魏 迪,曾海彬,洪 鋒,馬 松,4,袁 田

(1.中國(guó)西南電子技術(shù)研究所，成都 610036;2.北京跟蹤與通信技術(shù)研究所，北京 100094;3.中國(guó)人民解放軍63750部隊(duì)，西安 710043;4.電子科技大學(xué) 通信抗干擾技術(shù)國(guó)家級(jí)重點(diǎn)實(shí)驗(yàn)室，成都611731)

0 引 言

隨著電磁環(huán)境日益復(fù)雜的變化，各種有意或者無意干擾信號(hào)使得通信系統(tǒng)面臨著嚴(yán)峻的挑戰(zhàn)。為了保證通信系統(tǒng)在干擾環(huán)境下能夠保持可靠工作，需要采取干擾防護(hù)措施[1-2]。在復(fù)雜的電磁環(huán)境中，一種干擾防護(hù)手段往往只能針對(duì)一種干擾類型，很難有干擾防護(hù)手段能夠?qū)顾懈蓴_類型，不同干擾防護(hù)手段在對(duì)抗干擾的同時(shí)需要付出不同程度的代價(jià)[3]。為了保證通信系統(tǒng)保持穩(wěn)定可靠的工作，以較小的代價(jià)實(shí)現(xiàn)有效的干擾防護(hù)，首先需要進(jìn)行干擾類型識(shí)別。對(duì)干擾信號(hào)類型的識(shí)別，可以為系統(tǒng)決策最佳干擾防護(hù)手段提供重要的依據(jù)，是通信干擾防護(hù)系統(tǒng)的關(guān)鍵技術(shù)之一[4]，具有非常重要的研究?jī)r(jià)值。

傳統(tǒng)的干擾識(shí)別方法是基于特征提取的方法。文獻(xiàn)[5]提出了一種基于支持向量機(jī)(Support Vector Machine，SVM)的干擾自動(dòng)分類識(shí)別方法，首先從多個(gè)維度提取干擾信號(hào)的特征參數(shù)，然后構(gòu)建決策樹SVM進(jìn)行分類，實(shí)現(xiàn)了干擾信號(hào)的自動(dòng)分類。文獻(xiàn)[3]提出了一種聯(lián)合多維特征的干擾識(shí)別方法，首先從多個(gè)域提取多維特征，然后分別基于SVM和決策樹作為分類器進(jìn)行干擾識(shí)別?；谔卣魈崛〉母蓴_識(shí)別方法需要人工設(shè)計(jì)特征提取器，干擾識(shí)別的性能受限于提取的特征，導(dǎo)致干擾識(shí)別性能較差。

近年來，深度學(xué)習(xí)算法突飛猛進(jìn)，其中卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)是兩種經(jīng)典的深度學(xué)習(xí)算法，在分類識(shí)別領(lǐng)域中具有較為廣泛的應(yīng)用[6-19]。文獻(xiàn)[12]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的干擾信號(hào)識(shí)別方法，主要利用Inception結(jié)構(gòu)[8]構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行干擾識(shí)別。文獻(xiàn)[16]提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的干擾識(shí)別算法，該算法利用頻譜瀑布圖作為卷積神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行識(shí)別，可以實(shí)現(xiàn)對(duì)干擾信號(hào)的分類。上述基于卷積神經(jīng)網(wǎng)絡(luò)的干擾識(shí)別方法只利用了信號(hào)的頻域信息，且對(duì)信號(hào)時(shí)序變化特征的提取能力不足，干擾識(shí)別性能不高。文獻(xiàn)[18]提出了一種基于長(zhǎng)短時(shí)記憶(Long Short-Term Memory，LSTM)網(wǎng)絡(luò)的雷達(dá)干擾信號(hào)識(shí)別方法，將時(shí)頻域序列作為網(wǎng)絡(luò)的輸入進(jìn)行干擾識(shí)別，通過LSTM網(wǎng)絡(luò)預(yù)測(cè)信號(hào)的類別。該方法僅利用了單個(gè)域的數(shù)據(jù)，僅從一個(gè)角度提取信號(hào)特征，特征提取不夠全面，性能有待提升。

