面向与通信信号耦合的干扰信号检测与识别方法及装置

1.本公开涉及通信信号处理技术能力，尤其涉及一种面向与通信信号耦合的干扰信号检测与识别方法及装置，可用于面向战场环境的抗干扰通信系统，为抗干扰决策提供识别信息。


背景技术：

2.在战场环境中，以单音干扰、多音干扰、线性调频干扰等为主要样式的干扰，通过产生大功率的干扰信号，降低信宿端的输入信噪比，严重影响我方正常通信。抗干扰技术通过干扰认知，针对不同的干扰类型采用特异性强的抗干扰手段，提升通信的顽存性。因此，如何对干扰信号实现精确的检测与识别成为抗干扰的关键。针对干扰信号检测，由于干扰信号功率大，而通信信号功率相对较小，现有方法多采用基于时域和频域的能量检测算法，根据接收信号的能量分布特征对信号是否受干扰进行检测。然而，考虑到对抗环境的时变性所产生的噪声功率的高动态变化特征，造成了检测门限难以确定，严重降低了干扰检测的准确率。另一方面，针对干扰信号的识别，现有技术主要依赖专家知识提取干扰信号的时频域特征，但考虑到瞄准式干扰信号，其与通信信号时频特征深度耦合，很难直接根据接收到的信号提取干扰信号的独有特征进行判识。因此，单纯依赖专家知识的干扰类型识别不仅鲁棒性差，而且由于特征提取的不全面，也难以实现精准的干扰类型判识，这就造成了现有的干扰识别算法在复杂的电磁环境中，无法精准地识别瞄准式干扰信号类型。


技术实现要素：

3.针对上述现有技术，本发明所解决的技术问题至少是：与通信信号耦合的干扰信号检测门限难以确定、特征提取带来的干扰识别算法准确率低和普适性差、瞄准式干扰与通信信号特征深度耦合所造成的识别精度差的问题。
4.为了解决上述技术问题，本发明的技术方案如下：
5.第一方面，本发明提出了一种面向与通信信号耦合的干扰信号检测与识别方法，所述方法包括：
6.从原信号中读取待检测信号，基于待检测信号利用自编码器进行信号重构，计算重构信号与待检测信号的重构误差，若误差大于检测阈值，则进一步从原信号中读取待识别信号，基于待识别信号进行干扰信号识别；
7.所述自编码器依次包括信号编码模块、隐变量特征提取模块、以及信号解码模块；
8.所述信号编码模块将待测检测信号作为输入，提取时域波形特征；
9.所述隐变量特征提取模块以时域波形特征作为输入，输出第一信号隐变量；
10.所述信号解码模块以第一信号隐变量为输入，输出重构信号。
11.在上述技术方案中，针对不同干扰均会对通信信号产生显著的时频域畸变特征，本发明利用重构信号与待检测信号的重构误差，检测干扰信号的存在性；并在检测到干扰信号时，进行干扰信号识别。较传统基于能量的干扰信号检测，本发明在重构误差中，提出
一种自编码器来重构信号，通过自编码器解决检测门限难以确定的问题，屏蔽噪声的起伏性和高动态性对干扰检测精度的影响。
12.作为本发明的进一步改进，针对干扰与通信信号的时频特征耦合性，从时频特征深度耦合复合信号中分离出干扰，以实现干扰信号精准识别。在基于待识别信号进行干扰信号识别时，包括下述步骤：
13.基于待识别信号，获取纯干扰信号；
14.按下式计算循环谱p
α
(f)、频谱fft(f)、时频谱stft(m，f)：
[0015][0016][0017][0018][0019]
式中：纯干扰信号循环谱p
α
(f)是循环自相关函数r
α
(τ)的离散傅里叶变换；s(n)为纯干扰信号，s
*
(n)为s(n)的共轭信号，r为纯干扰信号时域长度，α为循环频率，f为谱频率，τ为相关时间间隔；w(n)是窗函数，m为窗口长度，n为时域变量；基于循环谱p
α
(f)、频谱fft(f)、时频谱stft(m，f)，获取干扰信号的类型特征，进而得到识别结果，解决了瞄准式干扰与通信信号特征深度耦合所造成的识别精度差等问题。
[0020]
