空地協(xié)同場景下通信干擾智能識(shí)別方法

劉明騫 高曉騰 李 明 朱守中

①(西安電子科技大學(xué)綜合業(yè)務(wù)網(wǎng)理論及關(guān)鍵技術(shù)國家重點(diǎn)實(shí)驗(yàn)室 西安 710071)

②(中國電子科技集團(tuán)有限公司第五十四研究所 石家莊 050050)

③(中國電子信息產(chǎn)業(yè)集團(tuán)有限公司國營第七二二廠 桂林 541001)

④(長沙無源定位工程技術(shù)研究院 長沙 410008)

1 引言

通信干擾是一種能夠阻礙無線通信系統(tǒng)進(jìn)行信息傳輸?shù)碾娮痈蓴_。在無線通信系統(tǒng)面臨日益復(fù)雜的電磁環(huán)境下，通信設(shè)備遭受多類型通信干擾的影響[1]。為了保障信息的可靠傳輸，各種通信抗干擾技術(shù)應(yīng)運(yùn)而生，尤其是對(duì)通信有效性要求更高的軍事通信。然而在實(shí)際通信系統(tǒng)中干擾類型復(fù)雜多樣，一種抗干擾策略往往只對(duì)特定干擾類型有效，基于接收機(jī)復(fù)雜度考慮，同時(shí)采取所有的抗干擾措施比較困難，并且抗干擾策略會(huì)針對(duì)不同的通信干擾類型[2]。因此，快速精準(zhǔn)的干擾類型識(shí)別是實(shí)施高效通信抗干擾技術(shù)的前提與基礎(chǔ)，對(duì)提升通信系統(tǒng)抗干擾性能具有重要意義。

傳統(tǒng)的通信干擾識(shí)別技術(shù)的研究主要集中在特征參數(shù)的選取和分類器的設(shè)計(jì)。文獻(xiàn)[3]提出一種基于Hilbert變換的未知干擾自適應(yīng)識(shí)別方法，該方法分析了干擾信號(hào)在Hilbert空間的特征，建立了干擾信號(hào)特征空間，并利用投影定理對(duì)未知干擾進(jìn)行擬合，最后通過概率神經(jīng)網(wǎng)絡(luò)進(jìn)行干擾識(shí)別。文獻(xiàn)[4]提出了一種基于奇異值分解的干擾識(shí)別方法，該方法通過對(duì)干擾信號(hào)進(jìn)行奇異值分解，并利用差分運(yùn)算得到干擾特征，采樣神經(jīng)網(wǎng)絡(luò)分類器完成干擾識(shí)別。這些方法通常采用人工提取特征，并通過設(shè)定判決門限或利用淺層學(xué)習(xí)進(jìn)行識(shí)別。雖然上述方法在一定程度上解決了通信干擾識(shí)別問題，但有用信息損失較多。深度學(xué)習(xí)可以自動(dòng)提取高維特征，能夠充分挖掘信號(hào)更深層次的信息，避免過度依賴專家特征。近年來，已有學(xué)者將深度學(xué)習(xí)與通信干擾識(shí)別相結(jié)合，提出了基于深度學(xué)習(xí)的通信干擾智能識(shí)別方法。文獻(xiàn)[5]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的分類器和基于長短時(shí)記憶的調(diào)制分類方法，并對(duì)其提取的無線電特征進(jìn)行了可視化處理。文獻(xiàn)[6]研究了基于深度學(xué)習(xí)網(wǎng)絡(luò)的通信干擾識(shí)別方法，通過利用實(shí)數(shù)卷積神經(jīng)網(wǎng)絡(luò)、復(fù)數(shù)卷積神經(jīng)網(wǎng)絡(luò)、實(shí)數(shù)殘差網(wǎng)絡(luò)和復(fù)數(shù)殘差網(wǎng)絡(luò)來設(shè)計(jì)干擾識(shí)別的方法。所設(shè)計(jì)分類方法具有良好的識(shí)別精度，且具有一定的遷移能力，其中復(fù)數(shù)殘差網(wǎng)絡(luò)性能最優(yōu)。相對(duì)于傳統(tǒng)方法，基于深度學(xué)習(xí)的方法能夠自動(dòng)提取特征，具有更高的準(zhǔn)確率，但是它們均需要足夠多的樣本來訓(xùn)練網(wǎng)絡(luò)模型。而在實(shí)際工程應(yīng)用中，復(fù)雜的電磁環(huán)境往往導(dǎo)致無法獲得足夠的干擾信號(hào)樣本，在樣本缺少的條件下，上述網(wǎng)絡(luò)模型將出現(xiàn)過擬合，識(shí)別性能將嚴(yán)重退化。

