摘" 要： 為提高無線通信網(wǎng)絡(luò)的抗干擾能力，提出一種基于長短期記憶（LSTM）網(wǎng)絡(luò)的無線通信智能抗干擾方法。首先，結(jié)合無線通信抗干擾的原理，提出深度學(xué)習(xí)的通信抗干擾基本思路；其次，采用基于長短期記憶網(wǎng)絡(luò)的逐時隙頻譜狀態(tài)預(yù)測方案進(jìn)行空閑頻譜預(yù)測；最后，根據(jù)預(yù)測結(jié)果進(jìn)行空閑頻段優(yōu)化選擇，以實現(xiàn)跳頻通信。實驗結(jié)果表明，在3 GHz頻點中，逐時隙預(yù)測的信道狀態(tài)信息與真實信道狀態(tài)信息相同，預(yù)測結(jié)果與真實結(jié)果一致，說明采用所提方法可準(zhǔn)確預(yù)測到下一時隙的信道狀態(tài)并進(jìn)行跳頻頻段選擇，這有助于用戶提前避開干擾，保障用戶的通信質(zhì)量。

關(guān)鍵詞： 無線通信； 抗干擾； 深度學(xué)習(xí)； 長短期記憶網(wǎng)絡(luò)； 空閑頻段； 跳頻通信； 信道狀態(tài)

中圖分類號： TN921?34； TP392" " " " " " " " " "文獻(xiàn)標(biāo)識碼： A" " " " " " " " " " " 文章編號： 1004?373X（2024）14?0035?06

Research on intelligent wireless communication anti interference based on

long short?term memory networks

SHI Jintao1， 2

（1. Shaanxi Provincial Government Offices Affairs Service Center， Xi’an 710004， China; 2. Xidian University， Xi’an 710126， China）

Abstract： A wireless communication intelligent anti?interference method based on long short?term memory network （LSTM） is proposed to improve the anti?interference ability of wireless communication networks. The basic idea of deep learning communication anti?interference is proposed based on the principle of wireless communication anti?interference. A time?slot spectrum state prediction scheme based on LSTM is used to predict the idle spectrum. The idle frequency band is optimized according to the predicted results to realize frequency?hopping communication. The experimental results show that， in the 3 GHz frequency point， the predicted channel state information and the real channel state information are the same， and the prediction results are consistent with the real results， indicating that the proposed method can accurately predict the channel state of the gap and select the frequency hopping frequency band， which can help users to avoid interference in advance and guarantee the communication quality of users.

Keywords： wireless communication; anti interference; deep learning; long short?term memory network; idle frequency band; frequency hopping communication; channel status

0" 引" 言

跳頻技術(shù)作為當(dāng)前通信抗干擾的主流技術(shù)，其本質(zhì)是不斷改變載波頻率，從而避開通信的干擾。而該技術(shù)的關(guān)鍵是跳頻序列，如能實時獲取通信信道信息，就可根據(jù)這些信息實現(xiàn)跳變，進(jìn)而達(dá)到抗干擾的目的。姬智等為實現(xiàn)無線通信的抗干擾，設(shè)計了一個智能反射面，通過此設(shè)計對無人機(jī)通信進(jìn)行能效優(yōu)先輔助，從而提升了抗干擾技術(shù)的魯棒性[1]。張拓針對無線電子通信中的跳頻選擇問題，提出一種TDMA跳頻系統(tǒng)，并通過頻率自適應(yīng)選擇方法進(jìn)行頻譜狀態(tài)區(qū)分，便于后續(xù)占用和空閑跳頻優(yōu)選[2]。章辰等以通信電子戰(zhàn)爭中的通信設(shè)備為研究對象，提出基于矩陣求逆型DFRFT，構(gòu)建一個抗干擾通信系統(tǒng)，通過此系統(tǒng)降低了無線干擾和系統(tǒng)誤碼率，具有一定的可行性[3]。以上研究為通信抗干擾和調(diào)頻的處理提供了參考，但信道狀態(tài)信息獲取是關(guān)鍵。傳統(tǒng)的獲取方式是采用頻譜感知來完成，耗費大量資源和時間。為此，部分學(xué)者提出頻譜預(yù)測的方法，即采用深度學(xué)習(xí)的方式來挖掘頻譜的潛在規(guī)律，進(jìn)而實現(xiàn)信道狀態(tài)的預(yù)測?；诖?，本文提出一種基于長短期記憶（LSTM）網(wǎng)絡(luò)的無線通信智能抗干擾技術(shù)，并對該方法的可行性進(jìn)行驗證。

