水声网络中进行干扰避免的频谱资源分配方法

摘要: 本发明涉及声通信与频谱资源分配,尤其涉及水声网络中进行干扰避免的频谱资源分配方法。背景技术:1、当前水声网络频谱资源分配领域的主流技术路线包括基于传统优化理论和...
水声网络中进行干扰避免的频谱资源分配方法

本发明涉及声通信与频谱资源分配,尤其涉及水声网络中进行干扰避免的频谱资源分配方法。

背景技术:

1、当前水声网络频谱资源分配领域的主流技术路线包括基于传统优化理论和单目标强化学习的频谱调度框架。这些方法通常依赖于信道状态先验信息,对水声信道的动态特性建模不足。在现有技术中,频谱资源常通过中心化控制器或分布式节点基于固定优先级映射表执行分配决策,如采用马尔可夫假设对信道及干扰状态进行估计,进而指导频谱调度。此外,近年来部分文献尝试引入端到端神经网络策略预测模型,以及基于单一性能指标(如频谱利用率或系统吞吐量)的强化学习策略进行资源分配优化;

2、在上述技术方案中,主要追求频谱利用效率的提升,部分方案关注抗干扰性能,但大多数现有方法缺乏对策略稳定性以及多目标优化权衡的系统考量。现有基于神经网络的分配方法多为黑箱结构,缺乏物理层可解释性和针对水声信道突发性干扰的鲁棒性保障。在实际应用场景中,水声网络面临时变多径衰落、强背景噪声、生物干扰及传感器量化误差等复杂因素,导致信道状态难以准确获取,策略易受到环境扰动影响,且分布式边缘节点因计算资源受限往往无法部署大规模深度模型。此外,针对多目标性能指标(如频谱利用率、干扰鲁棒性、分配策略稳定性等)之间的权衡优化,目前公开的方案多为静态参数调节或固定权重设定,缺乏动态环境自适应能力,系统综合性能提升有限。

技术实现思路

1、本发明为了解决上述存在的技术问题,提供水声网络中进行干扰避免的频谱资源分配方法。

2、本发明的技术方案是这样实现的:水声网络中进行干扰避免的频谱资源分配方法,包括:

3、s1:采集水声网络中多个节点在不同深度、温盐度及海流条件下的宽带信道脉冲响应序列,作为原始感知数据输入;

4、s2:对所采集的宽带信道脉冲响应序列进行短时傅里叶变换处理,映射至时延-多普勒联合域,生成高维时频表征数据;

5、s3:基于低秩矩阵恢复算法对高维时频表征数据执行稀疏结构提取,识别主导传播路径的支撑集分布,生成时频稀疏特征图;

6、s4:将时频稀疏特征图、节点剩余能量、业务优先级及历史干扰标记联合构建为增强状态空间,输入基于transformer架构的教师策略网络中,训练生成高维抗干扰频谱分配策略;

7、s5:基于教师策略网络输出的策略分布与动作价值函数,引导轻量级学生策略网络通过三重损失联合优化实现策略压缩,其中包含策略分布对齐损失、动作价值一致性损失以及时频对抗扰动鲁棒性约束项,生成紧凑型抗干扰分配策略;

8、s6:各水声节点周期性发射正交chirp探针信号,接收端利用匹配滤波结果更新本地时频稀疏特征图,并与全局参考特征图计算结构相似度,形成信道指纹校准指标;

9、s7:判断信道指纹校准指标是否低于预设阈值,若低于则触发策略可信度门控机制,临时切换至基于urick-thorp联合衰减模型的确定性频谱分配子模块,暂停学生策略执行;

10、s8:根据实时信道指纹校准指标动态生成策略融合权重,对教师策略软决策与学生策略硬决策进行加权集成,输出最终频谱资源调度指令并执行分配操作。

11、本发明提供的水声网络中进行干扰避免的频谱资源分配方法,具有以下有益效果:

