張興哲

(麻波亞理工學(xué)院 電子與通信系，菲律賓馬尼拉)

一種基于復(fù)雜性測(cè)度的干擾樣式識(shí)別方法*

張興哲

(麻波亞理工學(xué)院 電子與通信系，菲律賓馬尼拉)

提出了一種基于復(fù)雜性測(cè)度的干擾樣式識(shí)別方法.該方法首先分析接收信號(hào)的分形維數(shù)和LZ復(fù)雜度.通過使用一定數(shù)量樣本，獲得每種干擾樣式分形維數(shù)和LZ復(fù)雜度分布的均值中心和方差.然后采用指數(shù)距離計(jì)算待識(shí)別樣本與每種干擾的均值中心和方差的距離，按最小距離原則來對(duì)干擾樣式進(jìn)行識(shí)別.最后給出了仿真結(jié)果及結(jié)論.

LZ復(fù)雜度；均值中心；方差；干擾樣式

引言

近十年來，各種無線通信系統(tǒng)的應(yīng)用日益廣泛.然而隨之而來的是，無線通信系統(tǒng)面臨的電磁環(huán)境日益復(fù)雜，各種自然干擾和人為干擾嚴(yán)重影響著無線通信的有效性和可靠性[1].如能對(duì)干擾樣式進(jìn)行識(shí)別，并針對(duì)不同的干擾樣式采取相應(yīng)的抗干擾策略，將有效提高通信過程的可靠性[2].目前，干擾樣式識(shí)別方面的文獻(xiàn)還不多見.如文獻(xiàn)[3]介紹了一種基于高階累積量與神經(jīng)網(wǎng)絡(luò)的干擾識(shí)別算法，使用二階、四階累積量及其三次方作為特征參數(shù)，并結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別；文獻(xiàn)[4]提出了一種復(fù)合式干擾識(shí)別方法，采用盲源分離與支持向量機(jī)對(duì)復(fù)合式干擾進(jìn)行分類和識(shí)別.馬合意等人首先對(duì)干擾信號(hào)的頻譜進(jìn)行小波包分解，提取特征參數(shù)，然后利用支持向量機(jī)對(duì)干擾進(jìn)行分類；文獻(xiàn)[5]使用13種特征參數(shù)對(duì)直擴(kuò)系統(tǒng)中的多種干擾樣式及其調(diào)制方式進(jìn)行識(shí)別；文獻(xiàn)[6]使用FICA算法實(shí)現(xiàn)了四種干擾樣式和兩種通信信號(hào)的分離與識(shí)別.上述研究對(duì)復(fù)雜電磁環(huán)境下的干擾識(shí)別進(jìn)行了初步探索，但存在計(jì)算復(fù)雜度較高、干擾樣式識(shí)別種類不多等問題；或僅針對(duì)特定通信系統(tǒng)、特定干擾樣式的檢測(cè)與抑制.因此，這些算法的實(shí)際應(yīng)用會(huì)有一定的局限性.

因此，本文提出了一種基于復(fù)雜性測(cè)度的干擾樣式識(shí)別方法，能夠?qū)o線通信中常見的單音干擾、多音干擾、窄帶干擾、脈沖干擾、寬帶噪聲干擾、跳頻干擾、掃頻干擾七種干擾樣式及QPSK通信信號(hào)進(jìn)行識(shí)別.該方法首先分析接收信號(hào)的分形維數(shù)和LZ復(fù)雜度.使用一定數(shù)量樣本進(jìn)行訓(xùn)練后，獲得每種干擾樣式分形維數(shù)和LZ復(fù)雜度分布的均值中心和方差.然后采用指數(shù)距離計(jì)算待識(shí)別樣本與每種干擾的均值中心和方差的距離，按最小距離原則來對(duì)干擾樣式進(jìn)行識(shí)別.文章最后給出了仿真結(jié)果及結(jié)論.

1 系統(tǒng)模型

本文采用中頻通信系統(tǒng)模型，系統(tǒng)模型框圖如圖1所示.二進(jìn)制隨機(jī)信源產(chǎn)生的二進(jìn)制序列經(jīng)QPSK基帶調(diào)制后，再進(jìn)行中頻調(diào)制，送入信道.在信道中，中頻通信信號(hào)中加入高斯白噪聲(AWGN)作為環(huán)境噪聲，并加入人為干擾.離散化的接收信號(hào)r(n)可表示為：

r(n)=s(n)+v(n)+J(n)

(1)

式中s(n)表示通信信號(hào)，v(n)表示加性高斯白噪聲，J(n)表示人為干擾.在接收端，首先對(duì)接收信號(hào)進(jìn)行預(yù)處理，然后進(jìn)行干擾樣式識(shí)別.

