王鵬宇 程郁凡 徐 昊 尚高陽

（電子科技大學(xué)通信抗干擾技術(shù)國家級(jí)重點(diǎn)實(shí)驗(yàn)室，四川成都 611731）

1 引言

在愈發(fā)復(fù)雜的電磁環(huán)境中，大量的自然干擾和人為蓄意干擾正在嚴(yán)重威脅無線通信系統(tǒng)的可靠性和傳輸效率［1］。現(xiàn)階段，智能抗干擾通信技術(shù)正在成為了新一代抗干擾通信系統(tǒng)的重要研究方向。具備感知能力的通信設(shè)備通過對(duì)干擾威脅的快速檢測(cè)和分類識(shí)別［2］，為系統(tǒng)生成最佳的抗干擾方式提供決策依據(jù)［3-4］。

本文重點(diǎn)研究典型壓制式干擾的識(shí)別技術(shù)。典型的干擾識(shí)別算法由信號(hào)預(yù)處理、干擾特征提取和干擾分類三個(gè)模塊構(gòu)成。首先，信號(hào)預(yù)處理過程用于對(duì)接收信號(hào)進(jìn)行格式變換和數(shù)據(jù)增強(qiáng)等，目的是將接收信號(hào)中的干擾成分突顯出來并抑制其他非目標(biāo)信號(hào)，同時(shí)將輸入信號(hào)轉(zhuǎn)換為易于特征提取的數(shù)據(jù)形式。特征提取模塊將從預(yù)處理后的信號(hào)中抽取通用性的干擾特征，根據(jù)特征提取方法的不同，現(xiàn)有的干擾分類算法可被劃分為基于人工特征提?。∕anual Feature Extraction，MFE）的干擾分類算法［5-7］和基于卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)特征提?。ˋuto?matic Feature Extraction-based Convolutional Neural Network，AFE-CNN）的干擾分類算法［8-12］，其中，人工提取的干擾特征主要指由具備專家知識(shí)的研究人員設(shè)計(jì)的、具有明確物理含義的干擾特征參數(shù)，而自動(dòng)干擾特征主要指通過卷積神經(jīng)網(wǎng)絡(luò)（Convo?lutional Neural Network，CNN）［13］表示性學(xué)習(xí)、在網(wǎng)絡(luò)卷積池化部分獲得的、僅具有數(shù)值區(qū)分意義的干擾特征。最后，干擾分類模塊利用分類算法綜合干擾特征，確定接收信號(hào)中的干擾類型。

基于MFE 的干擾識(shí)別算法首先在多個(gè)映射域內(nèi)提取人工設(shè)計(jì)的多種干擾特征參數(shù)，再利用分類算法綜合干擾特征判斷干擾類型。人工干擾特征的提取方法主要包含映射、觀察和壓縮三個(gè)過程：首先將采集的時(shí)域信號(hào)變換至所需映射域內(nèi)（或保留在原域），然后在新的映射域內(nèi)觀察干擾信號(hào)以發(fā)掘不同干擾的特征差異，最后通過數(shù)學(xué)工具捕捉干擾的形狀特點(diǎn)或者統(tǒng)計(jì)特性，將信號(hào)壓縮為干擾特征，已有的人工干擾特征可劃分至?xí)r域、頻域、時(shí)頻域和變換域。目前，基于MFE 的干擾識(shí)別明確定義的干擾特征能夠準(zhǔn)確反映特定干擾信號(hào)的物理特性，這使得分類器的結(jié)構(gòu)具有較好的透明性和可讀性。然而，人工干擾特征丟失了大量的有效信息，提取能力和抗噪聲能力并不理想，且需要專家知識(shí)制作特征工程。

