高 峰，熊 剛，王思博

(1.中國(guó)電子科技集團(tuán)公司第三十研究所，四川 成都 610041；2.解放軍92001部隊(duì)，山東 青島 266000)

0 引 言

集群通信的顯著優(yōu)點(diǎn)是其優(yōu)越的指揮調(diào)度能力，不僅具備語(yǔ)音無(wú)線傳輸功能，而且非常適合構(gòu)建指揮調(diào)度網(wǎng)絡(luò)，包括組呼、群呼、緊急呼叫、動(dòng)態(tài)重組等。集群通信的一種典型系統(tǒng)是陸上集群無(wú)線電(TETRA)數(shù)字集群系統(tǒng)，它是基于歐洲電信標(biāo)準(zhǔn)協(xié)會(huì)(ETSI)協(xié)議制定的無(wú)線電集群通信，可以應(yīng)用于大型的政府、公安和軍事系統(tǒng)，如世界各國(guó)的軌道交通控制[1-2]、民航系統(tǒng)[3]、港口調(diào)度[4]、公安消防系統(tǒng)、城市應(yīng)急系統(tǒng)、邊防部隊(duì)等，起到地面調(diào)度、指揮通信、全員廣播、列車控制等非常重要的作用[5]。

隨著無(wú)線通信技術(shù)的發(fā)展，信號(hào)面臨的環(huán)境日益紛繁復(fù)雜，集群通信系統(tǒng)受到外部的電磁干擾也越來(lái)越多，因此需要對(duì)干擾信號(hào)開(kāi)展檢測(cè)、分析研究，從而為采取適合的抗干擾處理手段提供基礎(chǔ)。

1 信號(hào)模型原理分析

集群通信系統(tǒng)波形傳輸模型如圖1所示，TRTRA原始信息經(jīng)過(guò)塊編碼、卷積編碼，通過(guò)交織、加擾后，經(jīng)過(guò)調(diào)制及濾波，最后由接收端的逆向處理，還原出信息。

圖1 集群通信系統(tǒng)波形傳輸模型簡(jiǎn)圖

x(t)=Aejθ=Acosθ+jsinθ=xI(t)+jxQ(t)

(1)

式中：A表示信號(hào)幅度；θ表示相位差；xI(t)和xQ(t)表示I路和Q路基帶信號(hào)。

集群通信TETRA的同步包括頻率校正字段和訓(xùn)練序列字段，前者產(chǎn)生未調(diào)制的載頻、實(shí)現(xiàn)頻率校正，后者則實(shí)現(xiàn)定時(shí)同步[6-7]。同步主要是從經(jīng)過(guò)解調(diào)的接收采樣信號(hào)樣本中，通過(guò)檢測(cè)突發(fā)的脈沖序列，對(duì)突發(fā)的同步位置進(jìn)行確定，并確定對(duì)應(yīng)的突發(fā)信號(hào)同步相關(guān)峰特征。

TETRA突發(fā)脈沖信號(hào)同步的互相關(guān)示意圖如圖2所示。

圖2 TETRA突發(fā)脈沖信號(hào)同步互相關(guān)峰

2 基于機(jī)器學(xué)習(xí)的集群通信干擾檢測(cè)方法分析

根據(jù)對(duì)國(guó)內(nèi)外研究現(xiàn)狀的分析，目前對(duì)于集群通信干擾信號(hào)檢測(cè)的研究相對(duì)很少，只有雷達(dá)或?qū)Ш筋I(lǐng)域中一些信號(hào)干擾檢測(cè)研究可用作借鑒[8-9]。

在集群通信干擾檢測(cè)算法中，基于機(jī)器學(xué)習(xí)的思路能夠使干擾信號(hào)的檢測(cè)更高效和準(zhǔn)確。

在無(wú)需集群通信系統(tǒng)配合和借助先驗(yàn)信息碼字的情況下，通過(guò)監(jiān)督學(xué)習(xí)算法，判斷出干擾的存在，另一方面也減少依賴多個(gè)序列匹配進(jìn)行檢測(cè)所消耗的資源。

本文采用的支持向量機(jī)(SVM)優(yōu)化方法是一種穩(wěn)健的機(jī)器學(xué)習(xí)思路，可獲取到唯一的分類超平面。其中，決策邊界根據(jù)訓(xùn)練數(shù)據(jù)設(shè)置，用以進(jìn)行線性判別。在線性判別中，可通過(guò)識(shí)別任一類最大邊界點(diǎn)來(lái)確定。各類與支持向量相關(guān)的數(shù)據(jù)最大邊界及劃分如圖3所示。

圖3 支持向量機(jī)思路中邊界劃分原理示意圖

支持向量機(jī)分類器采用區(qū)間為f:X?Rn→R的判別函數(shù)，具體形式如下：

f(x)=<α.ks(x)>+b

(2)

