基于CNN網(wǎng)絡(luò)的通信干擾信號識別

張博軒，王圣舉

（1.寧夏回族自治區(qū)無線電監(jiān)測站，寧夏 銀川 750004；2.長安大學(xué)電子與控制工程學(xué)院，陜西 西安 710064）

0 引言

隨著日益復(fù)雜的電磁環(huán)境以及干擾技術(shù)的發(fā)展，通信干擾對正常的通信交流構(gòu)成了嚴(yán)重的威脅[1]。復(fù)雜的電磁環(huán)境導(dǎo)致各個電磁器件不可避免地受到干擾，為了保證通信、雷達等設(shè)備的正常工作，我們可以提高設(shè)備的抗干擾能力，抑制干擾。干擾信號的檢測與識別是抗干擾的前提和基礎(chǔ)，只有知道是哪種干擾才能執(zhí)行具體的抑制方法來應(yīng)對干擾。傳統(tǒng)的通信干擾識別方法依賴于通信技術(shù)人員的經(jīng)驗，存在耗時長、無法自動識別、識別率低等缺點[2]。對通信干擾識別的研究，可以減輕技術(shù)人員的負擔(dān)，減少人為因素帶來的負面影響，從而大大提高識別精度。

目前，對干擾信號識別的研究也越來越多。文獻[3]利用基于特征的模式識別方法，選取了時域特征和頻域特征分別進行識別，然后通過D-S證據(jù)理論融合的方法將時域特征和頻域特征的識別結(jié)果進行綜合，過程比較復(fù)雜。文獻[4]使用支持向量機的方法對干擾信號的時頻特征進行識別，識別精度較低。文獻[5]提出了一種決策樹自動化設(shè)計方法，降低了決策樹的復(fù)雜度，但沒有分析在低干噪比的情況。

針對上述的一些問題，為了提高識別精度，簡化識別流程，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和STFT時頻分析的識別方法。首先對典型的4種干擾信號和BPSK通信信號進行時頻分析得到時頻圖像，然后采用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)對時頻圖像特征的自動提取，從而完成分類識別。

1 干擾信號與通信信號

通信干擾信號可分為壓制性干擾和欺騙性干擾，本文對壓制性干擾中的4種典型干擾信號和BPSK通信信號進行研究識別。當(dāng)存在干擾信號時，通信系統(tǒng)接收到的信號為通信信號、干擾信號和信道噪聲三者的疊加。

PSK信號利用載波的相位變化來傳遞信息。在BPSK中，通常用初始相位0和π分別表示二進制“1”和“0”。

（1）線性調(diào)頻干擾（Linear Frequency-Modulated Interference, LFM）在一個連續(xù)的頻帶上阻礙有用的通信和信號檢測，LFM信號的頻率隨著時間的變化而線性變化。

（2）連續(xù)波干擾又稱為單音干擾（Single-tone interference, ST），在某個頻點發(fā)射信號，阻礙通信和信號檢測，是一個連續(xù)正弦波。

（3）多音干擾（Multitone interference, MT）在幾個特定的頻點發(fā)射信號，阻礙通信和信號檢測。

（4）噪聲調(diào)頻干擾（Frequency-modulated Interference, FM）信號以噪聲為調(diào)制信號對載波信號進行調(diào)頻調(diào)制，使載波信號的幅度不變，頻率隨基帶噪聲隨機變化。

2 短時傅里葉變換

短時傅里葉變換（Short-Time Fourier Transform,STFT）是一種針對時變非平穩(wěn)信號的時頻分析方法[6]，其數(shù)學(xué)表達式為

選取Hamming窗作為窗函數(shù)，設(shè)置信干噪比為10 dB，利用STFT對干擾信號、通信信號和信道噪聲三者的疊加信號進行時頻分析，時頻圖如圖1所示。

圖1 四類干擾信號的時頻圖

3 卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層、卷積層、池化層、全連接層和輸出層組成[7]。卷積神經(jīng)網(wǎng)絡(luò)能夠成功應(yīng)用于圖像識別的主要原因在于它的三個結(jié)構(gòu)特點：局部連接、下采樣和權(quán)值共享。這三個特點使得卷積神經(jīng)網(wǎng)絡(luò)既解決了全連接層訓(xùn)練時間長、計算量大的問題，又保證了特征識別的準(zhǔn)確性。圖2是本文應(yīng)用于干擾識別的卷積神經(jīng)網(wǎng)絡(luò)模型。

