如图3所示，其中cnn网络中的conv层、lstm网络中的lstm层以及bi-lstm网络中的bi-lstm层均设为单层，且所有网络神经元个数均设为128。将采集长度为32768的信号序列按1：1的比例划分为训练集与测试集。所有网络初始学习率设置为0.01，共迭代500轮，每100轮迭代学习率调低至当前的0.5倍，并采用adam解算。利用mp模型以及训练完毕的cnn、lstm、bi-lstm和cnn-bi-lstm网络分别来估计测试集的自干扰信号，测试集实际接收信号减去估计自干扰即为对消结果。绘制出对消前后的信号功率谱密度(power spectral density,psd)图，可直观反映接收频带内自干扰的抑制程度。
[0099]
图5(a)是同一bi-lstm网络使用不同输入形式时的psd图，以单独验证本发明提出的输入形式对抑制自干扰的性能收益。通过比较采用记忆项输入形式和本发明所提出输入形式的对消残余功率可得，加入高阶项以后的输入形式确实可以对网络估计性能带来收益。尤其是在非线性带外展宽部分，自干扰抑制能力有明显提升。图5(b)是在统一使用本发明输入形式前提下，本网络与一些典型方法的对消效果对比。由图可知，传统的mp模型残余自干扰最大，其余各网络残余自干扰排序为cnn》lstm》bi-lstm》cnn-bi-lstm。而且cnn-bi-lstm在整个接收频带上的自干扰对消效果都是最佳的，其网络性能具有明显优势。

技术特征：

1.一种基于cnn-bi-lstm的干扰机自干扰数字对消方法，其特征在于所述方法具体为：获取干扰机发射的参考信号和接收到的信号，将参考信号输入到自干扰估计网络中获得估计的自干扰，再将干扰机接收到的信号与估计的自干扰相减完成自干扰对消，获得自干扰对消后的干扰机接收信号；所述自干扰估计网络通过以下方式获得：步骤一、获取射频功放前的基带信号作为参考信号u(n)、自干扰机接收到的信号d(n)，并按照u(n)和d(n)之间的时延将u(n)、d(n)对齐；步骤二、利用步骤一对齐后的u(n)、d(n)获得输入矩阵和输出矩阵构成的数据集，建立cnn-bi-lstm网络，并将数据集划分为训练集和测试集，然后利用训练集训练cnn-bi-lstm网络获得训练好的cnn-bi-lstm网络；所述输入矩阵为以下形式：其中，q为最大记忆深度，m为最大非线性阶数，u
i
(n-q)是n时刻向后延时q时间的参考信号实部，u
q
(n-q)是n时刻向后延时q时间的参考信号虚部；步骤三、将测试集输入到训练好的cnn-bi-lstm网络中对网络进行测试验证，若测试集的自干扰对消效果能达到训练集的水平，则将当前训练好的cnn-bi-lstm网络作为自干扰估计网络。2.根据权利要求1所述的一种基于cnn-bi-lstm的干扰机自干扰数字对消方法，其特征在于：所述步骤一中的获取射频功放前的基带信号作为参考信号u(n)、自干扰机接收到的信号d(n)，并按照u(n)和d(n)之间的时延将u(n)、d(n)对齐，具体为：步骤一一、将射频功放前的基带信号作为参考信号u(n)，并获取当前干扰机接收到的信号d(n)；步骤一二、将u(n)和d(n)在时间维度上对齐，并将时间维度对齐后的u(n)和d(n)进行互相关运算获得最明显的相关峰，从而获得最大相关值及最大相关值对应的时间偏移量即时延τ；步骤一三、按照步骤一二获得的时延τ将u(n)、d(n)对齐。3.根据权利要求2所述的一种基于cnn-bi-lstm的干扰机自干扰数字对消方法，其特征在于：所述步骤二中的利用步骤一对齐后的u(n)、d(n)获得输入矩阵和输出矩阵构成的数据集，具体为：首先，将对齐后的u(n)、d(n)分别分离为实部和虚部；
然后，将分离出来的实部和虚部分别进行归一化获得输入矩阵、输出矩阵，所有输入矩阵和输出矩阵构成数据集。4.根据权利要求3所述的一种基于cnn-bi-lstm的干扰机自干扰数字对消方法，其特征在于：所述输出矩阵形式如下：其中，d
i
(n)是n时刻接收信号的实部，d
q
(n)是n时刻接收信号的虚部。5.根据权利要求4所述的一种基于cnn-bi-lstm的干扰机自干扰数字对消方法，其特征在于：所述步骤二中的cnn-bi-lstm网络，包括：一维卷积层、最大池化层、第一全连接层、bilstm网络层、第二全连接层和回归层；所述一维卷积层用于融合输入矩阵中的同一记忆项的多阶非线性特征；所述最大池化层用于筛选保留一维卷积层输出特征中的重要特征；所述第一全连接层用于将最大池化层输出的特征映射为含有多阶特征的时间序列；所述bilstm网络层用于将含有多阶特征的时间序列进行双向拟合，并将拟合结果进行拼接；所述第二全连接层和回归层用于输出估计自干扰的实部和虚部序列。6.根据权利要求5所述的一种基于cnn-bi-lstm的干扰机自干扰数字对消方法，其特征在于：所述第二全连接层和回归层的隐藏单元数为2。7.根据权利要求6所述的一种基于cnn-bi-lstm的干扰机自干扰数字对消方法，其特征在于：所述步骤三中的将测试集输入到训练好的cnn-bi-lstm网络中对网络中进行测试验证，若测试集的自干扰对消效果能达到训练集的水平，则将当前训练好的cnn-bi-lstm网络作为自干扰估计网络，具体为：首先，将测试集中的输入矩阵输入到训练好的cnn-bi-lstm网络中获得估计的自干扰信号然后，将测试集中的实际接收信号d(n)与相减获得对消残余e(n)：最后，利用对消残余e(n)评价训练好的cnn-bi-lstm网络的自干扰对消效果，若当前网络自干扰对消效果与训练网络时自干扰对消效果一致，则将当前训练好的cnn-bi-lstm网络作为自干扰估计网络。其中，对消残余e(n)越接近底噪功率，则训练好的cnn-bi-lstm网络自干扰对消效果越好。

技术总结

一种基于CNN-Bi-LSTM的干扰机自干扰数字对消方法，涉及电子侦察与干扰领域。本发明是为了解决目前的自干扰对消方法没有考虑时间记忆维度以外的非线性特征，进而导致其应用于干扰机自干扰对消中效果不佳的问题。本发明具体为：获取干扰机发射的参考信号和接收到的信号，将参考信号输入到自干扰估计网络中获得估计的自干扰，再将干扰机接收到的信号与估计的自干扰相减完成自干扰对消，获得自干扰对消后的信号；本发明提出的自干扰估计网络额外加入了记忆项对应的高阶非线性项，再结合Bi-LSTM网络对记忆项进行时间依赖关系的前后双向拟合，提升了对于时间记忆维度以外的非线性特征的拟合效果。本发明用于干扰机自干扰的对消。本发明用于干扰机自干扰的对消。本发明用于干扰机自干扰的对消。