作为本发明的进一步改进，通过建立信号分离模型进行提取纯干扰信号，以达到提高纯干扰信号准确度的目的，并对信号分离模型细化为三个模块，依次实现提取时域波形特征、获得第二信号隐变量和干扰隐变量，输出分离的无干扰信号和纯干扰信号。即：所述信号分离模型包括时频耦合信号编码模块、干扰信号特征提取模块，干扰信号分离模块；所述时频耦合信号编码模块将待识别信号作为输入，提取时域波形特征；所述干扰信号特征提取模块以时域波形特征为输入，获得第二信号隐变量和干扰隐变量；所述干扰信号分离模型以第二信号隐变量和干扰隐变量作为输入，输出无干扰信号和纯干扰信号。
[0021]
作为本发明的进一步改进，将信号分离模型通过stacked-lstm网络实现，通过神经网络强大的计算能力和学习能力，提高干扰信号特征提取的准确度和精度，以实现干扰信号的准确分类。具体的一种实施方式为：所述时频耦合信号编码模块包括三个串联的第一卷积单元；所述第一卷积单元由一维卷积层、一维批量归一化层、双正切层构成；所述干扰信号特征提取模块包括六个串联的stacked-lstm单元和双通道全连接单元；所述stacked-lstm 单元由双向lstm层、压缩-激励自注意力子单元、分组归一化层、双正切层依次构成；所双通道全连接单元由两个第一全连接单元进行并行计算，所述第一全连接单元由全连接层、一维批量归一化层、双正切层、全连接层构成；所述干扰信号分离模块由两个第二全连接单元、双通道反卷积单元构成，所述第二全连接单元由全连接层、一维批量归一
化层、双正切层构成；所述双通道反卷积单元两个第一反卷积模块和一个第二反卷积模块串联进行并行计算，所述第一反卷积单元由一维反卷积层、一维批量归一化层、双正切层构成，所述第二反卷积单元由一个一维反卷积层构成。
[0022]
作为本发明的进一步改进，本发明中自编码器通过建立lstm-cnn网络进行无监督训练实现，通过训练建立无干扰信号的时频表征模型，从而在干扰信号对通信信号造成时频域畸变时，可通过自编码器输入-输出信号间的重构误差，检测到信号是否受到干扰。通过提高lstm-cnn网络的训练精度以提高干扰信号检测的准确性，解决现有技术中干扰信号检测准确度低的问题，也就解决了检测门限难以确定的问题。具体的一种实施方式为：
[0023]
所述信号编码模块包括三个串联的第一卷积单元；所述隐变量特征提取模块包括串联的bi-lstm单元和第一全连接单元；所述信号解码模块由两个第二全连接单元、两个第一反卷积单元构成、一个第二反卷积单元构成；所述第一卷积单元由一维卷积层、一维批量归一化层、双正切层构成；所述bi-lstm单元由两个bi-lstm层串联构成；所述第一全连接单元由全连接层、一维批量归一化层、双正切层、全连接层构成；所述第二全连接单元由全连接层、一维批量归一化层、双正切层构成；所述第一反卷积单元由一维反卷积层、一维批量归一化层、双正切层构成；所述第二反卷积单元由一个一维反卷积层构成。
[0024]
作为本发明的进一步改进，所述识别结果在循环谱及时频分析的基础上，通过干扰信号识别模型提取干扰时频多域特征进而获得；
[0025]
所述干扰信号识别模型时频多域特征提取模块、识别模块；所述时频多域特征提取模块以三维张量为输入，将循环谱图、频谱图、时频谱图三类图的特征进行融合提取，输出时频多域特征；所述识别模块以时频多域特征作为输入，获取干扰信号的类型特征，用于干扰类型分类和识别；所述三维张量为将循环谱p
α
(f)、频谱fft(f)、时频谱stft(m，f)预处理成h
fft(f)
×wfft(f)
×cfft(f)
、h
stft(m，f)
×wstft(m，f)
×ꢀcstft(m，f)
，其中：为循环谱图p
α
(f)的高，h
fft(f)
为频谱图fft(f)的高，h
stft(m，f)
为时频图stft(m，f)的高；为循环谱图p