1" 通信抗干擾問題描述

無線通信干擾系統(tǒng)中，通信干擾問題主要包括干擾與通信鏈路間的天線增益、路徑損耗與功率間關(guān)系公式的確定。通過以上兩個公式，可求出無線通信的干擾功率和作用范圍，進(jìn)而采取有效的抗干擾措施。

無線通信干擾系統(tǒng)的功率傳輸模型如圖1所示[4]。

圖1中，接收機(jī)的通信干擾公式表示為：

[PjiPsi=PTjPTsGTjGTsGRjGRsLsLj1LfLtLp]" " " " "（1）

式中：[PTs]和[PTj]分別表示發(fā)射機(jī)信號和干擾機(jī)干擾的發(fā)射功率；[Lp]表示極化損耗；[Ls]和[Lj]均為傳輸路徑損耗；[Lt]和[Lf]分別為干擾與信號的時頻域濾波損耗；[GTs]和[GTj]分別為發(fā)射機(jī)和干擾機(jī)的發(fā)射增益[5]；[GRs]和[GRj]分別表示接收機(jī)接收到的信號和干擾的接收增益；[Psi]和[Pji]分別為信號和干擾的輸入功率。

在無線通信抗干擾系統(tǒng)中，干擾容量[Mj]為一種度量方式，其代表系統(tǒng)在正常運行時，接收機(jī)能夠忍受的最大干信比。干擾容量[Mj]與干擾方式、信號類型和數(shù)據(jù)接收方法等均存在關(guān)聯(lián)性。

基于以上分析可知，無線通信系統(tǒng)中出現(xiàn)干擾信息后，系統(tǒng)可正常工作的基本條件表示為：

[PjiPsilt;Mj]" " " " " "（2）

式中：[Mj]表示系統(tǒng)的干擾容量；[PjiPsi]表示系統(tǒng)接收機(jī)的輸入干信比[6]。

為保證無線通信系統(tǒng)能夠正常運行，通常采用兩種方式提升系統(tǒng)的抗干擾能力，具體表現(xiàn)如下。

1） 降低接收機(jī)的輸入干信比[PjiPsi]

基于式（1）可知，可采用提高[PTs]、[GTs]、[Lj]、[Lp]、[Lt]、[Lf]和減小[Ls]的方式降低接收機(jī)的干信比。

2） 提高系統(tǒng)的干擾容量[Mj]

[Mj=PjiPsimax=Gp-Lsys+PsoPjomin]" "（3）

式中：[PsoPjo]表示接收機(jī)中進(jìn)行信號處理后的輸出干信比；[Gp=PsoPjo-PsiPji]表示接收機(jī)中進(jìn)行信號處理后得到的干信比處理增益；[Lsys]表示實現(xiàn)此處理增益過程中的干信比損耗。采用提高[Gp]和降低[Lsys]、[PsoPjomin]的方式能夠提高系統(tǒng)的干擾容量[7]。

2" 基于LSTM預(yù)測的通信抗干擾模型構(gòu)建

2.1" 本文研究思路

基于以上無線通信抗干擾原理，提出的抗干擾通信思路如圖2所示。

由圖2可知，本文的思路是：在功率傳輸模型的基礎(chǔ)上，增加其他通信用戶、深度學(xué)習(xí)服務(wù)器、信號處理中心、多個感知節(jié)點和多個干擾機(jī)[8]。

