基于頻帶相關(guān)性Deep Learning的無線通信干擾智能識別

楊嵐 肖海濤 張渭樂

摘要：近年來，隨著無線通信技術(shù)在軍事領(lǐng)域的發(fā)展及各類無線通信裝備數(shù)量的增加，戰(zhàn)場電磁環(huán)境變得越來越復(fù)雜，其要求通信系統(tǒng)具有更強(qiáng)的抗干擾能力，而智能干擾識別是抗干擾的前提。基于傳統(tǒng)機(jī)器學(xué)習(xí)的各類干擾識別算法存在干擾前期特征提取繁雜、低干噪比（JNR）下識別正確識別率低的問題。本文針對上述問題，引入了并行多路多尺度卷積，通過增加網(wǎng)絡(luò)寬度、提升網(wǎng)絡(luò)識別速度和精度，解決前期特征提取繁雜的問題；結(jié)合頻帶相關(guān)性長短時記憶網(wǎng)絡(luò)（LSTM）創(chuàng)新性地提出了基于LSTM的頻帶相關(guān)性無線通信干擾智能識別網(wǎng)絡(luò)，該方法利用LSTM探知干擾信號頻帶相關(guān)性，提升低干噪比下的干擾識別正確率。通過仿真證明了多尺度并行卷積比普通卷積網(wǎng)絡(luò)更穩(wěn)定，識別速度和泛化性更佳，該網(wǎng)絡(luò)提升了低干噪比下的識別正確率，平均識別正確率達(dá)99.86%。可見，本文所提的網(wǎng)絡(luò)模型是解決復(fù)雜電磁環(huán)境下的智能干擾識別的一種有效可用模型。

關(guān)鍵詞：復(fù)雜電磁環(huán)境認(rèn)知；干擾識別；頻帶相關(guān)性；長短時記憶網(wǎng)絡(luò)；并行多路多尺度卷積

中圖分類號：TN975文獻(xiàn)標(biāo)識碼：ADOI：10.19452/j.issn1007-5453.2022.04.014

基金項目：航空科學(xué)基金（2019ZC070002）

未來作戰(zhàn)環(huán)境不同于傳統(tǒng)作戰(zhàn)環(huán)境，未來作戰(zhàn)高度依賴無線通信進(jìn)行信息作戰(zhàn)[1]。電磁頻譜作為戰(zhàn)場信息的核心載體，對其進(jìn)行正確的認(rèn)知有著十分重大的意義，不僅可以快速獲取戰(zhàn)場信息，而且使無線通信系統(tǒng)更為可靠[2]。無線通信處在一個較為開放的環(huán)境，因此更容易受到各方干擾信號及噪聲的影響，使信息傳輸準(zhǔn)確率、通信系統(tǒng)安全率下降[3]。及時感知電磁環(huán)境的變化[4]，可以更好地適應(yīng)戰(zhàn)場環(huán)境，其中最重要的一步是識別干擾信號，國內(nèi)外學(xué)者也對各類識別方法進(jìn)行了大量探索。

傳統(tǒng)的干擾檢測方式有能量檢測、匹配濾波檢測、循環(huán)平穩(wěn)檢測等。1967年，參考文獻(xiàn)[5]中提出的能量檢測算法，在沒有得到干擾信號先驗信息的前提下，做出干擾存在與否的兩種檢驗假設(shè)，接收檢測統(tǒng)計量與門限閾值進(jìn)行比較后，判斷干擾存在與否，參考文獻(xiàn)[6]對該方法進(jìn)行了改進(jìn)，提高了低信噪比下的識別準(zhǔn)確率。參考文獻(xiàn)[7]提出一種兩級盲頻譜檢測算法，利用空域匹配濾波優(yōu)勢，使提出的新算法在低信噪比和低采樣率下有更高的檢測正確率。為了進(jìn)一步提高干擾信號檢測準(zhǔn)確率，引入基于特征提取的干擾識別算法，通過人工提取各類特征后進(jìn)行干擾分類，綜合分析提取信號頻域、時域等多個維度的特征參數(shù)，并提出了一種基于決策樹算法的干擾信號識別算法[8]，仿真結(jié)果表明其識別性能較好。參考文獻(xiàn)[9]提取信號時頻域圖像的特征，輸入特征到支持向量機(jī)（SVM）進(jìn)行分類前降維操作。參考文獻(xiàn)[10]研究了基于SVM和反向傳播神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）干擾信號識別模型，對比了不同訓(xùn)練數(shù)據(jù)數(shù)目、不同特征預(yù)處理情況下的算法識別性能。采用上述方法，信號需要先經(jīng)過復(fù)雜的前期處理，網(wǎng)絡(luò)泛化能力也不強(qiáng)，對于低干噪比下的干擾信號存在識別準(zhǔn)確率不高的問題，面對復(fù)雜的電磁環(huán)境無所適從。

