深度學(xué)習(xí)在射頻干擾抑制中的應(yīng)用研究

郭一鳴

（鄭州工業(yè)應(yīng)用技術(shù)學(xué)院，河南 鄭州 451100）

0 引 言

隨著無線通信技術(shù)的發(fā)展，射頻干擾成為無線通信系統(tǒng)中一個(gè)嚴(yán)重而復(fù)雜的問題，嚴(yán)重影響通信信號(hào)的質(zhì)量和可靠性，導(dǎo)致通信系統(tǒng)性能下降、連接中斷甚至系統(tǒng)崩潰。基于該背景，尋求有效的射頻干擾抑制方法成為無線通信領(lǐng)域的一項(xiàng)重要任務(wù)[1,2]。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，利用深度學(xué)習(xí)模型解決射頻干擾問題成為了一個(gè)備受關(guān)注的研究方向。深度學(xué)習(xí)以其強(qiáng)大的學(xué)習(xí)能力和自動(dòng)特征提取優(yōu)勢(shì)，逐漸成為許多領(lǐng)域的研究熱點(diǎn)，并在圖像識(shí)別和語(yǔ)音處理等領(lǐng)域取得了顯著成果[3-6]。文章設(shè)計(jì)的基于深度學(xué)習(xí)的射頻干擾抑制架構(gòu)由3大部分組成，即數(shù)據(jù)預(yù)處理、基于循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）的射頻干擾識(shí)別模型以及自適應(yīng)濾波器[7-10]。為驗(yàn)證所提架構(gòu)的有效性，文章設(shè)計(jì)了一個(gè)射頻干擾數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)和測(cè)試。實(shí)驗(yàn)結(jié)果表明，該深度學(xué)習(xí)架構(gòu)在射頻干擾抑制方面具有出色的性能和健壯性，能夠顯著提高通信系統(tǒng)的穩(wěn)定性和可靠性。

1 基于深度學(xué)習(xí)的射頻干擾抑制架構(gòu)

基于深度學(xué)習(xí)的射頻干擾抑制總體架構(gòu)如圖1所示。

圖1 射頻干擾抑制方法的總體架構(gòu)

數(shù)據(jù)預(yù)處理在射頻干擾抑制中起著重要作用，目標(biāo)是提高輸入數(shù)據(jù)的質(zhì)量，消除噪聲和干擾的影響，使其能夠滿足后續(xù)模型的處理要求。設(shè)原始的射頻信號(hào)序列為X=[x1,x2,…,xn]，其中xi表示第i個(gè)采樣點(diǎn)的值，i=1,2,…,n。

去噪處理是通過濾波技術(shù)去除射頻信號(hào)中的噪聲。設(shè)去噪后的射頻信號(hào)為X'=[x'1,x'2,…,x'n]，過程可以表示為

式中：f為去噪函數(shù)；θ為去噪算法的參數(shù)。

接著進(jìn)行降采樣處理，將高采樣率的射頻信號(hào)降低到合理的采樣率，以減少數(shù)據(jù)的冗余信息。設(shè)降采樣后的射頻信號(hào)為其中m為降采樣后的采樣點(diǎn)數(shù)，m＜n。降采樣操作的計(jì)算公式為

式中：g為降采樣函數(shù)；ω為降采樣算法的參數(shù)；j=1,2,…,m。

對(duì)降采樣后的射頻信號(hào)進(jìn)行歸一化處理，以消除幅度差異對(duì)后續(xù)模型的影響。設(shè)歸一化后的射頻信號(hào)為歸一化操作的計(jì)算公式為