為確保數(shù)據(jù)傳輸時具有可靠性和穩(wěn)定性，提出采用有線方式對各個節(jié)點進(jìn)行連接。其中，感知節(jié)點的作用是進(jìn)行頻點歷史數(shù)據(jù)收集，并將收集信息作為數(shù)據(jù)集傳輸至深度學(xué)習(xí)服務(wù)器中；信息處理中心的作用是進(jìn)行數(shù)據(jù)處理；深度學(xué)習(xí)服務(wù)器的作用是對長短期記憶網(wǎng)絡(luò)程序和深度學(xué)習(xí)框架進(jìn)行運行維護(hù)。將歷史數(shù)據(jù)集作為訓(xùn)練集輸入深度學(xué)習(xí)服務(wù)器后，即可通過深度學(xué)習(xí)模型進(jìn)行訓(xùn)練和預(yù)測，并基于輸入各頻點的歷史數(shù)據(jù)對下一時隙各頻點的頻譜狀態(tài)進(jìn)行預(yù)測。

2.2" 數(shù)據(jù)集構(gòu)建

為獲取無線通信系統(tǒng)中的歷史頻譜數(shù)據(jù)，本文采用頻譜感知方法對不同信道、不同時隙的歷史信息進(jìn)行采集，即獲取頻譜中各個頻點的功率譜密度數(shù)據(jù)，再將其與設(shè)定的閾值進(jìn)行對比。若此頻點的功率譜密度高于閾值，則說明此頻點為占用狀態(tài)；反之則為空閑狀態(tài)。頻點狀態(tài)定義的具體表達(dá)式為：

[fit=0，" 功率譜密度≤-100 dBm/Hz1，" 功率譜密度gt;-100 dBm/Hz]" " （4）

式中[fit]為時隙t處第i個頻點的狀態(tài)[9]。

為實現(xiàn)頻譜預(yù)測，提出采用監(jiān)督學(xué)習(xí)方法對時間序列進(jìn)行有效處理，由此可獲得狀態(tài)數(shù)據(jù)，并將其保存為一個[M×N]的二維矩陣形式。矩陣的行和列分別為某個頻點不同時隙的狀態(tài)信息和某個時隙上各個頻點的狀態(tài)信息。為驗證基于滑動窗口的逐時隙頻譜狀態(tài)預(yù)測在跳頻通信系統(tǒng)中是否具備實時性，提出構(gòu)建一個模型對歷史時隙信息狀態(tài)間的關(guān)系進(jìn)行挖掘，以實現(xiàn)下一時隙各頻點的狀態(tài)預(yù)測。即基于最近的[T]個時隙的數(shù)據(jù)[xt-T+1，xt-T+2，…，xt]，預(yù)測下一時隙中各頻點的狀態(tài)信息[xt+1]。

采用LSTM網(wǎng)絡(luò)對無線通信的頻譜進(jìn)行預(yù)測前，需通過收集歷史數(shù)據(jù)集信息對模型進(jìn)行訓(xùn)練，模型訓(xùn)練后達(dá)到預(yù)測精度要求，即可進(jìn)行頻點狀態(tài)信息預(yù)測。逐時隙數(shù)據(jù)集采用滑動窗口進(jìn)行構(gòu)建，具體如圖3所示[10]。

圖3中，[wi]和[ei]分別表示訓(xùn)練輸入的樣本和樣本標(biāo)簽。隨著時隙的不斷增加，滑動窗口向前滑動時隙，由此可獲得不同頻點的信息狀態(tài)，從而形成一個樣本，并構(gòu)成神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集。對訓(xùn)練數(shù)據(jù)集[wi]進(jìn)行不斷輸入后，深度學(xué)習(xí)模型即可輸出預(yù)測值[ei]；之后對模型參數(shù)進(jìn)行不斷調(diào)整和優(yōu)化，即可使得預(yù)測值[ei]逐漸接近標(biāo)簽值[ei]。

2.3" 基于LSTM的頻譜預(yù)測跳頻策略設(shè)計

2.3.1" 長短期記憶網(wǎng)絡(luò)

