一种通信干扰信号的智能识别方法、装置及介质

1.本发明实施例涉及无线通信技术领域，尤其涉及一种通信干扰信号的智能识别方法、装置及介质。


背景技术：

2.当前无线通信系统所处的电磁环境日渐复杂，较易受到多种干扰信号和噪声的影响。对于民用通信，急速增长的移动通信数量加重了频谱拥挤的问题。对于军事通信，随着对通信对抗技术研究的重视，出现了越来越多的干扰类型，使得战场的电磁环境越来越复杂；因此，为了保证可靠的通信，当前无线通信系统必须具备足够的抗干扰能力。
3.对于一个具备抗干扰能力的无线通信系统来说，需要准确识别出敌方发出的干扰样式，然后选择相应的抗干扰决策来抑制或消除敌方干扰，最终保证通信系统的正常工作。这样的无线通信系统通常包括：干扰感知、干扰信号识别、抗干扰决策；其中，干扰信号识别是抗干扰能力的前提和基础。在通信过程中，如果无线通信系统能够准确的识别出干扰信号类型，就能采取相应的抗干扰决策，最大程度地抑制、消除或躲避干扰信号，从而最大程度地降低干扰信号对无线通信系统进行可靠通信的损害。
4.目前，常规的干扰识别技术是基于特征参数的干扰识别技术和基于人工神经网络的干扰识别方法。然而，无线通信系统在通信时通常会面临接收大量未标记的信号样本和未知类型的干扰信号。如果在机器学习中只有已知通信干扰信号标签样本可供学习，那么所训练出模型的识别功能就会大大受到限制，在遇到不在训练集中的信号类型时也会错误的识别为训练集中某种已知的干扰类型，这对下一步的干扰抑制功能会造成不可估量的影响。因此，需要训练出的模型不仅能够准确识别出训练集中已有的信号类型，还要解决遇到不在训练集中的未知类型的信号的问题。


技术实现要素：

5.有鉴于此，本发明实施例期望提供一种通信干扰信号的智能识别方法、装置及介质；能够在实际开放干扰场景中识别出未知干扰类型信号，并且在特征参数无效时提高干扰信号识别准确率和识别实时性。
6.本发明实施例的技术方案是这样实现的：
7.第一方面，本发明实施例提供了一种通信干扰信号的智能识别方法，所述方法包括：
8.将获取到的通信干扰信号的频谱数据划分训练集和验证集；
9.利用能够进行置信分数估计和识别概率计算的深度卷积神经网络dcnn构建通信干扰信号的识别模型；
10.利用所述训练集对所述识别模型进行训练；
11.将训练完毕的所述识别模型对所述验证集进行识别，并根据识别结果中关于所述验证集的数据置信分数的分布，设置用于判定未知干扰信号的判定阈值；
12.将训练完毕的所述识别模型对待识别的通信干扰信号进行识别，获得所述待识别的通信干扰信号的置信分数和概率分布；
13.相应于所述待识别的通信干扰信号的置信分数小于所述判定阈值，则确定所述待识别的通信干扰信号为未知干扰；否则，将所述待识别通信干扰信号判定为概率最高的通信干扰信号。
14.第二方面，本发明实施例提供了一种通信干扰信号的智能识别装置，所述智能识别装置包括：划分部分、构建部分、训练部分、设置部分和识别部分：
15.其中，所述划分部分，经配置为将获取到的通信干扰信号的频谱数据划分训练集和验证集；
16.所述构建部分，经配置为利用能够进行置信分数估计和识别概率计算的深度卷积神经网络dcnn构建通信干扰信号的识别模型；
17.所述训练部分，经配置为利用所述训练集对所述识别模型进行训练；
18.所述设置部分，经配置为将训练完毕的所述识别模型对所述验证集进行识别，并根据识别结果中关于所述验证集的数据置信分数的分布，设置用于判定未知干扰信号的判定阈值；
19.所述识别部分，经配置为将训练完毕的所述识别模型对待识别的通信干扰信号进行识别，获得所述待识别的通信干扰信号的置信分数和概率分布；以及，相应于所述待识别的通信干扰信号的置信分数小于所述判定阈值，则确定所述待识别的通信干扰信号为未知干扰；否则，将所述待识别通信干扰信号判定为概率最高的通信干扰信号。
20.第三方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质存储有通信干扰信号的智能识别程序，所述通信干扰信号的智能识别程序被至少一个处理器执行时实现第一方面所述通信干扰信号的智能识别方法步骤。