圖1 系統(tǒng)模型框圖

目前無線通信系統(tǒng)面臨的常見干擾樣式主要有單音干擾、多音干擾、寬帶噪聲干擾、部分頻帶干擾、脈沖干擾、掃頻干擾和無干擾等，本文將這些干擾樣式作為研究對(duì)象.

2 干擾樣式識(shí)別算法

對(duì)照一般的模式識(shí)別定義[7]，可以給出干擾樣式識(shí)別的定義，即根據(jù)干擾樣式的特征或?qū)傩?，利用以?jì)算機(jī)為中心的機(jī)器系統(tǒng)，運(yùn)用一定的分析算法自動(dòng)認(rèn)定干擾的樣式.與一般的模式識(shí)別問題類似，它也包括三個(gè)基本問題，即干擾樣式的特征選擇與提取、訓(xùn)練學(xué)習(xí)、分類識(shí)別.

2.1基于復(fù)雜性測(cè)度的干擾樣式特征參數(shù)選擇

如上所述，干擾樣式識(shí)別首先要解決的問題就是提取能夠反映干擾樣式的特征參數(shù).復(fù)雜度全稱復(fù)雜性測(cè)度，它是指物體復(fù)雜性程度的客觀度量.在信號(hào)處理領(lǐng)域，復(fù)雜性測(cè)度能夠有效地刻畫信號(hào)波形特征.因此，本文采用復(fù)雜性測(cè)度來作為干擾樣式的特征參數(shù).目前，復(fù)雜度的定量描述，包括LZ復(fù)雜度、分形維數(shù)、信息熵、Lyapunov指數(shù)等.在信號(hào)處理領(lǐng)域中最常用的方法有兩種，即LZ復(fù)雜度和分形維數(shù).

LZ復(fù)雜度是A. Lempel和J. Ziv于1976年提出的.有限長(zhǎng)序列的LZ復(fù)雜度是指隨序列長(zhǎng)度增加產(chǎn)生新模式的速度，它通過復(fù)制和添加兩種簡(jiǎn)單操作來描述一個(gè)序列的特性[8].分形維數(shù)，是用來衡量一個(gè)幾何集或自然物體不規(guī)則和破碎程度的數(shù)，它可以定量刻畫分形特征，表征了分形體的復(fù)雜程度，分形的維數(shù)越大，其客體就越復(fù)雜.計(jì)算分形維數(shù)的方法有多種，如盒維數(shù)、相似維數(shù)、豪斯多夫維數(shù)和信息維數(shù)等.其中盒維數(shù)(Box dimension)由于計(jì)算相對(duì)簡(jiǎn)單，得到了廣泛的應(yīng)用.因此，本文采用LZ復(fù)雜度和盒維數(shù)來作為干擾識(shí)別的特征參數(shù).

對(duì)于LZ復(fù)雜度，首先對(duì)信號(hào)采用“顆?；碧幚韥硖崛⌒盘?hào)的整體特征而忽略信號(hào)的細(xì)節(jié).考慮一個(gè)接收信號(hào)的序列r(n)，其長(zhǎng)度為N+1，均值M.將r(n)中的每一個(gè)樣點(diǎn)與M比較.如果樣點(diǎn)的值大于M，則將r(n)為1，反之r(n)為0.然后將得到的由0，1組成的新序列從左側(cè)第一個(gè)抽樣依次檢查是否有新的子序列出現(xiàn).如果有，則LZ復(fù)雜度值加1.這種二值顆?；僮骱?jiǎn)單易行，但丟失了原始序列的許多有用信息.因此，我們提出了一種改進(jìn)的顆?；僮骷癓Z復(fù)雜度計(jì)算方法.其具體步驟如下[7].

1)計(jì)算相鄰兩時(shí)刻信號(hào)差的絕對(duì)值，得到序列{m(n)}.

m(n)=|r(n)-r(n+1)|,n=1,2,…,N

(2)

新序列{m(n)}可以降低噪聲的影響，提高LZ復(fù)雜度對(duì)同類信號(hào)的聚集程度和不同類信號(hào)的分離程度.