α
(f)的宽，w
fft(f)
为频谱图fft(f)的宽， w
stft(m，f)
为时频图stft(m，f)的宽；为循环谱图p
α
(f)的通道维数，c
fft(f)
为频谱图 fft(f)的通道维数，c
stft(m，f)
为时频图stft(m，f)的通道维数。
[0026]
作为本发明的进一步改进，所述干扰信号识别模型通过残差网络提取干扰时频多域特征，并进一步融合生成干扰复合特征，实现干扰信号精准识别。具体的一种实施方式为：
[0027]
所述时频多域特征提取模块由第二卷积单元构成，所述第二卷积单元包括二维卷积层、池化层；所述识别模块包括残差单元、以及分类判断单元；所述残差单元至少一个，由二维卷积层、批量归一化层、relu激活函数层、二维卷积层、批量归一化层、残差连接层、relu激活函数层顺序构成，用于获取干扰信号的类型特征；所述分类判断单元包括池化层、全连接层、以及sormax层，对获取的干扰信号的类型特征进行融合，并对类型概率进行计算，输出干扰类型。
[0028]
作为本发明的进一步改进，所述残差单元为16个，此时残差网络性能最好，不会出现过拟合，且刚好能够提取出能够用于准确识别干扰类型的干扰复合特征。
[0029]
作为本发明的进一步改进，所述待检测信号、所述待识别信号通过滑窗法从源信
号获取；将待检测信号长度、待识别信号长度、滑动步长分别记为d、r、s，待检测信号长度、待识别信号长度、滑动步长满足d＜s＜r。利用本发明方法，通过利用一个比较短的待检测信号长度就可以准确检测，再进一步获取较长的待识别信号长度，可以对干扰类型进行准确识别，其中待检测信号长度、待识别信号长度、滑动步长均可以是远小于源信号的长度，本发明方法具有检测识别准确，运算量小的特点。
[0030]
第二方面，本发明提出了一种计算机可读存储装置，包括至少一个存储介质，所述存储介质存储有能够被处理器加载并执行上述任一种方法的计算机程序。
附图说明
[0031]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0032]
图1、一个实施例中方法流程示意图；
[0033]
图2、一个实施例中关于自编码器网络结构及信号重构示意图；
[0034]
图3、一个实施例中关于信号分离模型结构示意图；
[0035]
图4、一个实施例中关于干扰信号识别模型结构示意图；
[0036]
图5-a和图5-b、一个实施例中基于自编码器的干扰检测与传统检测算法性能比较示意图；
[0037]
图6、一个实施例中关于采用信号分离模型的干扰特征分离示意图；
[0038]
图7、一个实施例中7种典型干扰的循环谱示意图；
[0039]
图8、一个实施例中7种典型干扰的傅里叶变换示意图；
[0040]
图9、一个实施例中7种典型干扰的短时傅里叶变换示意图；
[0041]
图10、一个实施例中基于干扰信号识别模型的干扰识别混淆矩阵示意图。
具体实施方式
[0042]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
[0043]
在实施例1中，采用如图1所示的方法，将其应用于面向战场环境的抗干扰通信系统，可为抗干扰决策提供识别信息。步骤包括：
[0044]
从原信号中读取待检测信号，基于待检测信号利用自编码器进行信号重构，计算重构信号与待检测信号的重构误差，若误差大于检测阈值，则进一步从原信号中读取待识别信号，基于待识别信号进行干扰信号识别；
[0045]
所述自编码器依次包括信号编码模块、隐变量特征提取模块、以及信号解码模块；
[0046]
所述信号编码模块将待测检测信号作为输入，提取时域波形特征；
[0047]
所述隐变量特征提取模块以时域波形特征作为输入，输出第一信号隐变量；
