离散余弦变换（discrete cosine transform，DCT）。DCT类似于DFT，它可以利用部分系数进行信号的重构[17]，具体表达式如下：

其中 

短视傅里叶变换（short-time Fourier transform，STFT）。STFT可以使时变信号通过给定的窄时窗函数进行时间平滑处理，因而适用于慢时变信号的频谱分析处理，对非平稳信号的局部特性分析具有明显的效果[18]，其离散形式推导如下：

其中，x(n+m)w(m)表示短时序列。

近年来，信号处理理论的广泛发展产生了信号变换的许多新方法，除上述应用更广泛的FFT、FrFT、DWT及其派生形式外[19]，由于变换分析不需要局限于线性变换，新发展的变换分析可以使用降维或特征提取方法将检测到的信号转换为新的表示，如主成分分析、线性判别分析、稀疏学习等[20-22]。在此基础上，考虑到主成分分析方法中最终确定保留的主成分数量不一致问题，又发展了稀疏主成分分析作为特征提取方法[23]，保留了原始数据的主成分数量，作为分类器输入的原始数据，准确率更高。

然而，由于信号的多样性和非线性变换域的存在，计算量大，难以选择最优变换域。此外，大规模训练样本的高成本和不确定性，导致现有的方法大多依赖于对特定信号通过人工进行有限的选择，更加容易受到多种因素的影响。因此，需要开发一种灵活适用于一般信号的变换分析方法，以拓宽实际应用范围的限制条件。由于宽带信号通常都是可以被压缩的，即在选择合适的基进行变换后能够用稀疏信号很好地表达出来，这为下一步干扰信号的稀疏表示和重构提供了理论基础。通过将通信信号和干扰转换到对应的优选域中进行处理，利用在某种维度或域上的不同稀疏特性可以较好地实现抑制消除。

    3 干扰的多域抑制 

广义的干扰抑制包括干扰的波形变换、优化决策和抑制消除等反馈回路过程，通过不断地调整优化以达到最优的干扰抑制效果[24]。其中，干扰抑制的核心在于灵活适变的抑制消除技术，而效果的好坏则需要在变换分析的基础上，通过智能决策和多样抑制的联合处理，经适应性学习训练，以满足对抗强度更激烈、干扰种类更丰富的复杂电磁环境。本部分主要围绕传统和新型的干扰抑制方法及其发展展开分析。

3.1 传统抑制方法

随着电子干扰技术的发展，恶意干扰常常使得无人系统通信的可靠性无法保证，为此，提出了许多抑制干扰的有效方法。

Choe等人利用频谱感知方法进行了机会式的规避干扰频谱，并在此基础上设计了一种具备认知抗干扰能力的战术数据链，并在实际干扰环境验证了系统的抗干扰和误码率性能[25]；对于超宽带无线通信系统面临的窄带干扰，Xiong等人[26]利用信号之间的显著相关差，设计了一种基于自适应陷波滤波器的干扰抑制方案，探讨了消除单个窄带干扰的直接式、线性级联式和时分复用并行级联式方法，收敛速度快、失真小、稳定性好，适用于低复杂度的直接序列超宽带接收机。

从变换分析的角度出发，目前存在的干扰抑制技术主要包括在时域中滤波抑制和变换域中分离消除[27]，均对常见的干扰起到了明显的抑制作用，如窄带干扰和脉冲干扰等。对于时域抗干扰方案的研究，Yeh等人[28]利用自动增益和包络检测技术，考虑到多径衰减和阴影效应的影响，验证了系统抵抗脉冲干扰和连续波干扰的能力；针对窄带干扰对OFDM系统接收机性能的影响，设计了一种基于切陷滤波的新型干扰抑制技术，能够在信号干扰比较低的情况下，较大程度地提高平均误码率性能[29]；为了抑制或消除接收机检测信号中的干扰，通过将消隐、裁剪和混合消隐-裁剪等非线性预处理器应用到接收机中，用于超出给定阈值部分的功率尖峰消除和切断，实现了对脉冲噪声干扰的良好抑制效果[30]；针对传统固定阈值不能有效地适应时变的脉冲干扰的问题，提出了一种在时变信道中基于矩估计的自适应干扰抑制系统[31]，能够在弱、中、重干扰环境下误码率性能提升显著。然而，大多数传统方法只能抑制特定的干扰，无法自适应地实现多类型干扰的波形重构和信号恢复。因此，上述这些方法在无人系统通信中未能达到令人满意的有效抗干扰和鲁棒性能。

依据有关证明，无人系统间以及与基础设施（有人系统）建立通信网络都呈现出宽带稀疏和视距传输特性。为了进一步克服传统方法的缺点，对基于压缩感知理论的几种算法进行了分析研究，用以估计稀疏信道。当事先获得信道信息的先验知识时，许多迭代贝叶斯算法实现了近似的信号估计，且计算复杂度较低，如近似消息传递等[32]。然而，理想而严格的先验条件限制了这些方法的推广应用，即使能够保证均方误差估计水平最低。基于结构压缩感知理论，Liu等人提出了一种新的干扰消除方案，可以在接收机中准确地恢复稀疏窄带干扰，并减轻其干扰影响[33]；Jia等人提出了一种改进的块状稀疏贝叶斯学习方法，用于估计和减轻通信系统的窄带干扰，而且该方法能够从压缩信号中重构干扰，并实现时域的干扰抑制[34]。