21.本发明实施例提供了一种通信干扰信号的智能识别方法、装置及介质；在训练过程中，dcnn模型中增加了置信分数来评判待识别信号是否为训练集中已知类型的通信干扰信号，从而能够识别出与已知信号类型不同的未知类型的通信干扰信号，避免错误地将未知类型的通信干扰信号类型识别为训练集中某种已知的通信干扰信号类型，进而采用错误的手段抑制、消除或躲避未知类型的通信干扰信号；提高了干扰信号识别准确率和识别实时性。
附图说明
22.图1为本发明实施例提供的一种通信干扰信号的智能识别方法流程示意图；
23.图2为本发明实施例提供的一种dcnn结构示意图；
24.图3为本发明实施例提供的一种通信干扰信号的智能识别装置组成示意图；
25.图4为本发明实施例提供的一种计算设备具体硬件结构示意图。
具体实施方式
26.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
27.当前，基于神经网络技术以及机器学习算法在进行通信干扰信号识别过程中，训
练完毕的神经网络模型仅能够识别训练过程中已知的通信干扰信号类型，如此就会引发遇到不在训练过程中训练集内的信号类型时，会错误地将未知类型的通信干扰信号类型识别为训练集中某种已知的通信干扰信号类型，进而采用错误的手段抑制、消除或躲避未知类型的通信干扰信号。从而无法在开放的干扰场景下对通信干扰信号进行识别，降低了识别的准确率。
28.为了避免上述情况发生，提高通信干扰信号的识别准确率，本发明实施例期望在神经网络模型中增加未知类型的通信干扰信号识别策略，从而提高干扰信号识别准确率和识别实时性。基于此，参见图1，其示出了本发明实施例提供的一种通信干扰信号的智能识别方法，该方法可以包括：
29.s101：将获取到的通信干扰信号的频谱数据划分训练集和验证集；
30.s102：利用能够进行置信分数估计和识别概率计算的深度卷积神经网络(dcnn，deep convolutional neural networks)构建通信干扰信号的识别模型；
31.s103：利用所述训练集对所述识别模型进行训练；
32.s104：将训练完毕的所述识别模型对所述验证集进行识别，并根据识别结果中关于所述验证集的数据置信分数的分布，设置用于判定未知干扰信号的判定阈值；
33.s105：将训练完毕的所述识别模型对待识别的通信干扰信号进行识别，获得所述待识别的通信干扰信号的置信分数和概率分布；
34.s106：相应于所述待识别的通信干扰信号的置信分数小于所述判定阈值，则确定所述待识别的通信干扰信号为未知干扰；
35.否则，转至s107：将所述待识别通信干扰信号判定为概率最高的通信干扰信号。
36.通过图1所示的技术方案，在训练过程中，dcnn模型中增加了置信分数来评判待识别信号是否为训练集中已知类型的通信干扰信号，从而能够识别出与已知信号类型不同的未知类型的通信干扰信号，避免错误地将未知类型的通信干扰信号类型识别为训练集中某种已知的通信干扰信号类型，进而采用错误的手段抑制、消除或躲避未知类型的通信干扰信号；提高了干扰信号识别准确率和识别实时性。
37.对于图1所示的技术方案，在一些可能的实现方式中，所述将获取到的通信干扰信号的频谱数据划分训练集和验证集，包括：
38.采集所述获取到的通信干扰信号的i通道和q通道的数据；
39.将所述i通道和q通道的数据进行离散傅里叶变换获得所述获取到的通信干扰信号的频谱数据；
40.将所述获取到的通信干扰信号的频谱数据中的每种类型的通信干扰信号数据集随机抽取80％的数据作为所述训练集，并将剩余的20％的数据作为所述验证集。
41.对于上述实现方式，具体来说，首先，将采集到的通信干扰信号的i、q通道数据x(n)，按照下式进行离散傅里叶变换，从而得到x(n)的频谱数据x(k)：
[0042][0043]
其中，n表示采样点数，
[0044]
接着，就可以根据频谱数据x(k)绘制出频谱图。
[0045]
上述过程可以是针对采集到的通信干扰信号的预处理过程，在经过上述预处理过程之后，本发明实施例优选将经过预处理的通信干扰信号划分为训练集和验证集，具体过程为：在仿真得到的每种类型的通信干扰信号数据集中随机抽取80％的数据作为训练集，并将剩余的20％数据作为验证集。
