基于改進(jìn)SVM的通信干擾識(shí)別

李敏+李時(shí)東+黃欣

摘 要： 目前直擴(kuò)通信系統(tǒng)的抗干擾算法僅能夠針對(duì)一種干擾類型進(jìn)行抑制，因此有必要對(duì)各類干擾進(jìn)行識(shí)別，從而選取相應(yīng)的抑制算法。針對(duì)通信干擾的識(shí)別方法進(jìn)行研究，建立基于SVM算法的通信干擾識(shí)別模型。常規(guī)SVM算法性能依賴于參數(shù)選取，而常規(guī)SVM算法參數(shù)選取多是通過(guò)人工經(jīng)驗(yàn)選取，存在較大的隨機(jī)性和盲目性，因此該文使用遺傳免疫粒子群優(yōu)化SVM算法，提高算法和識(shí)別模型的性能。使用Matlab針對(duì)研究的通信干擾識(shí)別模型進(jìn)行仿真。研究結(jié)果表明，所建立的通信干擾識(shí)別模型性能優(yōu)于常規(guī)SVM算法和BP算法建立的識(shí)別模型。

關(guān)鍵詞： 通信干擾識(shí)別； 直擴(kuò)系統(tǒng)； 支持向量機(jī)； 粒子群優(yōu)化算法

中圖分類號(hào)： TN911?34； TN911.72 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）24?0026?04

Communication jamming recognition based on improved SVM

LI Min， LI Shidong， HUANG Xin

（School of Information Engineering， Hubei University for Nationalities， Enshi 445000， China）

Abstract： The anti jamming algorithm of DSSS communication system can only restrain a type of interference， so it is necessary to identify all kinds of interference， so as to select the corresponding suppression algorithm. The recognition methods of communication jamming are studied in this paper. A communication jamming recognition model based on SVM algorithm is established. Since the properties of conventional SVM algorithm depend on parameter selection， and the parameter selection of the conventional SVM algorithm is selected by means of artificial experience， there are certain randomness and blindness. Therefore， genetic immune particle group optimization SVM algorithm is used in this paper to improve the performances of the algorithm and recognition model. Simulation study on the communication interference recognition model is conducted with Matlab. The results show that the the performance of the communication interference identification model established in this paper is superior to that of the conventional SVM algorithm and BP algorithm.

Keywords： communication interference recognition； direct spread system； support vector machine； particle swarm optimization algorithm

0 引 言

直接序列擴(kuò)展頻譜通信因其良好的隱蔽性、保密性以及組網(wǎng)方便等優(yōu)勢(shì)在軍事和民用領(lǐng)域得到了廣泛應(yīng)用。但是在具有較強(qiáng)的干擾空間中，直擴(kuò)系統(tǒng)的性能會(huì)受到強(qiáng)烈干擾。國(guó)內(nèi)外專家針對(duì)直擴(kuò)系統(tǒng)的抗干擾方法進(jìn)行深入研究，提出了針對(duì)各種干擾的抗干擾算法。然后各種抗干擾算法往往僅能夠針對(duì)一種干擾類型進(jìn)行抑制。因此有必要對(duì)各類干擾進(jìn)行識(shí)別，從而選取相應(yīng)的抑制算法。本文針對(duì)通信干擾的識(shí)別方法進(jìn)行研究[1?2]。

SVM（Support Vector Mechine）算法因其具有良好的分類識(shí)別能力，而被廣泛應(yīng)用于分類識(shí)別領(lǐng)域。但是SVM算法性能依賴于參數(shù)選取，而常規(guī)SVM算法參數(shù)選取多是通過(guò)人工經(jīng)驗(yàn)選取，存在較大的隨機(jī)性和盲目性。本文使用粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法對(duì)SVM參數(shù)進(jìn)行優(yōu)化，以提高SVM算法性能，建立基于改進(jìn)SVM算法的通信干擾識(shí)別模型。