(3)

將得到的序列{mq(n)}進(jìn)行二進(jìn)制編碼，最后得到二進(jìn)制序列{h(n)，n=1,2,...,N·L}.

3)定義{h(n)}的子序列S和Q，SQ表示S和Q的合并序列.SQ〈D〉表示將SQ中最后一個(gè)接收信號(hào)抽樣對(duì)應(yīng)的L個(gè)二進(jìn)制序列刪除后剩余的序列.設(shè)初始復(fù)雜度C(0)=1，S=h(1)，Q=h(2)，SQ=h(1)h(2)，SQ〈D〉=h(1).

4)若S=h(1),h(2),...,h(i)，Q=h(i+1)，則SQ〈D〉=h(1),h(2),...,h(i).判斷Q是否是SQ〈D〉的子集.

5)若Q屬于SQ〈D〉，復(fù)雜度C(n)不變，S不變，Q=h(i+1)h(i+2)，繼續(xù)第4)步.

6)若Q不屬于SQ〈D〉，c(h)=c(h)+1，令S=SQ=h(1),...,h(i+j)，Q=h(i+j+1)，繼續(xù)第4)步.

上述過程直到Q取到序列{h(n)}的最后一個(gè)二進(jìn)制符號(hào).為使復(fù)雜度值與序列長(zhǎng)度無關(guān)，c(h)需要進(jìn)行歸一化處理.若序列{h(n)}的長(zhǎng)度是N·L，則歸一化的復(fù)雜度可寫為：

(4)

LZ復(fù)雜度反映的是一個(gè)時(shí)間序列中，模式數(shù)量隨序列長(zhǎng)度增加的速率.

(5)

式中：Nδ(F)——以δ為邊長(zhǎng)的正方形網(wǎng)格與F相交的網(wǎng)格數(shù).

按照這種思想，為計(jì)算長(zhǎng)度為N時(shí)間序列r(n)的盒維數(shù)，用邊長(zhǎng)為δ的方格覆蓋r(n)，如圖2所示.

圖2 δ下r(n)的盒維數(shù)

然后覆蓋r(n)的方格數(shù)Nδ(r)就可計(jì)算出來.理論上，r(n)的盒維數(shù)dimBr(n)可用式(5)來計(jì)算.但由于離散信號(hào)r(n)的最高分辨率為間隔δ，所以式(5)的極限無法根據(jù)其定義δ→0求出.實(shí)際計(jì)算一般采用近似方法，即將δ網(wǎng)格逐步放大為kδ網(wǎng)格，k∈Z+.定義M(kδ)為格子寬度是kδ的離散空間上集合的網(wǎng)格計(jì)數(shù)，它可由下式求得：

min{r(k(j-1)+1),r(k(j-1)+2),...r(k(j-1)+k+1)}|,k=1,2,…K;Klt;N

(6)

則信號(hào)r(n)在寬度為kδ的離散空間上集合的網(wǎng)格計(jì)數(shù)Nδ(r(n))為：

Nδ(r)=M(kδ)/kδ+1

(7)

設(shè)矩形網(wǎng)格的最小寬度和高度分別為δw和δh，M(kδw)為r(n)在區(qū)間(jkδw,(j+1)kδw)的分段網(wǎng)格計(jì)數(shù)，其中j=1,2,…N0/k，其算法同式(6)，當(dāng)網(wǎng)格高度為δh時(shí)，計(jì)算信號(hào)s(t)的網(wǎng)格計(jì)數(shù)Nδ(s)的式(7)可改進(jìn)為：

Nδ(s)=M(kδw)/kδh+1

(8)

為檢測(cè)LZ復(fù)雜度和盒維數(shù)對(duì)干擾樣式的分類能力，對(duì)寬帶干擾、掃頻干擾、單音干擾、多音干擾、窄帶干擾、脈沖干擾、QPSK信號(hào)每種干擾樣式隨機(jī)產(chǎn)生JSR(干擾信號(hào)比) = 7 ～ 15dB的100個(gè)樣本，其LZ復(fù)雜度和盒維數(shù)按式(4)和式(8)進(jìn)行計(jì)算，考察其均值和方差，見表1.

表1 常見干擾樣式的LZ復(fù)雜度和盒維數(shù)比較

從表1可以看出，LZ復(fù)雜度和盒維數(shù)對(duì)幾種常見的干擾樣式具有良好的分類能力.LZ復(fù)雜度和盒維數(shù)可以作為常見干擾樣式識(shí)別和分類的特征參數(shù).