綜上，本文提出一種基于LSTM網(wǎng)絡(luò)和特征融合的通信干擾識(shí)別方法。所提方法基于LSTM網(wǎng)絡(luò)優(yōu)異的時(shí)序特征提取能力，提取輸入信號(hào)的特征，克服了現(xiàn)有技術(shù)存在的特征提取性能不足的問題，提升了干擾信號(hào)特征提取的性能；所提方法提取信號(hào)的時(shí)域和頻域特征后進(jìn)行特征融合，使用全連接分類器進(jìn)行分類識(shí)別，相比僅利用信號(hào)單域數(shù)據(jù)的方法，對(duì)數(shù)據(jù)的利用更加充分，提升了特征提取的完整性和干擾識(shí)別的性能?；诜抡鎸?shí)驗(yàn)的結(jié)果說明，在正確率為98%時(shí)，所提方法的性能相比于現(xiàn)有基于卷積神經(jīng)網(wǎng)絡(luò)的干擾識(shí)別方法[12]提升了6 dB。

1 信號(hào)模型

常見的通信干擾信號(hào)分為單音干擾、多音干擾、部分頻帶干擾、線性掃頻干擾、噪聲調(diào)頻干擾和脈沖干擾[3,12]。

采樣后的接收信號(hào)是通信信號(hào)、干擾信號(hào)和噪聲的疊加，記為

r(n)=s(n)+j(n)+w(n)。

(1)

式中：s(n)表示通信信號(hào)，j(n)表示干擾信號(hào)，w(n)表示高斯白噪聲信號(hào)。

當(dāng)接收信號(hào)中不存在干擾信號(hào)時(shí)，采樣信號(hào)中只含有通信信號(hào)和噪聲信號(hào)。本文將針對(duì)分別包含上述干擾信號(hào)和無干擾的共7種類型接收信號(hào)進(jìn)行干擾識(shí)別研究。

2 干擾識(shí)別方法

2.1 總體架構(gòu)

本文提出一種基于LSTM網(wǎng)絡(luò)和特征融合的通信干擾識(shí)別方法，其總體架構(gòu)如圖1所示。

圖1 干擾識(shí)別方法總體架構(gòu)

(1)預(yù)處理模塊

將接收機(jī)接收的信號(hào)輸入預(yù)處理模塊，通過時(shí)域加窗、功率歸一化和傅里葉變換等獲得時(shí)域數(shù)據(jù)和頻域數(shù)據(jù)。

(2)特征提取模塊

特征提取模塊含有兩個(gè)分支，分別是時(shí)域特征提取支路和頻域特征提取支路。將時(shí)域數(shù)據(jù)和頻域數(shù)據(jù)輸入特征提取模塊，通過兩個(gè)支路分別提取信號(hào)的時(shí)域特征和頻域特征。

(3)融合模塊

將時(shí)域特征和頻域特征輸入融合模塊，通過特征拼接的融合方式得到信號(hào)的融合特征。

(4)分類模塊

將融合后的特征輸入分類模塊，通過全連接分類器得到干擾信號(hào)的識(shí)別結(jié)果。

其中，特征提取模塊、融合模塊和分類模塊共同構(gòu)成一個(gè)完整的深度神經(jīng)網(wǎng)絡(luò)，預(yù)處理模塊得到的時(shí)域數(shù)據(jù)和頻域數(shù)據(jù)是深度神經(jīng)網(wǎng)絡(luò)的輸入。