長短期記憶（LSTM）網(wǎng)絡(luò)是一種時間循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN），其是為解決RNN網(wǎng)絡(luò)中存在的長期時間依賴問題進(jìn)化而來的[11]。LSTM網(wǎng)絡(luò)具備超強的記憶功能，在RNN網(wǎng)絡(luò)的基礎(chǔ)上加入門控機(jī)制的存儲單元后，即可解決RNN的長期依賴問題。LSTM網(wǎng)絡(luò)的存儲單元結(jié)構(gòu)主要由輸入門、輸出門和遺忘門組成。LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

三個門控機(jī)制的計算公式為：

[it=σ（Wix?xt+Wih?ht-1+Wic?ct-1+bi）]" " （5）

[ot=σ（Wox?xt+Woh?ht-1+Woc?ct-1+bo）]" "（6）

[ft=σ（Wfx?xt+Wfh?ht-1+Wfc?ct-1+bf）]" （7）

存儲單元的輸入和輸出狀態(tài)分別表示為：

[ct=tanh（Wcx?xt+Wch?ht-1+bc）]" "（8）

[ct=it?ct+ft?ct-1]" " （9）

隱藏層輸出結(jié)果的計算公式表示為：

[ht=ot?tanhct]" " "（10）

式中：[xt]和[ht]分別為LSTM網(wǎng)絡(luò)在[t]時刻的輸入向量和隱藏狀態(tài)向量；[it]、[ft]和[ot]分別為LSTM存儲單元的輸入門、遺忘門和輸出門[10]；[ct]為存儲單元狀態(tài)；[Wix]、[Wox]、[Wfx]和[Wcx]分別為連接輸入門、輸出門、遺忘門和單元狀態(tài)與輸入向量間的權(quán)重矩陣；[Wih]、[Woh]、[Wfh]和[Wch]為連接隱藏狀態(tài)矩陣和輸入門、輸出門、遺忘門以及單元狀態(tài)間的權(quán)重矩陣；[Wic]、[Woc]、[Wfc]為將單元狀態(tài)連接到輸入門、輸出門和遺忘門的窺視孔連接矩陣；[bi]、[bo]、[bf]和[bc]為偏置向量；[tanh?]為激活函數(shù)，并將結(jié)果控制在[-1，1]范圍內(nèi)；[σ?]表示sigmoid函數(shù)，可將結(jié)果控制在[0，1]區(qū)間內(nèi)。

2.3.2" 預(yù)測模型構(gòu)建

為達(dá)到逐時隙頻譜狀態(tài)預(yù)測的目的，提出采用LSTM網(wǎng)絡(luò)構(gòu)建預(yù)測模型。基于LSTM預(yù)測的網(wǎng)絡(luò)模型結(jié)構(gòu)如圖5所示[12?13]。

基于LSTM預(yù)測的網(wǎng)絡(luò)模型主要由一個LSTM層、一個全連接層和一個輸出層組成。模型工作原理為：利用LSTM輸入數(shù)據(jù)xt+1，通過LSTM層進(jìn)行處理后即可將其處理結(jié)果傳輸至全連接層中，最后利用輸出層輸出時隙t的預(yù)測結(jié)果。

2.4" 基于LSTM預(yù)測的通信抗干擾流程設(shè)計

基于以上的預(yù)測網(wǎng)絡(luò)模型，將抗干擾通信的預(yù)測分為兩部分：深度學(xué)習(xí)模型訓(xùn)練和基于訓(xùn)練好的模型進(jìn)行頻譜狀態(tài)預(yù)測，以指導(dǎo)跳頻通信。具體思路為：進(jìn)行深度學(xué)習(xí)模型訓(xùn)練前，首先收集歷史數(shù)據(jù)，并將數(shù)據(jù)分為訓(xùn)練集、驗證集和測試集；之后將訓(xùn)練集和驗證集輸入至深度學(xué)習(xí)模型中進(jìn)行訓(xùn)練；完成訓(xùn)練后，即可通過測試集對模型性能進(jìn)行驗證，以檢測模型的預(yù)測精度。