2.2基于指數(shù)距離的分類識(shí)別方法

從表1可以看出，干擾樣式雖然是確定的幾種類型，但由于干擾本身的參數(shù)不同、干信比不同等導(dǎo)致了每種干擾樣式的特征參數(shù)分布的區(qū)域與形狀差異較大，難以嚴(yán)格界定每種干擾分布的區(qū)域邊界，這就使得對(duì)干擾的識(shí)別具有模糊性.因此，以某個(gè)中心點(diǎn)代表某一干擾樣式的分布顯然不夠合理.因此采用了指數(shù)距離函數(shù).具體表達(dá)式如下[8]：

(9)

在本算法中，特征參數(shù)共有兩個(gè)，故K=2.可以看出，這種指數(shù)距離函數(shù)計(jì)算方法不僅考慮到了樣本與分類中心距離的影響，還考慮到了訓(xùn)練樣本特征參數(shù)分布的方差對(duì)分類和識(shí)別的影響.該隸屬度函數(shù)簡(jiǎn)單明了，不需要權(quán)重確定、相關(guān)矩陣計(jì)算等復(fù)雜運(yùn)算.計(jì)算待分類樣本Z與各干擾樣式的指數(shù)距離后，就可按最小距離原則對(duì)Z進(jìn)行分類，如下式所示：

Z=Zj,j={i|min(μi),i=1,…NJ}

(10)

式中Zj為第j種干擾樣式；NJ為干擾樣式種類.

綜上所述，干擾樣式識(shí)別框圖如圖3所示.對(duì)接收信號(hào)進(jìn)行RF處理后，分別計(jì)算樣本的波形參數(shù)和偏斜度.在進(jìn)行干擾樣式識(shí)別前，需要對(duì)每種干擾樣式選用少量(100個(gè)左右)的樣本進(jìn)行參數(shù)訓(xùn)練.通過訓(xùn)練，計(jì)算每種干擾樣式特征參數(shù)的均值和方差.訓(xùn)練完成后，就可使用式(9)計(jì)算待識(shí)別樣本的指數(shù)距離，并按式(10)對(duì)樣本進(jìn)行識(shí)別.可以看出，與已有方法相比，本節(jié)提出的方法識(shí)別干擾樣式的種類較多，識(shí)別過程簡(jiǎn)潔清晰，計(jì)算復(fù)雜度較低.

圖3 基于復(fù)雜性測(cè)度的干擾樣式識(shí)別框圖

3 仿真結(jié)果

在仿真中，假設(shè)無線環(huán)境中存在QPSK通信信號(hào)，其載波頻率為5 MHz，通信速率為100 kbit/s，單音干擾的中心頻率在4～6 MHz之間隨機(jī)變化.多音干擾以5MHz為中心頻率，頻率點(diǎn)數(shù)在2～10之間隨機(jī)變化，頻點(diǎn)分布在1～9 MHz之間隨機(jī)取值，并進(jìn)行功率歸一化處理.寬帶噪聲干擾用高斯白噪聲代替.窄帶干擾由高斯白噪聲通過窄帶濾波器產(chǎn)生，中心頻率為5 MHz，帶寬在100～500 kHz之間隨機(jī)變化.脈沖干擾的占空比在0.001%～0.01%間變化.掃頻干擾的中心頻率為5MHz，掃頻帶寬在5 MHz，4 MHz，3 MHz，2 MHz中隨機(jī)選擇.每個(gè)樣本使用50 ms的接收信號(hào)即105個(gè)抽樣數(shù)據(jù)作為識(shí)別數(shù)據(jù).

每種干擾樣式產(chǎn)生干信比在-7～15dB之間隨機(jī)變化的40 000個(gè)含有通信信號(hào)的樣本作為待識(shí)別樣本測(cè)試識(shí)別率.為便于仿真，改變干信比時(shí)，保持通信信號(hào)功率不變，改變干擾的功率.單音、多音、窄帶、寬帶、掃頻、脈沖以及僅有QPSK通信信號(hào)的識(shí)別性能，如圖4所示.