小樣本學(xué)習(xí)能夠快速地從少量的樣本中學(xué)習(xí)到關(guān)鍵的知識(shí)，避免大量樣本的采集以及長時(shí)間的模型訓(xùn)練，可以有效地解決樣本稀缺情景下深度網(wǎng)絡(luò)模型失配的問題。目前，基于小樣本學(xué)習(xí)的識(shí)別算法主要集中于圖像識(shí)別方面。文獻(xiàn)[7]提出了一種通過對(duì)抗過程估計(jì)生成模型的新框架，可以同時(shí)訓(xùn)練捕獲數(shù)據(jù)分布的生成模型和估計(jì)小樣本數(shù)據(jù)分布的判別模型。文獻(xiàn)[8]提出了一種利用孿生網(wǎng)絡(luò)[9,10]進(jìn)行單樣本學(xué)習(xí)的方法，使用兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)提取輸入圖像特征，將其映射到1維向量，并通過距離函數(shù)判斷樣本對(duì)之間的距離，選取距離最小的樣本標(biāo)簽作為分類結(jié)果。文獻(xiàn)[11]提出了一種匹配網(wǎng)絡(luò)，利用長短期記憶網(wǎng)絡(luò)將樣本映射到低維特征空間中，再計(jì)算與有標(biāo)簽樣本之間的相似度，通過核密度估計(jì)函數(shù)得到輸出標(biāo)簽。然而，鮮有文獻(xiàn)將小樣本學(xué)習(xí)應(yīng)用到通信干擾識(shí)別領(lǐng)域。

針對(duì)小樣本條件下基于深度神經(jīng)網(wǎng)絡(luò)的通信干擾識(shí)別性能差、模型失配的問題，本文在空中無人機(jī)與地面設(shè)備之間構(gòu)建空地協(xié)同的通信干擾偵收架構(gòu)下，提出一種基于小樣本學(xué)習(xí)的通信干擾智能識(shí)別方法。通過通信干擾的智能表征及基于密集連接網(wǎng)絡(luò)(Densely connected convolutional Networks，DenseNet)結(jié)構(gòu)的構(gòu)建，設(shè)計(jì)雙輸入權(quán)值共享的孿生網(wǎng)絡(luò)，從而自適應(yīng)地提取了通信干擾的深層特征，并實(shí)現(xiàn)了通信干擾類型的智能識(shí)別。實(shí)驗(yàn)結(jié)果表明，在小樣本情況下，所提的空地協(xié)同的通信干擾識(shí)別方法可以獲得更好的性能。

2 空地協(xié)同的通信干擾認(rèn)知系統(tǒng)模型

無人機(jī)具備實(shí)現(xiàn)靈活、感知能力強(qiáng)和決策周期短、全壽命成本低的優(yōu)點(diǎn), 可以作為空中感知節(jié)點(diǎn)與地面設(shè)備構(gòu)成協(xié)同感知、認(rèn)知等環(huán)節(jié)，共同完成通信干擾認(rèn)知任務(wù)。無人機(jī)蜂群需要偵收遠(yuǎn)區(qū)的通信干擾數(shù)據(jù)，但由于地形復(fù)雜，地面裝甲車并不能趕赴該區(qū)域進(jìn)行通信干擾數(shù)據(jù)的偵收。因此，需要對(duì)該無人機(jī)蜂群進(jìn)行重新組網(wǎng)，該系統(tǒng)模型如圖1所示。其中多架無人機(jī)位于山區(qū)上方進(jìn)行“空-空-地”通信鏈路，其他無人機(jī)對(duì)遠(yuǎn)區(qū)的干擾數(shù)據(jù)進(jìn)行分布式傳輸至中繼無人機(jī)。最后，這些中繼無人機(jī)將蜂群偵收到的通信干擾數(shù)據(jù)回傳至地面裝甲車，在裝甲車上進(jìn)行數(shù)據(jù)信號(hào)級(jí)融合，并進(jìn)行通信干擾的認(rèn)知。

