一种干扰电磁信号的自适应引擎系统的制作方法

1.本发明涉及干扰电磁信号领域，特别涉及一种干扰电磁信号的自适应引擎系 统。


背景技术：

2.自适应知识引擎技术的实现是通过对接收机采集的数据进行处理，利用知识 库和案例库的相关知识，对来自接收机的输入信息进行分析，采用案例推理在案 例库中进行相似案例的检索，给任务执行设备提供任务方案，并可根据评估系统 提供的任务执行效果对案例的相关参数进行调整，形成新的任务方案给任务执行 设备执行，以达到预期的效果。最后将新案例自动添加到案例库中，实现自适应 知识推理、方案推送；自适应引擎是通过接收电磁信号的终端类型、工作频段等 信息，在庞大的案例库中进行一定条件下的搜索，查找符合的相似案例，根据干 扰效果判断是否需要进行案例修改，若需要，则修改案例参数；不需要则直接使 用案例参数进行干扰电磁信号。将调整好的案例存入案例库，并将相应参数下发 给发射机，因此自适应引擎的算法对干扰电磁信号的发展具有重要影响。
3.现有技术存在以下问题：
4.1)现有自适应干扰的效果和实时性较弱；
5.2)没有对干扰功率进行调整，影响系统的干扰率和决策时间；
6.3)设计案例调整单元和案例学习单元根据效果评估子系统的结果调整参数 补充案例库单元。
7.4)现有的技术无法进行自适应干扰，只能进行单一信号的干扰。


技术实现要素：

8.本发明针对上述存在的问题，提出了一种干扰电磁信号的自适应引擎系统。
9.本发明采用的技术方案是：
10.一种干扰电磁信号的自适应引擎系统，所述自适应引擎系统包括：
11.数据库管理子系统，用于实现知识库、案例库的管理、存储、检索、显示； 所述数据库管理子系统包括知识库单元、案例库单元；
12.控制决策子系统，用于完成知识推理及自适应智能决策，是自适应引擎系统 的核心；所述控制决策子系统包括知识推理单元、案例推理单元、行动参数产生 单元；
13.所述知识推理单元接收输入信号参数后检索所述知识库单元，并通过推理获 得目标案例参数，所述案例推理单元接收目标案例参数，并在案例库单元的源案 例中检索与目标案例相似案例，所述行动参数产生单元根据案例推理单元获得的 相似案例产生行动参数，由行动参数产生单元输出执行参数。
14.所述知识库单元包括知识抽取算法模块，所述知识抽取算法模块存储tf-idf (term frequency
–
inverse document frequenc)算法和c-value算法。
15.所述知识推理单元在知识库中查找与接收数据匹配的场景特征参数，并补充 缺失参数，得到目标案例参数，所述知识推理单元采用本体和贝叶斯网络进行融 合进行推
理。
16.进一步，所述案例推理单元包括案例相似度检索模块，所述案例相似度检索 模块存储改进粒子群算法，用于完成对案例库单元进行相似度检索，获得n个相 似案例，所述改进粒子群算法的学习因子设置为：
[0017][0018][0019]
其中，c
max
＝2，c
min
＝1，k为迭代次数，t
max
为最大迭代次数，c1和c2在[1，2] 之间变化，改进粒子群算法采用mape、mse、mae、r2四个自适应函数至少 其中之一进行适应度评估。其它公式参数与mape参数一致，不再论述。
[0020][0021]
式中，t
max
最大迭代次数；
[0022]
x
forecast
(i)改进粒子群算法的预测值；
[0023]
x
real
(i)目标案例参数值，采用功率干扰时，这里特指功率值；
[0024]
查找到i个相似案例中干扰功率平均值。
[0025]
进一步，所述案例推理单元还存储有空间自由衰减法算法，用于完成计算目 标案例与n个相似案例的距离：
[0026][0027]
式中，n为相似度检索获得案例数量；
[0028]di
(x
t
,xi)目标案例与第i个案例的距离；
[0029]fsi
第i个案例的中心频率；
[0030]ft
目标案例的中心频率；
[0031]
l
si
第i个案例的电平的差值；
[0032]
l
t
目标案例的电平的差值；
[0033]dsi
第i个案例的距离的比值；
[0034]dt
目标案例的距离的比值；
[0035]w1d w
2d w
3d
特征权重，依据本次迭代使用的惯性权重，及三个参数频率、 电平、距离三个参数在设计中的重要程度，合理分配。
[0036]
通过距离将相似度检索的n个相似案例进行排序。
[0037]
进一步，所述案例推理单元还存储有knn邻近算法，所述knn邻近算法 用于功率参数拟合，所述基于knn邻近算法的干扰功率为：
[0038][0039]
[0040]
式中，p
tn
对目标案例的干扰功率；
[0041]
pi第i个相似案例的干扰功率；
[0042]wp knn算法的权重；
[0043]di
目标案例与第i个案例的距离。
[0044]
第i个功率的权重等于第i个相似案例与目标案例之间的距离的均值，使用 这种计算方法，当源案例与目标案例距离越远拟合值越小，当源案例与目标案例 距离越近拟合值越大。
