(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202110183700.9
(22)申请日 2021.02.10
(71)申请人 西南电子技术研究所(中国电子科
技集团公司第十研究所)
地址 610036 四川省成都市金牛区茶店子
东街48号
(72)发明人 魏迪 王军 马松 袁田 余湋
刘田 程郁凡
(74)专利代理机构 成飞(集团)公司专利中心
51121
代理人 郭纯武
(51)Int.Cl.
G06K 9/00(2006.01)
G06K 9/62(2006.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称通信干扰信号类型智能识别方法(57)摘要本发明公开的一种通信干扰信号类型智能识别方法，识别率高，解决了复杂频谱环境下干扰信号识别问题。本发明通过下述技术方案实现：干扰识别过程分为预处理部分和识别网络部分，在预处理部分对接收机接收到的信号进行时域加窗、功率归一化处理和傅里叶变换，得到时域数据和频域数据；在识别网络部分首先将时域数据输入到时域特征提取支路，通过时域卷积模块和时域LSTM模块得到时域特征；同时将频域数据输入频域特征提取支路，通过频域卷积模块和频域LSTM模块得到频域特征；然后将时域特征和频域特征送入融合模块进行特征融合；最后将得到的融合特征送入分类模块对干扰信号进行分类识别， 得到干扰信号的类型识别结果。权利要求书2页 说明书6页 附图2页CN 112818891 A 2021.05.18
C N 112818891
A
1.一种通信干扰信号类型智能识别方法，具有如下技术特征：干扰识别过程分为预处理部分和识别网络部分，在预处理部分对接收机接收到的信号进行时域加窗、功率归一化处理和傅里叶变换，得到时域数据和频域数据；在识别网络部分首先将时域数据输入到时域特征提取支路，通过时域卷积模块和时域LSTM模块得到时域特征；同时将频域数据输入频域特征提取支路，通过频域卷积模块和频域LSTM模块得到频域特征；然后将时域特征和频域特征送入融合模块进行特征融合；最后将得到的融合特征送入分
类模块对干扰信号进行分类识别，得到干扰信号的类型识别结果。
2.如权利要求1所述的通信干扰信号类型智能识别方法，其特征在于：两个特征提取支路的卷积模块及LSTM模块的网络结构相同，但网络的权重参数不同；经过预处理的时域数据和频域数据共同构成识别网络的输入样本。
3.如权利要求1所述的通信干扰信号类型智能识别方法，其特征在于：在预处理部分，时域和频域数据都含有实部、虚部和幅度值三个通道，每个通道的数据长度都是N，经过预
处理的样本时域数据为频域数据为
其中，N表示时域加窗长度，i表示信号向量元素序号的索引，T表示时域，F表示频域，I 表示实部，Q表示虚部，A表示幅度值。
4.如权利要求1所述的通信干扰信号类型智能识别方法，其特征在于：识别网络部分包括时域特征提取支路、频域特征提取支路、融合模块和分类识别模块，其中，时域特征提取支路包括时域卷积模块和时域LSTM模块，频域特征提取支路包括频域卷积模块和频域LSTM 模块，在提取时域和频域特征中，识别网络的输入样本分别输入到时域特征提取支路和频域特征提取支路，得到时域特征和频域特征；两个特征提取支路都是先通过卷积模块提取样本的卷积特征，然后将卷积特征输入LSTM模块，使用LSTM模块来提取时序特征。
5.如权利要求1所述的通信干扰信号类型智能识别方法，其特征在于：在特征融合中，LSTM模块将时域和频域的时序特征送入融合模块进行特征融合；在分类识别中，分类模块使用融合后的特征，利用全连接分类模块进行分类识别。
6.如权利要求1所述的通信干扰信号类型智能识别方法，其特征在于：时域和频域卷积模块包括3个卷积单元和2个下采样层，每个卷积单元由2个卷积层、1个批归一化层和1个激活函数层组成，前两个卷积单元之后都跟着1个下采样层，下采样后的特征图尺寸减半并保留主要信息；时域和频域卷积模块都含有6个卷积层、6个批归一化层、6个激活函数层和2个下采样层。
7.如权利要求1所述的通信干扰信号类型智能识别方法，其特征在于：时域和频域LSTM
模块包括3个LSTM层，每层的LSTM单元数为N