圖1 空地協(xié)同的通信干擾認(rèn)知系統(tǒng)模型

通信干擾樣本數(shù)據(jù)庫由壓制式干擾樣本和欺騙式干擾樣本組成。其中，壓制式干擾使用更為廣泛，主要通過降低信噪比提高對(duì)方通信系統(tǒng)的誤碼率。典型的壓制式干擾類型為單音干擾、多音干擾、噪聲調(diào)頻干擾、部分頻帶噪聲干擾、線性掃頻干擾等。

單音干擾為最簡單的干擾形式，由單一的頻率分量構(gòu)成，其表達(dá)式為

欺騙式干擾通過模仿對(duì)方使用的無線信號(hào)使其不能提取有效信息。對(duì)于直擴(kuò)通信系統(tǒng)，當(dāng)干擾信號(hào)與有用信號(hào)具有一致的擴(kuò)頻碼和載頻時(shí)，干擾信號(hào)與有用信號(hào)將被一同解擴(kuò)與解調(diào)，嚴(yán)重影響通信系統(tǒng)的正常工作。但是在實(shí)際中，擴(kuò)頻碼的獲取和信號(hào)精準(zhǔn)同步具有很大的難度。當(dāng)干擾信號(hào)使用與真實(shí)擴(kuò)頻碼有一定相關(guān)性的偽隨機(jī)碼(Pseudo-Noise code, PN)，在同步較好時(shí)也能達(dá)到很好的干擾效果，這種干擾稱為隨機(jī)二元碼調(diào)制干擾，也稱BPSK干擾，可以表示為

3 通信干擾的智能表征

不同類型的通信干擾信號(hào)在小樣條件下時(shí)間序列差異性很小，若直接輸入干擾信號(hào)序列對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，容易造成網(wǎng)絡(luò)過擬合現(xiàn)象。因此，本文對(duì)通信干擾信號(hào)進(jìn)行智能表征，以凸顯多類型通信干擾之間的區(qū)別，加速網(wǎng)絡(luò)收斂以提高干擾識(shí)別性能。本文主要以通信干擾信號(hào)的時(shí)頻圖[12]、分?jǐn)?shù)階傅里葉變換[13]和星座圖作為智能表征，并將其3通道數(shù)據(jù)作為網(wǎng)絡(luò)的輸入。其中，星座圖主要用于區(qū)分欺騙式干擾和壓制式干擾，分?jǐn)?shù)階傅里葉變換主要用于區(qū)分線性調(diào)頻干擾，時(shí)頻圖主要用于區(qū)分壓制式干擾。下面分別介紹這3種智能表征方法。

魏格納-威利分布(Wegener-Ville Distribution,WVD)是一種Cohen類雙線性變換，能夠在時(shí)頻域上對(duì)信號(hào)的能量分布進(jìn)行描述，其表達(dá)式為

單音干擾的SPWVD如圖2(a)所示，由一條水平線構(gòu)成，干擾頻率不隨時(shí)間變化。多音干擾如圖2(b)所示由多條水平線構(gòu)成。噪聲調(diào)頻干擾如圖2(c)所示，占據(jù)了1 MHz帶寬，在帶寬內(nèi)能量分布較為雜亂。線性調(diào)頻干擾如圖2(d)所示，其頻率隨著時(shí)間線性變化，在時(shí)頻圖中呈一條斜線，斜線的傾斜度代表LFM調(diào)頻斜率，LFM干擾在某一時(shí)刻為單一頻率干擾，從整個(gè)時(shí)間段上觀察則為寬帶信號(hào)。