[0045]
进一步，所述自适应引擎系统还包括效果评估子系统，所述效果评估子系统 包括通讯接收模块，所述通讯接收模块用于评估通讯干扰成功率，输出分两路， 一路输出干扰成功信号，一路输出干扰失败信号。干扰成功则意味着通讯接收模 块不能接收完整电磁信号。
[0046]
所述控制决策子系统还包括案例调整单元、案例学习单元：
[0047]
所述案例调整单元，接收所述效果评估子系统的干扰失败信号，按设定阈值 调整行动参数产生单元的行动参数；
[0048]
所述案例学习模块，接收效果评估子系统的干扰成功信号，将案例调整单元 的调整参数作为新案例添加到所述案例库单元。
[0049]
进一步，一种干扰电磁信号的自适应引擎系统的检索相似案例检索方法，所 述方法包括：
[0050]
步骤s1:接收目标案例的电磁信号参数范围；
[0051]
步骤s2：采用改进粒子群算法对案例库单元的源案例进行相似度检索，搜索 与目标案例电磁信号相似度高的n个相似案例；
[0052]
步骤s3：将n个相似的案例用动态权重的knn邻近算法对功率参数进行拟 合，拟合最优解所在的源案例即为目标案例匹配成功的源案例；
[0053]
进一步，采用干扰效果评估进行评估；
[0054]
所述步骤s2中改进粒子群算法的学习因子设置为：
[0055][0056][0057]
其中，c
max
＝2，c
min
＝1，k为迭代次数，t
max
为最大迭代次数，c1和c2在[1，2] 之间变化。
[0058]
进一步，所述步骤s3的功率参数进行拟合包括以下步骤：
[0059]
将n个相似案例的干扰功率进行加权平均后作为干扰目标案例的干扰功率， 公式如下；
[0060][0061][0062]
式中p
tn
——对目标案例的干扰功率；
[0063]
pi——第i个相似案例的干扰功率，n是相似案例案例数目，i＝{1,2,...,n}；
[0064]wp
——knn算法的权重。
[0065]
第i个功率的权重等于第i个相似案例与目标案例之间的距离的均值，使用 这种计算方法，当源案例与目标案例距离越远拟合值越小，当源案例与目标案例 距离越近拟合值越大。
[0066]
进一步，di目标案例与案例库中第i个案例的距离，采用空间自由衰减算法， 如下公式：
[0067][0068]
式中，n案例库中案例的数量；
[0069]di
(x
t
,xi)目标案例与第i个案例距离；
[0070]fsi
第i个案例的中心频率；
[0071]ft
目标案例的中心频率；
[0072]
l
si
第i个案例的电平的差值；
[0073]
l
t
目标案例的电平的差值；
[0074]dsi
第i个案例的距离的比值；
[0075]dt
目标案例的距离的比值；
[0076]w1d w
2d w
3d
特征权重。
[0077]
与现有技术相比，本发明具有的有益效果：
[0078]
(1)改进的pso算法提高了案例检索的准确性，避免陷入局部最优；缩短 案例检索的时间。
[0079]
(2)使用空间自由衰减法进行相似度计算，提高案例检索的准确性。
[0080]
(3)使用动态权重的knn算法对功率进行拟合，可以得到最佳功率，进一 步提高自适应引擎系统的干扰成功率，减少决策时间；
[0081]
(4)增加了目标案例的自适应学习模块，在新案例出现时能动态补充数据库， 使案例库单元的质量越来越好；
[0082]
(5)一种干扰电磁信号的自适应引擎系统通过knn算法和改进的pso算法 相结合，使得干扰率提升，决策时间降低。
附图说明
[0083]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用 的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此 不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳 动的前提下，还可以根据这些附图获得其他相关的附图。
[0084]
图1为本发明一种干扰电磁信号的自适应引擎系统；
[0085]
图2为本发明的使用prot
égé
软件，展示某设备电磁信号知识 的可视化展示图；
[0086]
图3为本发明实例电磁信号的知识图谱；
[0087]
图4为本发明知识推理架构；
[0088]
图5-1传统粒子群算法；
[0089]
a)mape评估结果；b)mse评估结果；c)mae评估结果；d) r2评估结果；
[0090]
图5-2改进的粒子群算法；
[0091]
a)mape评估结果；b)mse评估结果；c)mae评估结果；d) r2评估结果；图6为本发明相似案例检索方法；图7为本发明仿真结果界面。
具体实施方式
[0092]