隨著深度學(xué)習(xí)的迅速發(fā)展，深度學(xué)習(xí)逐漸在各個(gè)領(lǐng)域展現(xiàn)出了強(qiáng)大的潛力［14-15］?；贏FE-CNN的干擾識(shí)別算法進(jìn)一步將特征提取的工作由神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)來實(shí)現(xiàn)。目前，長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）［16］以及CNN 與LSTM 的級(jí)聯(lián)也開始被用于構(gòu)建更復(fù)雜的特征表示方法，除了使用經(jīng)典的全連接層（Fully Connected，F(xiàn)C）進(jìn)行特征綜合外，全局池化層（Global Pooling layer，GP）和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Net?work，RNN）［17］也逐漸引入到網(wǎng)絡(luò)中來。相比于人工提取的干擾特征，自動(dòng)特征的表示能力更強(qiáng)，更易于解決復(fù)雜的干擾分類問題［18］，同時(shí)AFE-CNN方法也顯著降低了對(duì)信號(hào)處理專家知識(shí)的依賴程度，端到端的網(wǎng)絡(luò)訓(xùn)練方法使得干擾分類器的構(gòu)建更加簡易且快捷。

CNN 自動(dòng)特征提取方法針對(duì)通信干擾的識(shí)別問題時(shí)，選擇何種數(shù)據(jù)對(duì)象類型，以及如何將CNN表示性學(xué)習(xí)同傳統(tǒng)信號(hào)處理方法相結(jié)合，以便進(jìn)一步增強(qiáng)干擾特征提取的效果，都有待進(jìn)一步研究。為此，本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)聯(lián)合多域特征提?。–onvolutional Neural Network-based Joint Multi-Domain Feature Extraction，CNN-JMDFE）的干擾識(shí)別算法，利用CNN 同時(shí)從增強(qiáng)后的時(shí)頻圖像與頻域序列中提取時(shí)頻域和頻域的干擾特征，以便綜合兩種數(shù)據(jù)對(duì)象的優(yōu)勢(shì)。

本文提出的方法支持識(shí)別對(duì)于缺乏明顯時(shí)頻規(guī)律的動(dòng)態(tài)干擾，如隨機(jī)梳狀干擾，在傳統(tǒng)方法中，這些隨機(jī)動(dòng)態(tài)的干擾識(shí)別準(zhǔn)確率難以保證。提出的CNN-JMDFE 不僅具有CNN 強(qiáng)大提取能力，還為網(wǎng)絡(luò)構(gòu)建了多域特征的輸入，使得提出的方法在識(shí)別參數(shù)隨機(jī)動(dòng)態(tài)變化的干擾方面更加有效。本文的方法適用于多種通信系統(tǒng)，如跳頻系統(tǒng)等，即進(jìn)行識(shí)別和發(fā)現(xiàn)干擾后，可通過頻率自適應(yīng)技術(shù)規(guī)避這些受干擾的頻率。同時(shí)提出的技術(shù)也適用于寬帶通信系統(tǒng)與干擾信號(hào)共享頻帶的情況，即通過識(shí)別干擾信號(hào)的類型，為其他抗干擾技術(shù)提供先驗(yàn)信息，如干擾對(duì)消，干擾抑制和抗干擾決策等技術(shù)，為寬帶通信系統(tǒng)與干擾信號(hào)頻譜重疊時(shí)仍能不受干擾的影響達(dá)到可靠通信。在通信系統(tǒng)與干擾信號(hào)共享頻帶的情況下要實(shí)現(xiàn)可靠通信，干擾識(shí)別的準(zhǔn)確率和精度尤為重要，采取CNN-JMDFE 人工智能算法以更高的識(shí)別性能完成對(duì)干擾的識(shí)別，這對(duì)后續(xù)的其他抗干擾處理手段起到關(guān)鍵作用，如干擾對(duì)消技術(shù)就是根據(jù)提供的精準(zhǔn)識(shí)別的干擾類型為依據(jù)進(jìn)行干擾參數(shù)估計(jì)從而實(shí)現(xiàn)干擾抵消的。干擾識(shí)別是干擾消除，干擾抑制和抗干擾決策等抗干擾技術(shù)的前提和依據(jù)，準(zhǔn)確識(shí)別各類干擾信號(hào)成為抗干擾中的重要環(huán)節(jié)。

本文內(nèi)容安排如下：第2 節(jié)給出了CNN-JMDFE模型和信號(hào)模型；第3 節(jié)闡述了提出的CNN-JMDFE干擾識(shí)別算法原理；第4節(jié)仿真了CNN-JMDFE干擾識(shí)別算法的性能，并同單一數(shù)據(jù)對(duì)象下AFE-CNN干擾識(shí)別算法和MFE-DNN 干擾識(shí)別算法的性能進(jìn)行了對(duì)比；最后，總結(jié)全文。

