復(fù)雜電磁環(huán)境下通信抗干擾的信息篩選算法

李其芳

(陸軍軍官學(xué)院，安徽 合肥 230031)

軍隊(duì)若要具備信息系統(tǒng)的體系作戰(zhàn)能力，就必須爭(zhēng)奪制信息權(quán)。信息戰(zhàn)爭(zhēng)中，復(fù)雜電磁環(huán)境是信息化戰(zhàn)場(chǎng)的基本特征。若想打贏信息化條件下的戰(zhàn)爭(zhēng)，就必須加速深入研究復(fù)雜電磁環(huán)境下的戰(zhàn)場(chǎng)電磁環(huán)境問(wèn)題，通信聯(lián)絡(luò)就是在這樣的環(huán)境中展開(kāi)的。隨著新軍事變革的不斷推進(jìn)，戰(zhàn)爭(zhēng)的形態(tài)已經(jīng)發(fā)生了轉(zhuǎn)化，信息為先導(dǎo)和主導(dǎo)。在這樣的環(huán)境下，無(wú)疑對(duì)作為信息流通紐帶、作戰(zhàn)要素橋梁的戰(zhàn)場(chǎng)通信提出了更高的要求。

信息化戰(zhàn)場(chǎng)條件下的通信干擾主要可以分為人為有意干擾、人為無(wú)意干擾和環(huán)境自然干擾。人為有意干擾主要來(lái)自敵方有目的性的通信干擾，有可能是阻塞式干擾;無(wú)意干擾主要是己方通訊設(shè)備和一些民用設(shè)施發(fā)出的電磁波等造成的互擾;自然干擾主要有雷電，磁場(chǎng)等環(huán)境因素。通信裝備要采用什么方法在如此大量的各種錯(cuò)綜復(fù)雜的通信數(shù)據(jù)中篩選出有價(jià)值的信息提高通信聯(lián)絡(luò)效率，成為了本文研究的重點(diǎn)。

1 基本算法概述

目前數(shù)據(jù)挖掘的主要算法有信號(hào)處理法、關(guān)聯(lián)規(guī)則法、神經(jīng)網(wǎng)絡(luò)法、粗糙集法、遺傳算法、統(tǒng)計(jì)學(xué)法等。但是這些算法都有自身的特點(diǎn)，也存在著缺陷，例如傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)法，其組成的神經(jīng)網(wǎng)絡(luò)是非構(gòu)造性的，每一部分的關(guān)聯(lián)都比較大，只要有任何微小的改動(dòng)都會(huì)改變整體的效果，使網(wǎng)絡(luò)變得不穩(wěn)定［1］。張鈸院士和張鈴教授在M-P神經(jīng)元模型的基礎(chǔ)上，提出一種稱為構(gòu)造性神經(jīng)網(wǎng)絡(luò)［2］的新型網(wǎng)絡(luò)模型。覆蓋算法屬于該構(gòu)造性神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，利用數(shù)據(jù)自身特點(diǎn)，有目的性地構(gòu)建神經(jīng)網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)以分層的形式構(gòu)建，網(wǎng)絡(luò)功能被分割成不同的、相對(duì)獨(dú)立的模塊。每個(gè)模塊有獨(dú)立解決整個(gè)問(wèn)題其中一部分的能力，在學(xué)習(xí)階段處理的數(shù)據(jù)也不相同。

首先網(wǎng)絡(luò)結(jié)構(gòu)中的各個(gè)模塊比較簡(jiǎn)單，各模塊的功能是處理整個(gè)問(wèn)題其中的一部分，問(wèn)題也相對(duì)容易，很難受到其他數(shù)據(jù)的影響，容易訓(xùn)練，相對(duì)簡(jiǎn)單的網(wǎng)絡(luò)結(jié)構(gòu)提高了網(wǎng)絡(luò)的可靠性;其次，各個(gè)模塊相對(duì)獨(dú)立，可同時(shí)進(jìn)行訓(xùn)練，效率高，便于在時(shí)間緊迫時(shí)快速計(jì)算;最后，硬件更易實(shí)現(xiàn)，構(gòu)造若干簡(jiǎn)單的模塊再將其連接起來(lái)比直接構(gòu)建整個(gè)計(jì)算網(wǎng)絡(luò)更容易，實(shí)現(xiàn)模塊化。

