融合深度學(xué)習(xí)和棧式自編碼算法的異常無線電信號(hào)監(jiān)測方法

魏小忠，申浩，劉紅杰

（1.江西省無線電監(jiān)測站，江西 南昌 330000；2.江西省工業(yè)和信息化廳鷹潭市無線電管理局，江西 鷹潭 335000；3.北京博識(shí)廣聯(lián)科技有限公司，北京 100098）

0 引言

隨著5G 的發(fā)展，無線電的應(yīng)用需求顯著增加，無線電監(jiān)測也上升到前所未有的重要戰(zhàn)略地位。無線電應(yīng)用需求和現(xiàn)有空間電磁環(huán)境復(fù)雜多變成為無線電管理機(jī)構(gòu)必須面對的迫切問題。

無線電信號(hào)監(jiān)測是采用特定的手段對無線電信號(hào)的頻譜使用情況和時(shí)空占用情況進(jìn)行監(jiān)測，并對異常的干擾源、非法使用的無線電源進(jìn)行消除，維持合法的電波秩序。目前無線電信號(hào)監(jiān)測相關(guān)的研究包括：Yin 等人[1]利用歷史無線電頻譜測量數(shù)據(jù)的周期性特征構(gòu)建時(shí)域-頻域時(shí)空模型，并采用馬氏距離測量任意時(shí)隙的頻譜資源測量數(shù)據(jù)時(shí)空特征與模型頻譜數(shù)據(jù)時(shí)空特征的偏差，進(jìn)而來實(shí)現(xiàn)頻譜資源的異常告警；閆戈[2]融合邏輯回歸算法和樸素貝葉斯算法統(tǒng)計(jì)頻譜監(jiān)測數(shù)據(jù)的特征屬性規(guī)律性，實(shí)現(xiàn)對頻譜測量數(shù)據(jù)的異常監(jiān)測；Jordan 等人[3]針對異常無線電信號(hào)特征不確定性，采用自編碼網(wǎng)絡(luò)技術(shù)提取無線電信號(hào)的特征編碼，探求無線電信號(hào)特征的分布情況，提升異常信號(hào)的識(shí)別與分辨的性能；Oshea 等人[4]針對無線電存在大量噪音和頻譜相互干擾的問題，采用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)獲取無線電頻譜的高層次特征，提升異常信號(hào)的識(shí)別精度；NE West 等人[5]采用融合卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)來提取無線電信號(hào)的時(shí)空特征，實(shí)現(xiàn)無線電信號(hào)的自動(dòng)識(shí)別；孫倩彤[6]從大量實(shí)際樣本提取無線電信號(hào)的特征，結(jié)合無監(jiān)督的異常監(jiān)測方法生成異常無線電信號(hào)的判別標(biāo)準(zhǔn)。劉觀華[7]采用模糊C 均值聚類方法獲取無線電信號(hào)的特征權(quán)重，結(jié)合有序加權(quán)聚合算子對特征權(quán)重進(jìn)行聚合，實(shí)現(xiàn)無線電異常信號(hào)的判別；Li 等人[8]采用改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)對大量帶標(biāo)識(shí)的無線電信號(hào)進(jìn)行分類，實(shí)現(xiàn)無線電異常信號(hào)的識(shí)別；劉栩楠[9]針對無線電監(jiān)測數(shù)據(jù)采樣率不高的問題，提出基于局部可達(dá)距離的離群點(diǎn)檢測和非離群點(diǎn)分類方法實(shí)現(xiàn)異常無線電的監(jiān)測；馮博[10]針對無線電信號(hào)存在人工操作的工作量過大和人工經(jīng)驗(yàn)限制等問題，提出一種基于支持向量機(jī)的無線電異常信號(hào)識(shí)別方法，提升無線電信號(hào)識(shí)別的效率。然而，無線電信號(hào)存在采樣率過低、數(shù)據(jù)量大、信息特征高維、隨機(jī)干擾因素多、多種業(yè)務(wù)信號(hào)互相干擾導(dǎo)致電磁環(huán)境復(fù)雜多變等特征，對異常無線電信號(hào)監(jiān)測與識(shí)別帶來很大的難度，傳統(tǒng)的方法往往存在信號(hào)特征提取不完備、噪音干擾過大、異常信號(hào)閾值確定難度大、預(yù)警虛報(bào)率過高等問題。