[0046]
对于图1所示的技术方案，在一些可能的实现方式中，所述利用能够进行置信分数估计和识别概率计算的dcnn构建通信干扰信号的识别模型，包括：
[0047]
基于识别需求确定所述dcnn的输入输出层的节点、卷积层层数、卷积核数、激活函数、池化层数以及全连接层数并进行初始化；
[0048]
将所述dcnn划分为提取特征部分、特征整合部分和结果处理部分；其中，所述提取特征部分包括卷积层和池化层；所述特征整合部分包括两个全连接层；所述结果处理部分包括两个全连接层且两个所述全连接层分别对所述特征整合部分输出的结果进行处理以得到待识别干扰信号在各已知干扰信号上的匹配概率和对待识别干扰信号识别的置信分数。
[0049]
对于上述实现方式中所阐述的所述dcnn，在一些示例中，提取特征部分共13层，输入层节点数为150528，输出层节点数为25088，卷积层层数为8，池化层层数为5；所述特征整合部分的两个全连接层的神经元数目分别为25088和512的两个全连接层；所述结果处理部分的两个全连接层的神经元数目均为128。
[0050]
对于上述实现方式中所阐述的所述dcnn，在一些示例中，所述结果处理部分包括置信分数估计单元和识别概率计算单元；其中，每个单元均对应一全连接层；所述识别概率计算单元用于将所述特征整合部分输出的结果通过对应的全连接层和softmax层后得到待识别干扰信号识别为各已知干扰信号的概率；所述置信分数估计单元用于将所述特征整合部分输出的结果通过对应的全连接层后得到所述待识别干扰信号的识别概率的结果的可靠程度，再将所述可靠程度经sigmoid激活函数处理得到0到1之间的数字，作为待识别干扰信号的置信分数。
[0051]
对于上述实现方式及其示例，具体来说，本发明实施例优选地根据实际需求确定dcnn的输入、输出层的节点，卷积层层数，卷积核数，激活函数，池化层数以及全连接层数；接着，对各层节点的参数进行初始化。如上述实现方式所示，本发明实施例中，dcnn优选包括提取特征部分、特征整合部分和结果处理部分；其中，如表1所示，提取特征部分的神经网络模型的具体结构包括13层，输入层节点数为150528，输出层节点数为25088，并且卷积层层数为8，池化层层数为5；
[0052]
表1
[0053]
各层类型具体结构输入层尺寸covn relukernel_size＝(3,3),stride＝(1,1),padding＝(1,1)224
×
224
×
3maxpoolkernel_size＝(2,2),stride＝(2,2)224
×
224
×
64covn relukernel_size＝(3,3),stride＝(1,1),padding＝(1,1)112
×
112
×
64maxpoolkernel_size＝2,stride＝2112
×
112
×
128covn relukernel_size＝(3,3),stride＝(1,1),padding＝(1,1)56
×
56
×
128covn relukernel_size＝(3,3),stride＝(1,1),padding＝(1,1)56
×
56
×
256maxpoolkernel_size＝2,stride＝256
×
56
×
256
covn relukernel_size＝(3,3),stride＝(1,1),padding＝(1,1)28
×
28
×
256covn relukernel_size＝(3,3),stride＝(1,1),padding＝(1,1)28
×
28
×
512maxpoolkernel_size＝2,stride＝228
×
28
×
512covn relukernel_size＝(3,3),stride＝(1,1),padding＝(1,1)14
×
14
×
512covn relukernel_size＝(3,3),stride＝(1,1),padding＝(1,1)14
×
14
×
512maxpoolkernel_size＝2,stride＝214