構(gòu)造性神經(jīng)網(wǎng)絡(luò)的主旨是將無(wú)限大的區(qū)域分為相對(duì)獨(dú)立的有限區(qū)域，將學(xué)習(xí)問(wèn)題通過(guò)非線性變換變?yōu)榉謪^(qū)問(wèn)題，將多區(qū)域復(fù)雜性問(wèn)題進(jìn)行簡(jiǎn)單化，可以實(shí)現(xiàn)多種類別樣本的同時(shí)劃分;將神經(jīng)元的功能局部化，將非局部性的劃分區(qū)域變換為局部性劃分區(qū)域，因此其計(jì)算量少，速度快。

2 概率模型介紹

正定核函數(shù)是解算微分方程的一個(gè)非常有用的工具。Mercer定理［3］在其嚴(yán)格定義的基礎(chǔ)上給出了正定核函數(shù)的特征分解。高斯核函數(shù)是一種普遍使用的核函數(shù)，因?yàn)楦咚购撕瘮?shù)對(duì)應(yīng)的特征空間是無(wú)窮維的，有限的樣本在該特征空間肯定是線性可分的。任何連續(xù)分布均可由等方差高斯密度的有限混合任意逼近。在近似的意義下，僅研究有限高斯混合密度就足夠了。通過(guò)這種思想可以利用有限高斯混合密度為覆蓋算法構(gòu)建概率模型［4］。

設(shè)X1…，Xn是樣本為n的獨(dú)立分布隨機(jī)樣本，其中Xi是m維隨機(jī)向量，其概率密度函數(shù)為f(x)。f(xi)可表示成:

其中，fj(xi)為觀察值xi是第j分量時(shí)的條件概率密度函數(shù)。

若fj(x)為1維高斯分布，式(1)可表示為

3 覆蓋算法概率模型的構(gòu)造

設(shè)有n個(gè)m維樣本，分成w類。首先利用基本覆蓋算法求得覆蓋組為

設(shè)覆蓋第i類點(diǎn)的覆蓋組為

對(duì)每個(gè)覆蓋組取特征函數(shù)表示，但是這種表示不能反映樣本在覆蓋中的具體分布情況。若引入高斯函數(shù)［5］(以覆蓋的中心 aij為高斯核函數(shù)的均值，取半徑為決策函數(shù)為

其中，βij是與各覆蓋中樣本點(diǎn)的密度有關(guān)的參數(shù)。

式(3)可理解為高斯函數(shù)的覆蓋算法得到的決策函數(shù)。通過(guò)以上變換后，可以從概率的角度來(lái)思考、解決問(wèn)題。式(3)是一個(gè)有限混合概率模型，因此可以利用最大似然的算法求得其參數(shù)。這樣就以概率的角度解決了為函數(shù)確定參數(shù)的問(wèn)題。下面本文將概率統(tǒng)計(jì)中的方法引入該計(jì)算網(wǎng)絡(luò)的分類學(xué)習(xí)［8］，即把覆蓋算法與概率統(tǒng)計(jì)模型有機(jī)結(jié)合起來(lái)，為覆蓋算法找到了全局優(yōu)化的解決方法［9］。

4 基于覆蓋算法概率模型的海量數(shù)據(jù)挖掘

假設(shè)給定w類分類的訓(xùn)練樣本集K={K1，K2…，Kw}，算法實(shí)現(xiàn)步驟如下:

首先，采用覆蓋算法，求出各個(gè)覆蓋組{C1，C2…，Cw}。在計(jì)算的過(guò)程中要注意對(duì)球形領(lǐng)域所覆蓋點(diǎn)數(shù)的考察，在學(xué)習(xí)獲得覆蓋組的過(guò)程中主要就是對(duì)是否完全覆蓋的反復(fù)考察和計(jì)算。具體計(jì)算程序如圖1。