2.2 預(yù)處理模塊

預(yù)處理部分主要包括時(shí)域加窗、功率歸一化和傅里葉變換。首先對(duì)接收到的信道采樣復(fù)基帶數(shù)據(jù)進(jìn)行時(shí)域加窗，然后進(jìn)行功率歸一化，將功率歸一化之后得到的I、Q兩路數(shù)據(jù)及其模值組成的三通道數(shù)據(jù)作為時(shí)域數(shù)據(jù)；最后進(jìn)行長(zhǎng)度為N的傅里葉變換，將得到的I、Q兩路數(shù)據(jù)及其模值組成的三通道數(shù)據(jù)作為頻域數(shù)據(jù)。時(shí)域數(shù)據(jù)和頻域數(shù)據(jù)用矩陣分別表示為

(2)

(3)

式中：N表示時(shí)域加窗的長(zhǎng)度，i=1,2,…,N表示信號(hào)向量元素序號(hào)的索引；T表示時(shí)域，F(xiàn)表示頻域；I表示實(shí)部，Q表示虛部；A表示幅度值；XT表示時(shí)域數(shù)據(jù)，XF表示頻域數(shù)據(jù)，XT和XF共同構(gòu)成識(shí)別網(wǎng)絡(luò)部分的輸入數(shù)據(jù)。

2.3 特征提取模塊

特征提取模塊由時(shí)域特征提取支路和頻域特征提取支路組成，兩個(gè)支路都通過基于LSTM的特征提取網(wǎng)絡(luò)來提取信號(hào)的特征。

LSTM是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的隱藏層只有一個(gè)狀態(tài)，對(duì)短期的輸入非常敏感，LSTM在隱藏層中增加了一個(gè)狀態(tài)ct，用來保存長(zhǎng)期狀態(tài)。相比于傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)，LSTM增加的狀態(tài)ct可以保留長(zhǎng)期的記憶信息，對(duì)時(shí)序信息的學(xué)習(xí)更加完整，具有更好的性能表現(xiàn)。LSTM單元的內(nèi)部結(jié)構(gòu)如圖2所示，其輸入和輸出的關(guān)系為

圖2 LSTM單元結(jié)構(gòu)

ft=σ(Wf[ht-1,xt]+bf)，

(4)

it=σ(Wi[ht-1,xt]+bi)，

(5)

(6)

(7)

ot=σ(Wo[ht-1,xt]+bo)，

(8)

ht=ot?tanh(ct)。

(9)

如圖3所示，所提基于LSTM的特征提取網(wǎng)絡(luò)由1個(gè)數(shù)據(jù)分割層和3個(gè)LSTM層組成。特征提取網(wǎng)絡(luò)的輸入是預(yù)處理部分得到的時(shí)域數(shù)據(jù)或者頻域數(shù)據(jù)，輸入數(shù)據(jù)的尺寸為2 048×3。首先，數(shù)據(jù)分割層將輸入數(shù)據(jù)按順序滑窗分割成多個(gè)子矩陣，滑窗窗口尺寸為8×3，滑窗步長(zhǎng)為4×1，滑窗分割可以得到511個(gè)子矩陣，然后將每個(gè)子矩陣都拉成向量，得到511個(gè)向量，記為input_i，i取1～N，N表示滑窗得到的向量總數(shù)。特征提取支路含有3個(gè)LSTM層，每層由511個(gè)LSTM單元組成，LSTM單元中隱藏層節(jié)點(diǎn)長(zhǎng)度為64。然后，將數(shù)據(jù)分割層得到的511個(gè)向量分別輸入到第一個(gè)LSTM層的511個(gè)LSTM單元中，第二個(gè)和第三個(gè)LSTM層的輸入分別是前一個(gè)LSTM層的輸出。最后，將第三層最后一個(gè)時(shí)間節(jié)點(diǎn)的特征作為該特征提取支路的輸出，該特征包含輸入數(shù)據(jù)中蘊(yùn)含的復(fù)雜特征。

圖3 基于LSTM的特征提取網(wǎng)絡(luò)結(jié)構(gòu)圖

在特征提取模塊中，時(shí)域特征提取支路和頻域特征提取支路都通過基于LSTM的特征提取網(wǎng)絡(luò)提取特征，分別得到時(shí)域特征和頻域特征。