圖2 通信干擾信號(hào)的時(shí)頻圖

圖3 通信干擾信號(hào)的FRFT圖

星座圖蘊(yùn)含著豐富的調(diào)制信息，主要用于區(qū)分壓制式干擾信號(hào)與欺騙式干擾信號(hào)。由于隨機(jī)二元碼干擾采用BPSK的調(diào)制方式，其星座圖由圓周上相差180°的兩個(gè)點(diǎn)組成，由于噪聲的影響，信號(hào)會(huì)分在兩個(gè)理想點(diǎn)的周圍，BPSK_NBJ星座圖如圖4(a)所示，BPSK_WBJ星座圖與BPSK_NBJ星座圖區(qū)別不大，單音干擾的星座圖呈現(xiàn)環(huán)狀如圖4(b)所示，信號(hào)點(diǎn)勻稱地散布在單位圓附近，多音干擾和部分頻帶噪聲干擾的星座圖分布較為雜散如圖4(c)、圖4(d)所示，其信號(hào)點(diǎn)較為雜亂地分布在圓心附近?？梢?，欺騙式干擾可以通過星座圖與壓制式干擾進(jìn)行區(qū)分。

圖4 通信干擾信號(hào)的星座圖

根據(jù)以上的表征方法，可將通信干擾信號(hào)智能表征為

其中，SPWJ(t,f)為干擾的SPWVD變換，XJ(u)為干擾的分?jǐn)?shù)階傅里葉變換，SJ為干擾信號(hào)的星座圖。

4 通信干擾的智能識(shí)別

4.1 基于DenseNet的子網(wǎng)絡(luò)結(jié)構(gòu)

殘差網(wǎng)絡(luò)(Residual Networks, ResNet)通過在多層網(wǎng)絡(luò)層之間建立一條連接通道，讓多個(gè)有參層學(xué)習(xí)輸入和輸出之間的殘差表示獲得更好的性能。DenseNet則擺脫了通過加寬加深網(wǎng)絡(luò)的定式思維，利用特征復(fù)用和配置旁路很大程度上壓縮了網(wǎng)絡(luò)參數(shù)規(guī)模，減輕了梯度消失現(xiàn)象，使得該網(wǎng)絡(luò)更容易收斂，且具有很好的正則效果和抗過擬合能力。

DenseNet主體由密集塊(DenseBlock)和過渡層(Transition)組成，假設(shè)xi是密集塊中第i層的輸出，Hi(·)為第i層的非線性變換函數(shù)，由批歸一化(Batch Normalization, BN)，激活函數(shù)ReLU，以及卷積層Conv組成。密集塊內(nèi)部不同網(wǎng)絡(luò)層采用密集連接的形式，即第i層的輸入為第i-1層輸出和之間所有層輸出的堆疊，則密集塊中第i層的輸出xi可以表示為

其中，[·]表示智能表征的拼接。Hi(·)的輸出的通道數(shù)為定值k，則第i層網(wǎng)絡(luò)將會(huì)有k0+k×(i-1)個(gè)智能表征，k0為輸入層通道數(shù)，k也被稱作生長率(Growth rate)，一般取值較小。DenseNet這種密集連接的方式不僅減少了參數(shù)量，還使得每一層都可以從損失函數(shù)和輸入獲得梯度信息，改善了網(wǎng)絡(luò)的信息流動(dòng)，使網(wǎng)絡(luò)獲得了性能提升。

過渡層用于連接兩個(gè)密集塊，其作用主要是調(diào)整智能表征的尺寸，一般由1×1卷積層和步長為2的池化層組成。過渡層輸出的智能表征數(shù)量為θm，其中m為過渡層前一個(gè)密集塊輸出的智能表征個(gè)數(shù)，0<θ ≤1為壓縮因子，當(dāng)θ小于1時(shí)可以起到減少網(wǎng)絡(luò)參數(shù)和特征融合的作用。