[0048]
所述信号解码模块以第一信号隐变量为输入，输出重构信号。
[0049]
在上述方法实施过程中，流程图的操作可以不按顺序实现。相反，操作可以以反转顺序或同时实现。此外，可以向流程图添加一个或多个其他操作。可以从流程图中移除一个或多个操作。
[0050]
在对原信号中读取待检测信号或获取原信号的待识别信号时，可以利用滑窗法。将原信号记作p(n)，其时域长度记作n，时域范围记作[0，n]，则n∈[0，n]，n为自然数。
[0051]
将第k个待检测的信号ak的长度为d，时域范围为：
[0052]
[(k-1)
·
s，(k-1)
·
s d]，
[0053]
将第k个待识别的信号bk的长度为r，时域范围为：
[0054]
[(k-1)
·
s，(k-1)
·
s r]，
[0055]
其中，s是滑动步长，参数n、s、d、r满足以下条件：
[0056]
n＞＞s，n＞＞d，n＞＞r，r＞s＞d
[0057]
从上面可以看出，用于干扰信号检测的待检测信号、用于干扰信号识别的待识别信号，其长度都远小于原信号长度，大大减少了信号提取和分离的运算量。
[0058]
在应用中，若进行人工特征提取，会带来的干扰识别算法准确率和普适性差的问题，可将上述方法作为基本思想，结合神经网络实现，继而将方法进一步改进为一种智能检测与识别方法。利用神经网络强大的计算能力和学习能力，所述智能检测与识别方法能够解决干扰检测门限难确定的问题，以及现有技术中瞄准式干扰与通信信号特征深度耦合所造成的识别精度差的问题，从而大幅度提升通信抗干扰系统中干扰信号的检测率与类型识别精度。
[0059]
在实现时，先利用基于lstm-cnn的自编码器计算输入-输出信号间的重构误差，检测信号是否受到干扰；若检测到干扰，再利用基于stacked-lstm的信号分离模型从时频特征深度耦合复合信号中分离出纯干扰信号，继而基于纯干扰信号进行采用循环谱分析、傅里叶变换、短时傅里叶变换，获取各个时频图信息，利用基于残差网络建立的干扰信号识别模型提取时频多维域特征，并融合生成用于干扰信号分类的干扰复合特征，进行干扰类型判定。即，基于本发明方法的思想，通过时频分析和深度学习方法实现特征域数据融合，解决复合干扰信号的时频特征深度耦合问题，实现干扰信号识别的精准识别。
[0060]
首先，将待检测信号ak输入基于lstm-cnn的自编码器。在自编码器用于检测前，先针对不同干扰均会对通信信号产生显著的时频域畸变特征，利用无干扰时域信号，对自编码器进行无监督训练，以建立无干扰信号的时频表征模型。
[0061]
对自编码器的设计，可根据其获得重构信号的目的，按照实现这个目的的步骤将其划分为信号编码模块、隐变量特征提取模块、信号解码模块，以及其它模块，比如辅助计算模块、加快收敛的模块等等；也可以将其它模块的功能融入到这三个模块中，使自编码器只具有三个模块。在实施例1中，自编码器由信号编码模块、隐变量特征提取模块、信号解码模块构成。所述信号编码模块将待测检测信号作为输入，提取时域波形特征；所述隐变量特征提取模块以时域波形特征作为输入，输出第一信号隐变量；所述信号解码模块以第一信
号隐变量为输入，输出重构信号。
[0062]
由于干扰信号会对通信信号造成时频域畸变，自编码器根据输入-输出信号间的重构误差，能够检测干扰信号的存在：
[0063]
(1.1)利用重构信号ak′
与输入信号ak，采用均方误差计算重构误差：e＝(ak′‑ak
)2。
[0064]
(1.2)若重构误差e小于干扰检测阈值y，则检测到无干扰信号；否则，检测到信号受干扰。
[0065]
若判断到信号受到干扰，则将待识别信号bk输入到基于stacked-lstm实现的信号分离模型，分离出纯干扰信号s(n)。基于循环谱分析，傅里叶变换、短时傅里叶变换得到纯干扰信号的循环谱p