深度神經(jīng)網(wǎng)絡(luò)在圖像和語音處理等領(lǐng)域有著非常突出的表現(xiàn)，有著極好的數(shù)據(jù)表達(dá)能力。因此，深度學(xué)習(xí)強(qiáng)大的特征表達(dá)能力在識別干擾信號領(lǐng)域有很大的潛力[11]。參考文獻(xiàn)[12]設(shè)計了基于深度學(xué)習(xí)的干擾識別實數(shù)卷積網(wǎng)絡(luò)，與基于特征提取的干擾識別算法進(jìn)行對比，識別性能有了很大的提升。為了防止網(wǎng)絡(luò)破壞信號實部與虛部相關(guān)性，復(fù)數(shù)識別網(wǎng)絡(luò)[13]被提出，不同網(wǎng)絡(luò)輸入數(shù)據(jù)格式對識別性能產(chǎn)生影響且復(fù)數(shù)干擾識別網(wǎng)絡(luò)中采用頻域數(shù)據(jù)格式比起時域數(shù)據(jù)識別效果更好。上述各類干擾識別方式在高干噪比下取得了不錯的識別效果，但在低干噪比下的識別率普遍不高，本文就低干噪比下識別率不高的問題，創(chuàng)新性地提出了利用長短時記憶網(wǎng)絡(luò)（LSTM）探知干擾信號頻帶相關(guān)性，提升低干噪比下的干擾識別正確率。

本文希望通過挖掘干擾信號頻帶相關(guān)性提高干擾信號的識別正確率，基于該想法構(gòu)建了一個新的基于LSTM的多尺度并行卷積網(wǎng)絡(luò)。首先，利用改進(jìn)的并行卷積網(wǎng)絡(luò)拓寬網(wǎng)絡(luò)寬度、提高網(wǎng)絡(luò)泛化性，自動提取數(shù)據(jù)特征進(jìn)行干擾分類；然后，利用長短時記憶網(wǎng)絡(luò)挖掘頻帶相關(guān)性提高干擾信號在低干噪比下的識別正確率，最后將識別結(jié)果與普通智能干擾信號識別結(jié)果進(jìn)行對比，為復(fù)雜電磁環(huán)境下的干擾識別提供一種新的思路[14-20]。

1基礎(chǔ)理論

1.1卷積神經(jīng)網(wǎng)絡(luò)

普通的全連接神經(jīng)網(wǎng)絡(luò)具有梯度消失、可擴(kuò)展性差等缺點，卷積神經(jīng)網(wǎng)絡(luò)大大改善了這些缺點，避免了對原始數(shù)據(jù)復(fù)雜的前期處理，真正實現(xiàn)了端到端的學(xué)習(xí)過程。卷積神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)如圖1所示，從圖中可以看出，進(jìn)入全連接層之前，數(shù)據(jù)要經(jīng)過多個卷積層和池化層的處理。

經(jīng)過卷積層對數(shù)據(jù)進(jìn)行特征提取后，利用池化層減小、壓縮特征圖，提取有用信息，常見方法有最大值池化、均值池化等。其中，h與w分別代表池化窗口的高和寬。