为使本发明实施例的目的、技术方案和优点更加清楚，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，显然，所 描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中 描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0093]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求 保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施 例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。
[0094]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一 项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0095]
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用 于区分描述，而不能理解为指示或暗示相对重要性，此外，术语“水平”、“竖直
”ꢀ
等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅 是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而 是可以稍微倾斜。
[0096]
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设 置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以 是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接 相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域 的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0097]
参照图1～7所示
[0098]
一种干扰电磁信号的自适应引擎系统，所述自适应引擎系统包括：
[0099]
数据库管理子系统，包括知识库单元、案例库单元，用于实现知识库、案例 库的管理、存储、检索、显示；通过mysql构建案例库单元、neo4j和prot
égéꢀ
构建知识库单元，知识库包含已知的各类通讯终端的知识，运用prot
égé
软件展示 电磁信号的相关知识，更加直观的了解某设备电磁信号有哪些特征；使用neo4j 存储知识，将数据以节点和边的形式进行存储。案例库包含各种参数的行动方案；
[0100]
控制决策子系统，包括知识推理单元、案例推理单元、行动参数产生单元， 用于完成知识推理及自适应智能决策，是自适应引擎系统的核心；行动参数产生 单元作为控制决策子系统的参数输出单元，其输出至干扰发射机的主要参数包括 工作频率、信号样式、工作模式、发送频率。
[0101]
所述知识推理单元接收输入信号参数后检索所述知识库单元，并通过推理获 得目标案例参数，所述案例推理单元接收目标案例参数，所述案例推理单元存储 相似案例检
索算法，用于在案例库单元的源案例中检索与目标案例相似案例，并 通过推理获得相似案例，行动参数产生单元根据案例推理单元的获得的相似案例 产生行动参数，由行动参数产生单元输出执行参数；
[0102]
这里知识库单元包括知识抽取算法模块，所述知识抽取算法模块采用tf-idf (term frequency
–
inverse document frequenc)算法和c-value算法相结合。
[0103][0104]
式中，tfidf(i)词语i权重；
[0105]fij
词语i在j文本中的词汇频率；
[0106]
ni词语i的文本出现的频率次数；
[0107]
n样本语料中文本的总个数。
[0108][0109]
式中，i候选术语；
[0110]
|i|候选术语i的长度，值为i的字数；
[0111]
f(i)i的词汇频率；
[0112]
ki嵌套i的候选术语；
[0113]
f(i)嵌套i的候选术语的总数量。
[0114]
tc＝a
·
10
·
tfidf(i) b
·
(c-value(i))
[0115]
a b＝1，系数10可以消除两个数量级之间的差值，根据影响因数不同，优 选地，将a设置为0.7，b设置为0.3。
[0116]
通过mysql构建案例库单元、neo4j和prot
égé
构建知识库单元，如图2 prot
égé
展示某设备电磁信号知识的可视化展示图，通过tc(tf-idf(termfrequency
–