α
(f)、频谱fft(f)、时频谱stft(m，f)，计算公式如下：
[0066][0067][0068][0069][0070]
式中：纯干扰信号循环谱p
α
(f)是循环自相关函数r
α
(τ)的离散傅里叶变换；s(n)为纯干扰信号，s
*
(n)为s(n)的共轭信号，r为纯干扰信号时域长度，α为循环频率，f为谱频率，τ为相关时间间隔；w(n)是窗函数，m为窗口长度，n为时域变量，n∈[0，n]，n为自然数，表示时域长度。
[0071]
基于循环谱p
α
(f)、频谱fft(f)、时频谱stft(m，f)，获取干扰信号的类型特征，进而得到识别结果，解决了瞄准式干扰与通信信号特征深度耦合所造成的识别精度差等问题。
[0072]
将获得的干扰信号的循环谱p
α
(f)，频谱fft(f)，时频谱stft(m，f)，分别预处理成h
fft(f)
×wfft(f)
×cfft(f)
、h
stft(m，f)
×wstft(m，f)
×cstft(m，f)
的三维张量(tensor)，以降低干扰识别网络的计算量，再按通道维数拼接成h
×w×
c的三维张量，输入基于resnet的干扰信号识别模型，进行至少一步融合特征的提取，获得干扰的时频多维域特征，将最后得到时频多维域特征作为时频图的全局特征，进一步利用全连接层结合softtmax函数实现特征域数据融合及干扰类型的精准识别。其中：为循环谱图p
α
(f)的高，h
fft(f)
为频谱图fft(f)的高，h
stft(m，f)
为时频图stft(m，f) 的高；为循环谱图p
α
(f)的宽，w
fft(f)
为频谱图fft(f)的宽，w
stft(m，f)
为时频图 stft(m，f)的宽；为循环谱图pα(f)的通道维数，c
fft(f)
为频谱图fft(f)的通道维数， c
stft(m，f)
为时频图stft(m，f)的通道维数。
[0073]
在实施例2中，根据智能检测与识别方法，建立了具体的神经网络模型，并进行仿
真实验。围绕单音干扰(stj)、多音干扰(mtj)等7种典型干扰进行算法性能验证，即可识别的干扰类型数量l＝7，干扰信号参数如表1所示。考虑到实际通信场景中干扰信号的连续性，产生的数据集为无干扰信号和7种时频特征深度耦合的复合信号交替拼接成信号p(n)。
[0074]
首先，使用matlab软件产生7种bpsk调制的复合信号，干信比(jsr)从-5db到20db变化，步长为5。符号速率为2000个/s，每个符号采样40次，7种干扰交替的信号组成p(n)， n∈[0，224w]。利用滑窗法截取时域序列进行干扰检测识别，滑动步长s取800，检测窗口长度d取200，识别窗口长度r取40000。
[0075]
表1干扰信号参数
[0076][0077]
构造基于lstm-cnn自编码器，如图2所示。
[0078]
(2.1)用三个串联的第一卷积单元建立信号编码模块，用于提取待检测信号ak的时域波形特征。所述第一卷积单元由一维卷积层、一维批量归一化层、双正切层构成。
[0079]
(2.2)用串联的bi-lstm单元和第一全连接单元建立隐变量特征提取模块，用于计算信号隐变量z。bi-lstm单元由两个bi-lstm层构成，用于取待检测信号ak的时域动态特征。第一全连接单元由全连接层、一维批量归一化层、双正切层、全连接层顺序构成，用于计算信号隐变量z。
[0080]
(2.3)用2个相同的第二全连接单元、2个相同的第一反卷积单元、一个第二反卷积单元顺序构成信号解码模块，用于输出重构信号ak′
。所述第二全连接单元由全连接层、一维批量归一化层、双正切层构成；所述第一反卷积单元由一维反卷积层、一维批量归一化层、双正切层构成；所述第二反卷积单元由一个一维反卷积层构成。
[0081]