借鑒DenseNet密集塊的思想，本文設(shè)計(jì)了包括多個(gè)密集塊和過渡層的用于通信干擾識(shí)別任務(wù)的網(wǎng)絡(luò)模型，其具體結(jié)構(gòu)如圖5所示，網(wǎng)絡(luò)的輸入為128×128×3的通信干擾信號(hào)智能表征，該表征首先通過1個(gè)步長為2的7× 7卷積層，1個(gè)步長為2的4× 4最大池化層，隨后進(jìn)入第1個(gè)密集塊，密集塊內(nèi)使用步長為1的3× 3卷積層以保持智能表征尺寸不變，密集塊增長率大小為8，即卷積層使用的卷積核數(shù)量為8，隨后再通過3個(gè)過渡層和2個(gè)密集塊之后到達(dá)全連接層，最后使用歸一化指數(shù)函數(shù)(softmax)獲取分類結(jié)果。

圖5 基于DenseNet的子網(wǎng)絡(luò)結(jié)構(gòu)

密集塊中使用卷積層提取特征的過程可以表示為

4.2 基于孿生網(wǎng)絡(luò)的通信干擾識(shí)別

本文提出了一種基于孿生網(wǎng)絡(luò)的通信干擾識(shí)別方法，孿生網(wǎng)絡(luò)通過度量兩個(gè)樣本之間的特征距離來判斷樣本的相似性[14]，從而根據(jù)最大相似性判斷所屬的干擾類型。

用于通信干擾識(shí)別的孿生網(wǎng)絡(luò)由兩個(gè)結(jié)構(gòu)相同的單邊網(wǎng)絡(luò)Network_1和Network_2耦合而成，且共享參數(shù)Ws，在優(yōu)化網(wǎng)絡(luò)參數(shù)時(shí)，訓(xùn)練數(shù)據(jù)成對(duì)出現(xiàn)(X1,X2)，網(wǎng)絡(luò)參數(shù)的更新采用反向傳播算法，通過最小化損失函數(shù)優(yōu)化模型參數(shù)。孿生網(wǎng)絡(luò)通過卷積層將智能表征映射到新的特征空間，得到特征向量GW(X1)和GW(X2)，然后通過特征向量之間的距離Dis來判斷特征向量之間的差異，從而根據(jù)特征距離差異來擬合兩個(gè)智能表征的相似度。隨后可將待識(shí)別樣本與所有已知樣本逐一進(jìn)行相似性對(duì)比，選取相似性最大的樣本標(biāo)簽作為識(shí)別結(jié)果。這種通過比對(duì)方式避網(wǎng)絡(luò)中分類層的大量參數(shù)，減少了過擬合，同時(shí)也解決了樣本不均衡問題。不過，這種逐一比對(duì)的方法只能在小樣本下實(shí)現(xiàn)。

孿生網(wǎng)絡(luò)的輸入形式為(X1=γJ1,X2=γJ2)，單邊網(wǎng)絡(luò)結(jié)構(gòu)使用基于DenseNet子網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)的損失函數(shù)為

從以上兩式明顯可以看出，在兩個(gè)干擾為同類型時(shí)損失函數(shù)與干擾特征之間的距離成正比，為不同類型時(shí)損失函數(shù)與特征之間的距離成反比，損失函數(shù)這樣的特性使得網(wǎng)絡(luò)最終縮小了類內(nèi)特征距離，擴(kuò)大了類間特征距離。孿生網(wǎng)絡(luò)的最終的輸出是兩個(gè)干擾樣本之間的特征距離，本文對(duì)孿生網(wǎng)絡(luò)進(jìn)行改進(jìn)，以得到兩個(gè)干擾樣本為同一類型的概率，如圖6所示。首先將孿生網(wǎng)絡(luò)的損失函數(shù)更改為特征距離函數(shù)

圖6 基于孿生網(wǎng)絡(luò)的通信干擾識(shí)別網(wǎng)絡(luò)

綜上所述，本文所提出的空地協(xié)同場景下基于孿生網(wǎng)絡(luò)的通信干擾智能識(shí)別方法的具體步驟如下：

步驟1 提取多類型通信干擾信號(hào)的SPWVD時(shí)頻圖、FRFT圖和星座圖進(jìn)行智能表征，并構(gòu)建訓(xùn)練集；

步驟2 構(gòu)建雙輸入權(quán)值共享的孿生卷積神經(jīng)網(wǎng)絡(luò)；

步驟3 隨機(jī)從訓(xùn)練集中各抽取兩個(gè)信號(hào)樣本組成隨機(jī)信號(hào)樣本對(duì)，使用該隨機(jī)樣本對(duì)對(duì)孿生網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