卷積層是CNN的核心結(jié)構(gòu)，通過對輸入數(shù)據(jù)的降維處理自動提取原始數(shù)據(jù)的特征。激活層與全連接層中的激活層相同，令上一層的數(shù)據(jù)具有非線性，引入激活函數(shù)增加了神經(jīng)網(wǎng)絡(luò)模型的非線性學(xué)習(xí)。池化層又稱子采樣層或下采樣層，目的在于降低數(shù)據(jù)規(guī)模，增強(qiáng)網(wǎng)絡(luò)的泛化處理能力。此后再加入全連接層，此時數(shù)據(jù)特征已經(jīng)過卷積層和池化層反復(fù)提煉，因此比直接采用原始數(shù)據(jù)所取得的效果更好。

1.2長短時記憶神經(jīng)網(wǎng)絡(luò)

與其他神經(jīng)網(wǎng)絡(luò)不同，循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network）結(jié)構(gòu)每一個神經(jīng)元中都有自身的循環(huán)，除去神經(jīng)元之間的連接，每個神經(jīng)元與自身也有連接。這種結(jié)構(gòu)使得該網(wǎng)絡(luò)獲得了“記憶”功能，可以“記住”網(wǎng)絡(luò)之前的輸入信息。

循環(huán)神經(jīng)網(wǎng)絡(luò)處理時間序列問題的效果很好，但后期容易出現(xiàn)梯度爆炸、梯度消失等問題。為了克服這些問題，后期引入“門”結(jié)構(gòu)去掉或者增加神經(jīng)元狀態(tài)信息，即選擇性保留重要內(nèi)容，本文選用的是LSTM。

LSTM內(nèi)部結(jié)構(gòu)如圖2所示，從左到右依次為遺忘門、輸入門和輸出門。上一個時間的神經(jīng)元狀態(tài)量與上一個時間的輸出進(jìn)入遺忘門，“遺忘”掉部分信息，輸入門主要負(fù)責(zé)通過的信息內(nèi)容。通過遺忘門剩下的信息與通過輸出門新加的信息共同更新神經(jīng)元狀態(tài)。最后輸出門的設(shè)計起到調(diào)優(yōu)的作用，通過該門之后，輸出變?yōu)榉夏Ｐ洼敵龅男畔⑿问健?/p>

2基于頻帶相關(guān)性的LSTM無線通信干擾智能識別

2.1模型架構(gòu)

現(xiàn)有的深度學(xué)習(xí)模型并沒有很好地解決低干噪比下的干擾信號識別問題。本文中提出的模型立足實現(xiàn)智能識別、高噪聲下的高識別正確率，稱為基于頻帶相關(guān)性的LSTM無線通信干擾智能識別。下面將介紹該模型的詳細(xì)結(jié)構(gòu)。

本研究構(gòu)建的干擾識別模型結(jié)構(gòu)圖如圖3所示，模型結(jié)構(gòu)表見表1。輸入數(shù)據(jù)為需要進(jìn)行判別的頻段及該頻段之前的N個頻段數(shù)據(jù)，將其進(jìn)行歸一化操作。整個模型大體由兩部分組成，即基于頻帶相關(guān)性LSTM的干擾預(yù)測模塊和基于并行多路多尺度卷積的干擾識別模塊。首先基于頻帶相關(guān)性LSTM的干擾預(yù)測模塊將需要頻段前的N個頻段數(shù)據(jù)輸入LSTM網(wǎng)絡(luò)，對下一個頻段（即需要判別的頻段）進(jìn)行初步預(yù)測是否有干擾存在。然后再將需要判別頻段的數(shù)據(jù)及初步預(yù)測結(jié)果輸入兩層CNN網(wǎng)絡(luò)進(jìn)行初步特征提取，通過三層并行卷積進(jìn)一步提取數(shù)據(jù)深層特征提升識別率，最終通過全連接層和softmax分類器確認(rèn)分類結(jié)果。