1 干擾信號(hào)及特征提取

直擴(kuò)通信系統(tǒng)的干擾信號(hào)類型繁多，主要可以歸納為CW干擾、線性調(diào)頻干擾、跳頻干擾、寬帶梳狀譜干擾、脈沖干擾和BPSK干擾。各類干擾信號(hào)的模型如表1所示[3?7]。

2 改進(jìn)SVM算法

1995年P(guān)SO算法首次由專家學(xué)者提出。基本PSO算法的思想如下：設(shè)定在一個(gè)d維的搜索空間內(nèi)存在一個(gè)粒子群，該粒子群由m個(gè)粒子組成。設(shè)定某個(gè)粒子的空間位置表示為xi=（xi1，xi2，…，xid），i=1，2，…，m，該粒子經(jīng)歷的最優(yōu)位置設(shè)定為Pi，對(duì)應(yīng)的適應(yīng)度為Fi以及飛行速度為Vi。設(shè)定所有m個(gè)粒子經(jīng)歷的最優(yōu)位置為Pg，對(duì)應(yīng)的適應(yīng)度為Fg以及慣性權(quán)重為Wk。通過(guò)下列迭代過(guò)程計(jì)算第n+1代粒子中第i個(gè)粒子的d維[11?12]：

式中：rand（1）和rand（2）是隨機(jī)數(shù)，范圍在0～1；c1和c2為加速系數(shù)；常規(guī)的PSO算法初期的收斂效率較高，但是后期收斂效率低，容易陷入局部最小值。本文使用遺傳算法和免疫選擇算法優(yōu)化PSO算法。使用遺傳組合算子對(duì)粒子群的搜索空間進(jìn)行擴(kuò)張，同時(shí)使用免疫選擇算子加快尋找最優(yōu)解效率[13]。改進(jìn)方法如下：

（1） 根據(jù)設(shè)定雜交概率進(jìn)行隨機(jī)組合，即粒子位置信息雜交：

經(jīng)雜交操作后，從父代個(gè)體中生產(chǎn)2個(gè)新位置，從而提高粒子飛行隨機(jī)可能性，提高粒子多樣性。

（2） 使用免疫選擇算法對(duì)隨機(jī)生產(chǎn)的新位置以設(shè)定的概率進(jìn)行免疫選取，從而提高尋找最優(yōu)解的效率。

（3） 使用獎(jiǎng)勵(lì)機(jī)制在粒子適應(yīng)度達(dá)到設(shè)定值時(shí)放大適應(yīng)度值，使用懲罰機(jī)制在粒子適應(yīng)度偏離設(shè)定值時(shí)縮小適應(yīng)度值。從而提高在縮小的搜索空間中尋找最優(yōu)解的概率。適應(yīng)度函數(shù)修改為：

式中：[A0]為用于衡量誤差的平均相對(duì)變動(dòng)值，[A0=i=1Nyi-yi2i=1Nyi-yi2]；懲罰和獎(jiǎng)勵(lì)因子為[ω=10， A0>A10.1， A0

（4） 使用線性遞減權(quán)值優(yōu)化慣性權(quán)重w。

SVM算法中的核函數(shù)對(duì)算法性能影響重大，因此本文使用結(jié)構(gòu)簡(jiǎn)單、易于實(shí)現(xiàn)、計(jì)算效率較高的高斯徑向基核作為SVM算法的核函數(shù)。本文使用的支持向量機(jī)參數(shù)優(yōu)化數(shù)學(xué)模型為：

通過(guò)求取特定空間中的懲罰系數(shù)C和核函數(shù)參數(shù)[σ]，使用訓(xùn)練樣本得到基于SVM算法的識(shí)別模型，使得對(duì)測(cè)試樣本進(jìn)行識(shí)別準(zhǔn)確率達(dá)到最大[14?15]。

