收稿日期：2023-04-17

DOI：10.19850/j.cnki.2096-4706.2023.21.006

摘" 要：隨著各類無線終端數(shù)量的增加與不同無線網(wǎng)絡(luò)的跨域融合，使得網(wǎng)絡(luò)中的同頻與外在干擾變得異常嚴峻。為了改善通信傳輸質(zhì)量、抑制復(fù)雜干擾對無線終端通信質(zhì)量的影響，文章針對復(fù)雜電磁環(huán)境下存在多種類型干擾信號導(dǎo)致實時通信質(zhì)量和效率較差問題，提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的干擾知識庫構(gòu)建與識別方法。仿真結(jié)果表明，該方法的識別準確率優(yōu)于傳統(tǒng)決策樹識別方法8%左右。

關(guān)鍵詞：深度神經(jīng)網(wǎng)絡(luò)；知識庫；干擾識別

中圖分類號：TP18" 文獻標識碼：A" 文章編號：2096-4706（2023）21-0024-04

Construction and Identification Method of Interference Knowledge Base Based on Deep Neural Network

XU Yongjun1，2， XU Juan1， TIAN Qinyu1， ZHANG Xiaoxi1

（1.Key Lab of Mobile Communication Technology， Chongqing University of Posts and Telecommunications， Chongqing" 400065， China; 2.Chongqing Jinmei Communication Co.， Ltd.， Chongqing" 400030， China）

Abstract： With the increase in the number of various types of wireless terminals and the cross-domain integration of different wireless networks， the co-channel and external interference in networks have become exceptionally severe. In order to improve the communication transmission quality and suppress the influence of complex interference on the communication quality of wireless terminals， this paper proposes a construction and identification method of interference knowledge base based on Deep Neural Network for the problem of poor real-time communication quality and efficiency due to the existence of multiple types of interference signals in complex electromagnetic environments. The simulation results show that the correct recognition rate of the proposed method is better in terms of 8% than that of the traditional decision tree algorithm.

Keywords： Deep Neural Network; knowledge base; interference identification

0" 引" 言

干擾識別是抗干擾技術(shù)和干擾決策的重要內(nèi)容，由于現(xiàn)代通信環(huán)境存在的電子信息設(shè)備不僅數(shù)量龐大而且種類多樣，使得實際通信中的電磁信號非常密集、信號衰落與干擾變得異常復(fù)雜，導(dǎo)致無線通信終端設(shè)備在通信時信息傳輸?shù)目煽啃允艿搅藝乐赜绊?，所以迫切需要有效的干擾識別技術(shù)來滿足實際通信抗干擾的需求[1]。

由于抗干擾技術(shù)的重要性，從底層的干擾分類、干擾識別、信號檢測等方面的研究受到學(xué)術(shù)界與工業(yè)界的廣泛關(guān)注。目前，主要采用決策樹[2]、反向傳播（Back propagation， BP）神經(jīng)網(wǎng)絡(luò)[3]以及深度神經(jīng)網(wǎng)絡(luò)（Deep neural network， DNN）[4]等算法構(gòu)建干擾知識庫來預(yù)測干擾信號類型。其中，相較于決策樹和BP神經(jīng)網(wǎng)絡(luò)等算法，DNN算法的性能具有顯著優(yōu)勢，并且能夠在低干噪比（Jamming-to-Noise Ratio， JNR）的條件下獲得較高的識別準確率。因此，為了抑制復(fù)雜電磁環(huán)境下干擾信號對無線終端通信質(zhì)量的影響，大量學(xué)者基于DNN算法研究了不同無線網(wǎng)絡(luò)場景下的干擾識別。例如，針對無線通信網(wǎng)絡(luò)在低干噪比條件下單節(jié)點干擾正確識別率較低的問題，文獻[5]提出了一種基于DNN的多節(jié)點協(xié)同干擾識別算法，提升了低干噪比下的干擾識別率。文獻[6]聯(lián)合多域干擾特征設(shè)計了基于DNN的干擾分類器，能夠在JNR達到0 dB時準確識別4類壓制式干擾。文獻[7]基于深度學(xué)習(xí)理論，采用DNN方法對5類通信干擾信號和提取到的6種干擾特征進行了研究，并且對比了在不同JNR下的識別準確率，但都缺少干擾知識庫構(gòu)建內(nèi)容的研究。