本文針對上述情況，提出一種融合深度學(xué)習(xí)和棧式自編碼算法的無線電異常信號(hào)監(jiān)測方法，該方法基于正常無線電信號(hào)頻譜的使用周期和頻率具有高度相似性，頻譜使用空間具有固定性的特征，采用滑動(dòng)窗口的方法重構(gòu)無線電信號(hào)數(shù)據(jù)的時(shí)空特征；針對無線電信號(hào)特征提取的不完備的問題，在重構(gòu)時(shí)空數(shù)據(jù)的基礎(chǔ)上，采用深度學(xué)習(xí)的方法提取無線電信號(hào)的時(shí)空特征；針對無線電信號(hào)的噪音干擾過大的問題，采用棧式自編碼網(wǎng)絡(luò)對時(shí)空特征進(jìn)行稀疏編碼再重構(gòu)，剔除噪音干擾對無線電信號(hào)時(shí)空特征的影響，增強(qiáng)時(shí)空特征的抗干擾能力，最后，針對動(dòng)態(tài)復(fù)雜電磁環(huán)境導(dǎo)致的異常信號(hào)閾值確定難度大的問題，采用聚類算法對重構(gòu)特征進(jìn)行聚類，自適應(yīng)門限值技術(shù)獲取動(dòng)態(tài)、自適應(yīng)的閾值，實(shí)現(xiàn)無線電異常信號(hào)的智能監(jiān)測。

1 無線電信號(hào)異常分析

由于頻譜資源的使用具有周期性，因此，掃描的無線電頻譜數(shù)據(jù)會(huì)呈現(xiàn)出高度的相似性。無線電信號(hào)監(jiān)測通常對頻譜數(shù)據(jù)進(jìn)行異常指數(shù)轉(zhuǎn)化，然后對業(yè)務(wù)頻段和空閑頻段的頻譜異常指數(shù)時(shí)間序列圖進(jìn)行人工檢測，如果異常指數(shù)的偏離度超出容忍值，那么就判斷無線電信號(hào)存在異常。圖1 顯示某天空閑頻段的頻譜異常指數(shù)時(shí)間序列圖。

圖1 空閑頻段的頻譜異常指數(shù)時(shí)間序列圖

從圖1 可知，空閑頻段一般情況下僅僅受到噪音的影響，工作人員對空閑頻段的頻譜異常指數(shù)時(shí)間序列圖進(jìn)行異常監(jiān)測相對簡單，如果頻段異常指數(shù)超出某個(gè)容忍值則可以判斷為異常值，圖1 有兩處是異常值，分別是15—20 與180—200 這兩個(gè)位置存在異常。

對于業(yè)務(wù)頻段數(shù)據(jù)則沒有那么簡單，由于業(yè)務(wù)頻段數(shù)據(jù)自身具有一定的周期性，因此需要采用分段的方式構(gòu)建業(yè)務(wù)頻譜異常指數(shù)的時(shí)間序列圖。

從圖2 可知，業(yè)務(wù)頻段不僅受到外部噪音的影響，還會(huì)由于接收儀器本身的不穩(wěn)定而造成信號(hào)波動(dòng)，工作人員對業(yè)務(wù)頻段的頻譜異常指數(shù)時(shí)間序列圖進(jìn)行異常監(jiān)測則相對復(fù)雜，不僅要考慮業(yè)務(wù)頻段在不同時(shí)間段的周期特征，還要判斷信號(hào)產(chǎn)生波動(dòng)原因。

為了應(yīng)對信號(hào)周期性、外部噪音引起的波動(dòng)性、接收儀器不穩(wěn)定引起的波動(dòng)性，本文采用數(shù)據(jù)重構(gòu)的方法對信號(hào)的周期性進(jìn)行提取，并結(jié)合深度學(xué)習(xí)提取信號(hào)的特征；在此基礎(chǔ)上，借助棧式自編碼網(wǎng)絡(luò)進(jìn)行特征重構(gòu)，以期剔除由于外部噪音和接收儀器不穩(wěn)定對頻譜數(shù)據(jù)的干擾，提高信號(hào)時(shí)空特征的“純度”；最后，考慮到電磁環(huán)境的復(fù)雜性，采用固定的閾值法對異常信號(hào)進(jìn)行識(shí)別不具有實(shí)操性，因此，本文采用聚類和閾值法實(shí)現(xiàn)異常無線電信號(hào)的動(dòng)態(tài)識(shí)別，增強(qiáng)異常檢測模型的自主性。下面詳細(xì)說明如何采用深度學(xué)習(xí)和棧式自編碼算法的無線電信號(hào)異常監(jiān)測過程。