×
14
×
512
[0054]
在表1中，covn表示卷积层，maxpool表示池化层，relu表示激活函数，kernel_size表示卷积核大小，stride表示步长，padding表示填充。
[0055]
如表2所示，特征整合部分有两层，包含两个全连接层，这两个全连接层的神经元数目分别为25088和512；
[0056]
表2
[0057]
各层结构具体结构输入尺寸linear reludropout:0.5,neurons:51225088linear reludropout:0.5,neurons:128512
[0058]
在表2中，linear表示全连接层，dropout表示随机丢弃神经元的比例，neurons表示神经元数量。
[0059]
如表3所示，结果处理部分包含置信分数估计单元和识别概率计算单元两部分，并且结果处理部分包括两个神经元数目均为128的全连接层，这两个全连接层分别与置信分数估计单元和识别概率计算单元对应。
[0060]
表3
[0061]
各层结构具体结构输入尺寸linear softmaxneurons:6128linear sigmoidneurons:1128
[0062]
表3中，所述识别概率计算单元用于将所述特征整合部分输出的结果通过对应的全连接层和softmax层后得到待识别干扰信号识别为各已知干扰信号的概率；所述置信分数估计单元用于将所述特征整合部分输出的结果通过对应的全连接层后得到所述待识别干扰信号的识别概率的结果的可靠程度，再将所述可靠程度经sigmoid激活函数处理得到0到1之间的数字，作为待识别干扰信号的置信分数。
[0063]
对于上述实现方式及其示例，综合表1至表3所阐述的结构，本发明实施例采用的dcnn构建的识别模型结构如图2所示，可以理解地，本发明实施例采用的dcnn，其卷积层都是二维卷积神经网络，使用二维卷积神经网络的卷积核可以自动提取通信干扰信号的深度特征，解决了常规方案使用特征参数进行识别的技术识别过程实时性低的问题，也解决了常规方案方法在特征无效时通信干扰信号识别准确率迅速下降的问题；此外，本发明实施例在dcnn中加入了置信分数估计单元，不仅可以实现现有技术在闭集场景下对通信下干扰信号的识别，还可以检测出待识别信号是否是未知通信干扰信号，克服了常规方案中无法在实际开集场景下应用的问题，使得本发明同时具有检测未知通信干扰和准确识别已知通信干扰类型的优点。
[0064]
结合前述实现方式及其示例，在一些示例中，所述利用所述训练集对所述识别模型进行训练，包括：
[0065]
对训练数据采取批处理方式，设置每次从所述训练集中输入至所述识别模型的数据数量；
[0066]
将数据采样方式设置为随机采样；
[0067]
基于下式定义识别概率计算的任务损失e
p
和置信分数估计的置信估计损失ec：
[0068][0069]
其中，p
′i＝c
×
pi (1-c)yi表示修正后的通信干扰信号识别概率，pi表示经过所述识别模型中识别概率计算单元获得的原始预测的通信干扰信号识别概率，yi表示目标概率分布，m表示已知通信干扰信号种类个数，c为所述识别模型中置信分数估计单元输出的置信分数；
[0070]
根据所述识别概率计算的任务损失e
p
和置信分数估计的置信估计损失ec按照下式确定所述识别模型的损失函数e：
[0071]
e＝e
p
λec[0072]
其中，引入预算超参数β表示所述识别模型所允许的置信损失；引入超参数λ用于平衡所述任务损失和所述置信估计损失，且λ在所述模型中动态变化，当ec＞β时增大λ，当ec＜β时减小λ；
[0073]
在经过随机采样的数据集中按照设置的参数抽取数据输入到所述dcnn中，并基于设定的sdg优化算法按照设定的迭代次数进行训练，获得保存训练完毕的通信干扰信号的识别模型。
[0074]
