中圖分類號：TN97 文獻標志碼：A

0 引言

在海上油田通信中，跨海骨干鏈路需同時應對復雜電磁干擾（如船舶雷達、鹽霧衰減）與高可靠性要求（控制信號誤碼率 lt;10^-6 ）。傳統(tǒng)散射通信技術雖能實現(xiàn)超視距傳輸，但其固定調制方式難以適應動態(tài)干擾環(huán)境[1]。近年來，人工智能技術的快速發(fā)展為通信抗干擾領域帶來了新的解決方案，為構建智能化的抗干擾系統(tǒng)提供了新的技術路徑[2]。但仍存在以下問題：干擾生成的真實性與多樣性不足，難以完全模擬實戰(zhàn)電磁環(huán)境；抗干擾決策模型在動態(tài)信道條件下的泛化能力有限[3]。針對這些問題，本研究提出構建一個融合生成對抗網(wǎng)絡與深度強化學習的微波通信抗干擾仿真訓練平臺，通過高保真干擾樣本生成和智能決策算法優(yōu)化的協(xié)同作用，提升通信系統(tǒng)在復雜電磁環(huán)境下的生存能力。

1系統(tǒng)建模

1.1 方法基礎

本研究涉及的核心理論包含3個層面：

（1）在電磁傳播理論方面，采用改進的Rayleigh衰落信道模型描述微波通信信道特性，其信道沖激響應可表示為：

其中， α_n 為第 n 條路徑的衰減系數(shù) ;f_d 為多普勒頻移； θ_n 為人射角； θ_n 為相位偏移。通過引入時變參數(shù) α_n（t） ，可更準確模擬動態(tài)信道環(huán)境。

（2）在干擾建模方面，基于Wasserstein距離的生成對抗網(wǎng)絡（WGAN-GP）解決了傳統(tǒng)生成對抗網(wǎng)絡（GenerativeAdversarialNetwork，GAN）訓練不穩(wěn)定的問題。其判別器損失函數(shù)定義為：

L_?D=E_x～r[D（x）]-E_z～z[D（G（z））]+

其中， P_r 為真實數(shù)據(jù)分布， P_z 為噪聲分布， λ 為梯度懲罰系數(shù)。如表1所示，WGAN-GP在干擾樣本生成質量上顯著優(yōu)于傳統(tǒng)方法。

表1不同生成模型性能對比

1.2系統(tǒng)建模與架構設計

基于上述理論，構建如圖1所示的聯(lián)合仿真架構。

系統(tǒng)包含3個核心模塊：信道仿真器采用改進的Jakes模型實現(xiàn)多徑效應模擬，其相干時間 T_c 計算公式為：

圖1聯(lián)合仿真架構

干擾生成模塊通過級聯(lián)的生成網(wǎng)絡產(chǎn)生時-頻二維干擾樣本，測試表明在 2.4GHz 頻段可生成帶寬達40MHz 的逼真干擾信號[4]。決策模塊采用雙網(wǎng)絡DQN結構，其中目標網(wǎng)絡參數(shù)每100步更新一次，有效穩(wěn)定了訓練過程[5]。

2抗干擾仿真平臺設計與實現(xiàn)

2.1系統(tǒng)架構與功能模塊

本研究提出的微波通信抗干擾仿真訓練平臺采用分層分布式架構，包含環(huán)境仿真層、智能處理層和決策評估層3個核心層次。

環(huán)境仿真層基于改進的隨機幾何理論構建動態(tài)電磁環(huán)境，其空間干擾場強分布可建模為：

其中， N_j 為干擾源數(shù)量; p_j^（i） 表示第 i 個干擾源的發(fā)射功率； h_i 為小尺度衰落系數(shù)； α 為路徑損耗指數(shù)，I（?） 為頻帶指示函數(shù)。

測試數(shù)據(jù)表明，該模型在 5km×5km 仿真區(qū)域內(nèi)可實現(xiàn)0.5dB的場強預測精度。

平臺核心模塊性能指標如表2所示。

表2平臺核心模塊性能指標

2.2關鍵算法實現(xiàn)與優(yōu)化

平臺的核心算法實現(xiàn)路徑：

（1）實時干擾生成算法。

基于條件WGAN-GP架構設計生成網(wǎng)絡，其生成器 G 的損失函數(shù)改進為：

其中， c 為干擾類型條件向量； λ₁=10 控制梯度懲罰強度； λ₂=100 為感知損失權重。該算法生成的脈沖干擾信號與真實信號的相關系數(shù)計算獲得。經(jīng)100次獨立實驗測試，相關系數(shù)平均值為 0.92±0.03 而傳統(tǒng)方法的相關系數(shù)為 0.78±0.05 ，差異具有統(tǒng)計顯著性（ _plt;0.01） 。