式中：ks(x)=[k(x,s1),…,k(x,sd)]T，表示核函數(shù)的評(píng)估向量，以支持向量為中心；支持向量S={s1,s2,…,sd},si∈Rn，其通常為訓(xùn)練數(shù)據(jù)的子集；α表示權(quán)向量，且有α∈Rl；b表示偏差，且有b∈R。

分類準(zhǔn)則q:X→Y={1,2}可具體定義為：

(3)

本文基于支持向量機(jī)的干擾檢測(cè)算法，針對(duì)集群通信的機(jī)制開(kāi)展優(yōu)化，實(shí)際采用了突發(fā)信號(hào)參數(shù)特征以及同步突發(fā)進(jìn)行綜合分析處理，比起過(guò)去一些通過(guò)信號(hào)頻域能量計(jì)算的思路，進(jìn)一步提高了檢測(cè)概率。具體參數(shù)包括：同步均值、同步峰值和CRC標(biāo)志。

首先，對(duì)同步突發(fā)脈沖信號(hào)求取歸一化幅度包絡(luò)均值，用于和接收信號(hào)強(qiáng)度指示(RSSI)比較，其計(jì)算式如下：

(4)

基于SVM的干擾檢測(cè)算法原理流程框圖如圖4所示。

圖4 基于SVM方法的干擾檢測(cè)算法原理流程

在集群通信的干擾檢測(cè)中，還可采用以下策略：一是需要對(duì)每個(gè)突發(fā)脈沖接收信號(hào)的干擾強(qiáng)度開(kāi)展檢測(cè)，從而完全確保信道傳輸質(zhì)量，也可基于干擾檢測(cè)進(jìn)一步實(shí)現(xiàn)通信異常報(bào)警；二是干擾檢測(cè)算法可通過(guò)適當(dāng)設(shè)置初判門限，忽略對(duì)功率很低的干擾信號(hào)進(jìn)行檢測(cè)以節(jié)省計(jì)算資源，因?yàn)闃O低功率的干擾信號(hào)通常不會(huì)影響通信接收性能。

令xj(ψj,φj)表示第j個(gè)突發(fā)脈沖信號(hào)樣本的觀測(cè)數(shù)據(jù)，其中ψj為同步峰值，φj為同步均值。這些數(shù)據(jù)特征是通過(guò)計(jì)算待檢測(cè)信號(hào)的訓(xùn)練序列樣本Tx與參考信號(hào)樣本之間的互相關(guān)函數(shù)來(lái)提取的。

若第j次突發(fā)的循環(huán)冗余校驗(yàn)(CRC)值為0且Pj≥TH,TH為相關(guān)峰門限，則在后續(xù)分類算法中進(jìn)行計(jì)算，否則不處理。SVM算法的學(xué)習(xí)訓(xùn)練時(shí)間需要比其它一些機(jī)器學(xué)習(xí)算法相對(duì)更短，是一種高效的處理思路。分類算法的策略是對(duì)分類窗口中的突發(fā)信號(hào)進(jìn)行處理，分類窗口可采用固定時(shí)間的滑動(dòng)窗口形式，其長(zhǎng)度取決于系統(tǒng)所需的精度，分類窗口的長(zhǎng)度越長(zhǎng)，算法性能的準(zhǔn)確性越高。

對(duì)集群通信TETRA信號(hào)干擾檢測(cè)時(shí)，采取SVM機(jī)器學(xué)習(xí)方法進(jìn)行分類訓(xùn)練，主要訓(xùn)練參數(shù)特征如表1所示。

表1 主要訓(xùn)練參數(shù)特征

3 仿真分析

圖5 本文干擾檢測(cè)算法與過(guò)去算法的性能曲線

對(duì)圖5分析可得出，本文的新算法可實(shí)現(xiàn)對(duì)集群通信干擾的成功檢測(cè)，在干信比為1 dB時(shí)，檢測(cè)概率在90%以上；且新方法的檢測(cè)效果優(yōu)于過(guò)去的思路，檢測(cè)性能得以提高。

4 結(jié)束語(yǔ)

本文提出了一種基于機(jī)器學(xué)習(xí)的集群通信干擾檢測(cè)算法，并采用了一些優(yōu)化處理策略，降低了復(fù)雜度。采用SVM算法可提高對(duì)集群TETRA信號(hào)干擾檢測(cè)算法的性能，通過(guò)仿真試驗(yàn)驗(yàn)證了新算法檢測(cè)的有效性，比傳統(tǒng)方法的檢測(cè)成功率更高，具有較好的魯棒性，適用性強(qiáng)，今后將進(jìn)一步改進(jìn)，為通信網(wǎng)絡(luò)安全和抗干擾技術(shù)發(fā)揮更加重要的作用。