steps ＝63，LSTM中隐藏层的节点个数为N
units
＝
64，输入LSTM单元的序列长度为N
inputs0＝1024，序列个数是N
steps
，时域和频域LSTM模块的输
入是N
steps 个长度为N
inputs0
的序列，输出特征的长度为N
units
。
8.如权利要求1所述的通信干扰信号类型智能识别方法，其特征在于：将卷积特征输入到时域和频域LSTM模块中提取时序特征，分别将时域卷积特征和频域卷积特征经过裁剪处理成可以输入LSTM网络的格式；裁剪处理的方法为，将时域和频域卷积模块提取的长度为
N cnn 的特征进行滑窗裁剪得到多个小序列，根据滑窗截取的步长为N
stride
，滑窗的窗长为
N
inputs0，则计算得到滑窗次数为N
steps
＝(N
cnn
‑N
inputs0
)/N
stride
+1，分割得到N
steps
个小序列，每
个小序列的长度为N
inputs0
。
9.如权利要求1所述的通信干扰信号类型智能识别方法，其特征在于：融合模块将时域
部分的时域LSTM模块输出的长度为N
units
的特征，与频域部分的频域LSTM模块输出的长度为
N
units
的特征进行融合，采用特征拼接的方式进行融合或采用相加的方式进行融合，融合之
后的特征长度为N
fusion
。
10.如权利要求1所述的通信干扰信号类型智能识别方法，其特征在于：分类识别模块将融合特征使用全连接分类器进行分类，首先，将融合特征输入第一个全连接层和激活函
数层，该全连接层隐藏节点个数为N
fc1
，该全连接层输出的特征记为Feature1；然后，将特征
Feature1输入第二个全连接层，该全连接层隐藏节点个数为N
class
，保证与干扰信号的类别个数相等，该全连接层输出的特征记为Feature2；最后，将Feature2输入到softmax激活函
数中进行归一化，得到长度为N
class
的分类置信度向量，向量中各元素之和为1，每个元素值代表其对应类别的预测概率。
通信干扰信号类型智能识别方法
技术领域
[0001]本发明属于无线通信技术领域，具体涉及一种通信干扰信号类型智能识别方法。
背景技术
[0002]无线通信在信息化发展中扮演着重要的角，在现代通信中占据着极其重要的位置，被广泛应用于商业、气象、军事、民用等领域。当代无线通信系统很多，例如航天测控通信系统、蜂窝移动通信系统、无线寻呼系统、短波通信系统、微波通信系统等等。各种通信系统由于自身的特点而应用于不同的场合。由于通信信号的产生和传输过程中会受到信号和信道的干扰及其他不稳定因素的存在，会造成接收信号波形不稳定。随着电磁环境日益复杂，无线通信系统的正常运行受到严重威胁。此时，全面监测无线通信系统所面临的干扰显得极为重要。通过干扰监测全面掌握无线通信系统所面临的电磁环境，才能有效规范频段的频谱使用保护无线通信系统；才能指导主控站、注入站等地面站的选址，尽量避免其受到电磁干扰影响；才能为抗干扰技术研发和措施实施提供技术支撑，对维持无线通信系统的正常运行意义重大。在干扰监测中，干扰信号类型的识别是其需要首先解决的问题，是干扰参数分析、干扰影响分析、抗干扰抑制等的基础，非常关键。
[0003]以航天测控通信系统为例，随着电磁环境日益复杂的变化，航天测控系统中也面临着各种有意、无意干扰信号，给测控系统带来了严峻的挑战。为了保证测控系统在干扰环境下能够保持可靠工作，需要采取干扰防护措施。在复杂的电磁环境中，很难有干扰防护手段能够对抗所有干扰类型，不同干扰防
护手段在对抗干扰的同时需要付出不同程度的代价。为了保证测控系统对飞行器进行有效测控，以较小的代价实现有效的干扰防护，首先需要进行干扰类型识别。对干扰信号类型的识别，可以为接收机决策最佳干扰防护手段提供重要的依据，是航天测控干扰防护系统的关键技术之一。