对于上述示例，需要说明的是，在完成识别模型的训练后，可以使用训练完毕的识别模型对前述实现方式中所阐述的验证集进行识别，进而得到验证集上已知类型的通信干扰信号的置信分数的分布，并按照实际针对未知信号的敏感度需求设置判定阈值t。接着，使用训练完毕的识别模型对真实环境下的待识别的通信干扰信号进行识别，从而得到识别模型对该识别的通信干扰信号的置信分数和通信干扰信号被识别为已知通信干扰信号标签集上的概率分布。若上述得到的置信分数小于上述设定的阈值，说明待识别的通信干扰信号的类型不属于已知类型，则可被判定为未知干扰；否则，将待识别通信干扰信号判定为通信干扰标签信号集上概率最高的通信干扰信号。
[0075]
基于上述技术方案，本发明实施例通过具体的仿真实验对上述技术方案的技术性能及效果进行进一步阐述。具体的仿真条件和参数如下：
[0076]
以型号为geforce gtx2060的gpu为仿真环境，使用深度学习框架pytorch进行卷积神经网络的训练和测试，使用仿真软件matlab产生仿真通信干扰信号，仿真的通信干扰信号包括单音干扰、多音干扰、窄带噪声干扰、宽带噪声干扰、线性扫频干扰、宽带梳状干扰这六种通信干扰信号作为6种已知干扰，同时将多音干扰和窄带噪声干扰进行复合作为未知通信干扰信号1，将单音干扰和宽带梳状干扰进行复合作为未知通信干扰信号2。在仿真过程中，采样率为10mhz，采样点数为2048，信道噪声为加性高斯白噪声，信干比范围为-10db到15db。对于六种已知干扰信号，从-10db到15db的每个db下仿真生成500个样本，其中，400个样本作为训练集，100个样本作为验证集。六种已知干扰信号和未知干扰信号1及未知干扰信号2在-5db到15db范围内的每个db下仿真100个样本作为测试集。最终可知，训
练集的总样本数为62400，验证集总样本数为15600，测试集的样本数为16800。
[0077]
基于本发明实施例的技术方案所搭建的通信干扰信号识别模型(后简称本发明实施例技术方案)和目前常规的基于卷积神经网络的通信干扰识别方案(后简称现有技术方案)使用上述训练集、验证集和测试集进行训练、测试并对测试结果进行对比，并且采用干扰信号识别准确率α对本发明实施例技术方案和现有技术方案的性能进行评估。其中，干扰信号识别准确率具体如下式所示：
[0078]
其中，t是正确识别的干扰信号数，a是进行识别的总干扰信号数；
[0079]
使用上述公式所示出的干扰信号识别准确率计算现有技术方案与本发明实施例技术方案在测试集上对每种干扰信号类型识别准确率，分别得到表4和表5所示的混淆矩阵表。其中，表4为现有技术方案在开集场景下对测试集中每种干扰信号识别得到的测试结果混淆矩阵。表5为本发明实施例技术方案在开集场景下对测试集中每种干扰信号识别得到的测试结果混淆矩阵。
[0080]
表4
[0081][0082]
表5
[0083][0084]
通过表4可知，现有技术方案基于其原理的局限性，将未知干扰信号1和未知干扰信号2都识别为训练集中存在的已知干扰，无法检测出未知信号，显然无法在开集场景下进行使用。从表5可知本发明实施例技术方案对未知干扰1和未知干扰2分别有80％和75％的概率将其识别为未知干扰类型，对于六种已知干扰也都达到了较高的识别准确率。以上实验仿真结果表明：本发明实施例技术方案不仅可以准确的识别已知的干扰信号类型，还能在开集场景下检测出未知干扰信号，解决了现有技术无法应用于开集场景信号识别的问题。
[0085]
基于前述技术方案相同的发明构思，参见图3，其示出了本发明实施例提供的一种通信干扰信号的智能识别装置30，所述智能识别装置30包括：划分部分301、构建部分302、训练部分303、设置部分304和识别部分305：
[0086]
其中，所述划分部分301，经配置为将获取到的通信干扰信号的频谱数据划分训练集和验证集；
[0087]
所述构建部分302，经配置为利用能够进行置信分数估计和识别概率计算的深度卷积神经网络dcnn构建通信干扰信号的识别模型；
[0088]
所述训练部分303，经配置为利用所述训练集对所述识别模型进行训练；
[0089]
所述设置部分304，经配置为将训练完毕的所述识别模型对所述验证集进行识别，并根据识别结果中关于所述验证集的数据置信分数的分布，设置用于判定未知干扰信号的判定阈值；
[0090]
