基于改進深度學習方法的電子通信設備信號異常自動識別

任遠林，聶凱

基于改進深度學習方法的電子通信設備信號異常自動識別

任遠林，聶凱

（安徽工商職業(yè)學院 應用工程學院，合肥 231131）

為了提高電子通信設備信號異常自動識別的能力，提出基于改進深度學習的電子通信設備信號異常自動識別方法。構建電子通信設備信號的傳輸信道均衡調(diào)節(jié)模型，采用深度學習方法實現(xiàn)對電子通信設備信號的輸出均衡調(diào)度，通過波束間隔均衡控制方法實現(xiàn)對電子通信設備輸出信號譜分析和異常特征提取，以此為基礎采用改進深度學習方法實現(xiàn)對電子通信設備信號異常自動識別。仿真結果表明，采用該方法進行電子通信設備信號異常自動識別的精度較高，性能較好。

改進深度學習；電子通信設備；信號異常；自動識別；傳輸信道

隨著電子通信技術的發(fā)展，對電子通信設備的安全性和可靠性提出了更高的要求，需要構建優(yōu)化的電子通信設備信號異常特征檢測模型，通過分析電子通信設備信號異常特征量，結合信號特征分析和通信信道均衡控制的方法，實現(xiàn)對電子通信設備信號異常特征自動識別，提高電子通信設備信號異常識別和分析能力，相關的電子通信設備信號異常識別和自動識別方法研究受到人們的極大關注[1]。

對電子通信設備信號異常自動識別是建立在對電子通信設備信號的特征分析基礎上，構建多維分布式傳感信息跟蹤識別模型，實現(xiàn)對電子通信設備信號檢測和傳感信息特征提取[2]，傳統(tǒng)方法中，對電子通信設備信號異常識別方法主要有基于關聯(lián)規(guī)則特征分析的電子通信設備信號異常特征識別方法、基于模糊度特征提取電子通信設備信號異常識別方法、統(tǒng)計特征分析方法和關聯(lián)規(guī)則識別方法等[3-5]，建立電子通信設備信號異常自動識別的統(tǒng)計分析模型，通過關聯(lián)規(guī)則融合調(diào)度和模糊度特征提取方法，實現(xiàn)對電子通信設備信號異常識別，但傳統(tǒng)方法進行電子通信設備信號異常識別的精度不高，實際應用效果不好。針對上述問題，本文提出基于改進深度學習的電子通信設備信號異常自動識別方法。首先構建電子通信設備信號的傳輸信道均衡調(diào)節(jié)模型，采用深度學習方法實現(xiàn)對電子通信設備信號的輸出均衡調(diào)度，通過波束間隔均衡控制方法，實現(xiàn)對電子通信設備信號匹配和譜分析，結合特征分布式提取和參數(shù)優(yōu)化估計的方法，結合改進深度學習方法實現(xiàn)對電子通信設備信號異常自動識別。最后進行仿真測試分析，展示了本文方法在提高電子通信設備信號異常自動識別能力方面的優(yōu)越性能。

1 電子通信設備信號傳輸信道分析

1.1 信道均衡調(diào)節(jié)模型

為了實現(xiàn)基于改進深度學習的電子通信設備信號異常自動識別，需要首先構建電子通信設備信號的傳輸信道均衡調(diào)節(jié)模型，采用深度學習進行電子通信設備信號傳輸信道控制和自適應尋優(yōu)，采用人工智能算法對電子通信設備信號進行頻譜分解運算：

采用深度學習方法實現(xiàn)對電子通信設備信號的輸出均衡調(diào)度，構建電子通信設備信號的信道均衡調(diào)節(jié)模型如圖1所示。

1.2 傳輸信道分析

對電子通信設備信號進行時頻局部化處理，計算數(shù)據(jù)的新近似值和新殘差[7]，得到電子通信設備的窗函數(shù)的輸出樣本記為

建立電子通信設備信號輸出的動態(tài)相位補償模型，通過波束間隔均衡控制方法實現(xiàn)對電子通信設備信號匹配和譜分解，得到最小收斂誤差為

2 電子通信設備信號異常自動識別

2.1 信號異常特征提取

采用近似范函數(shù)解析的方法，得到電子通信設備信號有效特征量：

根據(jù)電子通信設備信號特征量聚集點，對電子通信設備的左右波束信號進行特征值分解，提取電子通信設備信號異常特征高分辨譜結果[9]，采用波束間隔均衡控制方法，實現(xiàn)對電子通信設備信號異常特征提取：