深度學(xué)習(xí)模型的訓(xùn)練流程如圖6所示。

深度學(xué)習(xí)模型訓(xùn)練流程主要分為6步，具體如下。

1） 收集各頻譜數(shù)據(jù)并傳輸至信號處理中心。

2） 信號處理中心將數(shù)據(jù)進(jìn)行預(yù)處理，并將數(shù)據(jù)轉(zhuǎn)換為深度學(xué)習(xí)服務(wù)器可接收的數(shù)據(jù)集類型。

3） 使用訓(xùn)練集和驗證集進(jìn)行深度學(xué)習(xí)模型的訓(xùn)練和參數(shù)調(diào)整，并不斷對模型進(jìn)行觀測。

4） 使用測試集評估觀測模型的預(yù)測精度。

5） 如果預(yù)測精度低于設(shè)定標(biāo)準(zhǔn)，重新調(diào)整和訓(xùn)練模型。

6） 當(dāng)觀測模型預(yù)測精度達(dá)到設(shè)定標(biāo)準(zhǔn)時，結(jié)束模型訓(xùn)練，并應(yīng)用于跳頻通信系統(tǒng)中，以預(yù)測頻點狀態(tài)并進(jìn)行跳頻決策。

基于深度學(xué)習(xí)預(yù)測的抗干擾通信系統(tǒng)流程如圖7所示。該系統(tǒng)流程主要分為4步，具體如下。

1） 將收集到的各頻譜數(shù)據(jù)進(jìn)行預(yù)處理后，利用訓(xùn)練好的深度學(xué)習(xí)模型預(yù)測下一時隙的頻譜狀態(tài)。

2） 判斷傳輸頻段是否可用，若可用則進(jìn)行正常傳輸，否則根據(jù)預(yù)測結(jié)果進(jìn)行跳頻決策。

3） 接收機(jī)接收信息。

4） 用戶完成通信，結(jié)束系統(tǒng)抗干擾。

3" 實驗結(jié)果與分析

3.1" 實驗環(huán)境

為驗證所提方法的可行性，實驗硬件平臺選擇采用個人主機(jī)和軟件無線電平臺USRP RIO，軟件代碼選用LabVIEW 2015編寫程序和Matlab仿真軟件進(jìn)行實現(xiàn)。

3.2" 實驗數(shù)據(jù)

無線通信系統(tǒng)在700 MHz的頻譜范圍內(nèi)運行，將這700 MHz頻譜分為7個100 MHz寬的頻段。為展示系統(tǒng)的頻段選擇性能，實驗將在無線通信信號中加入單音、多音和掃頻干擾信號，掃頻干擾信號可在600 s內(nèi)掃描800 MHz寬的頻譜。系統(tǒng)測試頻段范圍設(shè)置在2～4 GHz，用戶端的發(fā)射增益與接收增益均為0 dBm，干擾機(jī)端的發(fā)射增益為20 dBm。

3.3" 實驗結(jié)果

為驗證所提出的深度學(xué)習(xí)預(yù)測模型的性能，在Matlab軟件中進(jìn)行仿真實驗。首先對收集的頻譜數(shù)據(jù)進(jìn)行預(yù)處理，并按照6∶3∶1的分配比例將數(shù)據(jù)集分為訓(xùn)練集、驗證集和測試集。最終得到的LSTM網(wǎng)絡(luò)預(yù)測模型的訓(xùn)練曲線如圖8所示。

由圖8可知，在200次迭代過程中，LSTM網(wǎng)絡(luò)模型在迭代至40次時即可實現(xiàn)收斂，模型訓(xùn)練效果顯著。

為驗證構(gòu)建的LSTM網(wǎng)絡(luò)預(yù)測模型在不同滑動窗口中的預(yù)測效果，分別在滑動窗口為1、5、10、20四種不同數(shù)據(jù)時進(jìn)行均方根誤差對比，對比結(jié)果如圖9所示。