利用无干扰时域信号对基于lstm-cnn的自编码器进行无监督训练，以建立无干扰信号的时域模型。由于干扰对复合信号造成的畸变性，受扰信号无法被自编码器很好地重构，可根据自编码器输入输出信号间的重构误差，检测信号是否受到干扰。
[0082]
在基于lstm-cnn自编码器的干扰检测仿真中，将长度d＝200个点的待检测的信号ak
实部和虚部按通道维度拼接后输入。基于lstm-cnn自编码器网络参数如下表2所示。将重构信号与输入信号计算重构误差e，并与干扰检测阈值y相比较，检测干扰的存在性。根据训练结果，检测阈值y取0.065可实现较低的虚警率和较高的检测概率。
[0083]
表2基于lstm-cnn自编码器网络参数
[0084][0085][0086]
对于判断有干扰的原信号，获取待识别信号bk，将其输入基于stacked-lstm的信号分离模型，分离出干扰信号s(n)的特征。
[0087]
基于stacked-lstm的信号分离模型如图3所示，构建过程如下：
[0088]
(3.1)用3个第一卷积单元建立时频耦合信号编码模块，用于提取待识别信号bk的时域波形特征。根据情况，第一卷积单元的数量可以改变。
[0089]
(3.2)用stacked-lstm单元和双通道全连接单元建立干扰信号特征提取模块，用于在提取待识别信号bk的时域波形特征的基础上，获得第二信号隐变量z
x
和干扰隐变量zs。
[0090]
stacked-lstm单元由双向lstm层、压缩激励自注意力子单元、分组归一化层、双正切层依次构成；所双通道全连接单元由两个第一全连接单元进行并行计算，所述第一全连接单元由全连接层、一维批量归一化层、双正切层、全连接层构成。
[0091]
(3.3)用第一全连接单元、双通道反卷积单元建立干扰信号分离模块，用于根据第二信号隐变量z
x
和干扰隐变量zs分别计算无干扰信号x(n)和纯干扰信号s(n)，并进行时频特征分离，为干扰循环谱分析、时频分析及干扰类型识别提供数据支撑。所述双通道反卷积
单元两个第一反卷积模块和一个第二反卷积模块串联进行并行计算，所述第一反卷积单元由一维反卷积层、一维批量归一化层、双正切层构成，所述第二反卷积单元由一个一维反卷积层构成。
[0092]
利用时频耦合的通信干扰信号数据集、无干扰信号数据集、纯干扰信号数据集对基于 stacked-lstm的信号分离模型进行监督训练。
[0093]
在基于stacked-lstm的信号分离模型的干扰检测仿真中，将长度r＝40000的待识别信号 bk实部和虚部按通道维度拼接后输入网络，并得到分离后的纯干扰信号s(n)。基于 stacked-lstm的信号分离模型参数如下表3所示。
[0094]
表3信号分离模型网络参数
[0095][0096][0097]
对s(n)进行循环谱分析，傅里叶变换、短时傅里叶变换得到纯干扰信号的循环谱p
α
(f)，频谱fft(f)，时频谱stft(m，f)。
[0098]
计算公式如实施例1中所示。其中，窗函数w(n)取窗口长度m＝1280的汉明窗。
[0099]
接下来，建立基于resnet的干扰信号识别模型，如图4所示，过程如下：
[0100]
(4.1)用1个二维卷积层、1个池化层建立时频多域特征提取模块，以三维张量为输入，将时频多域特征作为输出。其中，三维张量用于提升干扰识别网络的实时性，降低干扰识别网络的计算量。
[0101]
(4.2)用残差单元a、残差单元b、残差单元c、残差单元d、1个池化层、2个全连接层和一个softmax层顺序构成识别模块，以时频多域特征作为输入，获取干扰信号的类型特征，用于干扰类型分类和识别。残差单元的数量可根据实际需要调整。
[0102]
(4.2.1)残差单元a由3个基础子单元顺序构成；
[0103]