2 算法模型

2.1 干擾分類器模型

典型的干擾識(shí)別算法由信號(hào)預(yù)處理、干擾特征提取和干擾分類三個(gè)模塊構(gòu)成，算法的結(jié)構(gòu)模型如圖1所示。但這些傳統(tǒng)的干擾識(shí)別算法沒有考慮利用不同的輸入對(duì)象類型之間的優(yōu)勢(shì)來提升干擾識(shí)別性能。

CNN-JMDFE 干擾識(shí)別模型如圖2 所示，整個(gè)分類器由信號(hào)預(yù)處理、CNN特征提取和DNN干擾分類三部分構(gòu)成。首先在信號(hào)預(yù)處理階段，對(duì)輸入的基帶信號(hào)分別進(jìn)行時(shí)頻分析和功率譜估計(jì)，將一維的時(shí)域序列（Time Sequence，TS）轉(zhuǎn)換為二維的時(shí)頻圖像（Time-Frequency Image，TFI）和一維的頻域序列（Frequency Sequence，F(xiàn)S）；然后，采用兩個(gè)獨(dú)立的CNN 分別對(duì)TFI 和FS 進(jìn)行時(shí)頻域和頻域的特征提??；最后，利用DNN綜合兩種干擾特征，確定接收信號(hào)中的干擾類型。

2.2 信號(hào)模型

設(shè)干擾分類器輸入的基帶信號(hào)為r[n]，在加性高斯白噪聲（Additive White Gaussian Noise，AWGN）信道下，r[n]中通常包含通信信號(hào)s[n]、干擾信號(hào)j[n]和噪聲v[n]三部分，可表示為：

對(duì)于干擾信號(hào)j[n]，本文研究的典型壓制類通信干擾包括以下5大類、共14個(gè)干擾樣式：

（1）瞄準(zhǔn)式窄帶干擾（Aiming Narrow Band Jam?ming，ANBJ），包括：單頻連續(xù)波（Continuous Wave，CW）干擾、模擬調(diào)制類（AM、NAM）、數(shù)字調(diào)制類（BPSK、QPSK、BFSK）和窄帶噪聲干擾（Narrow Band Noise Jamming，NBNJ）等；

（2）部分頻帶噪聲干擾（Partial Band Noise Jam?ming，PBNJ）；

（3）隨機(jī)梳狀干擾（Random Comb Jamming，RCJ），包括：多音干擾（Multi-Tone Jamming，MTJ）和梳狀譜噪聲干擾（Comb Spectrum Noise Jamming，CSNJ）；

（4）周期脈沖噪聲干擾（Periodic Pulse Noise Jamming，PPNJ）；

（5）調(diào)頻類干擾（Frequency Modulation Jam?ming，F(xiàn)MJ）包括：線性調(diào)頻（Linear Frequency Modu?lation，LFM）干擾、噪聲調(diào)頻（Noise Frequency Modu?lation，NFM）和正弦調(diào)頻（Sinusoid Frequency Modu?lation，SFM）干擾等。

3 算法原理

本節(jié)將闡述CNN-JMDFE 干擾識(shí)別算法的原理，重點(diǎn)說明時(shí)頻圖像（TFI）和頻域序列（FS）的獲取方法，以及負(fù)責(zé)特征提取和特征綜合的CNN 網(wǎng)絡(luò)結(jié)構(gòu)。

3.1 時(shí)頻圖像的獲取

由于TFI包含了有關(guān)接收信號(hào)的時(shí)間變化信息與頻率變化信息，因此可有效反映信號(hào)的頻率成分隨時(shí)間的變化情況，但由于時(shí)頻圖像（矩陣）的數(shù)據(jù)量很大，傳統(tǒng)的人工特征難以有效提取豐富的時(shí)頻分布信息，特別是將二維時(shí)頻圖直接壓縮為一個(gè)干擾特征參數(shù)的方法，雖然特征參數(shù)易于理解，但代價(jià)是損失了大量的有效信息，干擾的時(shí)頻分布特定未能得到充分利用。由于CNN 是為解決圖像處理的問題而被提出的，因此2D-CNN 對(duì)二維的圖像數(shù)據(jù)具有天然的貼合度。為了獲得接收信號(hào)的時(shí)頻圖像，首先需要對(duì)接收信號(hào)進(jìn)行時(shí)頻分析，再通過時(shí)頻圖像的增強(qiáng)技術(shù)突顯干擾成分并抑制噪聲。