12、(1)本发明通过构建水声信道时频双域稀疏感知模块并引入低秩矩阵恢复算法,有效提取了宽带信道脉冲响应在时延-多普勒平面上的主导传播路径支撑集,生成高判别性的时频稀疏特征图作为信道状态的核心表征,该设计显著压缩了输入数据维度,增强了对多径衰落、突发干扰及环境动态变化的鲁棒性,为后续策略学习提供了具备物理意义的结构先验,克服了现有端到端黑箱神经网络因缺乏显式物理约束而导致的泛化能力差、可解释性弱的问题,从而在低信噪比与高时变水下环境中仍能保持稳定的感知精度与响应灵敏度;

13、(2)本发明提出物理信息引导的教师策略训练机制与对抗式策略蒸馏框架,将时频梯度稀疏惩罚项嵌入强化学习奖励函数,强制策略规避能量剧烈跳变区域,提升决策过程与水声传播物理规律的一致性;同时通过轻量级学生网络结合三重损失联合优化,在保证策略性能逼近教师模型的前提下大幅降低计算复杂度与参数规模,满足边缘节点资源受限条件下的实时部署需求;尤其引入对抗扰动鲁棒性损失后,学生策略在面对传感器量化误差、建模偏差等实际干扰时仍能维持输出稳定性,实现了知识迁移过程中性能、效率与鲁棒性的协同优化;

14、(3)本发明建立在线信道指纹校准机制与策略可信度动态加权融合策略,通过周期性发射正交chirp探针信号实现本地稀疏特征图的持续更新,并以结构相似度为判据触发可信度门控,在ssim低于阈值时自动切换至基于urick-thorp联合衰减模型的确定性备用子模块,保障极端失配场景下的基本通信连通性;利用sigmoid函数对教师软决策与学生硬决策进行动态加权融合,使系统能够在知识蒸馏优势与物理模型可靠性之间实现平滑过渡,构建起“感知—学习—校准—融合”的闭环自适应调度体系。本发明显著提升了长期运行中的系统韧性与安全性,具备良好的可扩展性与工程落地闭环能力。

1.水声网络中进行干扰避免的频谱资源分配方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的水声网络中进行干扰避免的频谱资源分配方法,其特征在于,所述步骤s7之后还包括:

3.根据权利要求1所述的水声网络中进行干扰避免的频谱资源分配方法,其特征在于,所述步骤s1进一步包括基于水声通信节点布设阵列,获取各分布式节点在多海洋剖面下的宽带探测信号接收序列,利用同步触发机制控制所有节点在同一时间窗口内发射已知宽带训练序列,并通过全向水听器阵列接收回波信号,形成原始时域信号集合,所述水声通信节点布设阵列中阵列形状设置为4×4,节点间距设置为1~2km。

4.根据权利要求1所述的水声网络中进行干扰避免的频谱资源分配方法,其特征在于,所述步骤s3具体包括:

5.根据权利要求4所述的水声网络中进行干扰避免的频谱资源分配方法,其特征在于,所述其加权核范数项用于强化对弱能量但高持续性传播路径的保留能力,所述稀疏误差项用于分离突发性干扰与背景噪声成分。

6.根据权利要求1所述的水声网络中进行干扰避免的频谱资源分配方法,其特征在于,所述步骤s4具体包括:

7.根据权利要求6所述的水声网络中进行干扰避免的频谱资源分配方法,其特征在于,所述连续型变量包括节点剩余能量以及当前通信任务的业务优先级,离散型变量包括上一时隙的历史干扰标记。

8.根据权利要求6所述的水声网络中进行干扰避免的频谱资源分配方法,其特征在于,所述多目标耦合奖励函数综合考量频谱利用效率、链路鲁棒性与时频域干扰规避能力。

9.根据权利要求1所述的水声网络中进行干扰避免的频谱资源分配方法,其特征在于,所述步骤s5具体包括:

10.根据权利要求9所述的水声网络中进行干扰避免的频谱资源分配方法,其特征在于,所述执行局部感知场建模具体为:首先通过逐层空间-通道解耦卷积运算,生成高度压缩的特征响应图序列,继而利用注意力门控机制对关键时频区域进行加权聚焦,最终经全局平均池化与策略头映射输出维度匹配的学生策略分布与动作价值估计。