所述识别部分305，经配置为将训练完毕的所述识别模型对待识别的通信干扰信号进行识别，获得所述待识别的通信干扰信号的置信分数和概率分布；以及，相应于所述待识别的通信干扰信号的置信分数小于所述判定阈值，则确定所述待识别的通信干扰信号为未知干扰；否则，将所述待识别通信干扰信号判定为概率最高的通信干扰信号。
[0091]
在一些示例中，所述划分部分301，经配置为：
[0092]
采集所述获取到的通信干扰信号的i通道和q通道的数据；
[0093]
将所述i通道和q通道的数据进行离散傅里叶变换获得所述获取到的通信干扰信号的频谱数据；
[0094]
将所述获取到的通信干扰信号的频谱数据中的每种类型的通信干扰信号数据集随机抽取80％的数据作为所述训练集，并将剩余的20％的数据作为所述验证集。
[0095]
在一些示例中，所述构建部分302，经配置为：
[0096]
基于识别需求确定所述dcnn的输入输出层的节点、卷积层层数、卷积核数、激活函数、池化层数以及全连接层数并进行初始化；
[0097]
将所述dcnn划分为提取特征部分、特征整合部分和结果处理部分；其中，所述提取特征部分包括卷积层和池化层；所述特征整合部分包括两个全连接层；所述结果处理部分包括两个全连接层且两个所述全连接层分别对所述特征整合部分输出的结果进行处理以得到待识别干扰信号在各已知干扰信号上的匹配概率和对待识别干扰信号识别的置信分数。
[0098]
在上述示例中，所述提取特征部分共13层，输入层节点数为150528，输出层节点数为25088，卷积层层数为8，池化层层数为5；所述特征整合部分的两个全连接层的神经元数目分别为25088和512的两个全连接层；所述结果处理部分的两个全连接层的神经元数目均为128。
[0099]
在上述示例中，所述结果处理部分包括置信分数估计单元和识别概率计算单元；其中，每个单元均对应一全连接层；所述识别概率计算单元用于将所述特征整合部分输出的结果通过对应的全连接层和softmax层后得到待识别干扰信号识别为各已知干扰信号的概率；所述置信分数估计单元用于将所述特征整合部分输出的结果通过对应的全连接层后得到所述待识别干扰信号的识别概率的结果的可靠程度，再将所述可靠程度经sigmoid激活函数处理得到0到1之间的数字，作为待识别干扰信号的置信分数。
[0100]
在一些示例中，所述训练部分303，经配置为：
[0101]
对训练数据采取批处理方式，设置每次从所述训练集中输入至所述识别模型的数据数量；
[0102]
将数据采样方式设置为随机采样；
[0103]
基于下式定义识别概率计算的任务损失e
p
和置信分数估计的置信估计损失ec：
[0104][0105]
其中，p
′i＝c
×
pi (1-c)yi表示修正后的通信干扰信号识别概率，pi表示经过所述识别模型中识别概率计算单元获得的原始预测的通信干扰信号识别概率，yi表示目标概率分布，m表示已知通信干扰信号种类个数，c为所述识别模型中置信分数估计单元输出的置信分数；
[0106]
根据所述识别概率计算的任务损失e
p
和置信分数估计的置信估计损失ec按照下式确定所述识别模型的损失函数e：
[0107]
e＝e
p
λec[0108]
其中，引入预算超参数β表示所述识别模型所允许的置信损失；引入超参数λ用于
平衡所述任务损失和所述置信估计损失，且λ在所述模型中动态变化，当ec＞β时增大λ，当ec＜β时减小λ；
[0109]
在经过随机采样的数据集中按照设置的参数抽取数据输入到所述dcnn中，并基于设定的sdg优化算法按照设定的迭代次数进行训练，获得保存训练完毕的通信干扰信号的识别模型。
[0110]
可以理解地，在本实施例中，“部分”可以是部分电路、部分处理器、部分程序或软件等等，当然也可以是单元，还可以是模块也可以是非模块化的。
[0111]
另外，在本实施例中的各组成部分可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
[0112]
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0113]