步驟4 提取孿生網(wǎng)絡(luò)中的一個(gè)單邊網(wǎng)絡(luò)，將訓(xùn)練集中的全部信號(hào)樣本輸入到單邊網(wǎng)絡(luò)中，完成基準(zhǔn)通信干擾類型的特征庫；

步驟5 將待識(shí)別信號(hào)輸入單邊網(wǎng)絡(luò)得到其特征并與數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行相似性比較，遍歷檢索出相似概率最高的干擾類型，從而完成了通信干擾類型的識(shí)別。

5 仿真結(jié)果及分析

仿真實(shí)驗(yàn)使用Python進(jìn)行網(wǎng)絡(luò)構(gòu)建與訓(xùn)練，訓(xùn)練環(huán)境為Python3.6，操作系統(tǒng)為Linux，計(jì)算框架為Pytorch，并使用GPU(GeForce GTX 2080TI)進(jìn)行訓(xùn)練加速。選取7種類型的通信干擾，包括單音干擾、多音干擾、部分頻帶噪聲干擾、噪聲調(diào)頻干擾、掃頻干擾、隨機(jī)二元碼調(diào)制窄帶干擾和隨機(jī)二元碼調(diào)制寬帶干擾；在采樣完美同步的假設(shè)下，采樣頻率為10 MHz，每種類型通信干擾的載波頻率和初始相位隨機(jī)設(shè)置。多音干擾的音調(diào)數(shù)目為4，部分頻帶噪聲干擾信號(hào)的帶寬因子在[0.1,0.7]隨機(jī)設(shè)置，噪聲調(diào)頻干擾的調(diào)頻系數(shù)為0.125～0.933 Hz/s隨機(jī)，BPSK干擾的成型函數(shù)滾降系數(shù)為0.35。訓(xùn)練數(shù)據(jù)干噪比為–10～15 dB，每種干擾在每個(gè)干噪比下生成100個(gè)樣本，本文干噪比的定義為GJNR=10 lg(PJ/PN)，其中，PJ, PN分別為干擾信號(hào)功率和噪聲功率。測試數(shù)據(jù)為干噪比為–10 dB～15 dB，每種干擾在每個(gè)干噪比下生成100個(gè)樣本。

為了驗(yàn)證所提基于孿生網(wǎng)絡(luò)的通信干擾識(shí)別方法的有效性，干擾類型數(shù)量和參數(shù)和保持不變，訓(xùn)練集和測試集設(shè)置同樣保持一致，學(xué)習(xí)率設(shè)置為0.005，batch size設(shè)置為105，其仿真結(jié)果如圖7所示。從圖7可以看出，各類干擾信號(hào)識(shí)別率隨干噪比提高而增長，當(dāng)干噪比為2 dB時(shí)識(shí)別正確率達(dá)到90%以上，當(dāng)干噪比為6 dB時(shí)識(shí)別正確率為100%，可見所提方法能夠有效地對(duì)通信干擾進(jìn)行識(shí)別。

圖7 基于孿生網(wǎng)絡(luò)的通信干擾識(shí)別性能

考慮到多普勒頻移變化對(duì)本文方法識(shí)別性能的影響，將頻率偏移分別設(shè)置為10 kHz, 20 kHz,40 kHz，測試其在不同干噪比下的識(shí)別性能，仿真結(jié)果如圖8所示。從圖8可以看出，不同頻率偏移下干擾識(shí)別準(zhǔn)確率曲線隨信噪比的增加而上升，當(dāng)干噪比1 dB時(shí)識(shí)別正確率均上升至90%，當(dāng)干噪比6 dB時(shí)識(shí)別正確率均接近100%。因此，所提干擾識(shí)別方法對(duì)頻偏是穩(wěn)健的。