綜上，使用遺傳免疫粒子群優(yōu)化SVM算法過(guò)程如下[16]：

步驟1：對(duì)基本粒子群進(jìn)行初始化。

步驟2：針對(duì)粒子當(dāng)前位置，確定懲罰系數(shù)C和核函數(shù)參數(shù)[σ]。使用訓(xùn)練樣本建立基于SVM算法的識(shí)別模型，使用測(cè)試數(shù)據(jù)確定適應(yīng)度函數(shù)，使用獎(jiǎng)勵(lì)和懲罰機(jī)制確定適應(yīng)度函數(shù)值。

步驟3：由粒子適應(yīng)度值對(duì)Pbest，Gbest及群體的位置、速度進(jìn)行確定。

步驟4：使用遺傳算法和免疫選擇算法對(duì)粒子進(jìn)行雜交和免疫選擇操作。

步驟5：當(dāng)算法滿足收斂條件，確定懲罰系數(shù)C和核函數(shù)參數(shù)[σ]，結(jié)束算法優(yōu)化；若收斂條件不滿足，則跳至步驟2。

3 通信干擾識(shí)別仿真研究

使用Matlab針對(duì)本文研究的通信干擾識(shí)別模型進(jìn)行仿真研究。所使用的直接序列擴(kuò)展頻譜通信系統(tǒng)的主要參數(shù)為：

碼速率為1 Kb/s；擴(kuò)頻增益為31；采樣點(diǎn)為31 744個(gè)；采樣速率為chip速率[17]。

改進(jìn)的SVM算法中，粒子群種群規(guī)模設(shè)置為20，最大迭代次數(shù)為200，加速因子c1和c2設(shè)定為1.5，慣性權(quán)重設(shè)定為[0.5，1.5]，雜交概率為0.5，免疫選擇概率設(shè)定為0.3，懲罰系數(shù)設(shè)定為[1，1 000]，核參數(shù)設(shè)定為[0.1，5]。使用0～30 dB范圍內(nèi)的干信比數(shù)據(jù)對(duì)本文研究的通信干擾識(shí)別模型進(jìn)行訓(xùn)練和測(cè)試。使用常規(guī)SVM算法和BP神經(jīng)網(wǎng)絡(luò)算法建立通信干擾識(shí)別模型與本文研究的改進(jìn)SVM算法進(jìn)行對(duì)比。三種模型在不同干信比下的識(shí)別結(jié)果如圖1～圖3所示。

對(duì)比常規(guī)SVM算法、BP神經(jīng)網(wǎng)絡(luò)算法以及本文研究的改進(jìn)型SVM算法建立的通信干擾識(shí)別模型的識(shí)別準(zhǔn)確率，可以看出，使用BP神經(jīng)網(wǎng)絡(luò)算法的模型識(shí)別性能最弱，僅當(dāng)干信比超過(guò)20 dB時(shí)，模型識(shí)別率方能達(dá)到100%，使用常規(guī)SVM算法的模型識(shí)別性能較弱，當(dāng)干信比超過(guò)11 dB時(shí)，模型識(shí)別率方能達(dá)到100%，使用改進(jìn)SVM算法的模型識(shí)別性能最好，當(dāng)干信比超過(guò)6 dB時(shí)，模型識(shí)別率能夠達(dá)到100%。

4 結(jié) 論

本文針對(duì)通信干擾的識(shí)別方法進(jìn)行研究，建立基于SVM算法的通信干擾識(shí)別模型。常規(guī)SVM算法性能依賴于參數(shù)選取，而常規(guī)SVM算法參數(shù)選取多是通過(guò)人工經(jīng)驗(yàn)選取，存在較大的隨機(jī)性和盲目性，因此本文使用遺傳免疫粒子群優(yōu)化SVM算法，提高算法和識(shí)別模型的性能。使用Matlab針對(duì)本文研究的通信干擾識(shí)別模型進(jìn)行仿真研究。研究結(jié)果表明，本文建立的通信干擾識(shí)別模型能夠?qū)Ω尚疟瘸^(guò)6 dB的干擾信號(hào)進(jìn)行100%識(shí)別，而使用BP神經(jīng)網(wǎng)絡(luò)算法的模型識(shí)別能夠?qū)Ω尚疟瘸^(guò)20 dB的干擾信號(hào)進(jìn)行100%識(shí)別，使用SVM算法的模型識(shí)別能夠?qū)Ω尚疟瘸^(guò)11 dB的干擾信號(hào)進(jìn)行100%識(shí)別。