因此，本实施例提供了一种计算机存储介质，所述计算机存储介质存储有通信干扰信号的智能识别程序，所述通信干扰信号的智能识别程序被至少一个处理器执行时实现上述技术方案中所述通信干扰信号的智能识别方法步骤。
[0114]
根据上述通信干扰信号的智能识别装置30以及计算机存储介质，参见图4，其示出了本发明实施例提供的一种能够实施上述通信干扰信号的智能识别装置30的计算设备40的具体硬件结构，该计算设备40可以为无线装置、移动或蜂窝电话(包含所谓的智能电话)、个人数字助理(pda)、视频游戏控制台(包含视频显示器、移动视频游戏装置、移动视频会议单元)、膝上型计算机、桌上型计算机、电视机顶盒、平板计算装置、电子书阅读器、固定或移动媒体播放器，等。计算设备40包括：通信接口401，存储器402和处理器403；各个组件通过总线系统404耦合在一起。可理解，总线系统404用于实现这些组件之间的连接通信。总线系统404除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图4中将各种总线都标为总线系统404。其中，
[0115]
所述通信接口401，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
[0116]
所述存储器402，用于存储能够在所述处理器403上运行的计算机程序；
[0117]
所述处理器403，用于在运行所述计算机程序时，执行前述技术方案中所述通信干扰信号的智能识别方法步骤，这里不再进行赘述。
[0118]
可以理解，本发明实施例中的存储器402可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或
闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。本文描述的系统和方法的存储器402旨在包括但不限于这些和任意其它适合类型的存储器。
[0119]
而处理器403可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器403中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器403可以是通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器402，处理器403读取存储器402中的信息，结合其硬件完成上述方法的步骤。
[0120]
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(application specific integrated circuits，asic)、数字信号处理器(digital signal processing，dsp)、数字信号处理设备(dsp device，dspd)、可编程逻辑设备(programmable logic device，pld)、现场可编程门阵列(field-programmable gate array，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术所述功能的其它电子单元或其组合中。
[0121]
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
[0122]
具体来说，处理器403还配置为运行所述计算机程序时，
[0123]
可以理解地，上述通信干扰信号的智能识别装置30以及计算设备40的示例性技术方案，与前述通信干扰信号的智能识别方法的技术方案属于同一构思，因此，上述对于通信干扰信号的智能识别装置30以及计算设备40的技术方案未详细描述的细节内容，均可以参见前述通信干扰信号的智能识别方法的技术方案的描述。本发明实施例对此不做赘述。
[0124]
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
[0125]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。