3.1.1 時(shí)頻分析工具

為了捕捉信號(hào)時(shí)間隨頻率變化的特性，本文選擇基于短時(shí)傅里葉變換（Short-time Fourier Trans?form，STFT）的方法來提取干擾信號(hào)的時(shí)頻分布譜圖方法，譜圖SP[m，k]的計(jì)算方法可表示為：

其中，m和k分別表示時(shí)間和頻率的離散參數(shù)，NSTFT為STFT的FFT點(diǎn)數(shù)，w[n]為窗函數(shù)，w*[n]為窗函數(shù)的共軛表示。LSTFT為計(jì)算STFT 過程中r[n]的時(shí)域分段數(shù)。

根據(jù)時(shí)頻不確定性原理，時(shí)頻分析的時(shí)間和頻率分辨率在窗函數(shù)面積一定的情況下是相互約束的，二者無法同時(shí)達(dá)到最高精度?？紤]到窄帶干擾對(duì)頻率分辨率要求較高，調(diào)頻類干擾對(duì)時(shí)間分辨率要求較高，因此在設(shè)定窗長時(shí)需要兼顧各種干擾的分析需求。此外，相鄰窗之間需要重疊一定比例，以便調(diào)頻類干擾的時(shí)頻曲線較為平滑，不會(huì)出現(xiàn)明顯失真。綜合以上因素，本文確定了時(shí)頻分析的主要參數(shù)：NSTFT為256 點(diǎn)，w[n]為矩形窗，相鄰窗之間的重疊比例調(diào)整至?xí)r頻矩陣為正方形，以避免后續(xù)調(diào)整圖像比例而造成圖像失真。

3.1.2 時(shí)頻圖像增強(qiáng)

通過譜圖分析，接收信號(hào)的一維時(shí)序序列被轉(zhuǎn)化為256×256 的時(shí)頻圖像（TFI），參照CNN 經(jīng)典的輸入尺寸，本文采用雙三次插值方法（輸出像素值是最近4×4 鄰點(diǎn)像素的加權(quán)平均值）將時(shí)頻矩陣的尺寸轉(zhuǎn)換為224×224，圖3 給出了四種典型干擾的TFI。

考慮到譜圖的能量聚集性有限，初步獲得的TFI 容易受到噪聲的影響，因此在獲得TFI 后，需要進(jìn)一步設(shè)計(jì)預(yù)處理方法來突出TFI中干擾信號(hào)。常見的TFI增強(qiáng)方法例如均值濾波、加權(quán)濾波、最大值濾波等，本文結(jié)合不同通信干擾TFI的特點(diǎn)，設(shè)計(jì)了一種適用于多種干擾類型的TFI 增強(qiáng)方法，具體步驟如下：

（1）沿時(shí)間軸方向均值濾波，卷積核設(shè)定為橫向2×3 的矩形，以便在平滑噪聲點(diǎn)的同時(shí)不明顯降低時(shí)頻分辨率；

（2）1.5 次方冪運(yùn)算，用于時(shí)頻圖像的增強(qiáng)對(duì)比度，提高伽馬值；

（3）沿時(shí)間軸方向均值濾波，卷積核設(shè)定為橫向2×5 的矩形，以便利用干擾信號(hào)頻率成分隨時(shí)間變化的連續(xù)性，進(jìn)一步抑制噪聲點(diǎn)、增強(qiáng)信號(hào)。

圖4 以干噪比（Jamming-to-Noise Ratio，JNR）為-5 dB 的MTJ為例，以便表明干擾信號(hào)的TFI經(jīng)各步驟處理后的效果。

3.2 頻域序列的獲取

頻譜分析是經(jīng)典的信號(hào)分析方法，頻譜中能反應(yīng)出信號(hào)的諸多特性。本文通過頻域的能量分布信息來增強(qiáng)時(shí)頻圖像的能量聚集效果，因此，我們選擇功率譜的幅度作為頻域序列（FS），用于提取頻域特征。