2 無線電信號(hào)時(shí)空特征的提取

（1）重構(gòu)無線電信號(hào)時(shí)空數(shù)據(jù)

影響異常無線電信號(hào)監(jiān)測與識(shí)別的因素維度包括信號(hào)數(shù)據(jù)的空間屬性、時(shí)間屬性以及采樣率、獲取隨機(jī)性等。空間屬性包括不同信號(hào)源方向性、正交性、頻譜占用度等；時(shí)間屬性包括信號(hào)的頻率、持續(xù)時(shí)間、周期等特征以及信號(hào)發(fā)射之間的先后與同時(shí)的關(guān)系。異常無線電信號(hào)監(jiān)測與識(shí)別受到現(xiàn)有的采樣率、采樣數(shù)據(jù)獲取的隨機(jī)性影響，因此需要對無線電信號(hào)數(shù)據(jù)進(jìn)行重構(gòu)，重構(gòu)數(shù)據(jù)不僅需要考慮到信號(hào)的時(shí)間屬性和空間相互影響的關(guān)系，還要考慮采樣率、獲取數(shù)據(jù)的隨機(jī)性、信號(hào)的持續(xù)時(shí)間、周期特征等因素。

本文重構(gòu)無線電信號(hào)的時(shí)空數(shù)據(jù)的思路：結(jié)合采樣率、信號(hào)的持續(xù)時(shí)間、周期特征確定滑動(dòng)周期，以單個(gè)網(wǎng)格截取的所有空間數(shù)據(jù)來重構(gòu)單個(gè)樣本的時(shí)空數(shù)據(jù)。比如：以某一個(gè)無線電監(jiān)測的網(wǎng)格的廣播電臺(tái)頻段（87—108 MHz）為例，以100 kHz 為采樣步長切分為211維，按照采樣率為5 分鐘/次，以4 小時(shí)為滑動(dòng)周期來構(gòu)造該網(wǎng)格的某一個(gè)樣本的二維矩陣，那么樣本大小為48×211。按照上述的方法，重構(gòu)無線電信號(hào)的時(shí)空數(shù)據(jù)。如圖3 所示。

（2）采用卷積神經(jīng)網(wǎng)絡(luò)獲取無線電信號(hào)時(shí)空數(shù)據(jù)的特征

圖2 業(yè)務(wù)頻段的頻譜異常指數(shù)時(shí)間序列圖

重構(gòu)的時(shí)空數(shù)據(jù)具有時(shí)間和空間不同維度的性質(zhì)，其特征融合無線電信號(hào)的時(shí)空特征，更具可讀性。本文采用深度學(xué)習(xí)的經(jīng)典算法之一——卷積神經(jīng)網(wǎng)絡(luò)對重構(gòu)的無線電信號(hào)時(shí)空數(shù)據(jù)進(jìn)行特征提取，在卷積層對特征進(jìn)行高層語義提取，在池化層對語義特征進(jìn)行降維操作。卷積層進(jìn)行高層語義提取，從空間尺度上，減少了噪音對無線電信號(hào)時(shí)空特征提取的影響，從空間維度上提升了無線電信號(hào)特征信息提取的精度。池化層面進(jìn)行降維操作，從時(shí)間尺度上更好地提取無線電信號(hào)的周期特征，從時(shí)間維度上展現(xiàn)無線電信號(hào)特征的“動(dòng)態(tài)”變化。

3 基于棧式自編碼網(wǎng)絡(luò)的時(shí)空特征重構(gòu)

基于卷積神經(jīng)網(wǎng)絡(luò)提取的無線電信號(hào)時(shí)空特征雖然在一定程度上降低了噪音對無線電信號(hào)的影響，考慮到無線電環(huán)境具有高度復(fù)雜性，本文采用棧式自編碼網(wǎng)絡(luò)對無線電信號(hào)進(jìn)行時(shí)空特征重構(gòu)，以期進(jìn)一步抑制噪音的干擾，提升了異常無線電信號(hào)識(shí)別的準(zhǔn)確率。