由圖9對比結(jié)果可知，在不同的滑動窗口下，LSTM網(wǎng)絡(luò)預(yù)測模型的RMSE隨著時隙量的增加而不斷降低，在時隙量為30時逐漸趨于平緩。由此說明，在滑動窗口為10以上時可取得較好的預(yù)測結(jié)果，預(yù)測結(jié)果與真實結(jié)果間的誤差更小，可有效提升模型預(yù)測精度。為進(jìn)一步驗證LSTM網(wǎng)絡(luò)預(yù)測模型在測試集中的逐時隙預(yù)測效果，對2 GHz頻點的數(shù)據(jù)集進(jìn)行預(yù)測分析。原始數(shù)據(jù)處理后的測試結(jié)果如圖10所示。

由圖10預(yù)測結(jié)果可知，在適宜的滑動窗口中，采用LSTM網(wǎng)絡(luò)預(yù)測模型可實現(xiàn)測試集的逐時隙預(yù)測，很大程度上驗證了該模型的有效性?；谝陨仙疃葘W(xué)習(xí)預(yù)測模型的驗證結(jié)果，實驗將在軟件無線電平臺USRP RIO上對設(shè)計的基于深度學(xué)習(xí)預(yù)測的抗干擾通信系統(tǒng)進(jìn)行實現(xiàn)。其中，軟件無線電平臺USRP RIO上LSTM網(wǎng)絡(luò)的訓(xùn)練過程如圖11所示。由圖11訓(xùn)練結(jié)果可知，在軟件無線電平臺USRP RIO上，LSTM網(wǎng)絡(luò)預(yù)測模型在迭代至100次時即可實現(xiàn)收斂，說明該網(wǎng)絡(luò)的最佳收斂參數(shù)為100。

基于圖11訓(xùn)練結(jié)果，將處理后的測試集應(yīng)用到系統(tǒng)中進(jìn)行預(yù)測分析，預(yù)測結(jié)果如圖12所示。

由圖12測試結(jié)果可知，在設(shè)定閾值為0.4時對測試集進(jìn)行處理，本文系統(tǒng)的預(yù)測結(jié)果與真實結(jié)果間的誤差較小，兩者間的變化曲線基本一致。由此說明，在進(jìn)行閾值設(shè)定時，對測試集進(jìn)行處理，能夠提升系統(tǒng)的干擾預(yù)測精度。為進(jìn)一步驗證系統(tǒng)的預(yù)測性能，在3 GHz頻點中進(jìn)行逐時隙預(yù)測，由此得到系統(tǒng)的預(yù)測結(jié)果與真實結(jié)果的對比結(jié)果，如圖13所示。

由圖13結(jié)果可知，本文系統(tǒng)在3 GHz頻點的逐時隙預(yù)測結(jié)果與真實結(jié)果基本相同，說明本文系統(tǒng)能夠?qū)ο乱粫r隙的信道狀態(tài)進(jìn)行準(zhǔn)確預(yù)測?；谝陨蠈嶒灲Y(jié)果，可得到本文系統(tǒng)對10個頻點的多時隙真實信息狀態(tài)強度和多時隙預(yù)測信息狀態(tài)強度，如圖14、圖15所示。由圖14、圖15對比結(jié)果可知，在10個頻點的多時隙預(yù)測結(jié)果與真實結(jié)果十分吻合，說明基于LSTM網(wǎng)絡(luò)預(yù)測模型的無線網(wǎng)絡(luò)通信抗干擾系統(tǒng)可進(jìn)行跳頻通信的逐時隙預(yù)測。

4" 結(jié)" 語

基于機(jī)器學(xué)習(xí)的無線通信智能抗干擾技術(shù)采用LSTM網(wǎng)絡(luò)預(yù)測模型，能夠?qū)崿F(xiàn)頻譜狀態(tài)分析和預(yù)測，從而有效預(yù)測惡意抑制和外界干擾，提升無線通信效果。通過Matlab仿真實驗驗證，該技術(shù)能夠利用LSTM網(wǎng)絡(luò)進(jìn)行空閑頻譜預(yù)測，區(qū)分占用頻段和空閑頻段，并基于選擇的空閑頻段進(jìn)行跳頻通信，實現(xiàn)智能抗干擾。仿真結(jié)果表明，本文預(yù)測模型能夠提升預(yù)測精度，降低誤差，可滿足無線通信抗干擾系統(tǒng)的設(shè)計需求，具備推廣和應(yīng)用的潛力。

參考文獻(xiàn)

[1] 姬智，高玉芳.能效優(yōu)先的智能反射面輔助無人機(jī)通信抗干擾魯棒設(shè)計[J].通信技術(shù)，2022，55（12）：1568?1575.