圖2 用于干擾識別的神經(jīng)網(wǎng)絡(luò)模型

卷積層：利用卷積核提取圖像特征，卷積核在圖像中逐像素移動。卷積層的輸出經(jīng)過激活函數(shù)的作用后稱為特征圖。不同的卷積核提取不同的輸入圖像特征，卷積層的操作表示為

池化層：使用最大池化可以降低卷積層對位置的敏感性，同時降低對空間采樣表示的敏感性，保留更詳細的圖像特征信息。同時，避免了平均池化帶來的模糊特征。

Dropout層：在深度學(xué)習(xí)的過程中，容易出現(xiàn)模型參數(shù)過多、訓(xùn)練樣本不足的情況。Dropout模塊通過丟棄部分神經(jīng)元，使得某些隱層節(jié)點的值為零，減少了隱層節(jié)點的相互作用，從而防止了過擬合的發(fā)生，增強了模型的泛化能力[9]。

4 實驗仿真與結(jié)果分析

4.1 數(shù)據(jù)集的生成

本文是對四類干擾信號進行識別，由于在實際生活中，對干擾信號的采集比較困難，這里采用MATLAB仿真生成干擾信號和通信信號，并對其兩者的疊加信號進行STFT時頻分析，從而得到時頻圖像。模型的輸入數(shù)據(jù)為

這4類干擾信號和通信信號的疊加信號在信干噪比[-10 dB,10 dB]內(nèi)每間隔5 dB生成訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，在每種信干噪比下生成500張圖片，一共有4×5×500個樣本，其中90%為訓(xùn)練數(shù)據(jù)，10%為訓(xùn)練數(shù)據(jù)。

仿真參數(shù)設(shè)置如下：線性掃頻干擾的初始頻率為（10 kHz, 20 kHz），調(diào)頻率為（10 GHz,100 GHz）。單音干擾的頻率范圍為（10 kHz, 20 kHz）。多音干擾的頻率范圍為（10 kHz, 20 kHz），音數(shù)目為（2, 7）。噪聲調(diào)頻干擾的中心頻率為20 MHz，噪聲有效帶寬為（50 MHz, 100 MHz）調(diào)頻斜率為（100 MHz, 200 MHz）。

4.2 實驗流程

本文首先生成干擾信號和通信信號，將兩者疊加后加入高斯白噪聲，得到待處理的信號，然后使用STFT對信號進行時頻分析，得到時頻圖像，調(diào)整圖片大小為224×224并送入神經(jīng)網(wǎng)絡(luò)模型中，具體實現(xiàn)過程如圖3所示。

圖3 實驗流程圖

4.3 實驗結(jié)果及分析

根據(jù)仿真結(jié)果，可以得到各類干擾信號的識別率。圖4是信干噪比為[-10 dB, 10 dB]的混淆矩陣圖，矩陣顯示的百分比為混淆矩陣的召回率?？梢钥吹絾我舾蓴_被識別為線性掃頻干擾的數(shù)量相對比較多一些，這是因為這兩者的時頻圖具有一定的相似性。

圖5是信干噪比為[0 dB, 10 dB]的混淆矩陣圖，相比較于圖4，識別率有所上升。因此，可以知道信干噪比越高即信道噪聲越小，干擾信號的特征就越容易被神經(jīng)網(wǎng)絡(luò)識別，識別的概率隨著增大。

圖4 測試集的混淆矩陣

圖5 [0 dB,10 dB]測試集的混淆矩陣

5 結(jié)束語

鑒于傳統(tǒng)干擾信號識別方法比較復(fù)雜，并且識別效果不好，本文使用一種利用卷積神經(jīng)網(wǎng)絡(luò)和STFT時頻分析的方法對幾種常見的通信干擾信號進行識別分類。仿真結(jié)果表明，該方法對這4種通信干擾信號都具有較高的識別率，在信干噪比為[-10 dB,10 dB]范圍內(nèi)的綜合識別率可達到97.8%，在信干噪比為[0 dB,10 dB]范圍內(nèi)的綜合識別率為99.5%。與傳統(tǒng)的識別方法相比此方法實現(xiàn)比較簡單，并且識別率高。只是神經(jīng)網(wǎng)絡(luò)模型參數(shù)比較多，運算比較復(fù)雜，要用在實際工程中存在不少難題，同時，本文也沒有對復(fù)合干擾信號進行識別，這些問題需要進一步研究?！?/p>