2.4 融合模塊

融合模塊將時(shí)域特征提取支路提取的時(shí)域特征和頻域特征提取支路提取的頻域特征進(jìn)行融合。由于信號(hào)的全部特征存在于信號(hào)的時(shí)域和頻域中，僅從時(shí)域或者頻域提取特征會(huì)出現(xiàn)部分信號(hào)信息的缺失，特征提取不夠全面，因此有必要充分挖掘數(shù)據(jù)中蘊(yùn)含的信息，通過同時(shí)提取時(shí)域頻域特征并進(jìn)行融合的方式來獲取干擾信號(hào)的特征。所提方法采用特征拼接的方式進(jìn)行特征融合，公式表示如下：

Ffusion=[Ft,Ff]。

(10)

式中：Ft表示時(shí)域特征；Ff表示頻域特征；Ffusion表示融合特征，融合特征的向量長(zhǎng)度是時(shí)域特征長(zhǎng)度與頻域特征長(zhǎng)度之和。將時(shí)域特征和頻域特征進(jìn)行特征融合，可以提升信號(hào)特征提取的性能，提升干擾信號(hào)識(shí)別的性能。

2.5 分類模塊

分類模塊將融合特征輸入全連接分類器對(duì)干擾信號(hào)進(jìn)行分類識(shí)別。首先，將融合特征輸入第一個(gè)全連接層和激活函數(shù)層，該全連接層隱藏節(jié)點(diǎn)個(gè)數(shù)為64，輸出特征為feature1；然后，將feature1輸入第二個(gè)全連接層，該全連接層隱藏節(jié)點(diǎn)個(gè)數(shù)為7，與干擾信號(hào)的類別個(gè)數(shù)相等，輸出特征為feature2；最后，將feature2輸入到Softmax激活函數(shù)中進(jìn)行歸一化，得到分類置信度向量，向量長(zhǎng)度為7，歸一化后向量中各元素之和為1，每個(gè)元素值代表對(duì)應(yīng)類別的預(yù)測(cè)概率。

3 仿真分析

3.1 仿真參數(shù)及評(píng)價(jià)準(zhǔn)則

本文通過仿真分析所提方法的干擾識(shí)別性能，采用加性高斯白噪聲(Additive White Gaussian Noise，AWGN)信道，使用BPSK調(diào)制信號(hào)，擴(kuò)頻增益為1 023，根據(jù)表1所示的干擾信號(hào)參數(shù)構(gòu)建干擾信號(hào)數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集信號(hào)的干信比(Jamming-to-Signal Ratio，JSR)為20～50 dB，間隔10 dB，干噪比(Jamming-to-Noise Ratio，JNR)為-10～20 dB，間隔2 dB，每類干擾信號(hào)在每種JSR和JNR下的樣本數(shù)量為100。驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集信號(hào)的JSR為20～50 dB，間隔10 dB，JNR為-20～20 dB，間隔2 dB，每類干擾信號(hào)在每種JSR和JNR下的樣本數(shù)量為50。

表1 信號(hào)類型和參數(shù)

模型的訓(xùn)練和測(cè)試過程采用Keras深度學(xué)習(xí)平臺(tái)，使用Adam優(yōu)化算法，學(xué)習(xí)率設(shè)置為0.000 1，數(shù)據(jù)集訓(xùn)練次數(shù)epoch設(shè)置為100，在訓(xùn)練過程中保存對(duì)驗(yàn)證集測(cè)試精度最高的模型。

本文通過各類別識(shí)別正確率和總體識(shí)別正確率對(duì)干擾識(shí)別算法進(jìn)行評(píng)估。各類別識(shí)別正確率是該類干擾信號(hào)識(shí)別正確的樣本個(gè)數(shù)與測(cè)試樣本總數(shù)的比值，總體識(shí)別正確率是各類別識(shí)別正確率的平均值。此外，通過比較兩種算法達(dá)到相同總體識(shí)別正確率時(shí)的最小JNR差值，可以量化算法性能提升的程度。