式中：h為歸一化函數(shù)；ψ為歸一化算法的參數(shù)；j=1,2,…,m。

通過數(shù)據(jù)預(yù)處理得到了經(jīng)過去噪、降采樣以及歸一化的射頻信號(hào)X'''，作為后續(xù)深度學(xué)習(xí)模型的輸入。RNN的基本結(jié)構(gòu)如圖2所示。RNN是一種對(duì)序列數(shù)據(jù)進(jìn)行處理的神經(jīng)網(wǎng)絡(luò)，特點(diǎn)是網(wǎng)絡(luò)中存在循環(huán)連接，使得網(wǎng)絡(luò)可以處理不定長(zhǎng)的輸入序列，對(duì)時(shí)間序列數(shù)據(jù)和文本數(shù)據(jù)等具有良好的處理性能。圖2中：x1、x2、x3、x4為輸入序列的各個(gè)元素，即在不同時(shí)間步驟輸入網(wǎng)絡(luò)的數(shù)據(jù)；y1、y2、y3、y4為網(wǎng)絡(luò)在各個(gè)時(shí)間步驟的輸出；h0、h1、h2、h3、h4為隱藏狀態(tài)，是網(wǎng)絡(luò)內(nèi)部的記憶，能夠記錄先前的信息；h0為初始化狀態(tài)，一般設(shè)為0或者隨機(jī)值，而后續(xù)狀態(tài)ht（t=1,2,3,4,…）則是基于前一個(gè)狀態(tài)ht-1和當(dāng)前輸入xt的函數(shù)。在每一個(gè)時(shí)間步，RNN會(huì)接收一個(gè)輸入xt和前一時(shí)間步的隱藏狀態(tài)ht-1，然后更新當(dāng)前的隱藏狀態(tài)ht和輸出yt，即

圖2 RNN的基本結(jié)構(gòu)

式中：Wx,h、Wh,h、Wh,y為權(quán)重矩陣；bh、by為偏置；f為激活函數(shù)。模型的輸出層對(duì)應(yīng)目標(biāo)類別數(shù)目，即需要識(shí)別的干擾類型數(shù)量。

自適應(yīng)濾波器是一種能夠自動(dòng)調(diào)整參數(shù)以最小化誤差信號(hào)的濾波器。文章基于最小均方誤差（Least Mean Square，LMS）算法設(shè)計(jì)自適應(yīng)濾波器，設(shè)濾波器的輸入為向量X，權(quán)重向量為w，輸出為y，期望信號(hào)為d，則具體的工作步驟如下。

步驟1：初始化權(quán)重向量w，將權(quán)重向量初始化為0或一個(gè)小的隨機(jī)值。

步驟2：計(jì)算濾波器的輸出y和誤差e，計(jì)算公式為

式中：T為向量的轉(zhuǎn)置；n為迭代的步數(shù)。

步驟3：更新權(quán)重向量w，計(jì)算公式為

式中：μ為步長(zhǎng)參數(shù)，控制權(quán)重更新的速度和穩(wěn)定性。μ的選擇需要權(quán)衡收斂速度和系統(tǒng)穩(wěn)定性。一般情況下，μ應(yīng)該是一個(gè)較小的正數(shù)。

步驟4：重復(fù)步驟2和步驟3，直到濾波器的輸出誤差e達(dá)到一個(gè)較小的值，或者達(dá)到預(yù)設(shè)的迭代次數(shù)。

2 實(shí)驗(yàn)與分析

2.1 數(shù)據(jù)集

文章設(shè)計(jì)了一個(gè)射頻干擾數(shù)據(jù)集，用于測(cè)試所提方法的有效性。首先，用射頻信號(hào)模擬器生成模擬信號(hào)并收集多種類型的射頻信號(hào)，包括干凈的無干擾信號(hào)和各種干擾信號(hào)。采用數(shù)據(jù)預(yù)處理方式，將原始的射頻信號(hào)轉(zhuǎn)化為適合神經(jīng)網(wǎng)絡(luò)輸入的形式。測(cè)試前，需要標(biāo)注每個(gè)信號(hào)樣本是否存在干擾及其干擾的類型，每個(gè)樣本都需要有一個(gè)清晰的標(biāo)簽。

2.2 實(shí)驗(yàn)方案

基于深度學(xué)習(xí)的射頻干擾抑制方法的訓(xùn)練和測(cè)試主要包括以下步驟。

（1）數(shù)據(jù)準(zhǔn)備。按照70%的比例劃分訓(xùn)練集，剩下的30%作為測(cè)試集。此外，需要對(duì)數(shù)據(jù)集采取預(yù)處理操作，包括歸一化等，使其能夠滿足模型的輸入要求。