[2] 張拓.一種TDMA跳頻系統(tǒng)中頻率自適應(yīng)選擇方法研究[J].現(xiàn)代導(dǎo)航，2020，11（1）：41?45.

[3] 章辰，王湘寅，吳林健，等.基于矩陣求逆型DFRFT的抗干擾通信系統(tǒng)[J].艦船科學(xué)技術(shù)，2021，43（z1）：82?88.

[4] 趙跟黨，張揚.基于無線局域網(wǎng)的CBTC車地?zé)o線通信系統(tǒng)抗干擾性能提升方案研究[J].城市軌道交通研究，2021，24（12）：205?209.

[5] 管金稱.基于迭代自適應(yīng)方法的跳頻信號缺失數(shù)據(jù)恢復(fù)[J].電訊技術(shù)，2020，60（7）：791?797.

[6] 孫永林，李大成，劉飛.基于分?jǐn)?shù)傅立葉變換的通信抗干擾性能研究[J].無線互聯(lián)科技，2020，17（15）：10?14.

[7] 宋佰霖，許華，蔣磊，等.一種基于深度強化學(xué)習(xí)的通信抗干擾智能決策方法[J].西北工業(yè)大學(xué)學(xué)報，2021，39（3）：641?649.

[8] 肇曉楠，謝新連，趙瑞嘉.基于滑動窗口動態(tài)輸入LSTM網(wǎng)絡(luò)的鐵路運輸系統(tǒng)碳排放量預(yù)測方法[J].交通信息與安全，2023，41（1）：169?178.

[9] 李璐，張風(fēng)麗，邵蕓，等.基于滑動窗口的高分辨率SAR圖像點目標(biāo)積分響應(yīng)能量計算方法研究[J].遙感技術(shù)與應(yīng)用，2023，38（1）：182?189.

[10] 何雨桐，朱立東，施文軍.基于GRU神經(jīng)網(wǎng)絡(luò)的自適應(yīng)跳頻技術(shù)研究[J].無線電通信技術(shù)，2022，48（6）：1074?1079.

[11] 安寧，張之棟.基于深度強化學(xué)習(xí)的D2D通信網(wǎng)絡(luò)抗干擾資源調(diào)度方法[J].電力信息與通信技術(shù)，2022，20（9）：108?114.

[12] 張惠婷，張然，劉敏提，等.基于深度強化學(xué)習(xí)的無人機(jī)通信抗干擾算法[J].兵器裝備工程學(xué)報，2022，43（10）：27?34.

[13] 王任之，潘克剛，趙瑞祥.跳頻抗干擾通信系統(tǒng)中LDPC碼的編碼優(yōu)化設(shè)計[J].系統(tǒng)工程與電子技術(shù)，2022，44（11）：3548?3555.

[14] 王健，王仲陽，劉勁峰，等.基于渦旋電磁波的無線通信技術(shù)[J/OL].激光與光電子學(xué)進(jìn)展：1?42[2023?11?02].http：//kns.cnki.net/kcms/detail/31.1690.TN.20240422.1637.108.html.

[15] 謝聯(lián)蓮，虞凱，劉孜學(xué)，等.長大干線高速磁浮無線通信系統(tǒng)工程方案研究[J].鐵路通信信號工程技術(shù)，2023，20（6）：20?25.

[16] 張敏，方健，王勇，等.基于ZigBee無線通信的變電站端子箱溫濕度傳感器系統(tǒng)設(shè)計[J].制造業(yè)自動化，2023，45（2）：169?174.