常用的功率譜估計(jì)方法可分為經(jīng)典譜估計(jì)和基于參數(shù)模型的現(xiàn)代譜估計(jì)。為了兼顧譜估計(jì)的頻域分析精度和噪聲平滑效果，本文采用了基于Hamming 窗的Welch 經(jīng)典譜估計(jì)算法［19］，估計(jì)接收信號(hào)的功率譜密度?；贖amming 窗的Welch 法來估計(jì)接收信號(hào)的功率譜密度表示為P[k]，如式（3）所示：

其中，L為Welch 譜估計(jì)過程中r[n]的時(shí)域分段數(shù)，每段長度NFFT為4096 點(diǎn)，用于保證頻域分析精度。w[n]為窗函數(shù)，相鄰窗重疊50%以便進(jìn)一步平滑噪聲，U為窗函數(shù)的歸一化因子，見式（4），用于保證功率譜的估計(jì)結(jié)果滿足無偏性。

將P[k]轉(zhuǎn)化為dB 值放大干擾信號(hào)功率譜的變化細(xì)節(jié)，非線性映射后的FS為LP[k]，可表示為：

其中，Pmin為P[k]的最小值，ε為除法的保護(hù)量，本文設(shè)定為10-6。

3.3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

前節(jié)中，我們?cè)敿?xì)闡述了TFI 和FS 的獲取過程和預(yù)處理方法，接下來，我們將關(guān)注CNN 網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)，以便網(wǎng)絡(luò)能夠有效從兩種數(shù)據(jù)對(duì)象中提取干擾特征，綜合后識(shí)別出干擾類型。

CNN-JMDFE 干擾識(shí)別的網(wǎng)絡(luò)結(jié)構(gòu)如圖5 所示，上支路通過二維卷積池化層的堆疊，用于從二維的TFI 中提取時(shí)頻域特征；下支路通過一維卷積池化層的堆疊，用于從一維的FS 中提取頻域特征；兩條支路提取的特征向量經(jīng)首尾拼接，共同進(jìn)入FC 層進(jìn)行特征綜合，最終識(shí)別出干擾類型。

本文的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)總體上參考了ResNet-34［13］并做了部分定制化的改進(jìn)。首先，圖5 中的卷積塊（ConvBlock）由卷積層、批歸一化層和非線性激活層Leaky-ReLU三部分構(gòu)成。然后，各支路根據(jù)輸入數(shù)據(jù)尺寸的不同適當(dāng)調(diào)整殘差塊（ResBlock）的數(shù)目，圖6 給出了2D 殘差塊的結(jié)構(gòu)，殘差塊的處理過程可表示為：

其中，F(xiàn)（?）表示主要支路卷積池化的處理過程，H（?）表示殘差支路直接映射的處理過程，H（?）具體為直連還是1×1 的卷積運(yùn)算，取決于當(dāng)前殘差塊是否需要增加特征圖的數(shù)目。此外，本文在兩條支路的輸出位置處增加全局平均池化（Global Average Pool?ing，GAP）層，將輸出的每個(gè)特征圖或特征序列用其平均值來代表，在降低全連接網(wǎng)絡(luò)規(guī)模的同時(shí)，增強(qiáng)網(wǎng)絡(luò)的穩(wěn)定性。最后，在全連接部分同時(shí)輸入兩種特征向量，以便網(wǎng)絡(luò)能夠習(xí)得兩種特征的關(guān)聯(lián)，綜合利用二者的優(yōu)勢(shì)給出最佳的干擾分類結(jié)果。本文的CNN-JMDFE 采用了端到端的訓(xùn)練方式，損失函數(shù)采用了交叉熵。

4 仿真分析

本節(jié)將對(duì)CNN-JMDFE 干擾分類算法的性能進(jìn)行仿真分析。首先仿真本文算法對(duì)單干擾的分類性能，并與單一數(shù)據(jù)對(duì)象下的AFE-CNN算法和基于人工特征提取深度神經(jīng)網(wǎng)絡(luò)（Manual Feature Extraction-based Deep Neural Network，MFE-DNN）的算法［18］進(jìn)行性能對(duì)比；并驗(yàn)證了在對(duì)復(fù)合干擾的分類性能。仿真中，干擾的分析帶寬為50 MHz，采樣頻率為61.44 MHz，接收信號(hào)的采樣點(diǎn)數(shù)為12288。本文提出的方法支持識(shí)別對(duì)于缺乏明顯時(shí)頻規(guī)律的參數(shù)隨機(jī)變化的動(dòng)態(tài)干擾，如隨機(jī)梳狀干擾，在傳統(tǒng)方法中，這些隨機(jī)動(dòng)態(tài)的干擾識(shí)別準(zhǔn)確率難以保證，在進(jìn)行實(shí)驗(yàn)之前，首先說明數(shù)據(jù)集中的隨機(jī)動(dòng)態(tài)的干擾信號(hào)構(gòu)造方法和網(wǎng)絡(luò)的訓(xùn)練參數(shù)。

