技术领域
[0001] 本
发明涉及无线通信技术领域，具体涉及一种基于深度卷积神经网络的干扰识别模型及智能识别算法。
背景技术
[0002] 通信对抗是指敌对双方利用普通的无线电通信设备及专
门的通信对抗设备,在无线电通信领域内进行的电磁斗争。由于通信环境当中的用频设备与日俱增，通信对抗已成为热门的话题，在通信方如何更好地避免敌方及己方对自己用频影响方面展开深入研究已成为重中之重。随着
机器学习的飞速发展，使得各类设备智能化
水平不断提高，智能化干扰与智能化抗干扰也成为通信领域的研究主题之一。通信抗干扰包含两个方面：一是利用一定的手段去扰乱或破坏敌方的侦查设备；二是对己方通信采取电磁加固和干扰抑制措施，增强己方的通信设备本身的反侦察与抗干扰能
力。其中抗干扰能力主要指的是对敌方的通信干扰的抑制能力。然而就现在研究现状，干扰
信号的识别大部分研究集中在不同通信系统的不同
干扰信号的特征提取上，对分类算法的研究比较少，这也表明了基于特征提取的干扰识别这类方法中特征提取的重要性，对于卷积神经网络这类通用性干扰信号分类算法还有较大研究空间。接收机将接收到的
频谱信息与智能化代理相结合成为干扰
模式识别的新方法。
[0003] 由于环境中通信与干扰并存的复杂动态特性，智能化干扰识别方法成为干扰识别问题的重要解决方案之一，深度卷积神经网络成为热门分类工具(参考文献：LeCun Y,Bottou L,Bengio Y,et al.,Gradient-based learning applied to document recognition[J].Proceedings of the IEEE,1998,86(11):2278-2324.)，但是应用何种网络，如何更好建模以适应待解决问题也是研究重点。
发明内容
[0004] 为解决上述问题，本发明提供了一种基于深度卷积神经网络的干扰识别模型及智能识别算法，很好地刻画了基于
深度学习算法的干扰识别场景。
[0005] 为了克服
现有技术中的不足，本发明提供了一种基于深度卷积神经网络的干扰识别模型及智能识别算法的解决方案，具体如下：
[0006] 一种基于深度卷积神经网络的干扰识别模型，包括：
[0007] 对该基于深度卷积神经网络的干扰识别模型做如下刻画：用于干扰识别的接收机对单个或多个干扰机发出的干扰信号进行收集数据，将作为接收端该接收机的频谱瀑布图作为网络
输入层进行若干训练，达到足够拟合度训练模型后，根据已训练保存模型及其接收端的频谱瀑布，作为网络输入进行在线识别。
[0008] 作为接收端的所述接收机的
功率谱密度st(f)的表达式为公式(1)所示：
[0009]
[0010] 公式(1)中，第j个干扰机可以选择其在第t次
采样的
频率 和功率谱密度函数当接收机
感知全频段时，干扰信号和噪声同时被接收；gj是来自干扰机到接收机的信道链路增益，f是接收机的频率，n(f)是噪声的PSD函数，j为正整数，J为正整数且为干扰机的数量，t为正整数并表示接收机采样次数的序列号。
[0011] 所述基于深度卷积神经网络的干扰识别模型中的离散值采样谱si，t定义为公式(2)：
[0012]
[0013] 其中Δf为
光谱分辨率，fL表示干扰机的干扰带宽的起始频率，st，i表示在在第t次采样下接收机接收到的第i个样本的采样谱，接收机感知的频率向量为st＝st，1，st，2，...st，N，N为在第t次采样的样本的数量，i为正整数。
[0014] 在动态未知环境中，将作为接收端的所述接收机的频谱瀑布图作为神经网络的输入层，经过卷积提取特征并经过若干次监督训练后，最终获得干扰识别模型，具体如下：