圖8 不同頻率偏移下通信干擾的識(shí)別性能

考慮到Rayleigh衰落信道對(duì)本文方法識(shí)別性能的影響，將干擾信號(hào)信道設(shè)置為平坦Rayleigh衰落信道，Rayleigh衰落信道多普勒頻率分別設(shè)置為10 Hz, 20 Hz, 30 Hz，測試其在不同干噪比下的識(shí)別性能，其仿真結(jié)果如圖9所示。從圖9可以看出，在Rayleigh衰落信道下，當(dāng)干噪比6 dB時(shí)識(shí)別正確率90%以上，可見該識(shí)別方法在Rayleigh衰落信道下仍是有效的。

圖9 不同Rayleigh衰落信道下子網(wǎng)絡(luò)識(shí)別性能圖

為了驗(yàn)證訓(xùn)練樣本數(shù)量對(duì)識(shí)別方法性能的影響，干噪比為10 dB，分別設(shè)置每類干擾信號(hào)訓(xùn)練樣本數(shù)量為25, 50, 100, 200, 400，將本文提出的識(shí)別方法與基于模型無關(guān)元學(xué)習(xí)(Model-Agnostic Meta-Learning，MAML)的識(shí)別方法[15]和文獻(xiàn)[6]方法進(jìn)行對(duì)比，其仿真如圖10所示，3種識(shí)別方法的正確識(shí)別率隨訓(xùn)練樣本數(shù)量增加而提升。當(dāng)樣本數(shù)量為25時(shí)，本文所提方法性能最好，文獻(xiàn)[6]方法性能最差，當(dāng)訓(xùn)練樣本數(shù)量為50, 100, 200時(shí)，本文所提方法的識(shí)別性能明顯優(yōu)于文獻(xiàn)[6]方法，在樣本量為400時(shí)，3種方法性能較為接近。可見，本文所提方法在小樣本情況下識(shí)別性能更優(yōu)。

圖10 不同樣本數(shù)量下不同識(shí)別方法的性能對(duì)比

為了對(duì)比不同通信干擾識(shí)別方法的性能，在一致的實(shí)驗(yàn)環(huán)境下，將本文提出的識(shí)別方法與文獻(xiàn)[6]、文獻(xiàn)[8]方法進(jìn)行對(duì)比，干擾類型為單音干擾、多音干擾、LFM干擾、部分頻帶干擾和噪聲調(diào)頻干擾，每種干噪比下每種信號(hào)的訓(xùn)練樣本數(shù)量為100，其對(duì)比結(jié)果如表1所示。從表1可以看出，本文所提方法在干噪比為–4 dB時(shí)平均識(shí)別率均達(dá)到了96%，明顯優(yōu)于文獻(xiàn)[6]方法和文獻(xiàn)[8]方法?？梢姡疚乃岱椒ㄔ诘透稍氡认伦R(shí)別性能更佳。在相同GPU硬件加速條件下，本文方法的離線訓(xùn)練時(shí)間為913.87 s，文獻(xiàn)[6]方法的離線訓(xùn)練時(shí)間為1009.51 s，文獻(xiàn)[8]方法的離線訓(xùn)練時(shí)間為3656.42 s?？梢?，本文方法的時(shí)間復(fù)雜度均低于文獻(xiàn)[6]方法和文獻(xiàn)[8]方法。

表1 不同通信干擾識(shí)別方法的性能對(duì)比(%)

6 結(jié)束語

本文研究了空地協(xié)同場景下小樣本學(xué)習(xí)的通信干擾識(shí)別問題，提出了一種基于孿生網(wǎng)絡(luò)的通信干擾智能識(shí)別方法。該方法首先分析了通信干擾信號(hào)的SPWVD時(shí)頻圖、分?jǐn)?shù)階傅里葉變換和星座圖，并將其作為智能表征輸入到網(wǎng)絡(luò)，然后借鑒DenseNet的網(wǎng)絡(luò)思想構(gòu)建了基于DenseNet的網(wǎng)絡(luò)結(jié)構(gòu)，在此基礎(chǔ)上，設(shè)計(jì)雙輸入權(quán)值共享的孿生網(wǎng)絡(luò)對(duì)多類型的通信干擾進(jìn)行了智能識(shí)別。仿真結(jié)果表明，本文所提的識(shí)別方法可以有效提升小樣本條件下通信干擾的識(shí)別性能，且適用于空地協(xié)同的認(rèn)知環(huán)境。