4.1 數(shù)據(jù)集與訓(xùn)練參數(shù)

單干擾的干擾參數(shù)如表1所示，其中，干擾帶寬因子是干擾帶寬與分析帶寬的比值，干擾中心頻率在保證干擾帶寬不超出分析帶寬的情況下隨機(jī)選取，JNR 在［-30，30］dB 內(nèi)間隔2 dB 取值。本文的數(shù)據(jù)集都為隨機(jī)干擾類型，它們的中心頻率，帶寬，周期，占空比，音調(diào)個(gè)數(shù)等參數(shù)都為隨機(jī)產(chǎn)生的，這增加了識(shí)別的難度。例如多音干擾，它的中心頻率、帶寬和音調(diào)個(gè)數(shù)都為隨機(jī)的，帶寬因子服從［0.5，1］之間均勻分布，音調(diào)產(chǎn)生的個(gè)數(shù)在5 到20之間隨機(jī)產(chǎn)生，且音調(diào)的頻點(diǎn)間隔也為隨機(jī)的。本文設(shè)定每種干擾樣式在每個(gè)JNR 下隨機(jī)生成500個(gè)樣本，并在每個(gè)JNR 下將數(shù)據(jù)集按照4：1 的比例劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。

另外本文研究的復(fù)合干擾是將已有的5種大類單干擾進(jìn)行兩兩組合得到的，組合后可得到10種復(fù)合干擾樣式：ANBJ_PPNJ、PBNJ_PPNJ、RCJ_PPNJ、

FMJ_PPNJ、ANBJ_PBNJ、ANBJ_RCJ、ANBJ_FMJ、PBNJ_RCJ、PBNJ_FMJ 和RCJ_FMJ。其中，大類單干擾樣式ANBJ、RCJ 和FMJ 在復(fù)合時(shí)，從各自對(duì)應(yīng)的干擾樣式子集中隨機(jī)選擇一種作為實(shí)際生成的干擾類型，復(fù)合干擾中兩個(gè)單干擾的干擾參數(shù)同表1。此外，為了產(chǎn)生的復(fù)合干擾的與實(shí)際場(chǎng)景中類似，單干擾分量功率的相對(duì)大小設(shè)定在［0，6］dB的范圍內(nèi)波動(dòng)。

表1 單干擾的隨機(jī)干擾參數(shù)Tab.1 Jamming parameters of single jamming

網(wǎng)絡(luò)的訓(xùn)練參數(shù)如表2所示，網(wǎng)絡(luò)采用Adam算法更新參數(shù)，訓(xùn)練采用早停和退火策略。我們給出了干擾訓(xùn)練集中各個(gè)干擾的JNR 的范圍，如表3所示。

表2 網(wǎng)絡(luò)的訓(xùn)練參數(shù)Tab.2 Training parameters of the network

表3 TFI和FS訓(xùn)練數(shù)據(jù)集的有效JNR范圍Tab.3 Effective JNR range of TFI and FS training data set

4.2 單干擾分類性能

首先仿真CNN-JMDFE 算法對(duì)單干擾的識(shí)別性能，網(wǎng)絡(luò)訓(xùn)練完成后，用JNR 在［-30，30］dB范圍內(nèi)的測(cè)試數(shù)據(jù)評(píng)估網(wǎng)絡(luò)在不同JNR 下的分類準(zhǔn)確率，如圖7 所示。本文算法對(duì)無干擾的分類準(zhǔn)確率為99.65%。從仿真結(jié)果可以看到，若定義分類準(zhǔn)確率達(dá)到98%以上為準(zhǔn)確分類，在JNR≥-2 dB 時(shí)可準(zhǔn)確分類全部14種干擾樣式，且音調(diào)類和窄帶類干擾普遍能在JNR 低于-10 dB 時(shí)被準(zhǔn)確分類，由此可見本文提出的CNN-JMDFE 干擾識(shí)別算法兼顧了多種干擾的時(shí)頻分布特性，對(duì)多種類型的通信干擾均具有良好的分類效果。