(4.2.2)残差单元b由4个基础子单元顺序构成；
[0104]
(4.2.3)残差单元c由6个基础子单元顺序构成；
[0105]
(4.2.4)残差模块d由3个基础子单元顺序构成。
[0106]
用残差单元a、残差单元b、残差单元c、残差单元d一起用于提取干扰信号的时频多维域特征。所述基础子单元由二维卷积层、批量归一化层、relu激活函数层、二维卷积层、批量归一化层、残差连接层、relu激活函数层顺序构成。
[0107]
(4.2.5)识别模块中的全连接层用于融合生成干扰复合特征，输出为x
l
×1的向量。其中，x
l
×1＝[x1，...，x
l
，...，x
l
]
t
，l∈[1，l]，l为可识别的干扰类型数量。
[0108]
(4.2.6)所述softmax层用于计算识别概率q，其中：
[0109][0110]yl
代表干扰识别结果为第l种的概率，满足：
[0111][0112]
基于上面仿真输出的纯干扰信号，在计算获得傅里叶变换、短时傅里叶变换得到纯干扰信号的循环谱p
α
(f)，频谱fft(f)，时频谱stft(m，f)，进一步将循环谱p
α
(f)，频谱fft(f)，时频谱stft(m，f)分别预处理成256
×
256
×
3的三维张量，并按通道维数拼接成256
×
256
×
9 的张量输入基于resnet的干扰信号识别模型。基于resnet的干扰信号识别模型的网络参数如下表4所示。利用残差单元a、残差单元b、残差单元c、残差单元d依次从干扰信号的循环谱 p
α
(f)，频谱fft(f)，时频谱stft(m，f)中提取干扰的时频多维域特征及时频图的全局特征，进一步利用全连接层结合softmax函数实现特征域数据融合及干扰类型的精准识别。最终全连接层输出维度为7，代表可识别7种干扰类型。
[0113]
表4基于resnet的干扰信号识别模型网络参数
[0114][0115][0116]
仿真分析：
[0117]
仿真1：利用上述仿真参数，分别产干信比(jsr)为-5db、0db、5db、10db、15db、 20db的信号p(n)，利用滑窗法截取待检测信号ak，并输入基于lstm-cnn自编码器进行干扰检测。如图5-a、图5-b所示，比较本发明方法和基于频域能量的检测算法：连续均值去除算法(cme)\前向连续均值去除算法(fcme)。
[0118]
图5-a可得出结论：随着干信比(jsr)的提升，cme算法和fcme算法的虚警率高达30％以上，而本发明方法虚警率保持在2％。这是由于基于lstm-cnn的自编码器可近乎完美重构无干扰信号，故无干扰信号重构误差普遍小于干扰检测阈值y，虚警率较低且故不受干信比影响。
[0119]
图5-b可得出结论：随着干信比(jsr)的提升，cme算法和fcme算法的检测概率略有提升，但不超过60％，而本发明方法检测概率≥95％。这是由于随着干信比提高，干扰对信号的时域畸变越明显，基于lstm-cnn的自编码器更难重构受扰信号，故受扰信号重构误差逐渐增大，在干扰检测阈值y固定的情况下，检测概率越高。
[0120]
仿真2：利用滑窗法截取待识别信号bk，输入基于stacked-lstm的特征分离网络，得到分离后的纯干扰信号s(n)。由图6所示，左侧一列图展示了单音干扰、多音干扰、线性调频干扰、噪声调幅干扰、噪声调频干扰、射频噪声干扰、脉冲间隔干扰，7种与通信信号的时
频特征深度耦合复合信号的时域波形图；中间一列图展示了无干扰通信信号x(n)的分离效果，虚线为分离的无干扰通信信号，实线为原通信信号；右侧一列图展示了纯干扰信号s(n)的分离效果，虚线为分离的干扰信号，实线为原干扰信号。由图6的右侧一列图可见，单音干扰、多音干扰、线性调频干扰三种干扰分离效果非常好，这是由于这三类干扰和无干扰信号时频特征耦合程度相对较低；而噪声调幅干扰、噪声调频干扰、射频噪声干扰、脉冲间隔干扰四种干扰分离后与原干扰信号具有一定的误差，这是由于这四类干扰和无干扰信号时频特征耦合程度相对较高，分离难度较高。综上所述，基于stacked-lstm的特征分离网络可从时频特征深度耦合的复合信号中提取纯干扰信号s(n)。