2.2 信號異常自動識別優(yōu)化

對電子通信設備信號進行重組，得到電子通信設備信號的異常譜分布為

本文主要以卷積神經(jīng)網(wǎng)絡為代表的多種深度學習算法為基礎，通過分析其網(wǎng)絡拓撲結構，搭建了一種新的深度學習網(wǎng)路，該網(wǎng)絡主要由輸入層、采樣層、連接層、卷積層以及輸出層組成，改進后的神經(jīng)網(wǎng)絡結構見圖2。

圖2 改進神經(jīng)網(wǎng)絡結構

在上述的神經(jīng)網(wǎng)絡結構中，每層之間的變換都涉及一次特征提取，提取后的層由多個二維平面組成，這些二維平面統(tǒng)稱為特征映射圖。本文主要利用采樣層采集電子通信設備信號異常特征，結合電子通信設備信號異常圖譜數(shù)據(jù)采集結果，并將二者均作為輸入樣本，得到電子通信設備信號異常識別結果。

3 仿真實驗與結果分析

為了測試本文方法在實現(xiàn)電子通信設備信號異常識別中的應用性能，進行仿真測試分析，對電子通信設備信號采樣的長度為1024，信號異常特征采樣是偏差為0.35，信號統(tǒng)計分析的時延為200ms，根據(jù)上述參數(shù)設定，得到電子通信設備信號如圖3所示。

圖3 電子通信設備信號

以圖3的電子通信設備信號為輸入，采用本文方法對電子通信設備信號的異常特征提取，得到特征提取結果如圖4所示。

分析圖4得知，本文方法能有效實現(xiàn)對電子通信設備信號的異常特征提取，實現(xiàn)對電子通信設備信號的異常自動識別。

測試本文方法對不同類型的電子通信設備信號異常識別的精度，結果如表1所示。

分析上表可知，對于不同的電子通信設備信號，本文方法的電子通信設備信號異常識別精度均在96%以上，說明該方法可以識別多種類型的電子通信設備信號異常問題，識別結果具有可靠性。

以數(shù)字信號為例，進行了電子通信設備信號異常識別精度對比實驗，結果如表2所示。

分析表2得知，本文方法進行電子通信設備信號異常識別的精度較高，原因在于該方法通過構建電子通信設備信號的傳輸信道均衡調(diào)節(jié)模型，采用深度學習方法實現(xiàn)對電子通信設備信號的輸出均衡調(diào)度，通過波束間隔均衡控制方法實現(xiàn)對電子通信設備輸出信號譜分析和異常特征提取，以此為基礎采用改進深度學習方法實現(xiàn)對電子通信設備信號異常自動識別。

表1 電子通信設備信號異常識別精度

圖4 電子通信設備信號異常特征提取結果

表2 電子通信設備信號異常識別精度對比

4 結束語

為解決傳統(tǒng)方法存在的問題，本文提出基于改進深度學習的電子通信設備信號異常自動識別方法。采用深度學習進行電子通信設備信號傳輸信道控制和自適應尋優(yōu)，建立電子通信設備信號輸出的動態(tài)相位補償模型，根據(jù)特征值的相角確定電子通信設備信號異常分布相位，結合改進深度學習方法實現(xiàn)電子通信設備信號的異常識別。研究得知，本文方法進行電子通信設備信號異常自動識別的精度較高，準確性較好。

[1] 劉亞沖，唐智靈. 基于softmax回歸的通信信號循環(huán)譜的多分類識別方法[J]. 現(xiàn)代電子技術，2018, 41(3): 1-5.