圖1 學(xué)習(xí)獲得覆蓋組程序圖

其次，以覆蓋中心為高斯核函數(shù)均值，取半徑為方差，對(duì)每一覆蓋Cij引入高斯核函數(shù)。

最后，利用最大似然迭代EM算法進(jìn)行最大似然擬合。

利用EM方法求解最大似然問(wèn)題，難點(diǎn)是如何正確地選取混合模型分量個(gè)數(shù)的問(wèn)題。這個(gè)問(wèn)題可利用覆蓋算法求得的覆蓋，作為EM算法的迭代起始值，能夠得到比較好地解決。因?yàn)槔酶采w算法求得的覆蓋組，基本上已是次優(yōu)的覆蓋，在此基礎(chǔ)上再利用EM算法進(jìn)行迭代就能很快求到最優(yōu)解。這也是對(duì)覆蓋算法的概率模型進(jìn)行改進(jìn)的成功所在。

5 實(shí)驗(yàn)結(jié)果分析

該實(shí)驗(yàn)將基于覆蓋算法的概率模型的信息篩選算法應(yīng)用到短波無(wú)線電通信對(duì)抗偵察中的信息獲取篩選部分［6］，用來(lái)驗(yàn)證實(shí)際效果。

實(shí)驗(yàn)包含三個(gè)部分:1)信號(hào)接收機(jī)，將采集信號(hào)作為分析數(shù)據(jù);2)訓(xùn)練采集信號(hào)的一部分作為樣本，利用上述模型進(jìn)行聚類分析;3)用另外部分的信號(hào)數(shù)據(jù)作為測(cè)試對(duì)比，用來(lái)檢驗(yàn)該模型的信息篩選效果。

本實(shí)驗(yàn)利用某型號(hào)的短波接收機(jī)，控制其在20MHz至30MHz頻段內(nèi)，按照5MHz步進(jìn)，按照從低到高循環(huán)進(jìn)行不斷的搜索，在本試驗(yàn)中以3min為一個(gè)周期，搜索到任何一頻點(diǎn)，駐留短暫的時(shí)隙(例如75ms)，此時(shí)從已經(jīng)連接電腦的接收機(jī)的頻率輸出端采集信號(hào)并存入數(shù)據(jù)庫(kù)或直接分析。接收機(jī)的中頻輸出頻率設(shè)置270kHz，帶寬設(shè)置為3kHz，采用帶通采樣的方式，采樣頻率設(shè)為25kHz。由于采集的數(shù)據(jù)是時(shí)域數(shù)據(jù)，不便于分析，在這里把采樣的時(shí)域數(shù)據(jù)利用快速傅立葉變換轉(zhuǎn)化為頻域數(shù)據(jù)后存入數(shù)據(jù)庫(kù)，經(jīng)過(guò)一段時(shí)間所采集的樣本達(dá)到所需要的數(shù)據(jù)量時(shí)再進(jìn)行分析處理。利用前一部分被采集的數(shù)據(jù)作為訓(xùn)練樣本，構(gòu)造神經(jīng)網(wǎng)絡(luò)，再用另一部分作為測(cè)試樣本，用于進(jìn)行對(duì)比測(cè)試［7］。

圖2是在20MHz至30MHz頻段之間，連續(xù)十個(gè)小時(shí)的信號(hào)頻占統(tǒng)計(jì)圖，約200個(gè)數(shù)據(jù)點(diǎn)，橫軸為頻率，縱軸為時(shí)間，圖中點(diǎn)的虛實(shí)代表該對(duì)應(yīng)的頻率和時(shí)間上信號(hào)的類別。實(shí)點(diǎn)表示環(huán)境中的雜波，虛點(diǎn)表示有用的信號(hào)。這樣的模擬數(shù)據(jù)符合實(shí)際情況和環(huán)境需要。有用的信號(hào)淹沒(méi)在其他電臺(tái)信號(hào)、噪聲干擾等，跳頻信號(hào)頻率不容易被提取。為了有效獲取信息，對(duì)圖2所示數(shù)據(jù)進(jìn)行預(yù)處理，經(jīng)算法處理，剔除干擾過(guò)濾噪聲后，頻率占用度如圖3所示，絕大部分噪聲被有效地濾除。