3.2 模型收斂性分析

為了評(píng)估所提方法的識(shí)別性能與訓(xùn)練數(shù)據(jù)集樣本數(shù)量之間的關(guān)系，本文通過構(gòu)建多個(gè)樣本量不同的訓(xùn)練數(shù)據(jù)集對(duì)所提方法進(jìn)行訓(xùn)練，并根據(jù)訓(xùn)練結(jié)果確認(rèn)最佳的訓(xùn)練樣本數(shù)量。將N0定義為訓(xùn)練數(shù)據(jù)集中每類干擾信號(hào)在每種JSR和JNR下的樣本數(shù)量。首先，按照表1的信號(hào)參數(shù)，分別取N0為10，20，30，…，150，構(gòu)建15個(gè)數(shù)據(jù)集。根據(jù)3.1節(jié)的敘述，各數(shù)據(jù)集樣本總數(shù)量等于448與N0的乘積。然后，使用這15個(gè)數(shù)據(jù)集分別對(duì)所提的干擾識(shí)別網(wǎng)絡(luò)進(jìn)行訓(xùn)練。最后，分析驗(yàn)證集總體識(shí)別正確率與訓(xùn)練樣本數(shù)量之間的關(guān)系，結(jié)果如圖4所示。通過圖4可以看出，當(dāng)N0小于100時(shí)，正確率先快速上升，然后在波動(dòng)中緩慢上升；當(dāng)N0大于100時(shí)，正確率基本不再提升，此時(shí)模型已經(jīng)收斂。因此為了減少不必要的時(shí)間代價(jià)和存儲(chǔ)代價(jià)，后續(xù)實(shí)驗(yàn)均將N0設(shè)置為100。

圖4 識(shí)別性能與訓(xùn)練數(shù)據(jù)集大小的關(guān)系

在訓(xùn)練過程中，所提方法的誤差函數(shù)值和總體識(shí)別正確率的關(guān)系如圖5所示，其中，圖5(a)表示訓(xùn)練集誤差函數(shù)值與驗(yàn)證集誤差函數(shù)值曲線圖，圖5(b)表示訓(xùn)練集正確率與驗(yàn)證集正確率曲線圖。通過圖5可以看出，當(dāng)epoch<20時(shí)，訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的誤差函數(shù)值快速降低，正確率快速增加；當(dāng)20≤epoch<85時(shí)，訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的誤差函數(shù)值和正確率都有小幅度的波動(dòng)；當(dāng)epoch≥85時(shí)，訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的誤差函數(shù)值和正確率都趨于平穩(wěn)，此時(shí)模型已經(jīng)收斂。

(a)誤差函數(shù)值曲線圖

3.3 模型結(jié)構(gòu)分析

為了評(píng)估所提方法的特征提取模塊和特征融合模塊對(duì)識(shí)別性能的影響，本文構(gòu)建了6種不同的模型，分別對(duì)其訓(xùn)練后通過測(cè)試識(shí)別正確率評(píng)估模型的性能。6種模型使用的結(jié)構(gòu)參數(shù)如表2所示。VGG網(wǎng)絡(luò)是一種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，本文將基于VGG網(wǎng)絡(luò)的提取特征方法與所提基于LSTM網(wǎng)絡(luò)的提取特征方法進(jìn)行對(duì)比，分析LSTM網(wǎng)絡(luò)對(duì)識(shí)別性能的影響；將僅提取時(shí)域或者頻域特征的方法與提取時(shí)域頻域特征后融合的方法進(jìn)行對(duì)比，分析特征融合對(duì)識(shí)別性能的影響。通過仿真分析，計(jì)算各個(gè)模型的總體識(shí)別正確率與信號(hào)JNR的關(guān)系，如圖6所示。

表2 各個(gè)模型的結(jié)構(gòu)參數(shù)