inverse document frequenc)算法和(c-value算法相结合算法))算法融 合，构建电磁信号的知识图谱，电磁信号的图谱在neo4j中展示，通过tc进行 知识抽取，将知识网络中的重要元素进行定义，完善了电磁信号知识网络，实现 了电磁信号知识图谱的构建，清晰地表达了不同知识节点之间的关联信息。
[0117]
所述知识推理单元在知识库单元中查找与接收数据匹配的场景特征参数，并 补充缺失参数，得到源案例参数，所述知识推理单元采用本体和贝叶斯网络进行 融合进行推理，具体结构如图4，解决了本体中不可以进行模糊推理的问题，提 高了知识推理的准确性。首先将电磁信号本体库和电磁信号规则库转化为贝叶斯 网络，对知识库本体及逆向解析，确定贝叶斯网络中每个节点和节点之间的概率 关系，再转化为贝叶斯网络进行知识推理，将本体中的概念转换成网状图中的节 点，将关系转换成节点之间的边，将本体中的一些属性值也进行相应的转换，最 后指定一个合适的条件概率表，通过定义的规则库求解相应的概率，求解的概率 值越小，则说明知识库中的案例与源案例越相近。
[0118]
优选地，所述案例推理单元包括案例相似度检索模块，所述案例相似度检索 模块存储改进粒子群算法，用于完成对案例库单元的相似度检索，获得n个相似 案例，所述改进
粒子群算法的学习因子设置为：
[0119][0120][0121]
其中，c
max
＝2，c
min
＝1，k为迭代次数，t
max
为最大迭代次数，c1和c2在[1，2] 之间变化。
[0122]
优选地，在每次检索案例的时候，所用到的权重都是上一次检索案例的最佳 权重，合适权重有利于提高算法的全局搜索能力，所采用的权重值可以随着每一 次对案例库进行相似案例检索时进行改变，所检索出的相似案例的质量也不断提 高。
[0123]
在案例库单元中选取数据集的时候需要随机选取部分案例作为数据集，不能 选取全部数据作为数据集，因为使用全部案例会造成推理效率降低。此外在干扰 决策中需要很高的效率，选取部分数据集可以减少用时。在随机选取案例时，尽 可能选取多种类型的案例，这样则不会因案例过于单一而影响干扰效果。在第一 次使用权重的时候，先随机生成一组权重进行计算，随着粒子群算法检索相似案 例后按最终权重更新。
[0124]
所述改进粒子群算法采用自适应度函数mape、mse、mae、r2至少之一， 改进粒子群算法与常规粒子群算法相比的优势如图5，统计如表1。
[0125]
表1传统的pso算法与改进的pso算法
[0126]
评价方法传统pso算法改进的pso算法mape
ꢀꢀ
mse
ꢀꢀꢀꢀꢀ
r2ꢀꢀ
[0127]
评价指标结果分析见表1，相比于传统的pso算法，改进后的pso算法的 mape、mse和mae数值越小，pso算法的预测效果越好。r2的取值范围是[0,1]， 当r2的数值越大，说明预测效果好；r2的数值越小，说明预测效果差。即r2 数值越大干扰功率预测效果越好。
[0128]
mape指标降低了0.00006，降低的幅度达到了0.006％；mse指标降低了 0.098，降低的幅度达到了9.8％；mae指标降低了0.0082，降低的幅度达到了 0.82％；、r2指标提高了0.00056，结果高达到了0.056％。可以明显看出，改进 的pso算法预测效果更好。
[0129]
优选地，所述案例推理单元还存储空间自由衰减算法，用于完成计算目标案 例与n个相似案例的距离。
[0130][0131]
式中，n相似度检索获得案例的数量；
[0132]di
(x
t
,xi)目标案例与第i个案例的距离；
[0133]fsi
第i个案例的中心频率；
[0134]ft
目标案例的中心频率；
[0135]
l
si
第i个案例的电平的差值；
[0136]
l
t
目标案例的电平的差值；
[0137]dsi
第i个案例的距离的比值；
[0138]dt
目标案例的距离的比值；
[0139]w1d w
2d w
3d
特征权重。
[0140]
给一些关键特征分配了权重，通过修改特征量的权重值来计算目标案例与源 案例的相似度，定义距离的倒数为案例库中第i个案例与目标案例之间的相似度， 的值越小，说明源案例与目标案例的相似度越高，具体过程包括：
[0141]
用空间自由衰减法来确定案例库中目标案例的相似案例，算法流程如下： 步骤1：首先进行目标案例的样本特征的确定，即xg＝{fs,ls,ds,f
t
,l
t
,d
t
,p
t
}，其中 {fs,ls,ds,f
t
,l
t
,d
t
,p
t
}分别为通信信号的中心频率、通信信号的电平、通信信号的发 射距离、干扰信号的中心频率、干扰信号的电平、干扰信号的发射距离、干扰信 号发射功率；
[0142]
步骤2：计算目标案例的样本特征与案例库中所有的案例之间的距离见式， 这里选择主要的三个特征：中心频率、电平、距离，具体公式如下：
[0143][0144]
式中，n相似度检索获得案例数量；
[0145]di
(x
t
,xi)目标案例与第i个案例距离；
[0146]fsi
第i个案例的中心频率；
[0147]ft