表1從上至下對應(yīng)模型結(jié)構(gòu)圖，其中LSTM預(yù)測模塊中的100/1表示其僅包含一層LSTM，隱含層節(jié)點數(shù)為100；普通卷積網(wǎng)絡(luò)中各參數(shù)尺寸為卷積（池化）/步長，并行多路多尺度卷積各參數(shù)如圖3所示，括號內(nèi)數(shù)字為各卷積核厚度。

2.2基于頻帶相關(guān)性的LSTM預(yù)測模塊

2.2.1頻帶相關(guān)性

低干噪比下的干擾信號特征不明顯，導(dǎo)致低干噪比下的識別正確率很低，故本文利用頻帶相關(guān)性，引入LSTM網(wǎng)絡(luò)探知干擾信號頻帶相關(guān)性，提升低干噪比下的干擾識別正確率。

雖然每個頻帶的中心頻率各不相同，但它們占據(jù)的頻率范圍有一些彼此重疊的情況。以圖4所示的Wi-Fi系統(tǒng)的頻帶劃分圖為例，每個信道在中心頻域兩側(cè)都有延展情況，部分覆蓋到了其他頻帶。但認(rèn)知無線電劃分頻帶時對帶寬有限制要求，劃分頻段的時候帶寬不會過大，所以相鄰頻段一般都會有相同的頻譜狀態(tài)。本文利用該特點提升低干噪比下的識別正確率。

2.2.2基于頻帶相關(guān)性LSTM的干擾預(yù)測

了解LSTM基本結(jié)構(gòu)之后，本文利用其進(jìn)行完整的LSTM預(yù)測模塊搭建，如圖5所示。

本文中提出的LSTM預(yù)測模塊旨在提高低干噪比下的干擾識別正確率。LSTM作為循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的一種變體，是一種時間遞歸神經(jīng)網(wǎng)絡(luò)，常常用來處理具有時間相關(guān)的問題。由上一節(jié)可知相鄰頻段之間會有相同的頻譜狀態(tài)，即有一定的相關(guān)性存在，所以本文模型引入LSTM模塊，通過探知頻帶相關(guān)性提升識別正確率。

由服從指數(shù)分布的參數(shù)θ1取整決定干擾連續(xù)頻段數(shù)，重復(fù)若干次生成所需要的數(shù)據(jù)量。將需要判斷頻段的前N個干擾信號頻帶數(shù)據(jù)輸入LSTM網(wǎng)絡(luò)中，模塊僅含一層LSTM，隱藏層節(jié)點個數(shù)為100，后跟全連接層與softmax進(jìn)行初次分類。

2.3基于并行多路多尺度卷積識別模塊

2.3.1 Inception模塊

卷積神經(jīng)網(wǎng)絡(luò)深度加深會帶來參數(shù)急劇增加的問題，從而導(dǎo)致過擬合問題；網(wǎng)絡(luò)加深也會使梯度在深處消失，導(dǎo)致模型難以訓(xùn)練。針對這些問題，2014年，谷歌公司提出一種名叫“GoogLeNet”的網(wǎng)絡(luò)結(jié)構(gòu)[13]，其模型層數(shù)為22層。該模型結(jié)構(gòu)很大程度上解決了參數(shù)過多、深層梯度消失等問題。一方面在不同深度增加兩個loss來克服梯度消失的問題，另一方面采用Inception這種并行結(jié)構(gòu)增加網(wǎng)絡(luò)寬度。

起初，該結(jié)構(gòu)內(nèi)部僅對輸入做了四路分支，分別采用不同大小的卷積核對數(shù)據(jù)從不同角度進(jìn)行特征提取，如圖6所示。最初的結(jié)構(gòu)直接串聯(lián)導(dǎo)致最終得到的數(shù)據(jù)厚度是普通卷積的4倍，故后期加入1*1卷積對所在分支進(jìn)行降維，改進(jìn)后的Inception結(jié)構(gòu)如圖7所示。