上述文獻的研究提升了DNN算法在低干噪比條件下的正確識別率，同時也結(jié)合復(fù)雜電磁環(huán)境，從多域提取干擾特征，設(shè)計了干擾分類器。但對于利用DNN進行干擾知識庫的構(gòu)建和應(yīng)用，目前尚未有過多的研究，且對整個干擾知識庫構(gòu)建整體思路與流程并不完善，干擾知識表示缺失。

因此，本文提出了一種基于DNN的干擾知識庫構(gòu)建與識別方法，以解決復(fù)雜電磁環(huán)境通信信號質(zhì)量差、信號傳輸不穩(wěn)定、干擾識別精度不高等難題。具體來講，在充分考慮復(fù)雜電磁環(huán)境中存在多類干擾信號的情況下，提取了多路混合干擾信號的時/頻域特征，并進行了干擾知識庫構(gòu)建，闡述了干擾知識庫的構(gòu)建方法與流程，為無線終端抗干擾決策、自適應(yīng)波形選擇、動態(tài)拓撲規(guī)劃等方面提供了關(guān)鍵性的先驗知識。因此，本文所提出的基于DNN的干擾知識庫構(gòu)建與識別方法，可以使得系統(tǒng)能夠有效識別干擾信號類別、干擾信號特征（如，干擾功率大小、干擾周期性等），提高無線環(huán)境抗干擾通信的可靠性。

1" 干擾知識庫構(gòu)建總體研究思路

干擾知識庫構(gòu)建的總體研究思路如圖1所示。干擾知識庫主要分為離線訓(xùn)練和在線學(xué)習(xí)兩個過程。

1.1" 離線訓(xùn)練

離線訓(xùn)練包含干擾建模、干擾信號數(shù)據(jù)的預(yù)處理、信號處理、干擾特征提取和干擾類型識別。首先，干擾建模主要通過經(jīng)典數(shù)學(xué)方法與統(tǒng)計學(xué)思想獲得無線環(huán)境的干擾數(shù)學(xué)模型，即單音干擾、脈沖干擾、多音干擾、掃頻干擾、調(diào)頻干擾等。另外一種干擾建模方法是基于在線數(shù)據(jù)獲取與識別來獲得近似干擾模型，從而完成復(fù)雜環(huán)境下的干擾建模過程。其次，基于Matlab或Python等軟件通過編程與函數(shù)調(diào)用方法獲得離散的干擾原始數(shù)據(jù)。再次，通過數(shù)據(jù)剪切、噪聲剔除等數(shù)據(jù)預(yù)處理手段生成初始待訓(xùn)練的干擾信號數(shù)據(jù)。然后，利用干擾檢測算法（如，譜估計、誤碼率檢測、能量檢測法）獲得干擾在時域、頻域、變換域等場景下的特征參數(shù)。最后，將獲得的特征參數(shù)類型與范圍送到DNN干擾識別器，獲得干擾分類結(jié)果與識別效果。將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、權(quán)值參數(shù)及所對應(yīng)的特征參數(shù)取值屬性與范圍存入到干擾知識庫，從而完成離線訓(xùn)練干擾知識庫構(gòu)建過程。

1.2" 在線學(xué)習(xí)

在線學(xué)習(xí)供外界與知識庫之間進行交互，輸出未知（不在干擾知識庫）干擾信號參數(shù)信息，并且完成干擾數(shù)據(jù)庫的更新。首先，無線終端在通信環(huán)境中建立通信傳輸網(wǎng)絡(luò)，并探測與感知周圍干擾特征（如，頻次、強度等），智能終端通過在線信號檢測方式來獲得真實環(huán)境干擾數(shù)據(jù)。其次，基于所獲得的數(shù)據(jù)，進行DNN特征提取與參數(shù)識別。再次，將識別的特征參數(shù)（如，矩峰度系數(shù)、時域矩系數(shù)）與干擾知識庫打標/存儲的特征參數(shù)進行匹配，從而確定無線終端在真實網(wǎng)絡(luò)環(huán)境中的干擾類型，根據(jù)干擾類型與干擾識別結(jié)果獲得真實干擾信息的強度、功率譜、周期性等關(guān)鍵信息，從而為無線終端在智能組網(wǎng)、抗干擾決策、調(diào)頻算法設(shè)計等方面提供基礎(chǔ)信息。最后，輸出干擾識別結(jié)果并更新干擾知識庫。