圖2 接收信號(hào)頻占圖

圖3 算法處理作的頻占圖

利用覆蓋算法的概率模型得到的改進(jìn)覆蓋算法，并與原覆蓋算法進(jìn)行數(shù)據(jù)挖掘，信息篩選得到的對(duì)比結(jié)果如表1所示。

表1 不同方法實(shí)驗(yàn)結(jié)果表

從表1得出，利用改進(jìn)覆蓋算法對(duì)有用信息進(jìn)行篩選，在過(guò)程中所用時(shí)間和正確率比原覆蓋算法和核覆蓋算法都有很大提高，這是由于改進(jìn)的算法從整體出發(fā)，對(duì)所有測(cè)試樣本都能到達(dá)最優(yōu)化。

6 結(jié)束語(yǔ)

本文從海量數(shù)據(jù)挖掘的方向考慮，在神經(jīng)元幾何意義的基礎(chǔ)上，介紹覆蓋算法的原理以及經(jīng)典算法;然后在覆蓋算法的基礎(chǔ)上，利用高斯函數(shù)的概率意義(高斯分布)，為覆蓋算法建立一個(gè)有限混合概率模型，提出了覆蓋算法的概率模型，對(duì)覆蓋算法進(jìn)行改進(jìn)，給出了一種新的算法，即基于覆蓋算法的概率模型的海量數(shù)據(jù)挖掘算法;利用這種改進(jìn)的算法組建神經(jīng)網(wǎng)絡(luò)，在保持計(jì)算復(fù)雜度不變的前提下，引入全局優(yōu)化模型，擴(kuò)大了覆蓋算法的使用范圍，提高了算法的精度，適合大規(guī)模數(shù)據(jù)挖掘。最后的實(shí)驗(yàn)驗(yàn)證了算法的實(shí)效性。此算法優(yōu)化后，可應(yīng)用于復(fù)雜電磁環(huán)境下的通信聯(lián)絡(luò)組織，用于將有價(jià)值的數(shù)據(jù)分離出來(lái)，提高了通信效率，增強(qiáng)了通信的有效性。

［1］ 張鈴，張鈸．多層反饋神經(jīng)網(wǎng)絡(luò)的FP學(xué)習(xí)和綜合算法［J］．軟件學(xué)報(bào)，1997，8(4):252-258．

［2］ 張鈴，張鈸．人工神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用［M］．杭州:科學(xué)技術(shù)出版社，1997年．

［3］ 張莉．SVM與核方法研究［D］．西安:西安電子科技大學(xué)，2002．

［4］ 趙姝，張燕平，張媛，等．基于交叉覆蓋算法的入侵檢測(cè)［J］．計(jì)算機(jī)工程與應(yīng)用，2005(1):141-143．

［5］ 張燕平，張鈴，段震．構(gòu)造性核覆蓋算法在圖像識(shí)別中的應(yīng)用［J］．中國(guó)圖象圖形學(xué)報(bào)，2004，9(11):1304-1308．

［6］ 張旻，陳加興．基于粒度計(jì)算和覆蓋算法的信號(hào)樣式識(shí)別［J］．計(jì)算機(jī)工程與應(yīng)用，2003(24):56-59．

［7］ 王倫文，張鈴，張旻．一種適合于無(wú)線電監(jiān)測(cè)的數(shù)據(jù)挖掘技術(shù)［J］．計(jì)算機(jī)工程與應(yīng)用，2004(4):37-40．

［8］ Heckman D．，Geiger D．，Chickering D．，Learning Bayesian Networks:the Combination of Knowledge and Statistical Data．Machine Learning［J］．1995，20(3):197-243．

［9］ Heckman D．，Mandani A．，Wellman M．，Real-World Applications of Bayesian Networks［J］．Communications of the ACM，1995，8(3):38-45．