圖4 JSR對(duì)干擾識(shí)別概率的影響

圖4a顯示，本節(jié)提出的算法在JSR ≥ 2dB時(shí)對(duì)寬帶干擾具有較好的識(shí)別性能.相比之下，基于高階累積量的算法比本節(jié)提出的算法性能略好.圖4b顯示在JSR ≥ -3dB時(shí)對(duì)多音干擾具有更好的性能.相比之下，基于高階累積量的算法和基于SVM的算法性能隨JSR下降而下降較快.圖4c顯示在JSR ≥ 3dB時(shí)對(duì)單音干擾具有較好的識(shí)別性能，這一性能比基于高階累積量的算法和基于SVM的算法性能要差.圖4d顯示當(dāng)JSR ≥ -3dB時(shí)，本節(jié)提出的算法性能較好.而基于SVM的算法比本文算法性能略差.圖4e 顯示了在無干擾而僅有QPSK通信信號(hào)時(shí)的識(shí)別性能.圖4f顯示了當(dāng)前文獻(xiàn)中還未研究的掃頻干擾和脈沖干擾的識(shí)別性能.可以看出，當(dāng)JSR ≥ -2dB時(shí)所提算法對(duì)掃頻干擾的識(shí)別率超過95%，在JSR ≥ -3dB時(shí)對(duì)脈沖干擾的識(shí)別率超過90%.

4 結(jié)束語(yǔ)

本文提出了一種基于信號(hào)功率譜統(tǒng)計(jì)參數(shù)的模糊干擾樣式識(shí)別方法.該方法利用接收信號(hào)功率譜的波形參數(shù)和偏斜度作為分類的特征參數(shù)；利用指數(shù)模糊度隸屬函數(shù)計(jì)算待識(shí)別樣本的隸屬度，按最大隸屬度原則來對(duì)干擾樣式進(jìn)行識(shí)別.與已有方法相比，本文提出的方法識(shí)別干擾樣式的種類較多，識(shí)別過程簡(jiǎn)潔清晰，計(jì)算復(fù)雜度較低，有利于實(shí)際應(yīng)用.仿真結(jié)果表明，該算法對(duì)于常見的六種干擾樣式具有較高的識(shí)別率.

[1]Poisel R A. Modern Communication Jamming Principles and Techniques[M]. Norwood: Artech House, 2004.

[2]姚富強(qiáng). 通信抗干擾工程與實(shí)踐[M]. 北京: 電子工業(yè)出版社, 2012.

[3]吳昊，張杭. 基于高階累積量與神經(jīng)網(wǎng)絡(luò)的干擾識(shí)別算法[J]. 軍事通信技術(shù),2008, 29(1): 67-71.

[4]吳昊，張杭，路威. 一種面向衛(wèi)星頻譜監(jiān)測(cè)的復(fù)合式干擾自動(dòng)識(shí)別算法[J]. 系統(tǒng)仿真學(xué)報(bào), 2008, 20(17): 4681-4684.

[5]楊小明，陶然. 直接序列擴(kuò)頻通信系統(tǒng)中干擾樣式的自動(dòng)識(shí)別[J]. 兵工學(xué)報(bào), 2008, 29(9): 1078-1082.

[6]Zhiyu Z, Hao C, Ningning L. Automatic Recognition of Multiple Interferences and Signals in the Same Channel Based on ICA[C]. Guilin: IEEE, 2009.

[7]孫即祥. 現(xiàn)代模式識(shí)別[M]. 北京: 高等教育出版社, 2008.

[8]Lempel A, Ziv J. On the complexity of finite sequences[J]. IEEE Trans. Inform. Theory, 1976, IT22(1): 75-81.

ARecognitionMethodofNovelJammingBasedonComplexityMeasurement

ZHANG Xing-zhe

(School of ECE, Mapua Institute of Technology, Manila, Philippines)

A novel jamming recognition method based on complexity measure of

signal was proposed. The proposed algorithm exploited the LZ complexity and box dimension of received signal as classified characters of jamming pattern. After the mean center and variance of each jamming pattern were calculated by some jamming samples, exponential distance function was used to calculate the distance of recognizing sample. Finally, the jamming pattern of sample was recognized by the minimum distance principle. The simulation results show that the proposed algorithm can recognize common six jamming patterns and QPSK signal accurately.

LZ complexity; mean center; variance; jamming pattern

1673-2103(2013)05-0030-07

2013-09-02

張興哲(1989-), 男， 山東泰安人，菲律賓麻波亞理工學(xué)院， 研究方向：電子與通訊.

TN92

A