為了進(jìn)一步說明本文算法采用聯(lián)合多域自動(dòng)特征提取的性能增益，接下來提出的算法與對(duì)應(yīng)的單一數(shù)據(jù)對(duì)象的AFE-CNN 算法進(jìn)行性能對(duì)比。其中，TFI-CNN 算法僅輸入TFI，F(xiàn)S-CNN 算法僅輸入FS；TFI-CNN 和FS-CNN 的網(wǎng)絡(luò)結(jié)構(gòu)僅保留CNNJMDFE 網(wǎng)絡(luò)的單一支路，且GAP 提取的干擾特征不再拼接，直接送入FC 層識(shí)別干擾類型。此外，為了說明本文選擇TFI 和FS 作為數(shù)據(jù)對(duì)象的合理性，我們還設(shè)計(jì)了與FS-CNN 相同輸入長度的TSCNN 識(shí)別作為對(duì)照。TS-CNN 算法的網(wǎng)絡(luò)結(jié)構(gòu)有三個(gè)獨(dú)立的CNN 分支，網(wǎng)絡(luò)的輸入為4096 點(diǎn)功率歸一化后的接收信號(hào)TS，TS 的實(shí)部、虛部和幅度分別通過三個(gè)獨(dú)立的卷積支路中提取時(shí)域特征，各支路的網(wǎng)絡(luò)結(jié)構(gòu)與CNN-JMDFE 中處理FS 的支路相同。

采用相同的數(shù)據(jù)集完成分類器的訓(xùn)練后，本文的CNN-JMDFE 算法和僅采用單一數(shù)據(jù)對(duì)象的三種AFE-CNN 算法的平均分類準(zhǔn)確率如圖8 所示。從圖中可以看到，當(dāng)JNR<10 dB 時(shí)，CNN-JMDFE 算法和TFI-CNN 和FS-CNN 算法平均分類準(zhǔn)確均顯著優(yōu)于TS-CNN。因?yàn)楸疚牡耐ㄐ鸥蓴_在頻域具有鮮明的頻譜特點(diǎn)和能量聚集度而時(shí)域上卻沒有這樣的特性，因此采用TS 直接進(jìn)行處理并不是合理的選擇。

從圖8可以看到，無論JNR 如何變化，本文算法聯(lián)合TFI+FS 進(jìn)行多域特征提取的分類性能始終大于等于單獨(dú)輸入TFI 或FS 的性能。具體而言：當(dāng)JNR<-14 dB 時(shí)，本文算法的平均分類準(zhǔn)確率與FS-CNN 很接近，此時(shí)兩種干擾特征中起主要作用的是FS提供的頻域干擾特征。當(dāng)JNR≥-4 dB 時(shí)，本文算法的性能開始與兩種數(shù)據(jù)對(duì)象中性能最好的TFI-CNN 基本重合，此時(shí)兩種干擾特征中起主要作用的是TFI 提供的時(shí)頻域干擾特征。當(dāng)-14 dB≤JNR<-4 dB 時(shí)，F(xiàn)S 的局限性使得FS-CNN 的性能受到限制，而TFI 由于能量聚集度受限使得TFI-CNN的分類準(zhǔn)確率也不穩(wěn)定，相比之下，本文算法的性能明顯優(yōu)于這兩種單一輸入算法的任何一種，這充分說明了本文的CNN-JMDFE 網(wǎng)絡(luò)不僅充分學(xué)習(xí)了TFI 和FS 各自的特點(diǎn)，還學(xué)習(xí)了兩種數(shù)據(jù)之間的關(guān)聯(lián)，利用FS 頻域能量集中的優(yōu)勢(shì)彌補(bǔ)了TFI 的不足。本文的CNN-JMDFE 算法能夠同時(shí)利用TFI 和FS這兩種數(shù)據(jù)對(duì)象各自的特性和優(yōu)勢(shì)，準(zhǔn)確預(yù)測(cè)出干擾類型，從TFI 和FS 中聯(lián)合提取干擾特征取得更優(yōu)的識(shí)別結(jié)果。頻域序列在JNR值較低時(shí)，如JNR=-20 dB時(shí)頻域序列方法識(shí)別精度優(yōu)于時(shí)頻圖23%，而在JNR較高時(shí)，如JNR=-4 dB時(shí)，時(shí)頻圖識(shí)別精度優(yōu)于頻域序列方法12%。本文正是結(jié)合了二者的優(yōu)勢(shì)，在低干噪比下依靠頻域序列方法提升了識(shí)別精度，在高干噪比下依靠時(shí)頻圖方法提升了識(shí)別精度，本文選取的JNR 范圍較大為-30 dB 到30 dB，來體現(xiàn)出這些實(shí)驗(yàn)結(jié)果。