2.3.2基于并行多路多尺度卷積干擾識別

了解了Inception的具體結(jié)構(gòu)及其所具有的優(yōu)勢后，本文引入該模塊并對其進(jìn)行一定修改，將修改后的Inception結(jié)構(gòu)作為本文提出模型的一部分，稱修改后的模型為并行多尺度卷積網(wǎng)絡(luò)。

傳統(tǒng)的CNN卷積網(wǎng)絡(luò)因為前后層密集連接，使得網(wǎng)絡(luò)訓(xùn)練參數(shù)過多，不僅使訓(xùn)練難度增大，也更容易出現(xiàn)過擬合現(xiàn)象。為了防止該現(xiàn)象發(fā)生，本文在傳統(tǒng)兩層卷積網(wǎng)絡(luò)之后加入并行多路多尺度卷積網(wǎng)絡(luò)，其結(jié)構(gòu)如圖8所示。兩層普通卷積網(wǎng)絡(luò)的輸出作為并行多路多尺度卷積網(wǎng)絡(luò)輸入，對上一層結(jié)果分為四路進(jìn)行處理。內(nèi)部先用1*1卷積核對傳入數(shù)據(jù)進(jìn)行厚度減小處理（降維）、增加網(wǎng)絡(luò)寬度，再利用不同大小1*3、1*5的卷積核對輸入數(shù)據(jù)的特征信息從多個尺度進(jìn)行提取，這些提取出的特征所包含的信息也往往比單一卷積層提取的特征更豐富，而后將處理得到的四路數(shù)據(jù)在通道維度上進(jìn)行級聯(lián)，進(jìn)行最大池化得到下一層的輸入數(shù)據(jù)。

3仿真試驗結(jié)果

3.1仿真數(shù)據(jù)和環(huán)境構(gòu)建

3.1.1仿真數(shù)據(jù)

試驗仿真數(shù)據(jù)集由單音干擾、多音干擾、掃頻干擾及部分頻帶干擾、噪聲調(diào)頻干擾5種典型的干擾類型組成。

（1）單音干擾

單音干擾復(fù)基帶表達(dá)式

模型具體的網(wǎng)絡(luò)參數(shù)見表2，訓(xùn)練樣本信號JNR為-5dB到20dB，步長為0.5dB，每種干擾在每個JNR下的樣本數(shù)為200；為測試網(wǎng)絡(luò)泛化性，設(shè)測試樣本信號JNR為-20～30dB，步長為0.5dB，每種干擾在每個JNR下的樣本數(shù)為100。頻帶是否存有干擾由兩個服從指數(shù)分布的參數(shù)θ1和參數(shù)θ2取整產(chǎn)生，重復(fù)若干次，直到產(chǎn)生所需的數(shù)據(jù)量為止。網(wǎng)絡(luò)學(xué)習(xí)率為0.001，batch_size設(shè)置為100。

3.2仿真結(jié)果分析

3.2.1兩層普通卷積網(wǎng)絡(luò)和并行多路卷積網(wǎng)絡(luò)的仿真結(jié)果分析

首先，模型不考慮頻帶相關(guān)性，僅用兩層卷積層和并行多路卷積網(wǎng)絡(luò)進(jìn)行干擾識別，識別結(jié)果如圖11～圖12所示，記兩層CNN網(wǎng)絡(luò)為普通CNN，兩層CNN加上三層多尺度并行卷積結(jié)構(gòu)為圖中的并行多路卷積。