通過圖6可以得出，T-LSTM的識(shí)別正確率比T-VGG高，F(xiàn)-LSTM的識(shí)別正確率比F-VGG高，TF-LSTM的識(shí)別正確率比TF-VGG高，說明基于LSTM特征提取方法比基于VGG方法的識(shí)別性能高，因此基于LSTM方法的干擾信號(hào)特征提取能力優(yōu)于VGG;F-VGG的識(shí)別正確率比T-VGG高，TF-VGG的識(shí)別正確率比F-VGG高，F(xiàn)-LSTM的識(shí)別正確率比T-LSTM高，TF-LSTM的識(shí)別正確率比F-LSTM高，說明基于頻域特征融合方法的識(shí)別性能優(yōu)于單個(gè)域的識(shí)別性能。綜上可知，基于LSTM的特征提取方法和時(shí)域頻域特征融合方法都可以提升干擾識(shí)別的性能，因此本文最終采用基于LSTM的特征提取網(wǎng)絡(luò)和時(shí)域頻域特征融合的方法進(jìn)行干擾識(shí)別。

3.4 識(shí)別性能對(duì)比分析

為了評(píng)估所提方法的識(shí)別性能，將所提方法的干擾識(shí)別正確率與干噪比的關(guān)系進(jìn)行分析，并與SVM、BP神經(jīng)網(wǎng)絡(luò)和CNN方法[12]對(duì)比。

所提方法的各類型識(shí)別正確率如圖7所示。通過圖7可以得出，在JNR≥-12 dB時(shí)，無干擾和單音干擾的識(shí)別正確率約為100%；在JNR≥-10 dB時(shí)，多音干擾和噪聲調(diào)頻干擾的識(shí)別正確率為100%；在JNR≥-8 dB時(shí)，所有干擾類別的識(shí)別正確率均為100%。

將所提方法各類型識(shí)別正確率取平均值，即可得到總體識(shí)別正確率。其他方法采取相同的方式計(jì)算得到總體識(shí)別正確率，各種方法的總體識(shí)別正確率結(jié)果如圖8所示。通過圖8可以得出，傳統(tǒng)的SVM方法和BP神經(jīng)網(wǎng)絡(luò)方法的識(shí)別正確率較低，CNN的識(shí)別正確率較高，所提方法的識(shí)別正確率最高；SVM方法在JNR≥0 dB時(shí)正確率大于等于98%，BP神經(jīng)網(wǎng)絡(luò)方法在JNR≥2 dB時(shí)正確率大于等于98%，CNN方法在JNR≥-2 dB時(shí)正確率大于等于98%，所提方法在JNR≥-8 dB時(shí)正確率就已經(jīng)大于等于98%。綜上，所提方法的識(shí)別正確率優(yōu)于其他方法，在正確率為98%時(shí)，相比現(xiàn)有最優(yōu)的基于CNN的干擾方法性能提升了6 dB。

圖8 所提方法與其他方法的總體識(shí)別正確率對(duì)比

4 結(jié)束語(yǔ)

本文針對(duì)復(fù)雜電磁環(huán)境下的干擾識(shí)別問題，提出了一種基于LSTM網(wǎng)絡(luò)和特征融合的干擾識(shí)別方法。所提方法利用LSTM網(wǎng)絡(luò)構(gòu)建特征提取支路提取信號(hào)的特征，克服了現(xiàn)有技術(shù)特征提取性能不足的問題，提升了干擾信號(hào)特征提取的性能。采用時(shí)域特征提取支路和頻域特征提取支路分別提取時(shí)域特征和頻域特征，并將時(shí)域特征和頻域特征融合后進(jìn)行分類識(shí)別，克服了現(xiàn)有技術(shù)僅利用信號(hào)單個(gè)域作為神經(jīng)網(wǎng)絡(luò)的輸入造成的信息利用不充分的問題，提高了干擾識(shí)別的性能。仿真表明，在正確率為98%時(shí)，所提方法的性能相比于現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的干擾識(shí)別方法提升了6 dB，是復(fù)雜電磁環(huán)境下一種有效的干擾識(shí)別方法。

后續(xù)將研究基于深度神經(jīng)網(wǎng)絡(luò)的混合干擾信號(hào)分類方法。