參考文獻(xiàn)

[1] 邵高平，安建平，沈庭芝.直擴(kuò)系統(tǒng)中基于匹配追蹤的調(diào)頻干擾識(shí)別方法研究[J].信號(hào)處理，2010（1）：115?120.

[2] 邵高平，安建平.基于匹配信號(hào)變換的非線性調(diào)頻干擾抑制方法[J].北京理工大學(xué)學(xué)報(bào)，2010（1）：83?87.

[3] 殷復(fù)蓮，盧滿宏，郭黎利.測(cè)控通信干擾抑制技術(shù)綜述[J].宇航學(xué)報(bào)，2009（5）：1757?1764.

[4] 佘沛.直擴(kuò)系統(tǒng)中寬帶非線性調(diào)頻干擾抑制技術(shù)研究[D].鄭州：解放軍信息工程大學(xué)，2010.

[5] 于波.直擴(kuò)系統(tǒng)中的干擾類型識(shí)別方法研究[D].鄭州：解放軍信息工程大學(xué)，2010.

[6] 王洋.直擴(kuò)系統(tǒng)中線性調(diào)頻干擾抑制技術(shù)研究[D].哈爾濱：哈爾濱工程大學(xué)，2010.

[7] 任孝民.DSSS通信中非平穩(wěn)干擾抑制方法研究[D].鄭州：解放軍信息工程大學(xué)，2009.

[8] 李林甫.干擾識(shí)別技術(shù)研究與實(shí)現(xiàn)[D].西安：西安電子科技大學(xué)，2014.

[9] 沈家瑞.通信對(duì)抗中的干擾識(shí)別技術(shù)研究[D].成都：電子科技大學(xué)，2011.

[10] 申麗然，郭黎利，尹清波.基于分?jǐn)?shù)階傅里葉變換的直擴(kuò)通信快速線性調(diào)頻干擾抑制[J].科學(xué)技術(shù)與工程，2014（1）：59?65.

[11] 鄭含博，王偉，李曉綱，等.基于多分類最小二乘支持向量機(jī)和改進(jìn)粒子群優(yōu)化算法的電力變壓器故障診斷方法[J].高電壓技術(shù)，2014（11）：3424?3429.

[12] 莊夏，戴敏，何元清.基于改進(jìn)粒子群優(yōu)化LSSVM的飛機(jī)發(fā)動(dòng)機(jī)故障診斷[J].實(shí)驗(yàn)技術(shù)與管理，2013（2）：54?57.

[13] 楊柳松，何光宇.基于改進(jìn)粒子群優(yōu)化的SVM故障診斷方法[J].計(jì)算機(jī)工程，2013（3）：187?190.

[14] 鄭含博.電力變壓器狀態(tài)評(píng)估及故障診斷方法研究[D].重慶：重慶大學(xué)，2012.

[15] 沙立成，宋珺琤.基于改進(jìn)粒子群優(yōu)化LS?SVM的變壓器故障氣體預(yù)測(cè)[J].華北電力大學(xué)學(xué)報(bào)（自然科學(xué)版），2011（1）：35?38.

[16] 徐甜麗.基于改進(jìn)粒子群算法的軌道電路故障診斷方法研究[D].蘭州：蘭州交通大學(xué)，2014.

[17] 于波，邵高平，孫紅勝，等.直擴(kuò)系統(tǒng)中基于SVM的干擾自動(dòng)分類識(shí)別方法[J].信號(hào)處理，2010（10）：1539?1543.