目标案例的中心频率；
[0148]
l
si
第i个案例的电平的差值；
[0149]
l
t
目标案例的电平的差值；
[0150]dsi
第i个案例的距离的比值；
[0151]dt
目标案例的距离的比值；
[0152]w1d w
2d w
3d
特征权重，取值0-0.33333。
[0153]
定义距离di(x
t
,xi)的倒数为案例库中第i个案例与目标案例之间的相似度。 当di(x
t
,xi)的值越小，说明源案例与目标案例的相似度越高。
[0154]
优选地，所述案例推理单元还存储有k邻近算法，所述k邻近算法用于功 率参数拟合，所述基于k邻近算法的干扰功率为：
[0155][0156][0157]
式中p
tk
——对目标案例的干扰功率；
[0158]
pi——第k个相似案例的干扰功率；
[0159]wp
——动态权重的knn算法的权重。
[0160]
优选地，所述自适应引擎系统还包括效果评估子系统，所述效果评估子系统 包括通讯接收模块，所述通讯接收模块用于评估通讯干扰成功率，输出分两路， 一路干扰成功信号，一路输出干扰失败信号。
[0161]
优选地，所述控制决策子系统还包括案例调整单元、案例学习单元：
[0162]
所述案例调整单元，接收所述效果评估子系统的干扰失败信号，在设定范围 按步长调整行动参数产生单元的行动参数；
[0163]
所述案例学习单元，接收效果评估子系统的干扰成功信号，将案例调整单元 的调整参数作为新案例添加到所述案例库单元。
[0164]
一种干扰电磁信号的自适应引擎系统的检索相似案例的方法，所述方法如图 6所示，包括：
[0165]
步骤s1:输入目标案例的电磁信号参数的范围；
[0166]
步骤s2：采用改进粒子群算法对案例库单元的源案例进行相似度检索，搜索 与目标案例电磁信号相似度高的n个相似案例；
[0167]
步骤s3：将n个相似案例用动态权重的k邻近算法对功率参数进行拟合，拟 合最优解所在的源案例即为目标案例匹配成功的源案例；
[0168]
结果输出到发射机进行干扰，通过接收机进行干扰效果评估；
[0169]
当干扰率小于设定值，没有达到干扰效果，可以跳转到s2；
[0170]
当干扰率大于等于设定值，达到干扰效果，结束。
[0171]
优选地，所述步骤s2中改进粒子群算法的学习因子设置为：
[0172][0173][0174]
其中，c
max
＝2，c
min
＝1，k为迭代次数，t
max
为最大迭代次数，c1和c2在[1，2] 之间变化。
[0175]
优选地，所述步骤s3的功率参数进行拟合包括以下步骤：
[0176]
将n个相似案例的干扰功率进行加权平均后作为干扰目标案例的干扰功率。
[0177][0178][0179]
式中，p
tn
对目标案例的干扰功率；
[0180]
pi第i个相似案例的干扰功率，n是相似案例案例数目，i＝{1,2,...,n}；
[0181]wp knn算法的权重。
[0182]
当源案例与目标案例距离越远拟合值越小，当源案例与目标案例距离越近拟 合值越大。
[0183]
仿真效果：
[0184]
目标案例参数：当未知电磁信号的类型是数字信号；设施位置经度为35
°
， 纬度为40
°
；发射功率为18w；频率是30000000-36000000hz；工作频段是 30000000-36000000hz；调制方式为fsk；工作模式为跳频；场景为平原。
[0185]
设置：改进的pso案例检索算法中，t
max
为50；最优的惯性权重系数wd为 [0.464160，0.050000，0.535840]；适应度函数值为146.151，仿真结果见表2。
[0186]
表2仿真结果
[0187]
仿真场景干扰率决策时间(s)无决策80.86％8.23本文决策引擎93.67％1.97
[0188]
从表2中可以看出本文决策引擎的干扰率为93.67％、决策时间为1.97s，性能 优于无决策的系统，这是因为自适应引擎系统可以根据电磁信号通过算法选择合 适的参数进行决策，使得干扰率提升，决策时间降低。
[0189]
干扰电磁信号就是通过某种设备或者是某种方法使通信终端信号暂时消失 或者减弱的一种行为，多用于保密工作。本技术中的自适应引擎系统是通过接收 电磁信号的终端类型、工作频段等信息，在庞大的知识库中进行一定条件下的搜 索，查找符合的相似案例，根据干扰效果判断是否需要进行案例修改，若需要， 则修改案例参数；不需要则直接使用案例参数进行干扰电磁信号。将调整好的案 例存入案例库单元，并将相应参数下发给发射机，自适应程度高，同时，还有学 习功能，针对案例库单元匹配程度不高的案例进行参数调整，满足要求后丰富数 据库。
[0190]
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制。凡是根据 发明技术实质对以上实施例所作的任何简单修改、变更以及等效变化，均仍属于 本发明技术方案的保护范围内。