[2] 付碩. 計量終端上行無線通信信號異常優(yōu)化方案探究[J]. 電子制作，2019(15): 93-94.

[3] 黎仁剛，侯坤元，冷鵬飛，等. 基于卷積神經(jīng)網(wǎng)絡的雷達和通信信號調(diào)制識別[J]. 航天電子對抗，2020, 36(2): 7-13.

[4] 劉雪春. 船載遠程電子通信設備異常信號識別方法[J]. 艦船科學技術，2019, 41(8): 167-169.

[5] 董良雷，錢金鑫. 光纖傳輸通信設備異常信號自動跟蹤方法研究[J]. 電子設計工程，2020, 28(6): 149-152, 157.

[6] 王劍蘭，姜阿龍，袁建. 移動通信網(wǎng)絡異常信號優(yōu)化識別[J]. 通信電源技術，2019, 36(8): 165-166.

[7] 劉文斌，王夢寒，寇云峰，等. 基于電磁泄漏信號的電子設備行為識別與安全應用[J]. 通信技術，2019, 52(7): 1761-1765.

[8] 楊婧，程乃平. 通信信號檢測識別方法簡析[J]. 圖像與信號處理，2018, 7(4): 220-226.

[9] 唐玉兵，樊明哲. 船舶強噪聲電子電力設備微弱故障信號獲取系統(tǒng)[J]. 艦船科學技術，2019, 41(18): 104-106.

[10] 謝寶成. 非協(xié)調(diào)通信信號自動調(diào)制識別系統(tǒng)研究[J]. 電子設計工程，2019, 27(3): 150-154.

[11] 李唱白，楊杰，黃知濤，等. 基于深度學習的通信信號調(diào)制識別算法[J]. 空間電子技術，2019, 16(1): 53-58, 78.

[12] 王夢寒，寇云峰，劉文斌，等. 計算機網(wǎng)絡電磁泄漏信號的實時監(jiān)測與智能識別[J]. 通信技術，2019, 52(7): 1755-1760.

[13] 黎仁剛，侯坤元，冷鵬飛，等. 基于卷積神經(jīng)網(wǎng)絡的雷達和通信信號調(diào)制識別[J]. 航天電子對抗，2020, 36(2): 7-13.

[14] 劉濤，孟青，韓建寧. 基于神經(jīng)網(wǎng)絡的計算機通信系統(tǒng)干擾信號分離[J]. 吉林大學學報：理學版，2017, 55(6): 1545-1551.

[15] 梁曉雷. 一種無線通信設備信號快速跟蹤方法[J]. 電腦知識與技術，2018, 14(10): 31-32.

Automatic signal anomaly recognition of electronic communication equipment based on improved deep learning

REN Yuan-lin，NIE Kai

(School of Applied Engineering, Anhui Business and Technology College, Hefei 231131, China)

In order to improve the ability of automatic signal anomaly recognition of electronic communication equipment, an automatic signal anomaly recognition method of electronic communication equipment based on improved deep learning is proposed. Build electronic communications equipment signal transmission channel equalization adjustment model, the deep learning method was adopted to realize the electronic communication equipment signal output balance scheduling, through a beam balance between control methods of electronic communication equipment abnormal output signal spectrum analysis and feature extraction, based on learning method with the improved depth of electronic communications equipment abnormal signal automatic recognition. The simulation results show that this method has high accuracy and good performance in the automatic identification of abnormal signals of electronic communication equipment.

improve deep learning；electronic communication equipment；abnormal signal；automatic identification；transmission channel

2020-12-21

安徽省省級質(zhì)量工程教學研究項目（2020jyxm0196）；安徽省省級質(zhì)量工程課程思政研究建設項目（2020kcszyjxm023）；安徽省省級質(zhì)量工程項目（2017MOOC026）

任遠林（1979-），男，安徽肥東人，講師，碩士，主要從事嵌入式、自動化研究，renyuanaba@163.com。

TN919

A

1007-984X(2021)04-0005-05