由圖11的識別結(jié)果可以看出，JNR為-15dB時，并行多路卷積網(wǎng)絡(luò)開始捕捉到掃頻干擾特征從而進(jìn)行識別。圖11（d）為兩網(wǎng)絡(luò)的識別率對比，由圖可見，兩網(wǎng)絡(luò)由JNR為-15dB時開始捕捉信號特征，JNR為-5dB時已經(jīng)可以達(dá)到98%以上的識別正確率。兩網(wǎng)絡(luò)看似產(chǎn)生效果相同，但具體看圖11（e）損失函數(shù)變化圖發(fā)現(xiàn)，并行卷積網(wǎng)絡(luò)在迭代次數(shù)10次左右時，網(wǎng)絡(luò)模型就已經(jīng)達(dá)到穩(wěn)定狀態(tài)。圖12為5層CNN網(wǎng)絡(luò)與本文所用的并行多路卷積模型的運行總時間與網(wǎng)絡(luò)達(dá)到穩(wěn)定時間的對比圖。由圖可見，本文提出的模型每層運行時間大約為15.27min，而五層卷積網(wǎng)絡(luò)每層運行時間為19.8min，并行多路卷積網(wǎng)絡(luò)增加了網(wǎng)絡(luò)寬度，減少了計算量，不僅節(jié)省了運行總時間，也能使網(wǎng)絡(luò)更快達(dá)到穩(wěn)定狀態(tài)。

3.2.2并行多路卷積網(wǎng)絡(luò)和本文所提網(wǎng)絡(luò)結(jié)構(gòu)結(jié)果對比

考慮具有頻帶相關(guān)性的數(shù)據(jù)，將加入LSTM結(jié)構(gòu)之后的模型稱本文所提模型，將該模型識別結(jié)果與并行多路卷積（未加LSTM網(wǎng)絡(luò)）進(jìn)行對比，仿真結(jié)果如圖13所示。

由仿真結(jié)果圖13可以看出，除了單音干擾在高干噪比下的識別正確率有些許波動外，掃頻干擾、噪聲調(diào)頻干擾、部分頻帶干擾的識別正確率比并行多路卷積網(wǎng)絡(luò)的識別率更穩(wěn)定，保持在99.8%以上；低干噪比下，并行多路卷積網(wǎng)絡(luò)在JNR為-13dB左右才開始有干擾識別趨勢，但本文提出模型識別率在JNR為-20dB時就達(dá)到了98%。其中，單音干擾和多音干擾識別率有不平穩(wěn)的現(xiàn)象，單音干擾識別率有10%左右的波動情況，多音干擾波動情況在0.03%左右，噪聲調(diào)頻干擾、掃頻干擾及部分頻帶干擾識別正確率均無明顯波動。

對比其他的普通卷積網(wǎng)絡(luò)，本文所提模型在低干噪比下的識別率有著非常顯著的提升。低干噪比下的干擾信號特征不太明顯，所以以提取特征為主的卷積網(wǎng)絡(luò)沒辦法有效捕捉到各類干擾特征，導(dǎo)致識別率過低。本文引入LSTM預(yù)測模塊后，通過探知頻帶相關(guān)性得到初步結(jié)論，即干擾是否存在，將該結(jié)果作為主要參考與需要判別頻帶數(shù)據(jù)同時輸入并行卷積網(wǎng)絡(luò)之后，不僅提升了網(wǎng)絡(luò)穩(wěn)定性，且大大提升了在低干噪比下的識別正確率。

4結(jié)束語

軍事電子對抗中快速獲取電磁干擾信息和穩(wěn)定可靠的無線通信鏈路尤為重要，因此快速判斷識別戰(zhàn)場干擾具有十分重大的意義。本文提出并行多路多尺度卷積提高了網(wǎng)絡(luò)識別的穩(wěn)定性，減少了網(wǎng)絡(luò)運行時間。并行多路多尺度卷積與LSTM相結(jié)合的網(wǎng)絡(luò)通過學(xué)習(xí)頻帶相關(guān)性，大大提升了低干噪比下的干擾識別正確率。仿真試驗和分析結(jié)果證明了本文所提模型的有效性和優(yōu)越性。未來將在真實干擾信號場景下驗證模型的有效性和識別性能，并進(jìn)一步改進(jìn)模型。

參考文獻(xiàn)

[1]張澎，張成，管洋陽，等.關(guān)于電磁頻譜作戰(zhàn)的思考[J].航空學(xué)報，2021，42（8）：94-105. Zhang Peng， Zhang Cheng， Guan Yangyang， et al. Reflections on electromagnetic spectrum operations[J]. Chinese Journal of Aeronautics， 2021，42（8）： 94-105. （in Chinese）