[0015] 在动态未知的通信环境中，模型中干扰识别问题建模为卷积层提取过程，该环境存在的复杂干扰模式与历史信息关系密切，因此环境状态St定义为St＝{st，st-1，...，st-T+1}，其中T表示
跟踪的历史状态数，则St是用二维矩阵T×N表示的
热力学框图，其中包含时域与频域信息，由此构建了频谱瀑布图。
[0016] 在历史环境状态信息中，将数据作为设计好CNN模型的输入层进行
迭代训练，定义x为输入数据到输入层的数据向量，xi为x中的第i个元素且表示第i次输入到输入层的数据，y为对应于x的标签向量，优化目标 为公式(3)所示：
[0017]
[0018] 是标签向量的预测值，y是标签向量的真实值，当训练
精度曲线收敛时，保存训练模型后则可以在线识别干扰信号，在未来抗干扰工作中达到重要作用，h为把数据输入输入层的次数，i为正整数，yi是y的第i个元素，yi为 中第i个元素。
[0019] 所述基于深度卷积神经网络的干扰识别模型的智能识别算法，包括以下步骤：
[0020] 步骤1，初始化，即将深度卷积神经网络中的各个网络
节点的权重及偏执先设置为随机且满足依概率分布的值，感知初始环境；
[0021] 步骤2，将接收机采集的数据输入深度卷积神经网络，该深度卷积神经网络还训练为有监督神经网络，在输入的所述数据与标签上有一定的损失函数 由此
[0022] 提出结构
风险函数Psrm(f)为公式(5)所示：
[0023]
[0024] λ为设定的大于0的系数，J(f)为所述模型的复杂度；
[0025] 步骤3，经过设定好的训练次数，利用公式(6)更新度卷积神经网络，重复步骤2即可，相应的优化模型为最小化结构风险函数，经验风险函数权重ωt更新公式为：
[0026]
[0027] 其中η为学习率，ωt为第t次采样的经验风险函数权重，当学习率足够小时，ω使得fω(xi)达到最优解，算法线性收敛；
[0028] 步骤4，带入预留的测试数据集样本，在训练好的基于深度卷积神经网络的干扰识别模型上进行在线识别即可。
[0029] 本发明的有益效果为：
[0030] (1)对传统特征识别进行网络构建为卷积神经网络，在不影响性能的情况下，降低计算复杂度；
[0031] (2)模型完善，物理意义清晰，提出的基于深度卷积神经网络的智能识别算法，实现对提出模型的可观识别率；
[0032] (3)能够有效地识别干扰模式，并很好地刻画基于深度卷积神经网络算法的干扰识别场景。
附图说明
[0033] 图1是本发明的深度卷积神经网络干扰识别模型的系统模型图。
[0034] 图2是本发明的用于干扰识别的卷积神经网络的结构示意图。
[0035] 图3是本发明中的卷积神经网络对干扰识别的训练更新过程
流程图。
[0036] 图4是本发明
实施例1中对定频干扰模式的识别及精度曲线。
[0037] 图5是本发明实施例2中对扫频干扰模式的识别及精度曲线。
具体实施方式
[0038] 本发明所提出的深度卷积神经网络干扰识别模型及智能识别算法，旨在提供方案以解决智能识别问题。本发明基于机器学习算法，将接收端的频谱瀑布图作为神经网络的输入层，采用深度卷积神经网络对采集数据进行训练拟合，并将其进行有监督训练；接着，经过若干次训练保存网络模型，可实现实时识别干扰模式。
[0039] 图1是干扰识别系统模型图。该模型中，接收机对单个或多个干扰机进行收集数据，将接收端的频谱瀑布图作为网络输入层进行若干训练，达到足够拟合度训练模型后即可保存模型。
[0040] 图2是干扰识别卷积神经网络模型。干扰识别网络架构采用卷积神经网络
框架，输入为频谱瀑布图，经过一层卷积一层
池化加两层全连接得到具有标签的识别数据，然后通过若干次训练达到最佳拟合度。保存训练模型并利用输入数据及模型可进行实时干扰模式识别。