基于棧式自編碼網(wǎng)絡(luò)的時(shí)空特征重構(gòu)過程：對無線電信號(hào)時(shí)空特征進(jìn)行稀疏編碼再重構(gòu)，通過棧式自編碼網(wǎng)絡(luò)的前幾層，完成對上一步卷積神經(jīng)網(wǎng)絡(luò)提取的無線電信號(hào)時(shí)空特征進(jìn)行再提取，獲得高階特征；在網(wǎng)絡(luò)的最后一層隱含層獲取到重構(gòu)的特征s 以及重構(gòu)基向量A。其中重構(gòu)特征s 是網(wǎng)絡(luò)最后一層隱含層的激活值，重構(gòu)基向量A 是最后一層隱含層與輸出層神經(jīng)元之間連接的權(quán)重。為了實(shí)現(xiàn)時(shí)空特征的重構(gòu)，棧式自編碼網(wǎng)絡(luò)的目標(biāo)函數(shù)可以表示為：

式(1)的第一部分表示無線電信號(hào)時(shí)空特征重構(gòu)與上一步卷積神經(jīng)網(wǎng)絡(luò)提取時(shí)空特征的差異性，通過規(guī)則化，將誤差最小化，保證關(guān)鍵的有效特征被保留；式(1)的第二部分表示稀疏懲罰項(xiàng)，采用近似值平滑策略來實(shí)現(xiàn)重構(gòu)特征的懲罰，由于本文的無線電信號(hào)時(shí)空特征沒有進(jìn)行縮放操作，因此不需要對重構(gòu)基向量A 進(jìn)行約束。

4 基于聚類和閾值法的異常無線電信號(hào)快速識(shí)別

由于本文采用滑動(dòng)窗口的方法來重構(gòu)無線電信息的時(shí)空數(shù)據(jù)，因此，重構(gòu)特征會(huì)克服由于電磁環(huán)境本身發(fā)生輕微干擾時(shí)所出現(xiàn)的暫時(shí)性“偏離”的現(xiàn)象。重構(gòu)樣本的時(shí)空數(shù)據(jù)本身就反映整個(gè)時(shí)間周期內(nèi)的時(shí)空特征，因此，無線電信號(hào)長時(shí)間“偏離”的現(xiàn)象就可以認(rèn)定為異常無線電信號(hào)的關(guān)鍵特征。

本文在重構(gòu)無線電時(shí)空特征的基礎(chǔ)上，采用k-means 聚類方法實(shí)現(xiàn)實(shí)時(shí)監(jiān)測數(shù)據(jù)正常信號(hào)和異常的相似度度量。

隨機(jī)選取上一步獲得的棧式自編碼網(wǎng)絡(luò)重構(gòu)時(shí)空特征是si，找到與該重構(gòu)時(shí)空特征sj距離最近的樣本，采用向量的余弦值衡量兩個(gè)特征的相似性，公式如式(2)。

判斷兩個(gè)特征的相似性是否達(dá)到閾值，如果達(dá)到閾值就做出同樣類別的標(biāo)記，否則，做出不一樣類別的標(biāo)記，不斷迭代，直至迭代完畢。通過聚類，找出正常無線電信息的某類相似特征。為了適應(yīng)不同電磁環(huán)境和監(jiān)測的實(shí)際監(jiān)測管理要求，對無線電信號(hào)的相似性特征采用自適應(yīng)門限值技術(shù)設(shè)置一個(gè)報(bào)警閾值，增強(qiáng)異常檢測模型的自主性，實(shí)現(xiàn)無線電異常信號(hào)的智能監(jiān)測。

圖3 基于無線電時(shí)空數(shù)據(jù)提取的時(shí)空特征示意圖

5 實(shí)驗(yàn)驗(yàn)證

本文通過實(shí)驗(yàn)?zāi)M廣播發(fā)射信號(hào)場景，在實(shí)驗(yàn)中模擬5 個(gè)授權(quán)電臺(tái)和2 個(gè)非法電臺(tái)，共模擬523 條無線電信號(hào)，其中有17 條是非法無線電臺(tái)所發(fā)出的異常無線電信號(hào)。在本次實(shí)驗(yàn)中，為了檢驗(yàn)本文提出算法的可靠性和擴(kuò)展性，對上述的數(shù)據(jù)集分別進(jìn)行15 次實(shí)驗(yàn)，每次實(shí)驗(yàn)采用隨機(jī)抽取的方式抽取1/3 數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)，剩下的2/3 數(shù)據(jù)集作為測試數(shù)據(jù)。在設(shè)置固定的正常信號(hào)和異常信號(hào)閾值的基礎(chǔ)上，采用Matlab 對本文的算法進(jìn)行編程，并對上述的訓(xùn)練集和測試集數(shù)據(jù)進(jìn)行仿真分析，得到的仿真結(jié)果如圖4 所示。