[0121]
仿真3，基于仿真2得到的纯干扰信号s(n)进行循环谱分析。由图7可见，单音干扰的循环谱为单频峰，多音干扰的循环谱为三个频峰，噪声调幅干扰为单频峰加矩形宽频带，噪声调频干扰的循环谱距离中心频率越近能量越大。而线性扫频干扰、射频噪声干扰、脉冲间隔干扰的循环谱均为矩形宽频带相似度较高，难以区分。
[0122]
仿真4，基于仿真2得到的纯干扰信号s(n)进行傅里叶变换。由图8可见，单音干扰的频谱为单频线；多音干扰的频谱为三条频线；线性扫频干扰的频谱为1个矩形框，噪声调幅干扰的频谱为单频线，但频点附近有少量能量扩散；噪声调频干扰的频谱距中心频点越近能量越大。而射频噪声干扰和脉冲间隔干扰的频谱顶部呈梳状，相似度较高。
[0123]
仿真5，基于仿真2得到的纯干扰信号s(n)进行短时傅里叶变换。由图9可见，单音干扰的时频谱为单频线；多音干扰的时频谱为三条频线；线性扫频干扰的时频谱为1条斜率恒定的频线；噪声调幅干扰的时频谱为1条频线，且附近有宽带能量溢散；噪声调频干扰的时频谱距中心频点越近能量越大，能量分布不均匀；射频噪声干扰的时频谱为1条频线，且附近有宽带能量溢散，与噪声调幅干扰整体特征较相似；脉冲间隔干扰的时频谱为占空比约为1/3 的宽带脉冲。
[0124]
综合仿真3、4、5，由图7、图8、图9可得出结论：循环谱及时频分析均可表征干扰的时频多维域特征差异；7种纯干扰信号的循环谱、频谱、时频谱均有相似的特征，故无法依赖单一特征图完美地识别出7种干扰。但综合循环谱、频谱、时频谱，理论上可从干扰复合特征准确识别干扰类型。
[0125]
仿真6，基于仿真3、4、5得到干扰信号的循环谱、频谱、时频谱，输入基于resnet的干扰信号识别模型，得到干扰识别结果。由图10可见，除多音干扰的识别率为90％，其余6种干扰的识别率均为100％，综合干扰识别率高达98.57％。其原因是部分多音干扰(mtj)的复合特征和脉冲间隔干扰(pinj)的复合特征仍具有一定的相似性，故将多音干扰错误研判为脉冲间隔干扰。因此，融合生成的复合特征对于干扰识别准确率的提升十分重要。
[0126]
在上述实施例中，基于本发明方法思想的前提下，上述实施例中具体的某个神经网络或神经网络中某层函数可以用具有相同功能的其它神经网络或函数替换，涉及各个模型的各个功能模块按照模型实现功能的步骤或过程，根据步骤或过程划分，可增加、减少或替换，比如还可添加促使各个模型收敛的模块，实施例中提供的为一种优选的模型或模块功能划分方式；组成模块的各个单元按照单元实现功能的步骤或过程，根据步骤或过程划分，可增加、减少或替换；对单元的各个层也可根据需要添加、减少或替换。本发明中使用的各种参数可以进行调整变更，以降低网络运算量和/或提高网络性能和/或提高干扰信号检测和干扰识别类型的准确度。通过对参数调整或训练数据的改变，能识别的干扰类型可以
增加，可以组合。进一步地，本发明的目的在于干扰信号的检测与识别，在本发明的基础上，可以对本发明方法进行拓展应用，比如屏蔽干扰信号等。
[0127]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本公开方法可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本公开而言更多情况下，软件程序实现是更佳的实施方式。用软件程序实现时，可将程序存储在存储介质中，根据需要，存储介质可以是一个，也可以是多个。