（2）自適應抗干擾決策算法。

設計多智能體深度確定性策略梯度（Multi-AgentDeepDeterministicPolicyGradient，MADDPG）框架進行聯(lián)合優(yōu)化，其Actor網(wǎng)絡更新公式為：

abla_θ^μJ≈E[?_aQ（s，a∣θ^Q）∣_a=μ（s）?_θ^μμ（s∣θ^μ）]

其中， θ^μ 為Actor網(wǎng)絡參數(shù)向量； J 為策略性能目標函數(shù)； E（?） 為期望運算符； Q（s，a∣θ^Q） 為Critic網(wǎng)絡輸出的動作價值函數(shù)； μ（s∣θ^μ） 為Actor網(wǎng)絡輸出的確定性策略； s 為狀態(tài)觀測向量； a 為連續(xù)動作向量； abla_aQ 為 Q 函數(shù)對動作的梯度； abla_θ^μμ 為策略對網(wǎng)絡參數(shù)的梯度。

通過對比實驗，雙流Critic網(wǎng)絡（分別處理信道狀態(tài)和干擾特征）相比傳統(tǒng)單流結構，在64QAM調制下：基準吞吐量：35.6Mbps（單流）；優(yōu)化吞吐量：48.7Mbps（雙流）相對提升： 36.8% （經(jīng)50次實驗驗證， ?plt;0.01 ）。

（3）平臺加速優(yōu)化技術。

為滿足復雜電磁環(huán)境下實時仿真的嚴苛要求，本研究針對計算瓶頸提出了3項創(chuàng)新性優(yōu)化方案：

基于NVIDIACUDA架構設計的多徑信道仿真加速器，采用流式多處理器（StreamingMultiprocessor，SM）并行計算技術，通過優(yōu)化全局內(nèi)存訪問模式，實現(xiàn)1024個CUDA核心的同步計算，實現(xiàn)時延 2.9ms （使用NVIDIAGPU，1024個CUDA核心），加速比8.1倍。

針對深度強化學習模型的計算負載問題，本研究提出了創(chuàng)新的混合精度量化方案。激活值采用4位整數(shù)存儲，同時保留16位浮點精度用于梯度更新以維持訓練穩(wěn)定性[6]。在推理性能方面，實測時延從8.7ms 降至 3.3ms ，降幅達 62.2% 。

為TB級干擾庫設計2級緩存架構：即GPU顯存緩存和內(nèi)存映射文件，采用改進的LRU-K（ K=2 替換算法，平均數(shù)據(jù)訪問時間從基準的 12.4ms 降低至1.8ms ，降幅達 85.5% ： V0 等待時間占比從 27% 優(yōu)化至 4% ，系統(tǒng)效率提升顯著；整體處理帶寬達到160MHz ，完全滿足5GNR標準要求。

3實驗驗證與性能評估

3.1實驗環(huán)境與參數(shù)配置

為驗證本研究所提抗干擾仿真平臺的有效性，搭建半實物仿真測試環(huán)境，實驗平臺由3部分組成。

（1）信道仿真子系統(tǒng)。

采用USRPX310軟件無線電設備模擬多徑信道，陸地與海上場景信道仿真參數(shù)對比如表3所示。

表3陸地與海上場景信道仿真參數(shù)對比

基于3GPPTR38.901標準構建城市微蜂窩（UMi）場景，路徑損耗模型為：

PL（d）=32.4+21log₁₀（d）+20log₁₀（f_c）+σ_SF

其中， d 為傳輸距離（單位： m ）； f_c 為載波頻率（單位： GHz? ； σ_SF 為陰影衰落標準差，實測值為 7.2dB 。

（2）干擾生成子系統(tǒng)。

通過本研究提出的WGAN-GP模型生成5類典型干擾，包括窄帶干擾（NBI）、寬帶噪聲（BBN）、線性掃頻（LFM）、脈沖干擾（PJ）和組合干擾（CJ）。

（3）抗干擾決策子系統(tǒng)。

部署在NVIDIADGX-2服務器上，采用PyTorch框架實現(xiàn)，關鍵訓練參數(shù)為：學習率 α=5×10^-4 ，折扣因子 γ=0.99 ，經(jīng)驗回放緩存容量 D=10⁶ 。