2" 干擾知識庫初始化

干擾知識庫初始化包括數(shù)據(jù)預(yù)處理、信號處理、特征提取以及干擾識別這四個步驟。為了符合實際通信場景，在數(shù)據(jù)預(yù)處理階段往干擾信號中加入了不同的JNR噪聲，使生成的干擾信號數(shù)據(jù)更加貼近真實的干擾數(shù)據(jù)，從而為抗干擾提供有效且可靠的數(shù)據(jù)支撐。

2.1" 數(shù)據(jù)預(yù)處理

該部分用于生成5種典型的壓制式干擾信號在不同JNR下的初始數(shù)據(jù)，包括多音干擾、線性掃頻干擾、周期脈沖干擾、部分頻帶干擾和噪聲調(diào)頻干擾，數(shù)據(jù)預(yù)處理流程圖如圖2所示，具體實現(xiàn)步驟為：

1）設(shè)置各干擾信號的輸入?yún)?shù)，如干噪比大小、音調(diào)個數(shù)、干擾中心頻率、掃頻帶寬等。

2）根據(jù)各干擾信號的數(shù)學(xué)表達式和輸入?yún)?shù)，獲取各干擾信號的時域和頻域數(shù)據(jù)。

3）向各干擾信號中加入不同JNR的噪聲，生成初始干擾信號數(shù)據(jù)。

2.2" 信號處理

本模塊采用能量檢測法[8]實現(xiàn)對未知信號的有效檢測。首先，將接收到的采樣數(shù)據(jù)的時域數(shù)據(jù)轉(zhuǎn)換成能量譜數(shù)據(jù)，以此來反映頻譜中的功率分布；然后，處理采樣數(shù)據(jù)的能量譜數(shù)據(jù)；最后，將頻譜分析和已處理的能量譜數(shù)據(jù)返回給抗干擾模塊來判斷是否存在干擾，干擾檢測流程圖如圖3所示。

2.3" 特征提取

干擾特征提取模塊的主要作用是從輸入信號序列中提取對干擾類型識別有用的信息，它是干擾識別模塊預(yù)測干擾類型的依據(jù)。特征提取的準確與否決定了干擾分類器的設(shè)計和功能實現(xiàn)，且其特征參數(shù)包含的干擾信息的充分程度直接作用于干擾分類性能。該部分基于干擾信號的時域、頻域和變換域特征的數(shù)學(xué)模型，提取了包括（時域峰度、3 dB帶寬因子、干擾檢測帶寬因子、頻域峰度、平均頻譜平坦系數(shù)、二次方譜帶寬因子、二次方譜峰度、四次方譜帶寬因子、四次方譜峰度和差分信號譜峰度）這10個維度的特征參數(shù)。

2.4" 干擾識別

干擾識別用于對干擾特征數(shù)據(jù)進行分類，判斷干擾信號類型的從屬關(guān)系，本文設(shè)計的基于DNN的干擾識別流程圖如圖4所示，具體實現(xiàn)步驟為：

1）初始化模塊所需參數(shù)。

2）將原始干擾數(shù)據(jù)集導(dǎo)入到數(shù)據(jù)獲取與batch化處理子模塊，以得到訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。