[2]羅富剛，李文元，唐思維.從電磁頻譜戰(zhàn)看未來軍事通信的發(fā)展趨勢[J].中國戰(zhàn)略新興產(chǎn)業(yè)，2017（24）：50. Luo Fugang， Li Wenyuan， Tang Siwei. Looking at the future development trend of military communications from the perspective of electromagnetic spectrum warfare[J]. China Strategic Emerging Industry， 2017（24）： 50. （in Chinese）

[3]逄天洋，李永貴，牛英滔，等.通信電子干擾的分類與發(fā)展[J].通信技術(shù)，2018，51（10）：2271-2278. Mei Tianyang， Li Yonggui， Niu Yingtao， et al. Classification and development of communication electronic interference[J]. Communications Technology， 2018， 51（10）： 2271-2278. （in Chinese）

[4]胡新宇.基于認(rèn)知的戰(zhàn)場電磁環(huán)境偵察技術(shù)[J].空天防御， 2019，2（4）：40-45. Hu Xinyu. Cognition-based battlefield electromagnetic environment reconnaissance technology[J]. Air & Space Defense， 2019，2（4）： 40-45. （in Chinese）

[5]Urkowitz H. Energy detection of unknown deterministic signals[J]. Proceedings of the IEEE，2005，55（4）：523-531.

[6]張?zhí)炝?基于信號能量的干擾檢測技術(shù)研究[D].重慶：重慶大學(xué)，2018. Zhang Tianlin. Research on interference detection technology based on signal energy[D]. Chongqing： Chongqing University， 2018. （in Chinese）

[7]包志強(qiáng)，崔妍蕊，徐笑.一種關(guān)于空間譜的兩級多天線盲頻譜檢測[J].電信科學(xué)，2018，34（3）：59-66. Bao Zhiqiang， Cui Yanrui， Xu Xiao. A two-stage multi antenna blind spectrum detection on spatial spectrum[J]. Telecommunications Science， 2018， 34（3）： 59-66. （in Chinese）

[8]方芳，李永貴，牛英滔，等.基于決策樹算法的干擾信號識別[J].通信技術(shù)，2019，52（11）：2617-2623. Fang Fang， Li Yonggui， Niu Yingtao， et al. Interference signal recognition based on decision tree algorithm[J]. Communication Technology， 2019，52（11）：2617-2623. （in Chinese）

[9]郝萬兵，馬若飛，洪偉.基于時頻特征提取的雷達(dá)有源干擾識別[J].火控雷達(dá)技術(shù)，2017，46（4）：11-15. Hao Wanbing， Ma Ruofei， Hong Wei. Radar active jamming identification based on time-frequency feature extraction[J]. Fire Control Radar Technology， 2017，46（4）：11-15. （in Chinese）

[10]徐國進(jìn).典型通信干擾信號識別技術(shù)研究[D].成都：電子科技大學(xué)，2018. Xu Guojin. Research on identification technology of typical communication interference signals[D]. Chengdu： University of Electronic Science and Technology， 2018. （in Chinese）

[11]劉強(qiáng).基于深度學(xué)習(xí)的雷達(dá)干擾識別技術(shù)[D].成都：電子科技大學(xué)，2020. Liu Qiang. Radar jamming identification technology based on deep learning[D]. Chengdu： University of Electronic Science and Technology， 2020. （in Chinese）

[12]練東海.基于深度學(xué)習(xí)的無線通信干擾信號識別與處理[J].通信電源技術(shù)，2021，38（2）：104-107. Lian Donghai. Wireless communication interference signal recognition and processing based on deep learning[J]. Telecom Power Technologies， 2021，38（2）：104-107. （in Chinese）

[13]黨澤.基于深度學(xué)習(xí)的無線通信干擾信號識別與處理技術(shù)研究[D].成都：電子科技大學(xué)，2020. Dang Ze. Research on wireless communication interference signal recognition and processing technology based on deep learning[D]. Chengdu： University of Electronic Science and technology， 2020. （in Chinese）

[14]Szegedy C，Liu W，Jia Y，et al. Going deeper with convolutions[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition（CVPR），2015.