最后，我們將對(duì)比本文算法和傳統(tǒng)MFE-DNN算法的識(shí)別性能，以說明CNN 自動(dòng)特征提取較傳統(tǒng)的人工特征提取的性能優(yōu)勢(shì)。MFE-DNN 算法的干擾特征庫、分類器網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練數(shù)據(jù)集JNR 范圍與文獻(xiàn)［18］相同，訓(xùn)練數(shù)據(jù)集以本文為準(zhǔn)以便進(jìn)行對(duì)比。圖9 給出了兩種算法的平均分類準(zhǔn)確率，從圖中可以看到，采用聯(lián)合多域自動(dòng)特征提取的CNN-JMDFE 算法顯著提升了JNR<-4 dB 時(shí)的干擾識(shí)別準(zhǔn)確率。這是由于兩方面原因，一方面自動(dòng)特征提取方法較人工特征方法具有更好的抗噪效果，另一方面提升的性能則來源于TFI 和FS 的預(yù)處理過程，數(shù)據(jù)對(duì)象在增強(qiáng)后提升了干擾成分的顯著性。

4.3 復(fù)合干擾分類性能

上一節(jié)中我們考察了單干擾場(chǎng)景下的分類性能，本節(jié)將進(jìn)一步考察本文算法對(duì)復(fù)合干擾的分類性能。圖10 給出了CNN-JMDFE 算法對(duì)10 種復(fù)合干擾的分類準(zhǔn)確率，從仿真結(jié)果可以看到，當(dāng)JNR達(dá)到0 dB 時(shí)，本文算法能夠準(zhǔn)確識(shí)別10 種復(fù)合干擾，干擾分類準(zhǔn)確率達(dá)到98%以上。在JNR≥0 dB后，雖 然ANBJ+PPNJ、RCJ+PPNJ、PBNJ+RCJ 和PBNJ+FMJ 這四類干擾的分類準(zhǔn)確率始終大于95%?？梢?，本文提出的CNN-JMDFE算法對(duì)組合情況更加復(fù)雜的復(fù)合干擾依然有良好的識(shí)別效果，且對(duì)復(fù)合干擾中各分量的頻率參數(shù)、功率參數(shù)波動(dòng)范圍均具有良好的泛化性能。

5 結(jié)論

針對(duì)無線通信系統(tǒng)中典型壓制式識(shí)別的分類問題，本文提出了CNN-JMDFE 的干擾識(shí)別算法，通過CNN 同時(shí)對(duì)增強(qiáng)后的TFI與FS提取干擾特征，有效利用了兩種數(shù)據(jù)對(duì)象的優(yōu)勢(shì)，增強(qiáng)了干擾識(shí)別的性能。仿真結(jié)果表明，針對(duì)在識(shí)別難度較大缺乏明顯時(shí)頻規(guī)律的動(dòng)態(tài)和參數(shù)隨機(jī)的干擾，CNN-JMDFE算法明顯優(yōu)于傳統(tǒng)算法。此外，對(duì)于復(fù)合干擾，本文算法同樣可取得良好的識(shí)別效果。另外，本文提出的方法可以通過進(jìn)一步利用網(wǎng)絡(luò)剪枝等技術(shù)進(jìn)一步優(yōu)化來降低算法的復(fù)雜度，使得提出的算法在計(jì)算資源有限的場(chǎng)景下可以實(shí)現(xiàn)部署。