[0041] 对该模型做如下刻画：单个接收机对单个或多个干扰机进行收集数据，将接收端的频谱瀑布图作为网络输入层进行若干训练，达到足够拟合度训练模型后，在动态
位置环境中，将接收端的频谱瀑布作为输入，从而实现在线模式识别。
[0042] 图3是干扰识别卷积神经网络建模及更新过程，当代理拿到接收端的干扰数据后，将其带入设计好的卷积神经网络，经过若干次迭代并观察数据拟合程度，经过优化网络结构并训练权重后，得到已训练模型，最后将收集到的真实数据作为模型输入，可以得到识别结果。
[0043] 本发明基于Le-Net5模型，结合智能干扰识别问题，考虑干扰数据庞大，数据预处理困难，学习计算耗时等因素，采用深度卷积神经网络对干扰数据进行处理分类，过程中网络权重不断更新，得到最优模型并应用于实际数据。
[0044] 下面将结合附图和实施例对本发明做进一步地说明。
[0045] 如图1-图5所示，基于深度卷积神经网络的干扰识别模型，包括：
[0046] 对该基于深度卷积神经网络的干扰识别模型做如下刻画：用于干扰识别的接收机对单个或多个干扰机发出的干扰信号进行收集数据，将作为接收端该接收机的频谱瀑布图作为网络输入层进行若干训练，达到足够拟合度训练模型后，根据已训练保存模型及其接收端的频谱瀑布，作为网络输入进行在线识别。
[0047] 作为接收端的所述接收机的功率谱密度st(f)的表达式为公式(1)所示：
[0048]
[0049] 公式(1)中，第j个干扰机可以选择其在第t次采样的频率 和功率谱密度函数当接收机感知全频段时，干扰信号和噪声同时被接收；gi是来自干扰机到接收机的信道链路增益，f是接收机的频率，n(f)是噪声的PSD函数，j为正整数，J为正整数且为干扰机的数量，t为正整数并表示接收机采样次数的序列号。
[0050] 所述基于深度卷积神经网络的干扰识别模型中的离散值采样谱si，t定义为公式(2)：
[0051]
[0052] 其中Δf为光谱分辨率，fL表示干扰机的干扰带宽的起始频率，st，i表示在在第t次采样下接收机接收到的第i个样本的采样谱，接收机感知的频率向量为st＝st，1，st，2，…st，N，N为在第t次采样的样本的数量，i为正整数。
[0053] 在动态未知环境中，将作为接收端的所述接收机的频谱瀑布图作为神经网络的输入层，经过卷积提取特征并经过若干次监督训练后，最终获得干扰识别模型，具体如下：
[0054] 在动态未知的通信环境中，模型中干扰识别问题建模为卷积层提取过程，该环境存在的复杂干扰模式与历史信息关系密切，因此环境状态St定义为St＝{st，st-1，...，st-T+1}，其中T表示跟踪的历史状态数，则St是用二维矩阵T×N表示的热力学框图，其中包含时域与频域信息，由此构建了频谱瀑布图。
[0055] 在历史环境状态信息中，将数据作为设计好CNN模型的输入层进行迭代训练，定义x为输入数据到输入层的数据向量，xi为x中的第i个元素且表示第i次输入到输入层的数据，y为对应于x的标签向量，优化目标 为公式(3)所示：
[0056]
[0057] 是标签向量的预测值，y是标签向量的真实值，当训练精度曲线收敛时，保存训练模型后则可以在线识别干扰信号，在未来抗干扰工作中达到重要作用，h为把数据输入输入层的次数，i为正整数，yi是y的第i个元素，yi为 中第i个元素。
[0058] 所述基于深度卷积神经网络的干扰识别模型的智能识别算法，包括以下步骤：
[0059] 步骤1，初始化，即将深度卷积神经网络中的各个网络节点的权重及偏执先设置为随机且满足依概率分布的值，感知初始环境；
[0060] 步骤2，将接收机采集的数据输入设计好的深度卷积神经网络，由于该深度卷积神经网络还训练为有监督神经网络，因此在输入的所述数据与标签上有一定的损失函数由此得到经验风险函数Rsrm(f)为公式(4)所示：