3.2性能對比與分析

3.2.1干擾生成質量評估

采用兩種指標評價生成干擾的逼真度對比見表

4，其中FSS 指頻域相似度（Frequency SpectrumSimilarity），TDER指時域誤差率（TimeDomainErrorRate）。

表4干擾生成性能對比

實驗結果表明，本研究方法生成的干擾信號均優(yōu)于傳統(tǒng)方法。

3.2.2抗干擾性能驗證

在 -10dB 干信比條件下測試不同調制方式的誤碼率（BitErrorRate，BER），對比基于傳統(tǒng)LMS自適應濾波、標準DQN算法、本研究改進的MADDPG算法的3種對比方案。定量分析顯示，在 SNR=15 dB時：對于QPSK調制，本研究方法BER為 2.3×10^-5 ，較LMS提升2個數(shù)量級;在16QAM高階調制下，系統(tǒng)吞吐量達到 48.7Mbps ，比標準DQN 提高 62%

實驗驗證表明，本平臺在干擾模擬真實性和抗干擾策略有效性2方面均優(yōu)于傳統(tǒng)方法，為復雜電磁環(huán)境下的通信系統(tǒng)性能評估提供了可靠工具。

4結語

本研究針對復雜電磁環(huán)境下微波通信系統(tǒng)的抗干擾需求，構建了基于生成對抗網(wǎng)絡與深度強化學習的仿真訓練平臺，通過理論建模、算法優(yōu)化與實驗驗證3個層面的研究，實現(xiàn)了動態(tài)干擾環(huán)境下的高效抗干擾策略生成與評估。研究表明，WGAN-GP干擾生成模型能夠有效解決訓練數(shù)據(jù)稀缺問題，生成的干擾信號在時頻域特性上與真實電磁環(huán)境保持高度一致性，其FID分數(shù)較傳統(tǒng)方法提升 41.2% 。結合改進的雙網(wǎng)絡深度Q學習算法，平臺實現(xiàn)了通信參數(shù)的智能自適應調整，在強干擾條件下顯著降低了系統(tǒng)誤碼率，驗證了深度學習技術在抗干擾領域的應用潛力。當然，當前仿真平臺對寬帶噪聲與多用戶干擾的聯(lián)合建模精度有待進一步提升；深度強化學習策略在實時性要求極高的場景下可能面臨計算延遲挑戰(zhàn)。后續(xù)研究將重點探索輕量化網(wǎng)絡架構設計，引入聯(lián)邦學習框架以實現(xiàn)多節(jié)點協(xié)同抗干擾訓練。

參考文獻

[1]楊一桐，沈一鳴，侯帥，等.電磁場與微波衛(wèi)星通信實驗平臺開發(fā)與實踐應用[J].實驗室研究與探索，2024（12） ：19-23.

[2]米映霖.基于HHT的海上微波通信信號識別方法[J].長江信息通信，2024（11）：133-134，166.

[3]李俊.PtMP微波通信系統(tǒng)物理層關鍵技術研究[J].長江信息通信，2023（4）：190-192.

[4]王玉龍.微波技術在現(xiàn)代通信系統(tǒng)中的應用分析[J].中國新通信，2020（11）：19.

[5]莊禮賢.數(shù)字微波通信技術在海上鉆井平臺的應用研究[J].中國新通信，2024（16）：1-3.

[6]黎志強.移動船舶微波通信關鍵技術研究[J].數(shù)字通信世界，2024（2）：38-40.

（編輯 戴啟潤）

Abstract：To addressthechallenges of scarcereal interference data and insufficient generalization capabilityof antijamming decision-making indynamic channel conditions，an innovative solution is proposed.This solution employs a gradient-penalized Wassrstein Generative Adversarial Network（WGAN-GP）to generate high-fidelityelectromagnetic interference samples，overcoming the low-quality generation isues of traditional methods.This approach achieves a 26% improvement in sample quality compared to the Deep Convolutional Generative Adversarial Network （DCGAN）. Also，adual-network deep Q-learning framework is designed tooptimize anti-jamming strategies through dynamic channel-interference joint modeling. Experimental results demonstrate that under a -10 dB Interference-to-Signal Ratio （ISR），the platform significantly reduces the Bit Eror Rate （BER）of BPSK-modulated signals.The platform supports configurable simulations for multiple scenarios，including narowband interference，impulse noise，and frequencyselective fading，providingastandardizedtool for evaluatingand training the anti-jamming capabilitiesof communication devices and significant theoretical value and practical application prospects.

Key words：generative adversarial network；dep learning；microwave communication；anti-interference；simulation training platform