從圖4 可知，每次實(shí)驗(yàn)都有訓(xùn)練準(zhǔn)確率和測試準(zhǔn)確率，一般來說，訓(xùn)練準(zhǔn)確率越高越好，但是如果訓(xùn)練準(zhǔn)確率過高，有可能帶來泛化效果不好，圖4 第2 次、第12 次和第15 次的仿真結(jié)果表明，雖然訓(xùn)練模型的準(zhǔn)確率很高，但是該模型用于測試數(shù)據(jù)確不如人意。因此，為了保證模型的泛化能力，不僅要考慮訓(xùn)練準(zhǔn)確率和測試準(zhǔn)確率的平均值大小，還要考慮訓(xùn)練準(zhǔn)確率和測試準(zhǔn)確率兩者之間的差異，讓它們之間的差異盡可能減小。因此，本文選擇第11 次的仿真結(jié)果作為本文的最終模型選擇。

為了驗(yàn)證本文所選模型的有效性，讓授權(quán)電臺(tái)發(fā)送7 次正常信號(hào)，讓非法電臺(tái)發(fā)送5 次異常信號(hào)，在采集信號(hào)數(shù)據(jù)的基礎(chǔ)上，分別讓人工經(jīng)驗(yàn)和本文所選擇的最終模型對信號(hào)的異常性進(jìn)行判斷，得到的結(jié)果如表1 所示。

從表1 可知，采用人工經(jīng)驗(yàn)的方法對異常信號(hào)進(jìn)行經(jīng)驗(yàn)值判別，其準(zhǔn)確率只有66.7%，而本文算法準(zhǔn)確率平均值為83.3%，說明本文算法對異常無線電信號(hào)的識(shí)別準(zhǔn)確率比傳統(tǒng)算法高。這是因?yàn)楸疚牡乃惴ú扇∫韵虏襟E來提升異常無線電信號(hào)識(shí)別的精度：（1）在重構(gòu)無線電信號(hào)時(shí)空數(shù)據(jù)基礎(chǔ)上，采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)空特征提取，在一定程度上剔除噪音和隨機(jī)因素的干擾；（2）采用棧式自編碼網(wǎng)絡(luò)進(jìn)一步抑制噪音和隨機(jī)因素的干擾，為異常無線電信號(hào)精準(zhǔn)識(shí)別提供基礎(chǔ)；（3）基于k-means 聚類，采用自適應(yīng)門限值技術(shù)對信號(hào)特征設(shè)置一個(gè)報(bào)警閾值，實(shí)現(xiàn)異常無線電信號(hào)的動(dòng)態(tài)、自適應(yīng)監(jiān)測，能夠動(dòng)態(tài)應(yīng)對無線電復(fù)雜環(huán)境的變化?；谏鲜龇治?，本文提出融合深度學(xué)習(xí)和棧式自編碼算法的無線電信號(hào)異常監(jiān)測方法具有一定的可靠性和擴(kuò)展性。

表1 人工算法與本文算法準(zhǔn)確率對比

圖4 訓(xùn)練集和測試集的仿真結(jié)果

6 結(jié)束語

本文提出一種融合深度學(xué)習(xí)和棧式自編碼算法的無線電異常信號(hào)監(jiān)測方法，該方法不僅考慮了無線電信號(hào)的時(shí)空信息，還考慮無線電信號(hào)的噪音干擾對異常無線電信號(hào)識(shí)別的影響。由于無線電信息本身具有高維性，因此需要采用深度學(xué)習(xí)方法和棧式自編碼網(wǎng)絡(luò)提取數(shù)據(jù)的低維特征，使得提取的低維特征的表達(dá)能力更強(qiáng)、更具可讀性。最后，考慮到無線電磁環(huán)境的復(fù)雜性，采用聚類算法和自適應(yīng)門限值技術(shù)，設(shè)置一個(gè)動(dòng)態(tài)的閾值來識(shí)別異常無線電信號(hào)，使之動(dòng)態(tài)適應(yīng)無線電環(huán)境的變化和實(shí)際監(jiān)測管理的要求，增強(qiáng)異常檢測模型的自主性。通過實(shí)驗(yàn)表明，融合深度學(xué)習(xí)和棧式自編碼算法的監(jiān)測方法在異常無線電信號(hào)識(shí)別上比人工經(jīng)驗(yàn)?zāi)Ｐ透行ВA(yù)測精度更高，具有一定的擴(kuò)展性。