[0004]干扰信号识别的困难在于干扰类型的多样化，及如何到一种通用的算法或方法用于识别。利用时频分析工具虽然能够提取时频特征区分信号，然而时频分析工具涉及矩阵运算，运算量巨大。传统的干扰信号类型识别过程包括三部分：信号预处理部分、特征提取部分和类型识别部分。在具体的识别过程中，三个部分缺一不可，环环相扣。信号预处理部分的主要任务是为特征提取提供准确的数据。具体处理的内容有频率下变频、同相和正交分量分解、载频估计和载频分量的消除等。特征提取部分是从输入的信号序列中提取对干扰信号类型识别有用的信息；在预处理的基础上需要依靠特征提取的功能提取信号的时域特征或变换域特征。通过提取特征，选择和运用合适的判决准则和识别分类器，这是分类识别的主要任务。而在这一过程中，特征提取的准确与否直接作用于分类器的设计和功能实现。分类识别部分的主要功能是判断干扰信号类型的从属关系。此类方法在识别系统的构建过程中需要一定数量的各类干扰信号样本，其性能评价一般采用各种干噪比条件下的正确识别率。通信干扰信号类型的分类识别是一种典型的模式识别问题，它涉及到很多复杂的特殊因素。随着通信技术的飞速发展，通信干扰信号样式变的更加复杂多样，信号环境日益密集，使得常规的识别方法和理论很难适应实际需要，无法有效的对通信干扰信号进
行识别。由于通信干扰信号经过无线信道的传输，干噪比变化范围较大，通常在几分贝到几十分贝的范围内变化，这将导致从同一类干扰信号的不同干噪比样本中提取的同一种特征有可能产生严重的畸变，相当于成倍增加了干扰信号类别识别的难度，使分类器的识别率降低。
[0005]近年来，随着人工智能技术的发展，深度学习算法突飞猛进，卷积神经网络和循环神经网络也被用在智能识别技术中，在诸多领域取得了十分优秀的成果。卷积神经网络和循环神经网络是两种非常具有代表性的深度学习算法，分别在计算机视觉和自然语言处理等领域表现出优异的性能。长短时记忆(Long Short‑Term Memory，LSTM)网络是一种特殊的循环神经网络，它可以学习长期依赖的信息，性能表现更好。随着深度学习技术的发展，卷积神经网络和循环神经网络也被用在智能识别技术中，可以取得十分优异的性能。[0006]在现代通信中，通信干扰信号的种类很多，但从理论上来说，各种通信干扰信号类型识别都可以用模式识别的方法来实现。实现方式如梁金第等人提出一种联合多维特征的干扰识别方法，首先从多个域提取多维特征，然后分别基于SVM和决策树作为分类器进行干扰识别。该方法需要人工设计特征提取器，且分类器的分类性能较低，干扰识别效果不佳。宋绯等人提出一种基于深度卷积神经网络的干扰识别算法，该算法针对无线通信干扰识别问题，基于频谱瀑布图利用卷积神经网络进行识别。徐国进等人提出一种基于卷积神经网络的干扰信号识别方法，主要利用Inception结构构建卷积神经网络进行干扰识别。这些干扰识别方法只利用了信号的频域信息，且对信号时序变化特征的提取能力不足，干扰识别性能不高。
发明内容
[0007]本发明的目的是针对复杂电磁环境中的干扰信号识别问题和现有技术中存在的问题，提出一种识别率高，能够提高分类能力和效率的通信干扰信号类型智能识别方法，以解决复杂频谱环境下干扰信号识别问题。
[0008]本发明的上述目的可以通过以下措施来得到，一种通信干扰信号类型智能识别方法，具有如下技术特征：干扰识别过程分为预处理部分和识别网络部分，在预处理部分对接收机接收到的信号进行时域加窗、功率归一化处理和傅里叶变换，得到时域数据和频域数据；在识别网络部分首先将时域数据输入到时域特征提取支路，通过时域卷积模块和时域LSTM模块得到时域特征；同时将频域数据输入频域特征提取支路，通过频域卷积模块和频域LSTM模块得到频域特征；然后将时域特征和频域特征送入融合模块进行特征融合；最后将得到的融合特征送入分类模块对干扰信号进行分类识别，得到干扰信号的类型识别结果。
[0009]本发明相比于现有技术具有如下有益效果。
[0010]本发明针对复杂电磁环境下的干扰识别问题，将通信干扰信号类型识别分为预处理部分和识别网络部分，在预处理部分对接收机接收到的信号进行时域加窗、功率归一化处理和傅里叶变换，具有一定的鲁棒性；利用信号时域和频域数据同时输入识别网络，使用时域特征提取支路和频域特征提取支路分
别提取时域特征和频域特征，接着将时域特征和频域特征进行融合，最后使用融合后的特征进行分类识别，克服了现有技术仅利用信号单个域作为神经网络的输入造成的信息利用不充分的问题，结合人工智能技术提高了干扰识
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议