[0061]
[0062] N为采样数量，fω(x)相当于 根据统计学理论，当fω(x)的数量有限时，经验风险最小化意味着所述模型得到结果与真实值得相近，意味着基于深度卷积神经网络的干扰识别模型更优；为避免过度拟合，提出结构风险函数Rsrm(f)为公式(5)所示：
[0063]
[0064] λ为设定的大于0的系数，J(f)为所述模型的复杂度；
[0065] 步骤3，经过设定好的训练次数，利用公式(6)更新度卷积神经网络，重复步骤2即可，相应的优化模型为最小化结构风险函数，经验风险函数权重ωt更新公式为：
[0066]
[0067] 其中η为学习率，ωt为第t次采样的经验风险函数权重，当学习率足够小时，ω使得fω(xi)达到最优解，算法线性收敛；
[0068] 步骤4，带入预留的测试数据集样本，在训练好的基于深度卷积神经网络的干扰识别模型上进行在线识别即可。
[0069] 由于计算分类较少，因此对于复杂的卷积神经网络模型，可以将其进行简化以达到降低计算量的效果。
[0070] 以此针对本发明用如下实施例做进一步说明：
[0071] 实施例1
[0072] 本发明的第一个实施例具体描述如下，系统仿真采用python语言，基于tensorflow深度学习框架，参数设定不影响一般性。该实施例验证所提模型与方法的有效性，图4验证对定频干扰模式的有效性。参数设置为，干扰的频带为20MHz,频谱感知的频率分辨率为100kHz,接收机每1ms进行一次全频段感知，并将感知到的频谱数据保持200ms，因此，St矩阵大小为200×200，干扰信号带宽为4MHz,信号
波形为升余弦波，滚降系数为α＝0.5。干扰功率为30dBm。在实施例1中，考虑了2种定频干扰模式：
[0073] 1、单音干扰，干扰频率为2MHz。
[0074] 2、多音干扰，固定干扰频率分别为2MHz,10MHz,18MHz。
[0075] 图4是本发明实施例1中定频干扰模式的频谱瀑布图，从图中可以看出，干扰表现为许多垂直的条纹，右侧为该干扰模式下的训练识别率曲线图，且精度在0.9以上
波动。
[0076] 实施例2
[0077] 本发明的第二个实施例具体描述如下，系统仿真采用python语言，基于tensorflow深度学习框架，参数设定不影响一般性。该实施例验证所提模型与方法的有效性，图4验证对定频干扰模式的有效性，图5验证对扫频干扰识别的有效性。参数设置为，干扰的频带为20MHz,频谱感知的频率分辨率为100kHz，接收机每1ms进行一次全频段感知，并将感知到的频谱数据保持200ms,因此，St矩阵大小为200×200，干扰信号带宽为4MHz，信号波形为升余弦波，滚降系数为α＝0.5。干扰功率为30dBm。在实施例2中，考虑扫频干扰模式：扫频干扰，扫频速率为0.2GHz/s和0.5GHz/s。
[0078] 图5是本发明实施例2中扫频干扰模式的频谱瀑布图，从图中可以看出，干扰表现为因线性频率变化而呈对
角线展示出来。右侧为该干扰模式下的训练精度曲线图。由此可以看出该模型具有较高的识别度，且精度在0.9以上波动。
[0079] 综上所述，本发明提出的深度卷积神经网络干扰识别模型，充分考虑的干扰识别中的数据预处理复杂，网络结构复杂，计算量庞大的问题，比传统模型更有实际意义；提出的基于深度卷积神经网络干扰识别模型的智能识别算法，能够实现对提出模型的有效性求解，可从精度曲线上看出具有较高识别率，有效地应对干扰模式识别。
[0080] 以上以用实施例说明的方式对本发明作了描述，本领域的技术人员应当理解，本公开不限于以上描述的实施例，在不偏离本发明的范围的情况下，可以做出各种变化、改变和替换。