[15]陳晶晶.認(rèn)知無線電中基于次用戶節(jié)點選擇的頻譜感知方法研究[D].南京：南京郵電大學(xué)，2020. Chen Jingjing. Research on spectrum sensing method based on secondary user node selection in cognitive radio[D]. Nanjing： Nanjing University of Posts and Telecommunications， 2020.（in Chinese）

[16]王方勇，杜栓平.基于調(diào)頻信號子帶相關(guān)性分析的回波特征提取方法[J].應(yīng)用聲學(xué)， 2010，29（5）：344-351. Wang Fangyong， Du Shuanping. Echo feature extraction method based on frequency modulated signal subband correlation analysis[J]. Journal of Applied Acoustics， 2010，29 （5）： 344-351.（in Chinese）

[17]蘭博.基于譜相關(guān)的自適應(yīng)能量檢測[D].北京：北京郵電大學(xué)，2020. Lan Bo. Adaptive energy detection based on spectral correlation[D]. Beijing： Beijing University of Posts and Telecommunications， 2020. （in Chinese）

[18]Bello I，Pham H，Le Q V，et al. Neural combinatorial optimization with reinforcement learning[J/OL].[2016-11-29]. https：//doi.org/10.48550/arXiv.1611.09940.

[19]吳明忠，劉永志.人工智能技術(shù)在直升機(jī)領(lǐng)域的應(yīng)用及發(fā)展展望[J].航空科學(xué)技術(shù)，2021，32（1）：29-34. Wu Mingzhong， Liu Yongzhi. Application and development prospect of artificial intelligence technology in helicopter field[J]. Aeronautical Science & Technology， 2021，32（1）： 29-34. （in Chinese）

[20]何曉驍，姚呈康.人工智能等新技術(shù)在航空訓(xùn)練中的應(yīng)用研究[J].航空科學(xué)技術(shù)，2020，31（10）：7-11. He Xiaoxiao， Yao Chengkang. Application of artificial intelligence and other new technologies in aviation training[J]. Aeronautical Science & Technology， 2020，31（10）：7-11.（in Chinese）

Intelligent Jamming Identification Based on Deep Learning with Frequency Band Correlation for Wireless Communication

Yang Lan，Xiao Haitao，Zhang Weile

Key Laboratory of Intelligent Network and Network Security，Ministry of Education，Xi’an Jiaotong University，Xi’an 710072，China

Abstract： In recent years， with the development of wireless communication technology in the military field and the increase of the number of all kinds of wireless communication equipment， the battlefield electromagnetic environment has become more and more complex， which requires the communication system with stronger anti-jamming capability. Intelligent jamming recognition is the precondition of anti-jamming. Various jamming recognition algorithms based on traditional machine learning have the problems of complex interference feature extraction and the low recognition accuracy under low jammer-to-noise ratio （JNR）. Therefore， aiming at the problem of intelligent recognition of various typical interference signals， a parallel convolution module with multi-channel and multi-scale is introduced to increase network width， improve network recognition speed and accuracy， and solve the problem of complex feature extraction in the previous period. Combining the parallel convolution based CNN with the band correlation based longterm and short-term memory network （LSTM）， an innovative intelligent wireless communication jamming recognition network based on deep learning with band-correlation is proposed in this paper. This method uses LSTM to detect the band correlation of interference signals and to improve the accuracy of jamming recognition at low jammer-to-noise ratio. Simulations show that our proposed network is more stable， faster and more generalized than ordinary convolution network. The band correlation based LSTM improves the recognition accuracy of our method under low jammer-to-noise ratio （with an average recognition accuracy of 99.86%）. Therefore， the network model proposed in this paper is an effective and available model to solve the intelligent interference recognition in complex electromagnetic environment.

Key Words：cognition of complex electromagnetic environment；disturbance recognition；frequency band correlation； long and short memory network； parallel multichannel multiscale convolution