（2）模型構(gòu)建。需要構(gòu)建深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型，包括多層循環(huán)層和全連接層。模型的輸出層節(jié)點(diǎn)數(shù)量應(yīng)與干擾類型的數(shù)量相對(duì)應(yīng)，每個(gè)節(jié)點(diǎn)的輸出代表該類型干擾的預(yù)測(cè)概率。

（3）模型訓(xùn)練。使用訓(xùn)練集訓(xùn)練模型，包括前向傳播和反向傳播2個(gè)步驟。該過程反復(fù)進(jìn)行，直到模型的性能達(dá)到滿意的水平或者達(dá)到預(yù)設(shè)的訓(xùn)練輪數(shù)。

（4）模型評(píng)估。模型訓(xùn)練完成后需要使用測(cè)試集進(jìn)行對(duì)比和評(píng)估，包括準(zhǔn)確率、召回率、F1值（精確率和召回率的調(diào)和均值）等。

2.3 結(jié)果分析

基于深度學(xué)習(xí)的射頻干擾識(shí)別方法的測(cè)試結(jié)果顯示，該模型在評(píng)估指標(biāo)方面表現(xiàn)較好。其中：準(zhǔn)確率為85%，表示該模型在預(yù)測(cè)射頻信號(hào)是否存在干擾時(shí)的正確率為85%；召回率為92%，表示該模型可以正確識(shí)別出92%的射頻干擾樣本；F1值為88%，綜合考慮了準(zhǔn)確率和召回率，是評(píng)估模型綜合性能的指標(biāo)。結(jié)果表明，基于深度學(xué)習(xí)的射頻干擾識(shí)別方法在較高的準(zhǔn)確率和召回率下取得了良好的F1值，意味著該方法在射頻干擾識(shí)別任務(wù)中能夠較準(zhǔn)確地識(shí)別干擾信號(hào)，且較少錯(cuò)過真實(shí)的干擾信號(hào)。

識(shí)別出干擾信號(hào)后，采用自適應(yīng)濾波濾除噪聲。濾波前后的部分射頻數(shù)據(jù)如圖3所示，其中實(shí)線為原始信號(hào)，虛線為去噪后的信號(hào)。由圖3可知，原始信號(hào)大約8 s達(dá)到峰值，且在3 s、6 s、9 s、16 s包含有噪聲。濾波后，曲線變得更為平滑，濾波前后的信號(hào)峰值位置基本不變。另外，在該過程中噪聲得到充分抑制，并且保留了與原始信號(hào)相同的信號(hào)強(qiáng)度?？梢姡瑸V波器取得了良好效果，濾波后的信號(hào)比濾波前的信號(hào)噪聲明顯減少，且充分保留了有效信息。

圖3 濾波前后的部分射頻數(shù)據(jù)

3 結(jié) 論

基于深度學(xué)習(xí)技術(shù)研究了射頻干擾抑制問題，提出了一種基于深度學(xué)習(xí)的射頻干擾抑制總體架構(gòu)。該架構(gòu)通過數(shù)據(jù)預(yù)處理、基于循環(huán)神經(jīng)網(wǎng)絡(luò)的射頻干擾識(shí)別和自適應(yīng)濾波器的設(shè)計(jì)，自動(dòng)識(shí)別和抑制射頻干擾信號(hào)。實(shí)驗(yàn)表明，該架構(gòu)在射頻干擾抑制方面取得了顯著效果，提高了通信系統(tǒng)的穩(wěn)定性和可靠性。未來可以進(jìn)一步優(yōu)化和改進(jìn)該架構(gòu)，提高射頻干擾的識(shí)別準(zhǔn)確性和抑制效果，探索更多的數(shù)據(jù)預(yù)處理方法，提高輸入數(shù)據(jù)的質(zhì)量和穩(wěn)定性，同時(shí)研究其他深度學(xué)習(xí)模型在射頻干擾抑制中的應(yīng)用，以拓寬研究領(lǐng)域。