3）將訓(xùn)練數(shù)據(jù)集輸入到DNN訓(xùn)練模型，獲取訓(xùn)練完成的DNN模型。

4）在訓(xùn)練好的DNN模型和測試數(shù)據(jù)集的基礎(chǔ)上，通過DNN測試模型得到干擾類型識別結(jié)果。

3" 干擾知識庫應(yīng)用

在線學(xué)習(xí)是干擾知識庫應(yīng)用的基礎(chǔ)。首先，利用初始知識庫訓(xùn)練干擾識別模型；接著，將未知信息的干擾信號與在初始知識庫中訓(xùn)練好的干擾識別模型進行匹配，干擾檢測模塊與識別模塊輸出其特征參數(shù)信息；然后，將特征參數(shù)與知識庫進行對比，若得到的殘差趨近于零，代表未知信號與知識庫中已訓(xùn)練好的DNN模型匹配，則輸出干擾信號類型；反之，則將其更新到數(shù)據(jù)庫中，實現(xiàn)干擾知識庫更新。在線學(xué)習(xí)的具體流程如圖5所示。

4" 仿真結(jié)果

為了驗證所提方法的有效性，將從不同算法干擾識別率來驗證本文算法的性能。仿真參數(shù)為：多音干擾音調(diào)個數(shù)為10，JNR為[-5，15] dB；線性掃頻干擾掃描周期為216 ms，JNR為[15，25] dB；調(diào)頻干擾的調(diào)頻指數(shù)為2.5×106，JNR為[-10，30] dB；頻帶干擾的中心頻率為[0，0.5]，JNR為[-8，22] dB；脈沖干擾占空比為0.25，JNR為[10，20] dB。

圖6給出了5類干擾信號在不同JNR下的干擾識別率。在JNR為0 dB時，不同信號的干擾識別率都達到了100%，這表明，所提算法來構(gòu)建干擾知識庫能夠較好區(qū)分干擾信號類型，驗證了所提算法的有效性和可靠性。

圖7為不同算法干擾識別性能對比圖，由圖可看出，相較于傳統(tǒng)的決策樹算法，利用DNN算法進行干擾識別可獲得更高的識別準確率，達93.1%。其原因是所提算法從3域10維對干擾信號進行了特征提取，相當于加大了不同干擾信號間的隔離度，從而明顯提高了干擾識別準確率。

5" 結(jié)" 論

為了抑制復(fù)雜電磁環(huán)境干擾對無線終端傳輸質(zhì)量的影響，本文提出了基于DNN的干擾知識庫構(gòu)建與識別方法，為智能抗干擾、抗毀、提升通信質(zhì)量提供基礎(chǔ)。結(jié)果表明，本文算法能夠更準確地識別不同類型的干擾信號，并且顯著提升不同JNR條件下的識別精度。

參考文獻：

[1] 楊鴻杰.基于強化學(xué)習(xí)的智能通信干擾決策技術(shù)研究 [D].北京：中國電子科技集團公司電子科學(xué)研究院，2019.

[2] 梁金弟，程郁凡，杜越，等.聯(lián)合多維特征的干擾識別技術(shù)研究 [J].信號處理，2017，33（12）：1609-1615.

[3] 徐國進.典型通信干擾信號識別技術(shù)研究 [D].成都：電子科技大學(xué)，2018.

[4] 沈鈞仁，李玉生，施育鑫，等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的多節(jié)點協(xié)同干擾識別方法 [J].無線電通信技術(shù)，2022，48（4）：711-717.

[5] 胡闖.基于深度神經(jīng)網(wǎng)絡(luò)的通信干擾信號分類識別方法研究 [D].長春：吉林大學(xué)，2021.

[6] 李曉璇.基于神經(jīng)網(wǎng)絡(luò)的去霧算法研究 [D].桂林：桂林電子科技大學(xué)，2022.

[7] ZHANG Y，YANG M，LIU X. Artificial-Neural-Network-Based Automatic Modulation Recognition in Satellite Communication [C]//MLICOM 2017： International Conference on Machine Learning and Intelligent Communications.Weihai：Springer，2017：394-404.

[8] 許建霞，劉會衡，劉克中.認知無線電中一種雙門限能量檢測算法 [J].武漢理工大學(xué)學(xué)報：信息與管理工程版，2011，33（4）：529-532+535.

作者簡介：徐勇軍（1986.08—），男，漢族，湖北赤壁人，副教授，博士，研究方向：抗干擾通信、無線通信技術(shù)、網(wǎng)絡(luò)技術(shù)、無線資源分配、6G通信。